用于供应链产品检测的多阈值图像分割系统、方法及介质 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及供应链产品检测技术领域，具体涉及一种用于供应链产品检测的多阈值图像分割系统、方法及介质。背景技术：2.阈值分割是常用的经典传统图像分割方法之一，根据阈值个数可以分为单阈值分割和多阈值分割。但是现实中图像包含的信息往往较复杂，需要从中提取多个目标，此时单阈值则不能满足分割精度要求，需要一个阈值集合即多个阈值将图像划分为多个互不交迭的部分。3.多阈值图像分割有效地解决了现实应用中图像分割精度不足的问题，但是算法复杂度随着阈值个数的增加而呈非线性级别增长，分割时间也随之大幅增加，从而难以满足图像应用分析领域对高效性以及实时性的要求。因此，如何提高多阈值分割的效率、降低分割时间成为当前多阈值分割面临的主要挑战，对快速多阈值图像分割方法的研究具有很大的现实意义。技术实现要素：4.本发明实施例的目的在于提供一种用于供应链产品检测的多阈值图像分割系统、方法及介质，用以解决现有技术中人眼无法轻易识别出装备供应链上产品轻微损坏部分的问题。5.为实现上述目的，本发明实施例提供一种用于供应链产品检测的多阈值图像分割方法，所述方法具体包括：6.获取供应链产品图像；7.对所述供应链产品图像进行预处理得到预处理图像；8.基于所述预处理图像根据爆炸算子产生爆炸火花；9.随机选择若干烟花进行高斯变异操作，生成变异火花；10.根据指数扰动映射规则对超出边界范围的所述爆炸火花和所述变异火花映射回可行范围，根据随机选择策略生成新烟花种群；11.判断所述新烟花种群是否达到终止条件，若是，利用最优阈值分割所述预处理图像得到分割图像；12.基于所述分割图像检测供应链产品。13.在上述技术方案的基础上，本发明还可以做如下改进：14.进一步地，所述对所述供应链产品图像进行预处理得到预处理图像，包括：15.对烟花种群初始化，并进行基本参数设置，其中，所述基本参数设置包括设置烟花种群规模、最大迭代次数、爆炸半径控制常数、火花个数控制常数、变异概率因子和个体边界范围。16.进一步地，所述基于所述预处理图像根据爆炸算子产生爆炸火花，包括：17.计算烟花群体适应度，并根据所述适应度计算每个烟花的爆炸半径以及产生火花个数；18.对所述烟花种群执行爆炸操作，生成多个爆炸火花。19.进一步地，所述基于所述预处理图像根据爆炸算子产生爆炸火花，还包括：20.通过公式1计算第i个烟花爆炸产生的第j个烟花；21.xijd＝xid+aidunifrnd(-1,1)ꢀꢀꢀꢀ公式1；22.其中，xijd为第i个烟花爆炸产生的第j个烟花，j∈[1,si]，ai为第i个烟花的爆炸半径；[0023]通过公式2计算第i个烟花的爆炸半径；[0024][0025]其中，fi为第i个烟花的适应度值，θ为基本爆炸半径，fmin为第t代烟花的最小适应度值，ε为一极小的常数，避免分子分母为零。[0026]进一步地，所述基于所述预处理图像根据爆炸算子产生爆炸火花，还包括：[0027]通过公式3计算第i个烟花爆炸生成的火花个数；[0028][0029]其中，φ为基本火花个数，fmax为第t代烟花的最大适应度值，ε为一极小的常数，避免分子分母为零。[0030]进一步地，所述随机选择若干烟花进行高斯变异操作，生成变异火花，包括：[0031]通过公式4计算高斯变异火花；[0032]gaussian(h)＝xhdnorm(1，1)ꢀꢀꢀꢀ公式4；[0033]其中，gaussian(h)为高斯变异火花，xh为随机选择的烟花，d为1×d维的{0,1}随机矩阵，norm(1)为服从均值为1，方差为1的高斯分布随机数。[0034]进一步地，所述随机选择若干烟花进行高斯变异操作，生成变异火花，还包括：[0035]通过公式5计算粒子i的第k维；[0036]xik＝xik+β(k)*(xgk-xik)ꢀꢀꢀꢀ公式5；[0037]其中，xik表示粒子i的第k维，xgk表示当前全局最优粒子的第k维，β(k)为粒子在第k维上的指数扰动因子。