趙雪寒 劉慶華

摘 要：為解決公路路面病害圖像特征不突出、檢測(cè)精度低等問題，提出一種基于改進(jìn)SSD模型的路面病害檢測(cè)系統(tǒng)。利用梯度下降Sobel算子優(yōu)化SSD模型中圖像特征提取的卷積網(wǎng)絡(luò)層，突出路面病害圖像特征;通過改進(jìn)SSD模型實(shí)現(xiàn)橫向裂縫、縱向裂縫、塊狀裂縫、路面凹陷以及其它類路面的病害圖像檢測(cè);結(jié)合Jetson-Nano板載化系統(tǒng)以及基于GO語言的Tensorflow框架實(shí)現(xiàn)路面病害檢測(cè)及分類。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)路面病害分類準(zhǔn)確度為91.28%，比未改進(jìn)的SSD模型識(shí)別準(zhǔn)確度提高7.36%，證明該優(yōu)化模型有效。

關(guān)鍵詞：路面病害;目標(biāo)檢測(cè);神經(jīng)網(wǎng)絡(luò);Sobel算子;板載化系統(tǒng);圖像檢測(cè)

DOI：10. 11907/rjdk. 201262????????????????????????????????????????????????????????????????? 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類號(hào)：TP306 ? 文獻(xiàn)標(biāo)識(shí)碼：A??????????????? 文章編號(hào)：1672-7800（2020）011-0217-04

Pavement Distress Image Detection System Based on Improved SSD Model

ZHAO Xue-han，LIU Qing-hua

（Electronics and Information Faculty， Jiangsu University of Science and Technology， Zhenjiang 212001，China）

Abstract： A pavement distress detection system based on a modified SSD model is raised in the paper to solve the problems of not-prominent road image features and low accuracy of detection. Firstly， gradient descent Sobel operator is used to modify the convolution neural network extract image features in the SSD model to highlight features of pavement distress pictures. The improved SSD model is used to realize the detection of transverse cracks， longitudinal cracks， block cracks， road depressions and other types of roads. Then the detection and classification of powement distrers is realised by employing Jetson-Nano onboard system and Tensorflow framework based on GO language. The experimental data including collected pavement distress pictures and that generated by the adversarial generation network. Results show that the classifying accuracy of our system is 91.28% which is 7.36% higher than that using the unmodified SSD model， which proves that the proposed optimization model has practicality.

Key Words： pavement distress; target detection; neural network; Sobel operator; onboard system; image detection

.

0 引言

隨著我國(guó)公路交通網(wǎng)的不斷發(fā)展，在公路路面運(yùn)營(yíng)與養(yǎng)護(hù)過程中會(huì)發(fā)現(xiàn)諸多問題，如公路路面破損、路面平整度降低等[1-3]。上述問題不僅影響駕駛員和乘車人的舒適度，路面破損還會(huì)致使汽車在行駛過程中產(chǎn)生不必要的噪聲污染，增加油耗等，在路面破損嚴(yán)重情況下甚至?xí)＜八麄兊纳?。因此，路面病害檢測(cè)及分類越來越得到國(guó)家相關(guān)部門的重視。

在路面病害檢測(cè)相關(guān)研究中，樊姚[4]提出傳統(tǒng)圖像的路面病害檢測(cè)算法，基于非下采樣Contourlet變換域壓縮采樣的濾波算法進(jìn)行路面裂縫檢測(cè)，利用四層卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像加以分類;沙愛民等[5]利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)路面病害進(jìn)行分類，路面病害檢測(cè)種類有兩類，即路面裂縫和路面槽坑，相較于國(guó)家公路檢測(cè)標(biāo)準(zhǔn)中提出的路面病害類型而言，其路面病害檢測(cè)種類較少，且不能實(shí)現(xiàn)相關(guān)病害定位功能;Maeda等[6]提出通過SSD模型、智能手機(jī)加載模型進(jìn)行路面病害檢測(cè)，但未改進(jìn)的SSD模型路面病害檢測(cè)準(zhǔn)確度不高，且不能對(duì)其它功能進(jìn)行擴(kuò)展應(yīng)用，存在較大局限性。

