吳云志，劉翱宇，朱小寧，劉晨曦，范國華，樂 毅，張友華*

一種植物病害圖像識別卷積網(wǎng)絡架構(gòu)

吳云志1,2，劉翱宇1，朱小寧3，劉晨曦4，范國華1,2，樂 毅1,2，張友華1,2*

(1. 安徽農(nóng)業(yè)大學信息與計算機學院，合肥 230036；2. 安徽省北斗精準農(nóng)業(yè)信息工程實驗室，合肥 230036； 3. 安徽農(nóng)業(yè)大學茶與食品科技學院，合肥 230036；4. 湖南大學信息科學與工程學院，長沙 410082)

針對人工提取植物病害圖像特征存在效率低、識別率低、成本高等問題，提出一種基于DenseNet網(wǎng)絡的現(xiàn)代卷積神經(jīng)網(wǎng)絡架構(gòu)FI-DenseNet，旨在對多種類的植物病害圖像達到高精準的識別準確率。引入Focal損失函數(shù)對DenseNet網(wǎng)絡進行改進，使得訓練模型的注意力集中于難分類的樣本。FI-DenseNet網(wǎng)絡可以增強特征傳遞、進行深層訓練或有效改善過擬合問題。采用的數(shù)據(jù)集有87 867張植物病害圖像，圖像包含同種植物的多種病害，并涉及38種植物病害。對圖像進行預處理、數(shù)據(jù)增強后，將DenseNet169網(wǎng)絡、ResNet50網(wǎng)絡和MobileNet網(wǎng)絡作為參照實驗。實驗結(jié)果表明，F(xiàn)I-DenseNet網(wǎng)絡的收斂速度更快且識別準確率最高，測試集識別準確率為98.97%，F(xiàn)I-DenseNet網(wǎng)絡的魯棒性和泛化能力均優(yōu)于對照網(wǎng)絡，可為植物病害智能診斷提供參考。

DenseNet；植物病害；卷積神經(jīng)網(wǎng)絡；圖像識別

植物病害對當今農(nóng)林業(yè)是一個巨大挑戰(zhàn)，它時刻影響著人類的經(jīng)濟效益。精準且快速的診斷植物病害可以及時減少植物病害對經(jīng)濟帶來的損失[1]。然而如今植物病害種類繁多，不同生長階段的植物存在不同種類的植物病害，這導致非專業(yè)人士對于植物病害的分辨往往不夠精確、快速[2]。隨著深度學習的不斷發(fā)展，圖像識別在眾多領域得到了廣泛應用，相對于人工識別植物病害，采用計算機視覺技術(shù)識別不僅成本低而且時效快[3]，同時還可以減少經(jīng)濟成本和因為時延所帶來的損失。

在卷積神經(jīng)網(wǎng)絡（convolutional neural networks，CNN）未廣泛應用之前，植物病害圖像的特征提取十分困難。目前很多學者提出一些效果顯著的模型，例如CNN識別玉米品種[4]、AlexNet網(wǎng)絡識別油茶病害[5]、VGG16網(wǎng)絡識別棉花病害[6]和Inception-v3網(wǎng)絡識別花生葉部病害[7]等。除了Inception-v3網(wǎng)絡、CNN之外，其余模型都是基于CNN的傳統(tǒng)卷積架構(gòu)模型，越來越多的學者將基于卷積神經(jīng)網(wǎng)絡的圖像識別技術(shù)用于病害識別。然而在植物病害圖像識別種類上，過去的研究工作進行分類識別的種類數(shù)普遍偏少，采用現(xiàn)代卷積網(wǎng)絡架構(gòu)的模型偏少，如何進行高精度且多種類的植物病害識別并沒有太多相關研究。將主要采用改進的DenseNet (densely connected convolutional networks)[8]對87 867張植物病害進行識別分類，其中涉及38種植物病害，并以兩種現(xiàn)代卷積架構(gòu)模型ResNet網(wǎng)絡[9]和MobileNet[10]網(wǎng)絡作為參照模型，最終完成植物病害圖像識別分類。