[0038]进一步地，所述根据指数扰动映射规则对超出边界范围的所述爆炸火花和所述变异火花映射回可行范围，根据随机选择策略生成新烟花种群，包括：[0039]通过公式6计算xijd的第k维超出边界；[0040]xijk＝xl+mod(|xijk|,xu-xl)ꢀꢀꢀꢀ公式6；[0041]其中，xu和xl分别表示解在维度k的上下界。[0042]一种用于供应链产品检测的多阈值图像分割系统，包括：[0043]存储器；以及[0044]与所述存储器连接的处理器，所述处理器被配置成：[0045]获取供应链产品图像；[0046]对所述供应链产品图像进行预处理得到预处理图像；[0047]基于所述预处理图像根据爆炸算子产生爆炸火花；[0048]随机选择若干烟花进行高斯变异操作，生成变异火花；[0049]根据指数扰动映射规则对超出边界范围的所述爆炸火花和所述变异火花映射回可行范围，根据随机选择策略生成新烟花种群；[0050]判断所述新烟花种群是否达到终止条件，若是，利用最优阈值分割所述预处理图像得到分割图像；[0051]基于所述分割图像检测供应链产品。[0052]一种非暂态计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。[0053]本发明实施例具有如下优点：[0054]本发明中用于供应链产品检测的多阈值图像分割方法，获取供应链产品图像；对所述供应链产品图像进行预处理得到预处理图像；基于所述预处理图像根据爆炸算子产生爆炸火花；随机选择若干烟花进行高斯变异操作，生成变异火花；根据指数扰动映射规则对超出边界范围的所述爆炸火花和所述变异火花映射回可行范围，根据随机选择策略生成新烟花种群；判断所述新烟花种群是否达到终止条件，若是，利用最优阈值分割所述预处理图像得到分割图像；基于所述分割图像检测供应链产品，解决了现有技术中人眼无法轻易识别出装备供应链上产品轻微损坏部分的问题。附图说明[0055]为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。[0056]本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。[0057]图1为本发明用于供应链产品检测的多阈值图像分割方法的流程图；[0058]图2为本发明用于供应链产品检测的多阈值图像分割系统的流程图；[0059]图3为本发明改进变异算子与高斯变异算子的变异路径区别的示意图。具体实施方式[0060]以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0061]实施例[0062]图1为本发明用于供应链产品检测的多阈值图像分割方法实施例流程图，如图1所示，本发明实施例提供的一种用于供应链产品检测的多阈值图像分割方法包括以下步骤：[0063]s101，获取供应链产品图像，对供应链产品图像进行预处理得到预处理图像；[0064]具体的，对烟花种群初始化，并进行基本参数设置，其中，所述基本参数设置包括设置烟花种群规模、最大迭代次数、爆炸半径控制常数、火花个数控制常数、变异概率因子和个体边界范围。[0065]s102，基于预处理图像根据爆炸算子产生爆炸火花；[0066]具体的，计算烟花群体适应度，并根据所述适应度计算每个烟花的爆炸半径以及产生火花个数；[0067]对所述烟花种群执行爆炸操作，生成多个爆炸火花。[0068]烟花算法是模仿烟花在爆炸过程中产生火花的过程进行搜索的新型群智能算法，不同烟花的爆炸半径和产生火花个数不同，对应了求解问题时的优劣解。通过对几个较优解进行高斯变异增加了种群的多样性。假设第t次迭代的初始烟花种群为x(t)＝[x1d,x2d,…,xid,…,xnd]，d表示搜索空间维数，n表示烟花个数。则第t代火花产生公式为：[0069]xijd＝xid+aidunifrnd(-1,1)ꢀꢀꢀꢀ公式1；[0070]其中，xijd为第i个烟花爆炸产生的第j个烟花，j∈[1,si]，ai为第i个烟花的爆炸半径；[0071]通过公式2计算第i个烟花的爆炸半径；[0072][0073]其中，fi为第i个烟花的适应度值，θ为基本爆炸半径，fmin为第t代烟花的最小适应度值，ε为一极小的常数，避免分子分母为零。