基于機(jī)器視覺的瓜科砧木苗參數(shù)提?、?/h1>
2021-10-20 05:21:54龔征絳費(fèi)煥強(qiáng)喻擎蒼
熱帶農(nóng)業(yè)工程 2021年4期 關(guān)鍵詞：優(yōu)化
周 磊 龔征絳 費(fèi)煥強(qiáng) 陳 武 查 楊 喻擎蒼
（浙江理工大學(xué) 浙江杭州 310018）
嫁接機(jī)種類主要有全自動(dòng)嫁接機(jī)、半自動(dòng)嫁接機(jī)及手動(dòng)嫁接機(jī)。全自動(dòng)嫁接機(jī)價(jià)格貴，難以推廣，而半自動(dòng)和手動(dòng)嫁接機(jī)自動(dòng)化程度較低，生產(chǎn)效率低下［1］。由于幼苗莖部較為脆弱，容易造成幼苗莖斷［2］，因此，可利用機(jī)器視覺技術(shù)，識(shí)別砧木苗狀態(tài)，利用機(jī)器手從幼苗上方抓取幼苗的莖部［3］，實(shí)現(xiàn)自動(dòng)取苗，提高嫁接機(jī)器人的嫁接速度和成功率。
1 視覺處理模塊
視覺處理模塊由光源、攝像頭，樹莓派3B 開發(fā)板等組成，見圖1。攝像頭安裝在裝置上方，考慮焦距6 mm、選擇視場(chǎng)角60.6°、500 萬像素的排線攝像頭。
圖1 取苗裝置
2 參數(shù)提取
2.1 參數(shù)提取流程
瓜科砧木苗的參數(shù)提取主要包含以下流程：通過攝像頭實(shí)時(shí)采集圖像，根據(jù)顏色空間選取對(duì)圖像進(jìn)行多值化操作，將相同色彩參數(shù)的像素點(diǎn)連接起來形成連通域，根據(jù)連通域的內(nèi)外連接確定連通域間的關(guān)系，將圖像中較小連通域去除，即圖像去噪，提取連通域最外層，形成輪廓鏈，根據(jù)輪廓鏈點(diǎn)集計(jì)算最小外接圓，確定子葉的張開角度，計(jì)算特征參數(shù)（圖2）。
圖2 參數(shù)提取流程圖
2.2 顏色空間轉(zhuǎn)換與目標(biāo)像素提取
顏色空間的選取決定了多值化后圖像中像素點(diǎn)代表數(shù)值，因此，選擇合適的顏色空間尤為重要，通過樹莓派采集的圖像如圖3所示，可以看出兩圖片葉片亮度不一樣。因RGB 顏色空間不能反映顏色的具體信息，HSV 空間能夠直觀反映明暗、色調(diào)以及鮮艷程度，因此，選用HSV 顏色空間［4］。
圖3 采集的圖像
RGB與HSV顏色空間可通過公式進(jìn)行轉(zhuǎn)換：
利用滴管工具對(duì)圖3具有代表性的像素點(diǎn)進(jìn)行提取，利用轉(zhuǎn)換公式得到HSV 范圍，如表1 所示。結(jié)合表1與連通域形成區(qū)域的分析，提取葉面（邊緣）、葉面（內(nèi)部）、莖、莖白（內(nèi)部）、莖白（邊緣） 數(shù)據(jù)，可知 H 值為 76°～145°，S值為 0.24～0.38，V為0.69～1.00的圖像處理結(jié)果最優(yōu)。對(duì)采集到的圖像利用參數(shù)區(qū)間處理，并與RGB 空間下對(duì)比，結(jié)果如圖4 所示，其中左側(cè)在RGB 空間下，右側(cè)在HSV 顏色空間下?？梢钥闯鰠?shù)細(xì)化后，HSV空間得到的輪廓鏈較RGB空間下更完整，輪廓鏈更平滑，凸點(diǎn)更少［5］。
圖4 RGB與HSV顏色空間下圖像處理對(duì)照?qǐng)D
表1 像素點(diǎn)顏色空間轉(zhuǎn)化
2.3 最小外接圓算法的優(yōu)化
子葉張開角度是通過砧木苗兩片子葉端點(diǎn)計(jì)算得到［7］，采用最小外接圓法可以得到砧木苗端點(diǎn)信息，使用opencv 中自帶的minEnclosingCircle法得到如圖5 所示結(jié)果。根據(jù)圖5 計(jì)算得到最小外接圓算法的平均耗時(shí)為92.5 ms。由于傳統(tǒng)最小外接圓算法使用的是四點(diǎn)確定一個(gè)圓的算法，該法雖然保險(xiǎn)，但是運(yùn)算量過大，存在優(yōu)化空間。因此，本研究提出兩點(diǎn)確定最小外接圓方法［8］。
圖5 傳統(tǒng)最小外接圓算法處理結(jié)果圖