DenseNet網(wǎng)絡是現(xiàn)代卷積架構(gòu)模型之一，它是比ResNet網(wǎng)絡效果更優(yōu)的CNN網(wǎng)絡。在傳統(tǒng)的深度學習網(wǎng)絡中，隨著網(wǎng)絡深度的加深，會出現(xiàn)明顯的梯度消失問題，即隨著網(wǎng)絡層數(shù)的加深，分類的準確率卻發(fā)生了下降。和很多優(yōu)秀的現(xiàn)代卷積神經(jīng)網(wǎng)絡一樣，DenseNet網(wǎng)絡有效緩解了梯度消失問題。此外DenseNet網(wǎng)絡加強了特征傳遞、一定程度上減少了參數(shù)數(shù)量[11]。DenseNet網(wǎng)絡目前被廣泛應用在圖像分類識別[12]、圖像分割[13]和目標檢測[14]等計算機視覺領域。

采用現(xiàn)代卷積神經(jīng)網(wǎng)絡架構(gòu)DenseNet網(wǎng)絡對38種植物病害圖像進行識別，并在此基礎上提出FI-DenseNet （focal loss improved DenseNet）網(wǎng)絡，以提升其識別準確率。最終實現(xiàn)了對多種類的植物病害圖像進行高精準識別，極大減緩了訓練中出現(xiàn)的梯度消失問題，加強了植物病害圖像的特征傳遞，最終將識別準確率提高到98.97%。

1 實驗數(shù)據(jù)

1.1 植物病害數(shù)據(jù)集

研究采用的植物病害圖像數(shù)據(jù)集來Kaggle數(shù)據(jù)科學官網(wǎng)的公共數(shù)據(jù)集New plant diseases dataset[15]，此數(shù)據(jù)集由87 867張病態(tài)或健康植物葉片的RGB圖像組成，分為38個種類。植物病害數(shù)據(jù)包含的植物種類為蘋果、藍莓、櫻桃、玉米、葡萄、柑橘、桃、辣椒、馬鈴薯、大豆、樹莓、南瓜、草莓和番茄。數(shù)據(jù)集中的植物病害圖像圖1所示。

圖1 植物病害圖像

Figure 1 Plant disease images

1.2 數(shù)據(jù)預處理與增強

首先將植物病害RGB圖像數(shù)據(jù)按照標簽分為38類，具體類別如表1所示。將重復數(shù)據(jù)剔除，剔除后的數(shù)據(jù)分為訓練集、驗證集和測試集，其比例為6∶2∶2。其次對作為輸入層的圖像進行歸一化處理，這有利于后續(xù)卷積神經(jīng)網(wǎng)絡進行訓練[16]。隨之進行數(shù)據(jù)增強，將病害圖像隨機旋轉(zhuǎn)30°，水平方向和垂直方向隨機平移20%，隨機錯切變換強度為0.2，圖像隨機縮放的幅度設置為0.2，對圖像進行圖像隨機水平翻轉(zhuǎn)。最后將所有病害圖像調(diào)整為150×150像素，樣本標簽數(shù)組采用2D的one-hot編碼標簽。

表1 植物病害圖像標簽與數(shù)量

2 DenseNet網(wǎng)絡

2.1 DenseNet網(wǎng)絡簡介

隨著卷積神經(jīng)網(wǎng)絡層數(shù)的增加，會出現(xiàn)梯度消失問題[17]。為了解決隨著層數(shù)加深帶來的梯度消失，ResNet網(wǎng)絡將旁路信息進行連接，在訓練過程中隨機丟失一些層數(shù)來縮短自身網(wǎng)絡以獲得更好的訓練效果。而為了保證能獲得網(wǎng)絡層的最大信息，DenseNet網(wǎng)絡將所有層直接相互連接。DenseNet網(wǎng)絡為了保留前饋特性，每層都從所有先前的層中獲取其他輸入，并將其自身的特征圖傳遞給所有后續(xù)層，網(wǎng)絡結(jié)構(gòu)如圖2所示。

圖2 4層DenseNet網(wǎng)絡結(jié)構(gòu)

Figure 2 4-layer DenseNet network structure

2.2 DenseNet網(wǎng)絡結(jié)構(gòu)

圖3 識別植物病害的DenseNet網(wǎng)絡

Figure 3 DenseNet network to identify plant diseases

DenseNet網(wǎng)絡中的池化層可以改變特征圖的尺寸，用來解決當特征圖尺寸發(fā)生變化時公式（1）中連接不可取的問題。植物病害圖像進行輸入時，將網(wǎng)絡劃分為多個緊密相連的密集塊（dense block）。如圖3所示，塊與塊之間的層稱為過渡層，每個過渡層包括批量歸一化BN層、1×1卷積層和2×2的平均池化層。