[0074]通过公式3计算第i个烟花爆炸生成的火花个数；[0075][0076]其中，φ为基本火花个数，fmax为第t代烟花的最大适应度值，ε为一极小的常数，避免分子分母为零。[0077]为了限制产生火花的个数，通常要用下式对si进行规整：[0078][0079]其中，等式左边si为最终爆炸火花个数，a，b为常数，且a《b《1。[0080]绚烂的烟花往往能渲染出欢乐美好的氛围，通常质量好的烟花上升位置更高并且能散开产生更多火花，质量较差的烟花上升位置相对较低并且散开生成的火花更少。烟花爆炸生成的每个火花都有自己的三维坐标，处于不同位置的火花产生的观感效果也不尽相同，单独就其中某个烟花来看，其产生的亮度比较微弱，但是整个火花群体却总能达到绚烂夺目的效果。受到烟花爆炸过程中产生不同爆炸半径和火花个数的启发，北京大学学者tan和zhu于2010年提出了一种新型群智能优化算法烟花算法。[0081]烟花算法主要靠烟花并行爆炸与高斯变异的搜索方式迭代寻优，初始烟花对应着优化解空间中的一组解，通过计算适应度确定烟花的优劣，与生物类群智能算法信息交互方式不同的是，烟花算法通过适应度值达到信息交互的目的。不同优秀程度烟花的信息传递和搜索能力差异主要体现在爆炸算子(包括爆炸强度即产生火花个数、爆炸幅度即爆炸半径以及位移操作)的不同。适应度好的优秀个体在较小范围内散开生成较多的火花，以充分利用其局部搜索能力，适应度差的较劣个体则在较大范围内散开生成较少的火花，以增加其搜索邻域半径，增加寻得更优个体的概率。为了增加种群多样性，随机选择一个或若干个烟花进行高斯变异，得到的火花有机会远离原位置，补充了爆炸算子的搜索机制。迭代期间对于超出范围的火花，通过模运算、随机操作等映射操作规则将其调整回可行域。每次迭代都保留当代最优个体，以充分利用其优秀的位置信息，剩下的n-1个则从其余的烟花和火花种群里根据距离选择规则产生。经过爆炸、变异、映射和选择操作而生成的烟花种群继续进行下次迭代，直到满足预定条件为止。[0082]s103，随机选择若干烟花进行高斯变异操作，生成变异火花；[0083]具体的，为了进一步提高火花种群的多样性，在x(t)中随机选取l个烟花进行高斯异，公式为：[0084]gaussian(h)＝xhdnorm(1，1)ꢀꢀꢀꢀ公式4；[0085]其中，gaussian(h)为高斯变异火花，xh为随机选择的烟花，d为1×d维的{0,1}随机矩阵，norm(1)为服从均值为1，方差为1的高斯分布随机数。[0086]根据精英保留策略将第t代中最优解直接保留到下一代，剩余的n-1个解根据基于适应度距离的选取规则选出，概率公式为：[0087][0088][0089]其中h为候选集，di为候选集中xi与候选集其他个体距离之和，pi为个体xi被选中的概率。[0090]通过公式5计算粒子i的第k维；[0091]xik＝xik+β(k)*(xgk-xik)ꢀꢀꢀꢀ公式5；[0092]其中，xik表示粒子i的第k维，xgk表示当前全局最优粒子的第k维，β(k)为粒子在第k维上的指数扰动因子。[0093]s104，根据指数扰动映射规则对超出边界范围的所述爆炸火花和所述变异火花映射回可行范围，根据随机选择策略生成新烟花种群。[0094]具体的，通过公式6计算xijd的第k维超出边界；[0095]xijk＝xl+mod(|xijk|,xu-xl)ꢀꢀꢀꢀ公式6；[0096]其中，xu和xl分别表示解在维度k的上下界。[0097]s105，判断新烟花种群是否达到终止条件，若是，利用最优阈值分割预处理图像得到分割图像。[0098]若新烟花种群没有达到终止条件，跳转到步骤s102继续迭代。[0099]s106，基于分割图像检测供应链产品。[0100]烟花算法是一种新型的群智能优化算法，群体搜索方式以及个体间信息交互方式具有很多独特新颖之处，总结其搜索机制的特点如下：[0101](1)并行爆发性。在每次迭代中，根据适应度交互信息分配好爆炸算子后，每个烟花个体在自己的邻域内进行爆炸操作，爆炸火花的生成使种群规模呈现了爆发式增长，体现了烟花算法的并行爆发特性。[0102](2)瞬时性。