基于鐵路5C裝置的受電弓滑板缺陷智能檢測技術(shù)

莫小凡， 王科理， 潘長清， 趙文軍， 占棟

（1.中國鐵道科學(xué)研究院集團(tuán)有限公司 標(biāo)準(zhǔn)計(jì)量研究所，北京 100081；2.中鐵檢驗(yàn)認(rèn)證中心有限公司，北京 100081；3.成都唐源電氣股份有限公司，四川 成都 610000）

1 概述

高速鐵路作為鐵路運(yùn)輸?shù)闹匾M成部分，不僅具有便民、安全、實(shí)惠的優(yōu)點(diǎn)，且因其快速、舒適的特點(diǎn)成為大眾出行的重要選擇之一。高鐵的發(fā)展給社會帶來便利的同時(shí)，其運(yùn)輸安全也日益受到重視［1］，受電弓的可靠運(yùn)行在很大程度上決定了高鐵運(yùn)輸?shù)陌踩?。為保障列車維持正常運(yùn)行狀態(tài)，及時(shí)檢知受電弓故障問題，必須對受電弓進(jìn)行快速準(zhǔn)確的檢測。目前的檢測方法仍然停留在人工檢測階段，且人工檢測存在效率低下、檢測標(biāo)準(zhǔn)不一致等諸多問題。在此前提下，一種新的檢測方法被提出，即受電弓滑板監(jiān)測裝置（5C）安裝在電力機(jī)車或高速鐵路的車站、車站咽喉區(qū)和動車段、機(jī)務(wù)段出入庫線路上，采用高速、高分辨率、非接觸式圖像分析測量技術(shù)，實(shí)現(xiàn)了對受電弓滑板的損壞、斷裂等重要隱患的動態(tài)自動檢測和車頂異物及關(guān)鍵部件狀態(tài)的室內(nèi)可視化觀測［2-4］。

目前常用的受電弓定位方法是采用霍夫變換提取受電弓碳滑板邊緣［5］，進(jìn)而通過直線測距方法計(jì)算滑板磨耗值［6-7］，但傳統(tǒng)圖像處理手段不均勻，光照和噪聲等影響因素較為敏感，難以應(yīng)對受電弓檢測的復(fù)雜工況。近年來，隨著人工智能和大數(shù)據(jù)分析技術(shù)的快速發(fā)展，人臉、指紋、虹膜等智能識別理論與技術(shù)已漸趨成熟，在機(jī)場與車站安檢、網(wǎng)絡(luò)支付、上班考勤等方面得到廣泛應(yīng)用，解決了傳統(tǒng)技術(shù)難以突破的關(guān)鍵技術(shù)難題［3］。針對受電弓及其缺陷為對象做出相應(yīng)的優(yōu)化，提出結(jié)合深度學(xué)習(xí)和傳統(tǒng)圖像處理方法的智能檢測算法，并以此闡述機(jī)器視覺技術(shù)在高速鐵路檢測中的應(yīng)用。

2 受電弓檢測及滑板缺陷智能識別方案

5C 主要由高清成像設(shè)備、數(shù)據(jù)采集處理設(shè)備、遠(yuǎn)程網(wǎng)絡(luò)傳輸通道、用戶終端等組成（見圖1）。該裝置能夠：（1）探測到受電弓滑板狀態(tài)，并將采集到的視頻或圖像信息傳輸給相關(guān)管理部門；（2）智能分析受電弓滑板狀態(tài)，識別并報(bào)警受電弓滑板出現(xiàn)的異常情況；（3） 能對動車組車號進(jìn)行抓取并識別。

圖1 5C組成示意圖

受電弓觸發(fā)模塊一般安裝在支柱上，通過結(jié)構(gòu)件固定。受電弓成像模塊一般安裝在硬橫梁上，設(shè)計(jì)為一定的拍攝角度。雷達(dá)和車號成像模塊一般安裝在支柱上，便于雷達(dá)監(jiān)測車速。安裝示意見圖2。

圖2 5C主要模塊安裝示意圖

3 受電弓智能識別定位

基于深度學(xué)習(xí)目標(biāo)檢測模型的受電弓智能識別定位方法包括深度學(xué)習(xí)目標(biāo)檢測模型設(shè)計(jì)，受電弓數(shù)據(jù)處理以及算法的驗(yàn)證實(shí)驗(yàn)。