2.3 DenseNet改進

樣本的類別不均衡會導致分類準確率的下降。本研究的模型主要是針對植物病害圖像進行識別，雖然表1中各個樣本標簽數(shù)量皆為2 000多張，但植物類別數(shù)量差異較大，番茄涉及的病害圖像高達22 930張，而柑橘涉及的病害圖像僅為2 513張，其比例約為9∶1。此外，數(shù)據(jù)中病害樣本和健康樣本也并不均衡，病害樣本數(shù)共計64 451張、健康樣本數(shù)共計23 316張，其比例約為3∶1。同種植物類別的病害圖像在進行病害特征提取過程中，會有一定的近似提取過程，相對于病害圖像少的植物類別，病害圖像多的植物類別往往更容易分類。病害樣本數(shù)量相對于健康樣本數(shù)量較多，也存在著類別不均衡問題。Focal loss損失函數(shù)[19]在網(wǎng)絡進行特征提取時，能夠有效解決這種類別不均衡問題，從而提升網(wǎng)絡的平均識別率。

在此對DenseNet網(wǎng)絡進行改進并將改進后的模型稱之為FI-DenseNet，它是基于DenseNet169網(wǎng)絡的同時，引入了Focal Loss損失函數(shù)加以改進，使得網(wǎng)絡在訓練時可以減少易分樣本的權(quán)重，從而使模型在訓練的過程中更專注難分類的樣本[20]。

表2 DenseNet169網(wǎng)絡結(jié)構(gòu)

Focal Loss是在交叉熵損失函數(shù)的基礎上進行修改得到的，在DenseNet網(wǎng)絡中，經(jīng)softmax函數(shù)

回歸后交叉熵損失函數(shù)的函數(shù)表達式如下：

Figure 4 Change ofpand loss under different values of

其中p為樣本屬于某個類別的概率，成為聚焦參數(shù)，其中0≤≤5。(1-p)在此稱為調(diào)制系數(shù)，其取值范圍為[0,1]，可以減少易分類樣本的權(quán)重，使模型在訓練中可以關注難分類的樣本。當p值接近1說明樣本容易訓練，p值接近0，樣本難以訓練。不同取值，p和loss（損失值）表現(xiàn)如圖4所示。當取值為0時損失函數(shù)即為交叉熵損失函數(shù)。

經(jīng)實驗，取值為2時效果最好，若此時預測的樣本準確率高（即p很高），那么(1-p)的值就會很小，損失函數(shù)變化率變得很小，反之亦然。預測病害樣本準確率分別為0.95和0.5的樣本，最終損失函數(shù)值會相差100倍，所以模型將會關注預測準確率低的病害樣本，進而提升模型的平均識別率。最終FI-DenseNet網(wǎng)絡的損失函數(shù)可表示為：

改進后的FI-DenseNet網(wǎng)絡增加了損失函數(shù)的非線性度，使得訓練模型的注意力集中于難分類的樣本種類上，最終的實驗結(jié)果表明FI-DenseNet魯棒性更好、識別準確率更高。

3 模型訓練與結(jié)果分析

3.1 模型訓練

實驗硬件環(huán)境為：CPU: Intel(R) Core(TM)i7-8700 CPU @3.20GHz; GPU: NVIDIA GeForce GTX 1080Ti; 操作系統(tǒng)：Windows 10 64bit；軟件環(huán)境：Python 3.6.2；深度學習框架：Tensorflow 2.0、Keras 2.3.1。

采用4種網(wǎng)絡模型對87 867張植物病害圖像進行參照實驗，其中訓練集、驗證集和測試集比例為6∶2∶2。4種網(wǎng)絡模型分別為FI-DenseNet網(wǎng)絡、DenseNet169網(wǎng)絡、ResNet50網(wǎng)絡和MobileNet網(wǎng)絡。