根據(jù)數(shù)學(xué)定理可知，兩個(gè)點(diǎn)若想確定一個(gè)圓，則一個(gè)點(diǎn)必須是圓心，另一個(gè)點(diǎn)與該點(diǎn)的距離是半徑。本研究?jī)牲c(diǎn)確定圓本質(zhì)上是找到輪廓鏈中距離最長(zhǎng)的兩點(diǎn)即直徑，兩點(diǎn)的中心為圓心，兩點(diǎn)距離的一半是半徑［9］。因此，本方法在數(shù)學(xué)意義上是可行的，流程圖如圖6所示：
圖6 兩點(diǎn)確定最小外接圓算法流程圖
為檢驗(yàn)優(yōu)化后最小外接圓算法與傳統(tǒng)方法時(shí)間效能及準(zhǔn)確性，分別從處理時(shí)間及2方法求端點(diǎn)進(jìn)行比較，圖7 為處理時(shí)間的比較。由圖7 可看出，優(yōu)化后最小外接圓算法耗時(shí)最多為13 ms，最少為9 ms，平均處理時(shí)間為11.3 ms，處理時(shí)間較為穩(wěn)定，而傳統(tǒng)最小外接圓算法耗時(shí)最多為112 ms，最少為59 ms，平均處理時(shí)間為77.6 ms，波動(dòng)較大。
圖7 優(yōu)化算法與傳統(tǒng)方法的處理時(shí)間比較
觀察圖7 中6 組實(shí)驗(yàn)，第三幅圖的處理時(shí)間發(fā)生了突增，可以推斷輪廓鏈點(diǎn)集大小是影響傳統(tǒng)最小外接圓算法效率的一個(gè)因素［10］。因此，使用Opencv自帶的resize函數(shù)，對(duì)同一張砧木苗圖像放大，并分別使用傳統(tǒng)最小外接圓算法與優(yōu)化最小外接圓算法處理，結(jié)果如圖8所示。
圖8 大數(shù)量點(diǎn)集兩者比較
當(dāng)輪廓鏈點(diǎn)集有732個(gè)點(diǎn)時(shí)，兩算法處理時(shí)間差距比較明顯，分別為51、8 ms，并隨著點(diǎn)集的不斷增加，差距越來越大，本研究最大點(diǎn)集數(shù)為233 8，優(yōu)化算法處理時(shí)間為22 ms，而傳統(tǒng)算法時(shí)間為167 ms。因此，傳統(tǒng)外接圓算法的處理速度明顯慢于優(yōu)化外接圓算法。
比較傳統(tǒng)方法對(duì)應(yīng)的端點(diǎn)以及優(yōu)化算法計(jì)算出的端點(diǎn)，傳統(tǒng)方法可以得到圓心，遍歷輪廓鏈中的點(diǎn)集，使得某兩點(diǎn)的坐標(biāo)滿足：(x-a)2+(y-b)2=r2，x∈ [0，639]，y∈ [0，479]，而優(yōu)化的算法可以直接得出端點(diǎn)信息，如表2所示：
表2 兩個(gè)算法取得的端點(diǎn)值誤差
2.4 子葉張開角度提取
運(yùn)用優(yōu)化外接圓算法，得到了左右端點(diǎn)A、B為 (xA，yA)、(xB，yB)，如圖 9 所示。AB 線段的斜率可以表示為：利用反三角函數(shù)，求出子葉的在該坐標(biāo)系下的張開角度：θAB=arctan(kAB)。
圖9 砧木苗坐標(biāo)示意圖
2.5 最長(zhǎng)接線寬度
根據(jù)子葉張開角度，提取子葉的最長(zhǎng)截線寬度，如圖10所示。
圖10 垂直法求解最長(zhǎng)截線寬度圖
從大于A 的縱坐標(biāo)開始遍歷輪廓，求取任意一點(diǎn)與A 點(diǎn)關(guān)于x 軸的夾角，以C 點(diǎn)作為假設(shè)點(diǎn)開始計(jì)算。計(jì)算A 點(diǎn)與C 點(diǎn)間的歐式距離，記為ρ：通過反三角函數(shù)得出A 點(diǎn)與C 點(diǎn)關(guān)于x 軸方向的夾角，記為θ1：θ1=A點(diǎn)與B點(diǎn)關(guān)于x軸方向的夾角，即 子 葉 的 張 開 角 度 ， 記 為θ2：θ2=h=sin(θ-θ)*ρ。將輪廓鏈上每12個(gè)點(diǎn)對(duì)應(yīng)的h記錄下來，記為{h1，h2…h(huán)m}，對(duì)該集合使用快速排序法，得出h的最大值與此最大值，記 作hm、hm-1， 兩 點(diǎn) 坐 標(biāo) 分 別 對(duì) 應(yīng) 為 (xm，ym)、(xm-1，ym-1)。分別以這兩個(gè)坐標(biāo)點(diǎn)作為起點(diǎn)，向AB做垂線，得到以下垂線方程：將輪廓鏈上的點(diǎn)集{(x1，y1)，(x2，y2)...(xi，yj)}，i∈ [0，479]，j∈ [0，639]通 過 計(jì) 算 得 到 的 點(diǎn) 記 作 (xl，yl)、(xl-1，yl-1)， 取(xm，ym)與(xl，yl)間距離和(xm-1，ym-1)與 (xl-1，yl-1)間距離較大者就是最長(zhǎng)截線寬。