3.1 模型設(shè)計(jì)

實(shí)現(xiàn)受電弓缺陷檢測功能的前提是對5C 采集圖像中的受電弓進(jìn)行目標(biāo)定位。深度學(xué)習(xí)方法以海量數(shù)據(jù)和先進(jìn)的計(jì)算資源為基礎(chǔ)，通過神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)自動的數(shù)據(jù)特征學(xué)習(xí)和提取。相比于傳統(tǒng)圖像處理方法中人為選定圖像特征及人為制定分類標(biāo)準(zhǔn)，深度學(xué)習(xí)方法所得到的特征具有更優(yōu)秀的泛化性和魯棒性，適用于多變的復(fù)雜場景［8］。

受電弓智能識別采用基于深度學(xué)習(xí)的圖像目標(biāo)檢測網(wǎng)絡(luò)作為算法模型。傳統(tǒng)的圖像目標(biāo)檢測算法以R-CNN為代表，以卷積神經(jīng)網(wǎng)絡(luò)對圖像特征的提取為基礎(chǔ)，將目標(biāo)檢測任務(wù)拆分為兩步：對候選框的位置回歸和對候選框內(nèi)的圖像分類，稱為two-stage 網(wǎng)絡(luò)模型［9］。而近年來例如YOLO、SSD 等one-stage 網(wǎng)絡(luò)的出現(xiàn)，不僅在定位精度上超越了R-CNN，同時(shí)在運(yùn)行速度上也有了很大提升［7］。最新的YOLOv4 網(wǎng)絡(luò)模型作為算法的基礎(chǔ)結(jié)構(gòu)，根據(jù)受電弓圖像背景復(fù)雜、目標(biāo)較大等特點(diǎn)對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行調(diào)整，最終實(shí)現(xiàn)受電弓的智能識別功能。YOLOv4的網(wǎng)絡(luò)結(jié)構(gòu)見圖3。

圖3 YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)示意圖

YOLOv4 網(wǎng)絡(luò)模型主要由4 個(gè)網(wǎng)絡(luò)結(jié)構(gòu)組成：主干網(wǎng)絡(luò)CSPDarknet53，路徑聚合PANet（Path Aggregation Network） 網(wǎng) 絡(luò)，多 尺 度 特 征SPP （Spatial Pyramid Pooling）網(wǎng)絡(luò)以及檢測頭YOLOhead。

主干網(wǎng)絡(luò)是提取特征的網(wǎng)絡(luò)，在整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)中的作用就是提取圖片中的信息，供后面的網(wǎng)絡(luò)結(jié)構(gòu)使用。Darknet 網(wǎng)絡(luò)是通過逐層卷積計(jì)算，在不同尺度和感受野中提取圖像的特征。CSP（Cross Stage Partial）結(jié)構(gòu)是一種網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的優(yōu)化方式，可實(shí)現(xiàn)更豐富的梯度組合，同時(shí)減少計(jì)算量。CBM結(jié)構(gòu)是YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)中的最小組件，由Conv+Bn+Mish 三者組成，其中Conv 代表卷積層，是最基本的圖像運(yùn)算單元；Bn 代表批歸一化層，用來加速模型收斂；Mish 是激活函數(shù)，用來增加網(wǎng)絡(luò)非線性運(yùn)算。YOLOv4在設(shè)計(jì)時(shí)為了追求極致準(zhǔn)確率，選用了計(jì)算較為復(fù)雜的Mish 激活函數(shù)。其計(jì)算公式見式（1）：

式中：x為網(wǎng)絡(luò)卷積層計(jì)算得到的特征值。路徑聚合PANet網(wǎng)絡(luò)、多尺度特征SPP網(wǎng)絡(luò)共同構(gòu)成了YOLOv4的特征融合模塊。特征融合模塊作用是連接主干網(wǎng)絡(luò)和檢測頭，接受主干網(wǎng)絡(luò)提取到的特征并通過一定方式進(jìn)行融合，再輸出給檢測頭進(jìn)行檢測分類。SPP網(wǎng)絡(luò)即空間金字塔池化，該結(jié)構(gòu)可使網(wǎng)絡(luò)不受圖像尺寸的限制輸出統(tǒng)一大小的圖像數(shù)據(jù)，同時(shí)提取多尺度的特征便于更好的進(jìn)行分類。PANet網(wǎng)絡(luò)是圖像多尺度特征融合的路徑網(wǎng)絡(luò)，它具有自下而上的路徑通道，極大縮短了低級特征和高級特征的通信路徑長度、提升特征融合的效率。