模型的優(yōu)化算法為隨機梯度下降（stochastic gradient descent，SGD），采用SGD對梯度進行更新，對于數(shù)據(jù)集較大的數(shù)據(jù)也可以快速收斂。SGD每次迭代會產(chǎn)生比較大的噪音，容易跳不出局部最優(yōu)解，在此引入動量概念（momentum），Momentum在更新方向的同時會保留之前的方向，可以增加模型的穩(wěn)定性，并且具有擺脫局部最優(yōu)的能力。SGD優(yōu)化器初始學習率設為0.001，Momentum在此設為0.9，批量大小（batch size）設為64，每次參數(shù)更新后學習率衰減值（decay）設為0.001，使用 Nesterov 動量。除FI-DenseNet網(wǎng)絡外，訓練模型采用交叉熵損失函數(shù)（cross entropy error function）作為損失函數(shù)[21]。使用ModelCheckpoint方法，在訓練過程中保存訓練過程中性能最好的模型。最后將epoch設為10開始進行訓練。

圖5 不同樣本通過密集塊后輸出的類激活圖

Figure 5 Class activation graph output after different samples pass through dense blocks

(a) 訓練集準確率；(b) 驗證集準確度；(c) 訓練集損失；(d) 驗證集損失。

Figure 6 Training accuracy and loss function curves under different training networks

表3 不同訓練網(wǎng)絡的評價指標

注：Ⅰ.FI-DenseNet；Ⅱ.DenseNet169；Ⅲ.ResNet50；Ⅳ.MobileNet。1.蘋果黑星病;2.玉米健康;3.胡椒細菌性葉斑病;4.馬鈴薯健康;5.馬鈴薯晚疫病;6.番茄瘡痂病;7.番茄早疫病;8.番茄健康;9.番茄晚疫病;10.番茄葉霉病;11.番茄斑枯病;12.番茄紅蜘蛛損傷;13.番茄黃化曲葉病毒病。

在FI-DenseNet網(wǎng)絡中，選取8張植物病害圖像作為實驗對象，觀察特征提取的過程。通過觀察FI-DenseNet網(wǎng)絡中4個密集塊輸出的類激活圖來觀察FI-DenseNet網(wǎng)絡特征提取的過程，密集塊輸出的類激活圖如圖5所示。類激活圖（CAM, class activation map）可視化是指對輸入圖像生成類激活的熱力圖，表示每個位置對該類別的重要程度。圖5所示的類激活圖能夠反映網(wǎng)絡提取每類樣本病害的關鍵特征，熱力圖顏色越深（即越接近紅色），也就表示該部位對最終分類決策的影響越大。FI-DenseNet網(wǎng)絡將病害圖像的特征通過4個密集塊不斷傳遞，從密集塊1到密集塊4，病害特征部位的熱力圖顏色也不斷加深，顏色較深病害部位對決策的影響也越大。圖5可以觀察到，圖像經(jīng)FI-DenseNet網(wǎng)絡的四個密集層處理后，特征提取不斷的傾向于植物圖像的病害關鍵部位。

3.2 結(jié)果分析

本研究采用FI-DenseNet網(wǎng)絡、DenseNet169網(wǎng)絡、ResNet50網(wǎng)絡和MobileNet網(wǎng)絡對植物病害數(shù)據(jù)集進行訓練，實驗結(jié)果圖5所示。

在訓練結(jié)果中，F(xiàn)I-DenseNet網(wǎng)絡、DenseNet169網(wǎng)絡、ResNet50網(wǎng)絡和MobileNet網(wǎng)絡對應的最優(yōu)訓練準確率分別為99.79%、99.70%、99.60%和99.01%。如圖6(a)和(c)，在第6個epoch時，F(xiàn)I-DenseNet網(wǎng)絡、DenseNet169網(wǎng)絡和ResNet50網(wǎng)絡模型已經(jīng)接近收斂，最終訓練準確率相差不大。圖6(b)為驗證集準確率，提出的FI-DenseNet網(wǎng)絡的準確率明顯高于其他模型。圖6(d)為驗證集損失率，F(xiàn)I-DenseNet網(wǎng)絡的損失率低于其他模型，值得注意的是，隨著epoch 不斷增加，F(xiàn)I-DenseNet網(wǎng)絡驗證集損失率減幅相對于DenseNet169網(wǎng)絡更加平穩(wěn)，驗證集損失率也更低。

