基于过渡区研究的黄瓜病害识别方法

董松 徐晓辉 宋涛 程鑫 赵睿 张明辉 徐文超

摘要：【目的】针对黄瓜生长过程中常见的霜霉病、白粉病和靶斑病，提出改进的病害识别方法，为黄瓜病害自动识别提供一种技术支持。【方法】将RGB模型的病害图像转换到HSV和YUV颜色空间，通过OTSU筛选，获取阈值分割效果最好的HSV颜色空间的V分量，综合全阈值法和局部动态阈值法对V分量进行分割，获取病斑区和过渡区的分割图像。分别提取病斑区和过渡区的颜色和形状特征，基于支持向量机（Support vector machines，SVM）进行病害识别。【结果】以采集的240幅病害图像为研究样本，当惩罚参数C=32，核函数参数γ=1时，基于病斑区和过渡区在颜色和形状方面的22个特征数据，SVM分类器对霜霉病、白粉病和靶斑病3种病害的识别率分别达83.3%、76.7%和90.0%，对比仅以病斑区的11个特征数据为基础的识别结果，增加过渡区特征数据之后，黄瓜病害识别率有较大提升，分别提高26.6%、13.4%和16.7%（绝对值）。【建议】未来研究中应拓展黄瓜病害研究的种类，在进行病害识别时应将病害发展程度及病害的混合性考虑在内。

关键词： 黄瓜;病害识别;图像分割;过渡区;特征提取;支持向量机

中图分类号： S436.421;TP391.41          文献标志码： A       文章编号：2095-1191（2019）09-2119-08

Abstract：【Objective】To improve the disease identification method for common downy mildew， powdery mildew and target spot disease in cucumber growth process， and provide a technical support for automatic identification of fruit and vegetable diseases. 【Method】The disease image of RGB model was converted to HSV and YUV color space. The V component of HSV color space with the best threshold segmentation effect was obtained by OTSU. The V component was segmented by integrated full threshold method and local dynamic threshold method and obtained a segmented image of the lesion area and the transition area. The color and shape features of the lesion area and the transition area were extracted， and the disease recognition was performed based on the support vector machine（SVM）. 【Result】Taking 240 di-sease images as research samples， when penalty parameter C=32 and kernel function parameter γ=1， based on the 22 features of the lesion area and the transition area in color and shape， the recognition rates of the SVM classifier for downy mildew， powdery mildew and target spot disease reached 83.3%， 76.7% and 90.0%. Compared with the identification results based on 11 features of the lesion area，after increasing the features of the transition area， the disease recognition rate greatly improved 26.6%，13.4% and 16.7%（abslute value）. 【Suggestion】In the future， the research should expand the types of cucumber disease research， and take into account the degree of disease development and the mixture of di-seases in the identification of diseases.

Key words： cucumber; disease identification; image segmentation; transition area; feature extraction; support vector machines（SVM）

0 引言

【研究意义】果蔬的生长环境各不相同，病害发生的诱因也有明显差异。黄瓜在生长过程中产生各种病害，常见的有霜霉病、白粉病和靶斑病，均为在环境发生变化时叶片滋生的病害。由于原始人工经验无法保证稳定的产量，随着计算机视觉技术的发展壮大，人们开始在果蔬病害识别领域中逐步进行研究和探索（Barbedo，2016;Jeon and Rhee，2017）。因此，基于计算机视觉技术开发黄瓜等果蔬病害的识别方法对于农业自动化智能化发展具有重要意义。【前人研究进展】目前，对于果蔬病害识别的研究已有不少成果。赵开才（2012）针对水稻稻瘟病病斑图像分割精度不高的情况，基于二分类支持向量机（Support vector machines，SVM）实现稻瘟病最佳分类效果，提取病害的颜色和形态特征进行识别，平均正确识别率达93.3%;冀晓丽（2014）针对黄瓜白粉病提出一种多平滑尺度的分水岭分割算法，提取病斑样本中区分度较大的特征，设计了一种基于SVM的识别算法，并为检测识别过程提供了操作界面;李旺等（2014）在HIS空间提取图像的颜色特征，并通过SVM对霜霉病、角斑病和白粉病进行识别，效果良好;余秀丽等（2014）采用K均值聚类算法对图像进行分割，并提取了病斑区的纹理和形状特征，基于SVM进行病害识别，其中基于形状特征的识别效果较好，识别率达99.33%;秦丰等（2017）结合K中级聚类和线性判别分析法分割病害图像，提取归一化的HSV特征，建立基于SVM的病害识别模型;馬雪松（2018）改进基于非绿特征的病斑图像分割算法，并提取花生褐斑病的32个特征数据，基于SVM的病害识别率达96.47%。【本研究切入点】黄瓜叶部病害在外观和结构上各不相同，每种病害都具有其独特的颜色构成和内部隐含特征，目前大多数研究集中在病害的颜色分布、形状特性和内部纹理结构等方面，鲜有研究者注意病斑的蔓延需要一定过程，而忽略了对病斑部分与健康叶片交界部分的研究。【拟解决的关键问题】通过筛选和图像分割获取黄瓜叶片上病斑区图像及病斑区与健康部分间的过渡区图像，分别提取病斑区与过渡区的颜色和形状特征数据，并基于SVM识别黄瓜霜霉病、白粉病和靶斑病等3种主要病害，以优化特征数据集、提高识别成功率，为黄瓜病害的自动识别提供一种技术途径。