針對(duì)上述問題，本文結(jié)合梯度下降Sobel算子[7]對(duì)SSD（Single Shot Multibox Detector）模型圖像特征提取的卷積網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，實(shí)現(xiàn)橫向裂縫、縱向裂縫、塊狀裂縫、路面凹陷等路面病害分類。同時(shí)，結(jié)合搭載AI加速模塊的Jetson-Nano板載化系統(tǒng)與GO-Tensorflow框架，提高系統(tǒng)檢測(cè)速度，優(yōu)化系統(tǒng)檢測(cè)性能。設(shè)計(jì)路面病害監(jiān)管平臺(tái)，通過MQTT方式，實(shí)現(xiàn)路面檢測(cè)系統(tǒng)與監(jiān)管平臺(tái)之間的通信，方便用戶管理，極大便捷了路面病害檢測(cè)工作，具有較高工程應(yīng)用價(jià)值。

1 路面檢測(cè)系統(tǒng)設(shè)計(jì)

1.1 系統(tǒng)硬件設(shè)計(jì)

路面檢測(cè)系統(tǒng)主控板為英偉達(dá)的Jetson-nano小型計(jì)算機(jī)，適用于機(jī)器視覺等AI領(lǐng)域的開發(fā)與研究。其搭載128核Maxwell的GPU處理器、四核ARM-A57的CPU處理器，且具有USB、HDMI、GPIO、Gigabit Ethernet等外部接口，支持IIC、IIS、SPI、UART等多種通信方式，能夠滿足客流統(tǒng)計(jì)系統(tǒng)開發(fā)需求。

路面檢測(cè)系統(tǒng)硬件框架如圖1所示。通過網(wǎng)絡(luò)設(shè)備實(shí)現(xiàn)視頻監(jiān)控設(shè)備及Jetson-nano主控系統(tǒng)的網(wǎng)絡(luò)通信;視頻監(jiān)控設(shè)備采集路面信息，主控系統(tǒng)獲取視頻監(jiān)控設(shè)備的實(shí)時(shí)流傳輸協(xié)議（Real Time Streaming Protocal，RTSP）視頻流[8]，并將其加載至路面病害分類模型中，通過模型對(duì)路面病害進(jìn)行識(shí)別，將得到的客流數(shù)據(jù)發(fā)送給MQTT服務(wù)，最終與后端平臺(tái)通過MQTT請(qǐng)求進(jìn)行交互[9]。采用Jetson-nano移動(dòng)板載化小型計(jì)算機(jī)的一大優(yōu)點(diǎn)是：可實(shí)現(xiàn)系統(tǒng)斷電自啟動(dòng)功能。相比于圖像處理服務(wù)器而言，不需要配置任何參數(shù)，系統(tǒng)便可自動(dòng)啟動(dòng)，實(shí)現(xiàn)系統(tǒng)連續(xù)智能監(jiān)控功能。

1.2 路面病害監(jiān)測(cè)系統(tǒng)軟件設(shè)計(jì)

系統(tǒng)軟件流程如圖2所示。首先，路面病害檢測(cè)系統(tǒng)上電初始化，判斷MQTT服務(wù)是否正常工作，正常情況下MQTT不斷向外發(fā)送Json格式的數(shù)據(jù);然后，根據(jù)載入路面病害檢測(cè)模型的視頻流判斷攝像頭是否正常，如攝像頭異常（出現(xiàn)遮擋等情況），系統(tǒng)向檢測(cè)平臺(tái)報(bào)警;如果沒有異常檢測(cè)，系統(tǒng)開始計(jì)數(shù)。將計(jì)數(shù)得到的數(shù)據(jù)通過MQTT通訊方式向外發(fā)送，等待相關(guān)訂閱主題獲取實(shí)時(shí)數(shù)據(jù)。在整個(gè)過程中，MQTT服務(wù)不斷發(fā)送數(shù)據(jù)，后端平臺(tái)可隨時(shí)向MQTT服務(wù)發(fā)送相關(guān)訂閱主題，不斷獲取客流統(tǒng)計(jì)數(shù)據(jù)。