表4 不同訓練網(wǎng)絡下的評價結(jié)果

在此選取38種植物病害中評價指標差異明顯的樣本，得到如表3所示結(jié)果。Precision、Recall和F1 score的數(shù)值越大說明模型的質(zhì)量越高，可以看出FI-DenseNet網(wǎng)絡和DenseNet169網(wǎng)絡的評價指標明顯高于對照網(wǎng)絡，F(xiàn)I-DenseNet網(wǎng)絡達到比較好的模型效果。

實驗結(jié)果表明FI-DenseNet網(wǎng)絡相對于其他網(wǎng)絡有著更好的魯棒性和泛化性，能更好的提取植物病害特征。最后進行植物病害圖像識別模型的測試，測試集含有近17 000多張測試圖像，其病害種類數(shù)量均勻分布。用上述訓練好的4種網(wǎng)絡對病害測試集進行驗證，結(jié)果如表4所示，F(xiàn)I-DenseNet網(wǎng)絡的測試集準確率最終達到98.97%。

4 結(jié)論

植物病害圖像識別是計算機視覺在農(nóng)林業(yè)領域較好的應用，相對于人工提取病害特征，采用多分類、高精度的現(xiàn)代卷積神經(jīng)網(wǎng)絡架構(gòu)模型可以極大減少識別時間、提升識別準確率，最終達到提升經(jīng)濟效益的目的。本研究設計了基于DenseNet網(wǎng)絡的FI-DenseNet網(wǎng)絡對38種植物病害進行識別，設置其他現(xiàn)代卷積網(wǎng)絡模型進行對照實驗并建立模型評價指標，最終得出FI-DenseNet網(wǎng)絡模型平均識別準確率高達98.97%，根據(jù)評價指標Precision、Recall、F1-score，可以看出其模型效果最好，魯棒性、泛化能力最佳。此模型可以用于其他病害的遷移學習，可為后續(xù)植物病害圖像識別研究提供參考。

[1] 邱德文. 我國植物病害生物防治的現(xiàn)狀及發(fā)展策略[J].植物保護, 2010, 36(4): 15-18.

[2] 任勝男,孫鈺,張海燕,等. 基于one-shot學習的小樣本植物病害識別[J]. 江蘇農(nóng)業(yè)學報, 2019, 35(5): 1061-1067.

[3] 柴阿麗. 基于計算機視覺和光譜分析技術(shù)的蔬菜葉部病害診斷研究[D]. 北京:中國農(nóng)業(yè)科學院, 2011.

[4] 徐巖,劉林,李中遠,等. 基于卷積神經(jīng)網(wǎng)絡的玉米品種識別[J]. 江蘇農(nóng)業(yè)學報, 2020,36(1): 18-23.

[5] 龍滿生,歐陽春娟,劉歡,等. 基于卷積神經(jīng)網(wǎng)絡與遷移學習的油茶病害圖像識別[J]. 農(nóng)業(yè)工程學報, 2018, 34(18): 194-201.

[6] 張建華,孔繁濤,吳建寨,等.基于改進VGG卷積神經(jīng)網(wǎng)絡的棉花病害識別模型[J].中國農(nóng)業(yè)大學學報, 2018, 23(11): 161-171.

[7] 蘇婷婷,牟少敏,董萌萍,等. 深度遷移學習在花生葉部病害圖像識別中的應用[J]. 山東農(nóng)業(yè)大學學報(自然科學版), 2019, 50(5): 865-869.

[8] HUANG G, LIU Z, VAN DER MAATEN L, et al. Densely connected convolutional networks[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, Honolulu,2017: 2261-2269.

[9] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), IEEE, Las Vegas, 2016: 770-778.

[10] HOWARD A, ZHU M, CHEN B, et al. Mobilenets: Efficient convolutional neural networks for mobile vi-sion applications[J]. Arxiv Preprint Arxiv,2017, 1704.04861 https://arxiv.org/abs/1704.04861.

[11] 匡曉華. 基于深度學習與可穿戴傳感器的人體行為識別[D]. 南京:南京信息工程大學, 2018.

[12] ABAI Z, RAJMALWAR N. Densenet models for tiny ImageNet classification[J]. 2019, http://arxiv.org/abs/ 1904.10429.