1 材料与方法

1. 1 材料获取

为保证研究结果的准确性，黄瓜3种病害的图像一部分采集自某植物基地;由于植物基地的病害样本无法全面涵盖病害特征，为丰富相应病害样本的特征，提高实验结果的鲁棒性，而添加部分来源于网站及数据库的图片，包括农业病虫草害图文数据库（http：//bcch.ahnw.cn/default.aspx）、智慧农资服务平台（http：//pic.114nz.com/shucaibinghai/gualei/huanggua/）和河南云飞科技发展有限公司病虫害图库（http：//www.hnyfkj.com.cn/newslist.asp？Cid=100）。霜霉病、白粉病和靶斑病3种病害均挑选拍摄效果较理想、病斑特征明显的图像，在植物基地拍摄采集的过程中以白板作为拍摄背景，尽量减少干扰信息，每种病害图像各80幅，共240幅，并统一裁剪成400 px×300 px。

1. 2 图片处理

病害图像在采集过程中由于光照、灰尘、水雾等环境因素影响会使图像中包含一定的噪声（Revathi and Hemalatha，2014），影响图像质量，在后期处理中和特征提取时会产生干扰信息。综合考虑图像的清晰度和去噪程度，本研究采用对随机噪声降噪能力较好的中值滤波对裁剪后的图像进行处理。

对于处理过的RGB图像，在阈值分割时可能存在一定缺陷，为获取较好的分割效果，将原有的RGB图像转换为多种不同颜色空间图像，提取各空间模型中的分量进行OTSU分割，筛选出分割效果最好的分量图像作为下一步分割基础。为准确区分过渡区与病斑区，结合全阈值法和局部动态阈值法对筛选出的分量进行分割，通过数学统计分析得到最佳二值化图像，用于病害的形状特征提取。然后与原图像进行一系列位操作获取病斑区和过渡区的彩色分割图像，用于病害的颜色特征提取。在进行病害识别时，将病斑区特征数据作为一种输入数据集，病斑区和过渡区特征数据相结合作为另一种输入数据集，分别应用SVM进行识别，比较两种方式的识别结果，分析过渡区特征对黄瓜病害识别的贡献度。

1. 3 统计分析

图像处理过程均在Visual Studio 2015中完成;SVM分类模型训练和识别通过调用Windows平台的LIBSVM工具包完成。

2 结果与分析

2. 1 病斑区和过渡区的图像分割

颜色分布不同是分辨病害区、过渡区和正常叶片最明显的特点，正常情况下的RGB图像由于光照和采集相机的影响，颜色分辨能力较弱，通过颜色空间转换可增强病斑和正常叶片的差异性，便于图像的病斑分割。因此，本研究将正常的病害RGB图像进行颜色空间模型转换，分别提取HSV、YUV和RGB不同颜色空间的9个分量（陈晓倩等，2018;宋丽娟，2018）。其中，HSV模型中H代表色调，S代表饱和度，V代表明度;YUV模型中Y代表亮度，U和V代表色差;RGB模型中RGB三分量分别代表红绿蓝。图1为黄瓜靶斑病的9种分量图。病害图像的某些分量会提高病斑部分与正常叶片的差异性，同时有一些分量会降低差异性，对于色度差异性明显的图像，在图像直方图中会产生双峰效果，OTSU法正是根据这一特点实现理想快速的分割结果。