烟花算法的瞬时性主要体现在两个方面：一、烟花种群经过爆炸和变异产生的大部分火花都不会被选为下一代烟花，只是短暂的贡献自己的搜索价值，体现了火花的瞬时存在性；二、烟花爆炸生成火花的过程具有单向性，爆炸火花生成后即成为独立个体，即使火花位置更劣，也不会退回原位，体现了火花对上层烟花的瞬时记忆性。[0103](3)多样性。烟花算法的多样性也体现在两个方面。一、每个烟花的爆炸强度和爆炸广度都受到其适应度值的指导，进行位移操作的维数也是随机产生，体现了爆炸算子的多样性。二、除了爆炸操作，烟花算法还加入了高斯变异操作，进一步增加了群体多样性。[0104](4)局部性。每个烟花都是在其邻域内执行爆炸操作，爆炸火花的覆盖范围具有一定的局部特性。[0105](5)简单性。烟花算法的参数较少，群体之间互相作用的机制也较简单，操作简单方便。[0106](6)公平性。每个火花都有机会被选作为下代烟花，新一代烟花个体有可能出自不同的烟花，也有可能部分或全部出自当代的同一烟花。[0107](7)灵活性。烟花算法独特的信息交流方式使群体相对比较独立，个体间没有直接的交互作用，因此，增加或删减个体数量对种群整体的寻优能力影响较小，体现了种群规模可调的灵活性。[0108](8)适用性。fwa群体的搜索规则具有较广的适用性，即使对部分没有显式表达的问题也能体现出较好的寻优能力。[0109]各部分的总熵越大，则信息量越多，分割效果也越好。设有一幅像素总数为m且灰度级为l的数字图像i(x,y)，f1(x,y)表示点(x,y)的灰度值，mi表示灰度为i(i＝0,1,…l-1)的像素个数，则图中灰度为i的像素占比为：[0110][0111]选取阈值t将图像分割为z1，z2两区域，则z1、z2区域像素的占比分别为：[0112][0113][0114]则图像kapur熵的计算如下：[0115][0116]若选取阈值集合t＝{t1,t2,…,tk|0＜t1＜t2＜…＜tk≤l-1}将图像分割为k+1个区域z1,z2,…,zk+1，则问题变为多阈值分割，由单阈值kapur熵法的原理推导得多阈值kapur熵法的图像总熵为：[0117][0118]求解目标即为寻找取值最大的阈值集合t，即：[0119][0120]由以上内容可知，fwa具有较好的寻优性能，其独有的爆发性更是提升了算法的求解速度。但是也可以发现fwa总是对在原点处取得最优值的问题具有更好的求解性能，随着最优点与原点距离的增大，其求解性能随之变差。对fwa的搜索机制进行深入分析可知造成这一结果的原因主要有如下两点：[0121](1)对超出界限的粒子进行映射后很容易落在原点附近，从而增加寻得最优解的概率，而这并不是算法设计的初衷；[0122](2)fwa采取高斯变异策略，这也增加了变异火花落在原点附近的概率。这也意味着经过映射和变异两种策略的处理后，远离原点区域的粒子将变得稀疏，对于最优解不在原点附近的问题来说增加了多次无效搜索，降低了算法的寻优效率。[0123]另外，fwa粒子间通过适应度值完成信息的交互，这种方法对爆炸火花个数和爆炸半径的确定是行之有效的，但是粒子间缺少直接的信息交互，增大了算法陷入局部循环的概率。进一步分析发现，基于粒子间适应度值总和的新种群选择策略需要很大的计算量，增加了算法运行时间。[0124]根据以上分析，本章针对多阈值图像分割问题对fwa的变异算子、映射策略和选择策略进行改进。提出粒子在第k维上的指数扰动因子β(k)＝e-r(d-k)，其中d为粒子维数，r∈[0,1]，为一随机数，以下介绍具体改进方式。[0125]变异算子是fwa寻优过程的一个重要步骤，好的变异火花可以增大群体多样性，提升算法寻优效率，但高斯变异存在一定的局限性，本文引入指数扰动因子，对变异算子做如下改进：[0126]xik＝xik+β(k)*(xgk-xik)[0127]其中xik表示粒子i的第k维，xgk表示当前全局最优粒子的第k维，β(k)为粒子在第k维上的指数扰动因子。[0128]两种变异策略的路径差异如图3所示，可以看出改进后的变异过程利用了全局最优解的信息，使粒子向最有利的方向变异，该方式是受到粒子群算法中社会行为的启发，旨在提高算法的搜索效率。[0129]fwa的映射规则将超出界限的粒子拉回可行区域，但是粒子更容易落在原点附近，这在求解多阈值分割问题时无疑会增加许多无效搜索。