1.3 Go-TensorFlow編譯

為了提高程序運(yùn)行速度，解決使用移動(dòng)板載化系統(tǒng)帶來的幀率降低等問題，客渡船舶客流統(tǒng)計(jì)系統(tǒng)使用基于GO語言編譯的TF框架，彌補(bǔ)視頻處理的幀率損失問題。

編譯基于GO語言的TF框架及使用方法如下：①客流統(tǒng)計(jì)主控系統(tǒng)使用的操作系統(tǒng)為L(zhǎng)inux-ARM64，下載系統(tǒng)所需TF版本Tensorflow-1.12.1（GPU）源碼，下載相應(yīng)編譯器bazel-0.19;②配置CUDA、CUDNN所使用的編譯器等相關(guān)編譯參數(shù)，對(duì)TF進(jìn)行編譯。因船舶客流統(tǒng)計(jì)的主控系統(tǒng)為ARM64架構(gòu)，需根據(jù)系統(tǒng)修改相應(yīng)的TF源碼，修改后再編譯;③將編譯成功的libtensorflow.so、libtensorflow_framework.so文件放到系統(tǒng)相應(yīng)的GO語言安裝包路徑下，并添加環(huán)境變量供后續(xù)使用。

2 圖像分類算法

2.1 圖像網(wǎng)絡(luò)卷積模型

相比其它基礎(chǔ)卷積模型如LeNet、ResNet、DenseNet，VGG模型主要研究網(wǎng)絡(luò)深度對(duì)網(wǎng)絡(luò)性能的影響[10-11]。VGG模型最主要的特點(diǎn)是將卷積核大小固定為3×3卷積核，池化層大小定義為2×2最大值池化層。通過3個(gè)3×3的卷積核代替其它網(wǎng)絡(luò)5×5卷積核、2個(gè)3×3卷積核代替7×7的卷積核，能夠在保證網(wǎng)絡(luò)具有相同感受野的同時(shí)，減少模型參數(shù)。此外，還能夠使得模型更好地保存訓(xùn)練圖像特征，從而整體提高網(wǎng)絡(luò)性能。在VGG16模型中，輸入圖片為224×224，經(jīng)過2個(gè)3×64、2個(gè)3×128、3個(gè)3×256和3個(gè)3×512卷積層，池化層采用2×2最大值池化層，通過全連接層進(jìn)行數(shù)據(jù)選擇及分類處理，最后通過Softmax層輸出分類信息。

2.2 基于SSD的路面病害分類模型

SSD（Single Shot MultiBox Detector）圖像分類模型采用VGG16作為卷積基礎(chǔ)網(wǎng)絡(luò)[12]。使用卷積神經(jīng)網(wǎng)絡(luò)提取特征，再進(jìn)行圖像目標(biāo)定位并實(shí)現(xiàn)分類功能。SSD網(wǎng)絡(luò)通過多個(gè)卷積層加一個(gè)平均池化層實(shí)現(xiàn)目標(biāo)檢測(cè)，因感受野不同于全局，因此整個(gè)過程中不設(shè)置全連接層。在進(jìn)行目標(biāo)檢測(cè)時(shí)，特征圖（FeatureMap）的尺寸設(shè)置為多個(gè)尺寸，此過程中每個(gè)卷積層都會(huì)輸出不同大小感受野的特征圖，整個(gè)SSD模型的目標(biāo)定位及目標(biāo)分類在卷積后的特征圖上進(jìn)行訓(xùn)練和預(yù)測(cè)。此外，SSD模型采用多個(gè)錨特征（Anchor），模型采用6個(gè)高寬比不同、大小不同的錨，每個(gè)錨對(duì)應(yīng)4個(gè)目標(biāo)位置的參數(shù)信息和類別參數(shù)，其中類別參數(shù)包括類別數(shù)及背景參數(shù)。

在神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)過程中，重要的設(shè)計(jì)參數(shù)為網(wǎng)絡(luò)損失函數(shù)。在SSD模型中，其損失函數(shù)為位置損失值與分類損失值之和，計(jì)算公式如式（1）所示。