本研究首先应用OTSU对提取的9种分量进行二值化分割，通过对比选择分割能力最强的分量图，以便后续处理。图2为几种分割效果较好的分量图，在图像的完整程度和分割效果上，HSV模型中的V分量弱化了其他因素的干扰，最大程度体现了病斑与正常叶片的差异性，但过渡区既包含病斑的特征又与正常部分有相似之处，且颜色构成复杂渐变，普通的阈值分割难以获得理想的分割效果，因此，本研究提出一种全阈值法与局部动态阈值法相结合的分割方法。

全阈值法是以整幅图像的灰度值分布作为分割依据，原图像和分割图像进行如下变换：

局部动态阈值法的基本思想是将难以区分的图像划分为独立的子图像，各子图像独立分析选择对应阈值进行分割（梁丽秀等，2019），将区分度较小的病斑交界区应用局部动态阈值法进行分割，流程如图3所示。

在经OTSU筛选之后，HSV颜色空间V分量的阈值分割效果最好。在此基础上，研究结合全阈值法和局部动态阈值法对V分量进行分割，获取目标区域分割面积与阈值的变化关系，并通过对该关系曲线的计算，统计曲线斜率与阈值的变化趋势，靶斑病分割的两种变化曲线如图4所示。曲线的走势代表了图像随阈值变化的分割效果，图4-A中有两个明显的突增部分，对应的斜率也突然增大（图4-B），第一个上升部分代表病斑区域的二值化，第二个上升部分代表周围健康部分的二值化，中间部分则是过渡区的二值化。两个上升过程中斜率从小于1.0到大于1.0的变化过程即为病斑区、过渡区和正常区的临界阈值，量化统计两个上升过程中斜率在[0.5，1.5]的阈值平均值A1和A2作为病斑区和过渡区的分割阈值，根据A1和A2可获得单纯病斑区和包含过渡部分病斑区的分割结果。依照以上方法可分别得出3种病害原图、病斑区和过渡区。分割后的二值化图像与原图像通过位操作即可获得过渡区和病斑区的彩色分割图像（图5）。分割流程如图6所示。

2. 2 特征提取

2. 2. 1 颜色特征 病态的黄瓜叶片通常会局部呈现出不正常颜色，不同病害产生的病斑颜色也有明显差别，因此根据病斑颜色构成间的差距可提取病斑图像独有的颜色特征，从而作为分类器的一种判断依据。最常用的彩色图像模型是RGB三通道模型，Stricker和Orengo（1995）提出采用颜色矩来描述彩色图像中的颜色分布情况，图像颜色的主要分布情况大部分可用颜色空间的一阶矩和二阶矩来表示。本研究提取病斑图像RGB三个通道的一阶矩和二階矩，可获得6个颜色特征数据，计算公式可表示为：

2. 2. 2 形状特征 形状特征主要体现对象的几何特征，一般是指对于图像经位移变换、旋转变换及尺度变化等干扰仍有效的深层次特征提取。普通的形状特征未具有对于位置变换的不敏感性，病斑图像的复杂性会造成普通形状特征存在较大误差。图像中病斑的面积即像素总和A，病斑边缘的像素数总和即为周长L，病斑区域最小外接矩长轴W和短轴H，通过一定的变换可得到5个具有较强稳定性的形状特征数据（王利伟等，2017;Ebrahimi et al.，2017）。计算方法如下：

病斑图像经分割后得到病斑区和过渡区的二值化图像，由于包含一定的隐含噪声和相邻病斑区域的破碎信息，在计算轮廓和面积时可能产生一定干扰。首先对二值化图像进行适当的形态学增强处理，先腐蚀后膨胀，消除图像中独立的纤维部分，同时削弱病斑周围轮廓的破碎性，增强病斑原有轮廓的形态学特性。然后调用OpenCV库中的cvContoursArea（ ）函数计算二值化图像中的分割轮廓面积A，cvArcLength（ ）函数计算图像的分割轮廓长度L，cvMinAreaRect2（ ）函数计算外接矩的长短轴W和H，以此为基础数据计算各形状特征数据。