[13] JéGOU S, DROZDZAL M, VAZQUEZ D, et al. The one hundred layers tiramisu: fully convolutional DenseNets for semantic segmentation[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). IEEE, Honolulu, 2017: 1175-1183.

[14] 張翔，趙曉麗，張嘉祺，等. 基于3D DenseNet的視頻鏡頭邊界檢測方法[J]. 光電子·激光, 2019, 30(10): 1103-1109.

[15] KAGGLE. New plant diseases dataset[EB/OL]. https:// www.kaggle.com/vipoooool/new-plant-diseases-dataset, 2014.

[16] BOUT D, MILLER T. Improving the performance ofthe Hopfield-Tank Neural network with normalizationand annealing[J]. Biological Cybernetics, 1989, 62(2): 129- 139.

[17] HOCHREITER S. The vanishing gradient problem during learning recurrent neural nets and problem solutions[J]. Int J Unc Fuzz Knowl Based Syst, 1998, 6(2): 107-116.

[18] 劉華松. 基于深度學習的毒株胚蛋圖像分割方法研究[D]. 天津:天津工業(yè)大學, 2019.

[19] LIN T Y, GOYAL P, GIRSHICK R, et al. Focal loss for dense object detection[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017, PP(99): 2999- 3007.

[20] 楊其睿. 基于改進的DenseNet深度網(wǎng)絡火災圖像識別算法[J]. 計算機應用與軟件, 2019, 36(2): 258-263.

[21] 劉楊圣彥, 潘翔, 劉復昌, 等. 面向三維模型視圖特征提取的殘差卷積網(wǎng)絡優(yōu)化[J]. 計算機輔助設計與圖形學學報, 2019, 31(6):936-942.

A convolutional network for plant disease image recognition (FI-DenseNet)

WU Yunzhi1,2, LIU Aoyu1, ZHU Xiaoning3, LIU Chenxi4,FAN Guohua1,2, YUE Yi1,2, ZHANG Youhua1,2

(1. School of Information and Computer Science, Anhui Agricultural University, Hefei 230036;2. Anhui Provincial Engineering Laboratory for Beidou Precision Agriculture Information, Anhui Agricultural University, Hefei 230036;3. School of Tea and Food Technology, Anhui Agricultural University, Hefei 230036;4. College of Information Science and Electronic Engineering, Hunan University, Changsha 410082)

Nowadays, artificially extracting plant disease image features has problems such as low efficiency, low recognition rate, and high cost. In this paper, we propose a modern convolutional neural network architecture FI-DenseNet based on DenseNet, which achieves high-precision recognition accuracy for various types of plant disease images. We introduce the Focal loss function to improve the DenseNet so that the attention of the training model is focused on the types of samples that are difficult to classify. The FI-DenseNet can enhance feature transfer, perform deep training, and effectively improve overfitting problems. The dataset used in this paper has 87 867 plant disease images. The image contains multiple plant diseases of the same species and involves 38 plant diseases. After preprocessing the image and enhancing the data, we used DenseNet169, ResNet50, and MobileNet as reference experiments. The experimental results show that the FI-DenseNet has faster convergence speed and the highest recognition accuracy rate. The test set recognition accuracy rate is 98.97%. The robustness and generalization ability of the FI-DenseNet are better than the baselines, which can provide a reference for the intelligent diagnosis of plant diseases.

DenseNet; plant diseases; convolutional neural network; image recognition

TP391

A

1672-352X (2021)01-0150-07

10.13610/j.cnki.1672-352x.20210319.002

2021-3-23 10:42:32

[URL] https://kns.cnki.net/kcms/detail/34.1162.S.20210319.1503.004.html

2020-04-07

國家重點研發(fā)計劃課題（2017YFD0301303），安徽省科技重大專項（18030901029），安徽省高校自然科學研究項目（KJ2019A0211），2018年安徽省省級質(zhì)量工程項目（2018JXTD114）和安徽省大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目（S202010364210）共同資助。

共同第一作者:吳云志，副教授。E-mail：wuyzh@ahau.edu.cn 劉翱宇，本科生。E-mail：liuaoyu@ahau.edu.cn

張友華, 教授，博士生導師。E-mail：zhangyh@ahau.edu.cn