Lx，c，l，g=1N（Lconf（x，c）+αLloc（x，l，g））?? （1）

位置損失式預(yù)測(cè)框與真實(shí)框之間的SmoothL1損失，其計(jì)算公式如式（2）-式（6）所示。

Lloc=i∈PosNm∈cx，cy，w，hxkijsmoothL1（lmi-gmj）????????? （2）

gcxj=gcxj-dcxidwi???????????????????? （3）

gcyj=gcyj-dcyidhi????????????????????? （4）

gwj=log（gwjdwi）???????????????????? （5）

ghj=log（ghjdhi）?????????????????????? （6）

分類損失是分類置信度區(qū)間的Softmax損失值，計(jì)算公式如式（7）—式 （8）所示。

Lconfx，c=-i∈PosNxpijlogcpi-i∈Neglog （c0i）???????? （7）

cpi=exp （cpi）pexp （cpi）????? （8）

其中，N為樣本數(shù)量;x、c分別表示指示量及設(shè)置的置信度，l、g分別表示預(yù)測(cè)框及GroundTruth背景框;α為位置框損失權(quán)重。Cx、cy、w、h分別表示框的中心坐標(biāo)x、y以及框的高度和寬度;d為網(wǎng)絡(luò)本身預(yù)定的Bounding Box綁定框。

3 算法改進(jìn)

3.1 梯度下降算子

與其它圖像相比，路面病害圖像具有如下特點(diǎn)：圖片特征不夠明顯，若只對(duì)路面圖像進(jìn)行卷積，經(jīng)過多層卷積后會(huì)出現(xiàn)圖像特征弱化現(xiàn)象;在圖像處理中，梯度下降算子能夠?qū)崿F(xiàn)圖像邊緣化檢測(cè)，為了突出路面病害特征邊緣化，算法采用Sobel算子與檢測(cè)模型結(jié)合，進(jìn)一步提高分類準(zhǔn)確度。本文選用的邊緣處理算子是梯度下降算子中的Sobel算子[13]，以9個(gè)像素點(diǎn)為例，第一行像素分別標(biāo)記為z1、z2、z3;第二行像素分別標(biāo)記為z4、z5、z6;第三行像素分別標(biāo)記為z7、z8、z9;具體計(jì)算公式如式（9）-式（12）所示。

gx=？f/？x=（z7+2z8+z9）-（z1+2z2+z3）??? （9）

gy=？f/？y=（z3+2z6+z9）-（z1+2z4+z7）???? （10）

gx'=？f/？x=（z2+2z3+z6）-（z4+2z7+z8）???? （11）

gy'=？f/？y=（z6+2z8+z9）-（z1+2z2+z4）??? （12）

其中，gx為水平方向梯度，gy為垂直方向梯度，gx'和gy'為對(duì)角線方向梯度。

3.2 基于Sobel算子的改進(jìn)路面病害檢測(cè)算法

SSD模型以VGG16卷積模型為基礎(chǔ)，但針對(duì)路面檢測(cè)系統(tǒng)而言，VGG網(wǎng)絡(luò)參數(shù)訓(xùn)練及調(diào)用代價(jià)大，系統(tǒng)處理速度會(huì)受到影響[14]。此外，卷積層數(shù)過多，會(huì)引起圖片特征弱化，從而導(dǎo)致模型分類效果不夠理想。為解決該問題，將簡(jiǎn)化SSD模型作為基礎(chǔ)訓(xùn)練模型，并對(duì)特征提取的卷積層作優(yōu)化。改進(jìn)模型網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

路面病害分類模型的基礎(chǔ)模型為簡(jiǎn)化VGG模型，使用VGG網(wǎng)絡(luò)對(duì)輸入圖片進(jìn)行卷積，并獲取圖片特征。基于VGG卷積結(jié)構(gòu)的SSD模型與基于VGG卷積結(jié)構(gòu)的模型相比，其分類特征提取分辨圖不一致，VGG在38×38分辨率的特征圖上開始提取，而VGG在19×19分辨率的特征圖上進(jìn)行提取，若VGG在38×38卷積層開始提取，其卷積位置過淺，可能會(huì)出現(xiàn)特征提取不全面的情況。為解決該問題，在VGG卷積結(jié)構(gòu)中的38×38特征圖后增加Sobel算子，加大圖像特征信息量，保留原圖片路面病害特征信息，從而整體提高模型檢測(cè)分類準(zhǔn)確度。