由于病害图像中会出现一些病斑区域接壤较多的部分，经图像分割和适当形态学处理后仍无法进行有效的病斑分离，这样计算出的形状特征数据会表现为数据较大或较小，有一定的突变性。为压缩这种情况对正常数据的影响，在进行特征训练之前对数据进行归一化处理，将原有数据映射到某一数值区间内，增强数据的可比性，极大程度削减异常数据对建立正常分类模型的干扰。由此在保留所有特征数据的基础上弱化了参数的相对重要性，训练的分类器更加稳定可靠。

2. 3 基于SVM的病害识别

2. 3. 1 SVM 1995年Cortes和Vapnik提出了SVM理论，其核心思想是通过变化寻找某一最符合分类条件的分类超平面，该平面可兼顾分类间隔的最大化和分类精度的精细化（Hsu and Lin，2002）。为实现分类器的高效分类性能，通过某种函数变化将所需问题映射到某一高维空间，在高维空间中变得线性可分，因此能做出分类判断以上即为需要核函数映射的SVM，该过程需要反复验证惩罚参数C及相应的核函数参数，以获得最佳的分类效果。SVM分类器决策核函数公式为：

本研究的SVM采用径向基核函数进行计算，公式为：

式中，γ是核函数参数，默认值是1/num-features。本研究采用径向基核函数的原因有两个;首先径向基核函数可将数据映射到高维空间，以处理标签与属性间的非线性关系;其次过多的参数会影响模型的复杂度，径向基核函数只需要经交叉验证后确定惩罚参数C和γ两个参数，结果偏差性较小。

2. 3. 2 SVM分类识别 黄瓜3种代表性病害采集的各80幅图像中，每种病害随机挑选出50幅图像作为训练样本，另外30幅作为测试样本，识别方式分成以下两种：

（1）提取病斑图像颜色和形状两方面的11个特征数据进行训练识别。

（2）提取过渡区颜色和形状的11个特征数据，加上病斑区的11个特征数据一起训练识别。

每种识别方法反复进行3次，50幅训练图像也随机抽取3次以保证结果的准确性，最后计算平均识别率，在计算识别结果的平均数量时均采取四舍五入取整方式。识别流程如图7所示。

特征数据提取过程中由于噪声及非理想化处理会产生一些突变数据，直接作为训练的输入数据集会对正常数据造成干扰，因此训练之前应对数据进行归一化处理，将数据映射到某一较小区间，降低突变数据的干扰性，本研究采用默认的归一化范围[-1，1]。

SVM分类器经交叉验证后确定惩罚参数C=32，核函数参数γ=1，重复3次上述两种识别方式后，3种病害识别结果的对比如表1所示。霜霉病、白粉病和靶斑病的识别率分别为83.3%、76.7%和90.0%;对比仅以病斑区的颜色和形状特征作为SVM的分类识别数据，提取过渡区图像的11个颜色和形状特征提高了黄瓜病害的识别率，成功率分别提高26.6%、13.4%和16.7%（绝对值），高于传统的病斑区特征识别方法。

3 讨论

果蔬病害自动化识别是农业物联网构建中重要的环节，通过计算机视觉技术对果蔬的病害进行处理识别也是目前较热门的研究领域。针对不同的植物果蔬种类及对应的病害，目前已提出多种研究方法。Huang（2007）提取蝴蝶兰秧苗软腐病和褐斑病的颜色与纹理特征，基于前馈神经网络进行分类，识别率达89.6%;杨燕（2012）通过光学捕获装置无损获取水稻稻瘟病的病害信息，通过高光谱技术提取特征，基于高斯拟合参数和小波系数建立了病害识别模型;张鹏等（2017）根据病斑的面积和分布提出了针对黄瓜白粉病的3个特征参数，并通过人工神经网络完成了叶片的病态模式分类;孙世鹏等（2018）提取RGB模型中的R分量、HSB中的S分量（L*a*b*）中的b分量，建立Bayes线性判别函数，冬枣黑斑类病害识别率达89.6%。上述方法各有不同，对特定的研究对象也有一定的识别效果，但均未脱离对病害区域的研究。果蔬病害的发生由环境、细菌和果蔬本身三方面因素造成，也是一个细菌的蔓延过程。病害的不同决定了病斑区的特征差异，同时决定了过渡区的差异性。本研究基于这种分析获取了病斑区与极少关注的过渡区的分割图像，通过提取过渡区的颜色和形状特征作为补充数据，并结合病斑区的特征数据作为病害识别的输入数据集对病害进行识别。