檢測頭YOLOhead 的作用是根據(jù)前面結(jié)構(gòu)中計(jì)算的特征對結(jié)果進(jìn)行評價(jià)。通過計(jì)算YOLOloss 來評價(jià)樣本與標(biāo)簽的符合程度?？偟膩碚f，YOLOv4從設(shè)計(jì)層面是面向日常場景下多類目標(biāo)的檢測任務(wù)，其特點(diǎn)是運(yùn)行速度快，支持類別數(shù)多。

但接觸網(wǎng)的場景與日常場景有很大區(qū)別，例如：

（1）圖像數(shù)據(jù)的差異。由于5C 裝置安裝在車輛線路的特定位置，采集到的圖像背景基本固定，不同時(shí)間空間采集的數(shù)據(jù)之間背景差異較小。同時(shí)，列車頂部的受電弓區(qū)域的各類部件安裝較為密集，圖像中各個(gè)部件交錯(cuò)在一起沒有確定邊界，分類難度大。

（2）任務(wù)類型的差異。日常場景下需要對生活中的各類物體進(jìn)行檢測，而受電弓智能識別的任務(wù)目標(biāo)較為單一，不需要支持多種類型的分類。

（3）識別需求的差異。受電弓智能識別任務(wù)對目標(biāo)邊界的檢測準(zhǔn)確性要求與理論場景的也有不同。受電弓智能識別對于目標(biāo)邊框檢測需要兼顧識別準(zhǔn)確性與實(shí)時(shí)性，而YOLOv4 在設(shè)計(jì)時(shí)更多偏向準(zhǔn)確性的提升，可能會犧牲部分運(yùn)算速度。

針對上述3點(diǎn)不同，結(jié)合受電弓智能識別的業(yè)務(wù)特點(diǎn)，對網(wǎng)絡(luò)結(jié)構(gòu)提出以下改進(jìn)：

（1）選用ShuffleNetv2 主干網(wǎng)絡(luò)替換現(xiàn)在的CSP?Darknet53。由于接觸網(wǎng)場景不需要支持多類別的分類信息，所以模型無需選用復(fù)雜的深層網(wǎng)絡(luò)進(jìn)行特征提取，可選用更簡單更輕型的網(wǎng)絡(luò)來實(shí)現(xiàn)。ShuffleNetv2是一個(gè)高效快速的特征提取網(wǎng)絡(luò)，其根據(jù)高效網(wǎng)絡(luò)的設(shè)計(jì)準(zhǔn)則對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，相比Darknet53 在運(yùn)行效率上有極大提升［10］。2種網(wǎng)絡(luò)模型的比較見表1。

表1 ShuffleNetv2與CSPDarknet53對比

（2）選用LeakyRelu 激活函數(shù)來代替Mish 函數(shù)。由于每次基本運(yùn)算后都需要計(jì)算激活函數(shù)，故選用Mish函數(shù)的時(shí)間成本和計(jì)算成本較大，且對于準(zhǔn)確率并沒有顯著提升，其性價(jià)比較低。而受電弓智能識別模型需要兼具準(zhǔn)確性和運(yùn)行速度，所以對其中的激活函數(shù)進(jìn)行更換，采用計(jì)算簡單同時(shí)效果也幾乎沒有下降的LeakyRelu 激活函數(shù)來代替Mish 函數(shù)。LeakyRelu 激活函數(shù)的計(jì)算公式見式（2）：

式中：x為網(wǎng)絡(luò)卷積層計(jì)算得到的特征值；a取值范圍為（0，1），根據(jù)實(shí)際應(yīng)用選取。對比式（1）及式（2）可明顯看出其計(jì)算復(fù)雜度的差別。