4 實(shí)驗(yàn)及分析

4.1 數(shù)據(jù)集制作及模型訓(xùn)練

4.1.1 數(shù)據(jù)集制作

路面病害分類模型采用全新數(shù)據(jù)集，數(shù)據(jù)集通過多種方式獲取，主要包括實(shí)際場(chǎng)地視頻采集、網(wǎng)絡(luò)圖片爬蟲以及通過對(duì)抗式網(wǎng)絡(luò)生成數(shù)據(jù)[15]。通過水平翻轉(zhuǎn)、圖片對(duì)比度調(diào)節(jié)、圖片多角度旋轉(zhuǎn)和放大裁剪等多種方法，將數(shù)據(jù)集數(shù)量擴(kuò)充至5萬張。將該數(shù)據(jù)集作為路面病害檢測(cè)分類模型的訓(xùn)練集和測(cè)試集，其中圖片標(biāo)注文件也需隨圖片變換作相應(yīng)坐標(biāo)變換。

4.1.2 模型訓(xùn)練

路面病害模型在訓(xùn)練過程中，其訓(xùn)練模型的服務(wù)器GPU為GTX1060，訓(xùn)練參數(shù)如表1所示。其中，L2正則化公式如式（13）所示。

l2=Ωω=ω22=iω2i? （13）

表1 模型訓(xùn)練參數(shù)

參數(shù)???????? 參數(shù)值???? 識(shí)別種類數(shù)???? 5?????? 批處理數(shù)???????? 24???? 學(xué)習(xí)率???? 0.000 4???? 動(dòng)量?jī)?yōu)化值???? 0.9?? 迭代次數(shù)???????? 10 000????? 正則化標(biāo)準(zhǔn)???????? L2正則化

4.2 實(shí)驗(yàn)結(jié)果分析

基于以上模型訓(xùn)練參數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。路面病害檢測(cè)模型訓(xùn)練次數(shù)達(dá)2 000次左右時(shí)，模型開始收斂。在模型損失函數(shù)定義的分類損失值、定位損失值以及總損失值曲線如圖4所示?？梢钥闯?，3個(gè)損失值均可收斂，證明路面病害分類模型有效。

對(duì)路面病害檢測(cè)模型進(jìn)行準(zhǔn)確度測(cè)試，測(cè)試實(shí)驗(yàn)選用路面橫向裂縫、縱向裂縫、塊狀裂縫、路面凹陷以及其它路面病害圖片各1 000張，通過選中圖片對(duì)模型準(zhǔn)確度進(jìn)行驗(yàn)證。分別驗(yàn)證改進(jìn)SSD模型、原SSD模型分類效果，同時(shí)對(duì)兩個(gè)模型的準(zhǔn)確度作差，得出對(duì)比結(jié)果，具體模型準(zhǔn)確度測(cè)試如表2所示?？梢钥闯?，改進(jìn)SSD路面病害分類模型準(zhǔn)確度為91.28%，較原SSD提高7.36%。

4.3 檢測(cè)系統(tǒng)與監(jiān)管平臺(tái)功能測(cè)試

路面檢測(cè)系統(tǒng)在實(shí)際環(huán)境中進(jìn)行測(cè)試時(shí)，需通過MQTT消息隊(duì)列與監(jiān)管平臺(tái)實(shí)現(xiàn)通信，主要顯示路段名、路面病害類型、檢測(cè)工作人員、檢測(cè)時(shí)間等，用戶可根據(jù)路段名、檢測(cè)人、檢測(cè)時(shí)間等關(guān)鍵信息對(duì)相關(guān)信息進(jìn)行查詢。經(jīng)過測(cè)試，檢測(cè)系統(tǒng)與監(jiān)管平臺(tái)能夠正常通訊，平臺(tái)能夠獲取檢測(cè)系統(tǒng)發(fā)出的數(shù)據(jù)且能夠正常顯示。