本研究也通过贝叶斯算法和神经网络对特征数据进行分类，但由于样本数量有限，特征数据间有复杂的关联性。其中，贝叶斯算法受数据非独立性干扰识别效果不理想;神经网络又缺乏大量的数据支撑，无法建立饱满的映射关系，识别误差较大，得出两种方法对于样本的识别率均低于60%。因此，确定采用SVM分类方法。SVM能有效克服小样本数据的分类问题，通过核函数映射实现数据高维空间的划分，加入过渡区特征数据之后霜霉病、白粉病和靶斑病3种病害的识别率分别达83.3%、76.7%和90.0%，分类效果最好。對比基于SVM的识别结果，过渡区特征提取对黄瓜病害的识别有较大贡献度，为黄瓜乃至全部果蔬病害的识别开拓了一种新的研究思路。

4 建议

4. 1 拓展病害研究种类

本研究以黄瓜常见的霜霉病、白粉病和靶斑病为研究对象，增加过渡区特征数据的SVM分类器仅限于3种病害的识别。实际种植过程中黄瓜的环境复杂多变，易产生的病害种类更多，要求病害识别分类器有更强大的数据训练基础。今后应继续拓展病害的研究种类，提取相应的特征数据作为SVM的训练集，提高识别性能。

4. 2 增加病害发展程度的划分

病害发生的过程与细菌的寄生过程相关，仅从病害角度考虑，是一个从局部叶片到整体叶片的过程。虽然不同病害的特征差异明显，但同一病害不同时期叶片上病斑区和过渡区的特征表现也不完全相同。精细化地区分病害不同发展程度的特征，明确判断病害发生的严重性等级，可指导管理人员采取相应的弥补措施，既可减少产量损失，又能避免资源的过多消耗。

4. 3 考虑病害的混合发生

由于环境的复杂性，黄瓜的病害可能混合发生，采集到叶片中包含不止一种病害，相邻的病斑区由于相互影响会造成更复杂的过渡区，因此在病斑分割和特征提取时需考虑更多的影响因素。在今后的研究中应注意区分混合性过渡区和病斑区的不同，实现黄瓜叶片中混合病害的识别。

参考文献：

陈晓倩，唐晶磊，王栋. 2018. 基于SLIC方法的光照偏强农田图像分割研究[J]. 计算机工程与应用，54（2）：209-213.[Chen X Q，Tang J L，Wang D. 2018. Research on farmland image segmentation based on SLIC method under strong light[J]. Computer Engineering and Applications，54（2）：209-213.]

冀晓丽. 2014. 基于支持向量机的黄瓜叶部白粉病害检测[D]. 沈阳：东北大学. [Ji X L. 2014. Detection of cucumber powdery mildew based on support vector machines[D]. Shenyang：Northeastern University.]

李旺，唐少先，陳蓉. 2014. 基于颜色特征和支持向量机的黄瓜叶部病害识别[J]. 农机化研究，36（1）：73-75. [Li W，Tang S X，Chen R. 2014. Recognition of cucumber disease based on color features and support vector machine[J]. Journal of Agricultural Mechanization Research，36（1）：73-75.]

梁丽秀，叶丽军，吴丹，杨万能. 2019. 水稻表层根系图像分割算法研究[J]. 中国农业科技导报，21（1）：70-79. [Liang L X，Ye L J，Wu D，Yang W N. 2019. Study on image segmentation algorithm of rice surface root[J]. Journal of Agricultural Science and Technology，21（1）：70-79.]

马雪松. 2018. 基于支持向量机的花生褐斑病图像识别[D]. 合肥：安徽大学. [Ma X S. 2018. Image recognition of pea-nut brown spot based on support vector machine[D]. Hefei：Anhui University.]

秦丰，刘东霞，孙炳达，阮柳，马占鸿，王海光. 2017. 基于深度学习和支持向量机的4种苜蓿叶部病害图像识别[J]. 中国农业大学学报，22（7）：123-133. [Qin F，Liu D X，Sun B D，Ruan L，Ma Z H，Wang H G. 2017. Image recognition of four different alfalfa leaf diseases based on deep learning and support vector machine[J]. Journal of China Agricultural University，22（7）：123-133.]