因此，为了增加映射粒子的随机性，本文提出一种引入指数扰动因子的映射规则，如下：[0130]xik＝xik+β(k)*(xuk-xlk)[0131]其中xu，xl分别为粒子的上下界。[0132]基本fwa中基于距离的选择策略由于计算量大所以并不适用于图像分割问题，本文采用精英-轮盘赌策略产生新一代烟花种群，即将种群全局最优粒子直接保留至下一代，剩余的n-1个粒子由轮盘赌规则产生。[0133]epfwa的搜索过程主要由四个阶段构成。在烟花爆炸阶段，烟花种群通过爆炸操作瞬间产生大量火花，每个有效火花的位置都是可行域内的一个解，此过程相当于烟花个体在各自邻域范围内进行深度局部搜索，保留的烟花或火花均处在了局域最优解附近，而全局最优解也有较大概率在这些点中产生；本文改进变异阶段的烟花个体利用了种群空间(包括烟花和火花)中的有利信息向当前最优个体靠近，规避了原机制的盲目性，相当于增加了最优个体的搜索邻域，也有利于群体的全局进化方向；经过前两阶段的搜索，最优点附近聚集了大量粒子，本文的改进映射操作有利于增加种群多样性；epfwa利用精英-轮盘赌选择策略得到下一代烟花种群，相对于fwa中以距离为准则的选择策略会节省大量运行时间。所以本章所提的指数扰动烟花算法epfwa在理论上具有较好的局部和全局寻优能力。[0134]根据以上流程图，设计出基于epfwa的多阈值图像分割算法伪代码，如表1所示的基于epfwa的多阈值图像分割算法伪代码。[0135][0136][0137]表1[0138]该用于供应链产品检测的多阈值图像分割方法，获取供应链产品图像；对所述供应链产品图像进行预处理得到预处理图像；基于所述预处理图像根据爆炸算子产生爆炸火花；随机选择若干烟花进行高斯变异操作，生成变异火花；根据指数扰动映射规则对超出边界范围的所述爆炸火花和所述变异火花映射回可行范围，根据随机选择策略生成新烟花种群；判断所述新烟花种群是否达到终止条件，若是，利用最优阈值分割所述预处理图像得到分割图像；基于所述分割图像检测供应链产品。[0139]图2为本发明用于供应链产品检测的多阈值图像分割系统实施例流程图；如图2所示，本发明实施例提供的一种用于供应链产品检测的多阈值图像分割系统，包括以下步骤：[0140]存储器10；以及[0141]与所述存储器10连接的处理器20，所述处理器20被配置成：[0142]获取供应链产品图像；[0143]对所述供应链产品图像进行预处理得到预处理图像；[0144]基于所述预处理图像根据爆炸算子产生爆炸火花；[0145]随机选择若干烟花进行高斯变异操作，生成变异火花；[0146]根据指数扰动映射规则对超出边界范围的所述爆炸火花和所述变异火花映射回可行范围，根据随机选择策略生成新烟花种群；[0147]判断所述新烟花种群是否达到终止条件，若是，利用最优阈值分割所述预处理图像得到分割图像；[0148]基于所述分割图像检测供应链产品。[0149]本实施例提供一种非暂态计算机可读介质，非暂态计算机可读介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：获取供应链产品图像；对所述供应链产品图像进行预处理得到预处理图像；基于所述预处理图像根据爆炸算子产生爆炸火花；随机选择若干烟花进行高斯变异操作，生成变异火花；根据指数扰动映射规则对超出边界范围的所述爆炸火花和所述变异火花映射回可行范围，根据随机选择策略生成新烟花种群；判断所述新烟花种群是否达到终止条件，若是，利用最优阈值分割所述预处理图像得到分割图像；基于所述分割图像检测供应链产品。[0150]本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。[0151]以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。[0152]通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。[0153]虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!