（3） 選用NAS-FPN 代替原有的路徑搜索模塊PANet。由于5C 受電弓識別任務(wù)背景干擾較多，檢測難度大，在特征融合部分需要更為強(qiáng)大的特征提取網(wǎng)絡(luò)。NAS-FPN 使用神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索NAS （Neural Architecture Search） 技術(shù)對特征金字塔網(wǎng)絡(luò)FPN（Feature Pyramid Networks）的架構(gòu)進(jìn)行優(yōu)化，該方法采用搜索方式代替人為規(guī)劃各尺度間的特征融合方式，融合效果方面較為優(yōu)秀，而速度方面也沒有明顯變慢。

綜上所述，在沿用YOLOv4的總體設(shè)計(jì)框架的基礎(chǔ)上，結(jié)合5C 實(shí)際業(yè)務(wù)場景，對模型內(nèi)結(jié)構(gòu)進(jìn)行調(diào)整。調(diào)整后的模型結(jié)構(gòu)見圖4。

圖4 調(diào)整后的YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)

3.2 圖像樣本擴(kuò)增

5C采集的原始圖像存在以下問題：

（1）圖像質(zhì)量參差不齊。有時(shí)由于受光照、車速、信號干擾等因素的影響，部分圖像會出現(xiàn)模糊、噪聲干擾、欠曝光、過曝光等圖像質(zhì)量問題。而這類圖像在整個(gè)數(shù)據(jù)集中的分布較少。直接采用原始數(shù)據(jù)集來進(jìn)行訓(xùn)練，會導(dǎo)致訓(xùn)練得到的模型分布不均勻，識別效果不佳。

（2）樣本分布不均衡。即受電弓有缺陷的圖像相比正常數(shù)據(jù)太少，影響模型的識別結(jié)果。

為解決以上問題，須對原始圖像進(jìn)行數(shù)據(jù)增強(qiáng)處理。數(shù)據(jù)增強(qiáng)處理的原理是通過圖像運(yùn)算、圖像裁剪、圖像旋轉(zhuǎn)等方式，在原有樣本基礎(chǔ)上，生成新的樣本加入數(shù)據(jù)集中，從而改變數(shù)據(jù)集的樣本分布。

樣本擴(kuò)增分為單樣本擴(kuò)增和多樣本擴(kuò)增。YOLOv4網(wǎng)絡(luò)模型中集成了多樣本擴(kuò)增的Mosica 方法，故在此基礎(chǔ)上，加入采用單樣本擴(kuò)增的方式，包括圖像翻轉(zhuǎn)、對比度變化、灰度調(diào)整、添加噪聲、圖像模糊等方法，模擬圖像質(zhì)量不佳的情況，保證訓(xùn)練模型的普適性和穩(wěn)定性。

3.3 模型訓(xùn)練與驗(yàn)證

（1）原始圖片集。受電弓數(shù)據(jù)來源于受電弓高清成像系統(tǒng)，包含不同路況、不同角度和不同身型的受電弓圖像數(shù)據(jù)，共計(jì)2 000 張，統(tǒng)計(jì)信息見表2。受電弓圖像數(shù)據(jù)集展示見圖5。

表2 訓(xùn)練集與測試集圖像類型占比統(tǒng)計(jì) %

圖5 受電弓圖像數(shù)據(jù)集展示

（2）實(shí)驗(yàn)平臺。實(shí)驗(yàn)平臺硬件信息：顯卡型號GTX1080Ti，內(nèi)存16 GB 和250 GB 固態(tài)硬盤；軟件信息：操作系統(tǒng)ubuntu16.04，基于TensorFlow 深度學(xué)習(xí)平臺。

（3）數(shù)據(jù)集制作。由于數(shù)據(jù)集的樣本分布不均，采用3.2 小節(jié)所述方法對亮度過暗和亮度不均的圖像進(jìn)行擴(kuò)增，使過暗與不均的圖像總數(shù)與正常圖像大致相當(dāng)，擴(kuò)增后圖片總數(shù)為3 000 張。由于采用的是有監(jiān)督方式，在訓(xùn)練受電弓零部件檢測網(wǎng)絡(luò)前，需要手動標(biāo)注3 000張受電弓圖像，其中80%圖像作為受電弓識別的訓(xùn)練集，剩余20%作為本模型的測試集合。使用labelimg 腳本工具進(jìn)行標(biāo)注，使用方框標(biāo)記每張受電弓圖像中的滑板位置，腳本會將其自動轉(zhuǎn)換為YOLO網(wǎng)絡(luò)的輸入數(shù)據(jù)格式。