宋丽娟. 2018. 基于颜色特征码本的病害图像分类算法研究[J]. 安徽农业科学，46（4）：198-202. [Song L J. 2018. Study on disease image classification algorithm based on color feature codebook[J]. Journal of Anhui Agricultural Sciences，46（4）：198-202.]

孙世鹏，李瑞，谢洪起，冯亚利，傅隆生，朱兆龙. 2018. 基于机器视觉的冬枣病害检测[J]. 农机化研究，40（9）：183-188. [Sun S P，Li R，Xie H Q，Feng Y L，Fu L S，Zhu Z L. 2018. Detection of winter jujube diseases based on machine vision[J]. Journal of Agricultural Mechanization Research，40（9）：183-188.]

王利伟，徐晓辉，苏彦莽，宋涛，邓一凡，方正. 2017. 基于计算机视觉的葡萄叶部病害识别研究[J]. 江苏农业科学，45（23）：222-225. [Wang L W，Xu X H，Su Y M，Song T，Deng Y F，Fang Z. 2017. Study on recognition of grape leaf diseases based on computer vision[J]. Jiangsu Agricultural Sciences，45（23）：222-225.]

杨燕. 2012. 基于高光谱成像技术的水稻稻瘟病诊断关键技术研究[D]. 杭州：浙江大学. [Yang Y. 2012. The key diag-nosis technology of rice blast based on hyper-spectral image[D]. Hangzhou：Zhejiang University.]

余秀丽，徐超，王丹丹，张卫园，屈卫锋，宋怀波. 2014. 基于SVM的小麦叶部病害识别方法研究[J]. 农机化研究，36（11）：151-155. [Yu X L，Xu C，Wang D D，Zhang W Y，Qu W F，Song H B. 2014. Identification of wheat leaf diseases based on SVM method[J]. Journal of Agricultu-ral Mechanization Research，36（11）：151-155.]

张鹏，朱育强，王丽莉，周胜军. 2017. 基于机器视觉技术的黄瓜叶片白粉病识别[J]. 中国农学通报，33（21）：134-137.[Zhang P，Zhu Y Q，Wang L L，Zhou S J. 2017. Recognition of cucumber leaf powdery mildew based on machine vision[J]. Chinese Agricultural Science Bulletin，33（21）：134-137.]

赵开才. 2012. 基于支持向量机的水稻稻瘟病识别技术研究[D]. 哈尔滨：哈尔滨工程大学. [Zhao K C. 2012. Research on technology of rice blast recognition based on support vector machine[D]. Harbin：Harbin Engineering University.]

Barbedo J G A. 2016. A review on the main challenges in automatic plant disease identification based on visible range images[J]. Biosystems Engineerind，144：52-60.doi：10. 1016/ j.biosystemseng.2016.01.017.

Cortes C，Vapnik V. 1995. Machine learning[J]. Support-vector networks，20（3）：273-297.

Ebrahimi M A，Khoshtaghaza M H，Minaee S，Jamshidi B.2017. Vision-based pest detection based on SVM classification method[J]. Computers and Electronics in Agriculture，137（1）：52-58. doi： 10.1016/j.compag.2017.03.016.

Hsu C W，Lin C J. 2002. A comparison of methods for multiclass support vector machines[J]. IEEE Transactions on Neural Networks，13（2）：415-425. doi：10.1109/72.991427.

Huang K Y. 2007. Application of artificial neural network for detecting Phalaenopsis seedling diseases using color and texture features[J]. Computers and Electronics in Agriculture，57（1）：3-11. doi： 10.1016/j.compag.2007.01.015.

Jeon W S，Rhee S Y. 2017. Plant leaf recognition using a convolution neural network[J]. Internation Journal of Fuzzy Logic and Intelligent Systems，17（1）：26-34.doi： 10.5391/ IJFIS.2017.17.1.26.

Revathi P， Hemalatha M. 2014. Cotton leaf spot diseases detection utilizing feature selection with skew divergence method[J]. International Journal of Scientific Enginee-ring and Technology，3（1）：22-30.

Stricker M，Orengo M. 1995. Similarity of color images[J]. Proceedings of SPIE-The International Society for Optical Engineering. doi： 10.1117/12.205308.

（責任编辑 邓慧灵）