5 結(jié)語

本文結(jié)合Jetson-Nano板和改進(jìn)SSD目標(biāo)檢測(cè)算法實(shí)現(xiàn)了路面病害檢測(cè)系統(tǒng)。硬件系統(tǒng)使用Jetson-Nano板作為檢測(cè)系統(tǒng)上位機(jī)，通過攝像頭、GPS等多個(gè)傳感器實(shí)現(xiàn)路面圖像、檢測(cè)系統(tǒng)坐標(biāo)等多項(xiàng)信息采集;結(jié)合編譯的Go-TensorFlow框架進(jìn)行算法加載;上位機(jī)通過MQTT實(shí)現(xiàn)與監(jiān)管平臺(tái)的通信。在改進(jìn)的路面目標(biāo)檢測(cè)算法中，將圖像特征卷積層與邊緣檢測(cè)Sobel算子相結(jié)合，突出路面病害圖像特征，實(shí)現(xiàn)路面裂縫、路面凹陷等多類路面病害檢測(cè)。實(shí)驗(yàn)表明，改進(jìn)SSD路面病害檢測(cè)算法準(zhǔn)確度為91.28%，與傳統(tǒng)SSD目標(biāo)檢測(cè)算法相比，準(zhǔn)確度提高7.36%。在下一步研究中，將RGB-D深度攝像頭應(yīng)用于路面特征檢測(cè)，不僅檢測(cè)病害類型，還對(duì)路面病害破損程度進(jìn)行檢測(cè)，簡(jiǎn)化檢測(cè)模型，使系統(tǒng)更好地服務(wù)于路面檢測(cè)工作。

參考文獻(xiàn)：

[1] 夏云飛. 國(guó)省道公路工程管理與質(zhì)量管理研究[J]. 交通世界，2017，23（30）：138-139.

[2] 周幃. 基于車身加速度的路面譜測(cè)量及性能指標(biāo)分析[D]. 鎮(zhèn)江：江蘇科技大學(xué)，2016.

[3] 陳齊平，肖強(qiáng)，張敏，等. 基于多種算法的高速公路路面裂紋檢測(cè)分析[J]. 公路，2018， 63（6）： 24-28.

[4] 樊瑤. 基于圖像處理的路面裂縫檢測(cè)關(guān)鍵技術(shù)研究[D]. 西安：長(zhǎng)安大學(xué)， 2016.

[5] 沙愛民，童崢，高杰. 基于卷積神經(jīng)網(wǎng)絡(luò)的路表病害識(shí)別與測(cè)量[J]. 中國(guó)公路學(xué)報(bào)，2018，31（1）： 1-10.

[6] MAEDA H，SEKIMOTO Y，SETO T，et al. Road damage detection and classification using deep neural networks with smartphone images[J]. Computer-Aided Civil and Infrastructure Engineering，2018，33（12）：1-4.

[7] 王云艷，周志剛，羅冷坤. 基于Sobel算子濾波的圖像增強(qiáng)算法[J]. 計(jì)算機(jī)應(yīng)用與軟件，2019，36（12）：184-188.

[8] 孫志豪. 基于ARM與RTSP協(xié)議的智能監(jiān)控異構(gòu)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 蘇州：蘇州大學(xué)，2017.

[9] 張航.? MQTT協(xié)議擴(kuò)展與協(xié)議優(yōu)化的研究與應(yīng)用[D]. 北京：北京郵電大學(xué)，2019.

[10] 宋俊芳. 基于CNN的路面裂縫圖像分類[J]. 信息與電腦（理論版），2018，29（16）：64-65.

[11] RIID A，L？UK R，PIHLAK R，et al.Pavement distress detection with deep learning using the orthoframes acquired by a mobile mapping system[J]. Science Letter，2019，9（22）：4829.

[12] 魏操. 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法研究[D]. 成都：成都理工大學(xué)，2019.

[13] ZHANG K，ZHANG Y，WANG P，et al.An improved sobel edge algorithm and FPGA implementation[J].? Procedia Computer Science，2018， 131：243-248.

[14] 王文光，李強(qiáng)，林茂松，等. 基于改進(jìn)SSD的高效目標(biāo)檢測(cè)方法[J]. 計(jì)算機(jī)工程與應(yīng)用，2019， 55（13）： 28-35.

[15] 周林. 基于圖像處理的路面裂縫檢測(cè)系統(tǒng)設(shè)計(jì)與研究[D]. 太原：太原理工大學(xué)，2013.

（責(zé)任編輯：孫 娟）