（4）模型訓(xùn)練。使用上述數(shù)據(jù)集訓(xùn)練受電弓識別YOLOv4模型。訓(xùn)練過程中，模型損失值的變化見圖6。由曲線可知4 000 次迭代后，最終模型在訓(xùn)練集上的損失值loss穩(wěn)定在0.05附近波動，且變化較小，說明模型已基本收斂。

圖6 模型訓(xùn)練loss圖

（5）受電弓識別模型測試。為驗(yàn)證基于YOLOv4的受電弓識別模型的準(zhǔn)確性，使用測試集中600張受電弓圖像進(jìn)行測試。軟件界面和典型圖像的受電弓識別效果見圖7。

圖7 受電弓識別軟件效果圖

（6）受電弓識別模型實(shí)際驗(yàn)證。在訓(xùn)練計(jì)算機(jī)上對模型的性能測試需要在模型完成收斂后進(jìn)行。輸入尺寸為1080p 的受電弓圖像10 組，每組200 張。不同質(zhì)量圖像類別的識別率統(tǒng)計(jì)和識別耗時(shí)曲線見表3、圖8。

表3 圖像識別率統(tǒng)計(jì) %

圖8 受電弓識別耗時(shí)曲線

現(xiàn)場數(shù)據(jù)結(jié)果表明，模型對于正常亮度質(zhì)量較好的圖像可達(dá)到97.07%的準(zhǔn)確率。當(dāng)圖像中存在亮度過暗或亮度不均等極端現(xiàn)象時(shí)，檢測準(zhǔn)確率分別為81.08%和90.64%，識別效果有待提升。平均圖片識別時(shí)間為12.75 ms?？紤]到現(xiàn)場5C 線掃描相機(jī)采樣率10 kHz，生成圖片行數(shù)2 048，總體而言，受電弓識別模型可滿足現(xiàn)場精準(zhǔn)在線實(shí)時(shí)作業(yè)需求。

4 受電弓滑板缺陷智能檢測

在列車運(yùn)行過程中，受電弓可能受到來自外力的作用造成零部件受損和故障。正常情況下，受電弓的2條滑板為平行狀態(tài)，但在被打弓后，容易出現(xiàn)滑板不平行（結(jié)構(gòu)異常）的情況，如不能被及時(shí)檢測到，極易威脅到行車安全。在受電弓定位的基礎(chǔ)上對上述缺陷進(jìn)行檢測識別。

4.1 滑板結(jié)構(gòu)異常檢測原理

弓網(wǎng)在線相機(jī)持續(xù)采集受電弓圖像，利用上述模型定位受電弓區(qū)域。結(jié)合傳統(tǒng)圖像處理方法提取2根碳滑板輪廓特征，并設(shè)定閾值判斷2條受電弓滑板是否存在結(jié)構(gòu)異常。算法流程見圖9。設(shè)備采集圖像存在較多噪聲干擾，首先對圖片進(jìn)行濾波操作消除高頻噪聲干擾，運(yùn)用邊沿算子對輪廓初步提取，然后洗濯邊緣特征點(diǎn)，對滑板邊沿直線進(jìn)行精密擬合，最后與設(shè)置的閾值比較，進(jìn)行滑板結(jié)構(gòu)異常判斷。

圖9 受電弓滑板結(jié)構(gòu)異常檢測流程

（1）圖像濾波去噪。降噪采用高斯濾波算法，可過濾掉孤立的噪聲異常點(diǎn)，提升圖像質(zhì)量，減少后續(xù)邊緣提取過程中的干擾邊緣。高斯濾波過程中，每個(gè)像素點(diǎn)均由加權(quán)平均后得到，此處選用高斯核模板如下：

受電弓原始圖像濾波前后效果見圖10。

圖10 受電弓原始圖像與濾波后圖像

（2）受電弓輪廓提取。對梯度圖像進(jìn)行邊沿提取時(shí)采取canny 算子。圖像中灰度的變化與梯度值大小呈正相關(guān)。在邊緣提取前，首先將二值化方法應(yīng)用于梯度圖像，提取出強(qiáng)邊緣，其中二值化閾值設(shè)置為150。為了避免干擾邊緣的提取，需要在強(qiáng)邊緣的基礎(chǔ)上再進(jìn)行邊緣檢測（見圖11）。

圖11 邊緣提取效果

（3）滑板精細(xì)提取。邊緣提取的線條呈現(xiàn)出各個(gè)方向，為減少后續(xù)算法處理時(shí)間，首先對線條通過角度進(jìn)行過濾，去除和x軸角度相差較小的線條。方向過濾方式：將線條上所有坐標(biāo)點(diǎn)做直線擬合，計(jì)算擬合后的直線與x軸的角度，根據(jù)角度保留和x軸角度差較大的線條，結(jié)果見圖12。

圖12 碳滑板精細(xì)提取效果

（4）滑板結(jié)構(gòu)異常判定。在已保留的直線中，計(jì)算每2條直線間的角度。設(shè)置閾值為15°，若直線間的角度出現(xiàn)大于閾值的情況，則判定為受電弓碳滑板結(jié)構(gòu)存在異常，否則認(rèn)為受電弓結(jié)構(gòu)正常。判定結(jié)果見圖13。

圖13 滑板缺陷異常判定

4.2 結(jié)構(gòu)異常檢測驗(yàn)證

以某線路數(shù)據(jù)為基礎(chǔ)，對受電弓滑板缺陷智能檢測算法模塊進(jìn)行車載動態(tài)試驗(yàn)。試驗(yàn)中利用受電弓狀態(tài)在線檢測裝置采集受電弓動態(tài)圖像，并根據(jù)現(xiàn)場實(shí)測數(shù)據(jù)，分析受電弓識別和缺陷判定情況，驗(yàn)證算法模型的實(shí)時(shí)性和有效性。

線路巡檢獲取270 張受電弓圖片，其中40 張圖片存在碳滑板結(jié)構(gòu)異常。利用上述受電弓滑板結(jié)構(gòu)異常監(jiān)測算法對圖片進(jìn)行結(jié)構(gòu)異常判定。經(jīng)統(tǒng)計(jì)，檢測過程中每張圖像耗時(shí)11.14 ms。已知現(xiàn)場5C 線掃描相機(jī)采樣頻率10 kHz，生成圖片行數(shù)2 048。每張圖片的耗時(shí)曲線和圖像識別率見圖14和表4。

表4 受電弓結(jié)構(gòu)異常檢測準(zhǔn)確率統(tǒng)計(jì) %

圖14 受電弓結(jié)構(gòu)異常識別耗時(shí)曲線

5 結(jié)束語

從受電弓在線檢測需求出發(fā)，將YOLOv4結(jié)構(gòu)應(yīng)用到5C 智能識別場景中。設(shè)計(jì)基于YOLOv4 的檢測算法從5C 圖像中準(zhǔn)確提取受電弓目標(biāo)區(qū)域，進(jìn)而實(shí)現(xiàn)受電弓滑板結(jié)構(gòu)異常的檢測。某線路車載現(xiàn)場試驗(yàn)結(jié)果顯示，所述受電弓滑板結(jié)構(gòu)異常檢測算法魯棒性好，在復(fù)雜場景中均保持90%及以上的識別精度，且平均檢測用時(shí)約10 ms，可滿足受電弓狀態(tài)在線檢測的實(shí)時(shí)性需求。但受電弓識別模型在圖像出現(xiàn)亮度過暗、亮度不均時(shí)，識別率分別為81.08%和90.64%，識別精度有待提升。對于受電弓圖像質(zhì)量不佳的情況，在現(xiàn)有YOLOv4模型基礎(chǔ)上，還要加入更多的目標(biāo)檢測方法，尤其針對受電弓工況的圖像預(yù)處理方案，使受電弓滑板缺陷智能檢測技術(shù)具有更強(qiáng)的實(shí)際應(yīng)用價(jià)值。