3 結(jié)果與分析
3.1 子葉張開角度
隨機(jī)選擇100個(gè)實(shí)驗(yàn)樣本，對(duì)比最小外接圓算法得出子葉張開角度與實(shí)際張開角度，其中表3為其中的四組實(shí)驗(yàn)結(jié)果，對(duì)誤差取絕對(duì)值，其最大誤差為0.64°，最小誤差為0.16°，平均誤差為0.42°，可以滿足計(jì)算子葉張開角度的精度要求。
表3 子葉張開角度誤差表
3.2 最長(zhǎng)截線寬度
隨機(jī)選擇100個(gè)實(shí)驗(yàn)樣本，對(duì)比“垂直法”得到的最長(zhǎng)截線寬度與實(shí)際最長(zhǎng)截線寬度，表4中是隨機(jī)抽取的6 次實(shí)驗(yàn)結(jié)果，最大誤差為8 個(gè)像素，最小誤差為1個(gè)像素，平均誤差為3.6個(gè)。
表4 最長(zhǎng)截線寬度誤差表
4 結(jié)論
通過研究機(jī)器視覺視角下砧木苗參數(shù)的提取，結(jié)果表明，子葉張開角度和最長(zhǎng)截線寬度的求解精度都比較高，可以滿足下一步取苗需求。該方法可以應(yīng)用于自動(dòng)嫁接機(jī)中，使任何張開角度的砧木苗被取苗后保持同一姿態(tài)。
猜你喜歡
超限高層建筑結(jié)構(gòu)設(shè)計(jì)與優(yōu)化思考房地產(chǎn)導(dǎo)刊(2022年5期)2022-06-01 06:20:14 PEMFC流道的多目標(biāo)優(yōu)化能源工程(2022年1期)2022-03-29 01:06:28 民用建筑防煙排煙設(shè)計(jì)優(yōu)化探討建材發(fā)展導(dǎo)向(2021年12期)2021-07-22 08:06:48 關(guān)于優(yōu)化消防安全告知承諾的一些思考建材發(fā)展導(dǎo)向(2021年7期)2021-07-16 07:07:52 一道優(yōu)化題的幾何解法中學(xué)生數(shù)理化(高中版.高二數(shù)學(xué))(2021年12期)2021-04-26 07:43:48 由“形”啟“數(shù)”優(yōu)化運(yùn)算——以2021年解析幾何高考題為例中學(xué)生數(shù)理化(高中版.高考數(shù)學(xué))(2021年12期)2021-03-08 01:28:50 圍繞“地、業(yè)、人”優(yōu)化產(chǎn)業(yè)扶貧今日農(nóng)業(yè)(2020年16期)2020-12-14 15:04:59 事業(yè)單位中固定資產(chǎn)會(huì)計(jì)處理的優(yōu)化消費(fèi)導(dǎo)刊(2018年8期)2018-05-25 13:20:08 4K HDR性能大幅度優(yōu)化 JVC DLA-X8 18 BC家庭影院技術(shù)(2018年4期)2018-05-09 07:07:41 幾種常見的負(fù)載均衡算法的優(yōu)化電子制作(2017年20期)2017-04-26 06:57:45
周 磊 龔征絳 費(fèi)煥強(qiáng) 陳 武 查 楊 喻擎蒼
（浙江理工大學(xué) 浙江杭州 310018）
嫁接機(jī)種類主要有全自動(dòng)嫁接機(jī)、半自動(dòng)嫁接機(jī)及手動(dòng)嫁接機(jī)。全自動(dòng)嫁接機(jī)價(jià)格貴，難以推廣，而半自動(dòng)和手動(dòng)嫁接機(jī)自動(dòng)化程度較低，生產(chǎn)效率低下［1］。由于幼苗莖部較為脆弱，容易造成幼苗莖斷［2］，因此，可利用機(jī)器視覺技術(shù)，識(shí)別砧木苗狀態(tài)，利用機(jī)器手從幼苗上方抓取幼苗的莖部［3］，實(shí)現(xiàn)自動(dòng)取苗，提高嫁接機(jī)器人的嫁接速度和成功率。
1 視覺處理模塊
視覺處理模塊由光源、攝像頭，樹莓派3B 開發(fā)板等組成，見圖1。攝像頭安裝在裝置上方，考慮焦距6 mm、選擇視場(chǎng)角60.6°、500 萬像素的排線攝像頭。
圖1 取苗裝置
2 參數(shù)提取
2.1 參數(shù)提取流程
瓜科砧木苗的參數(shù)提取主要包含以下流程：通過攝像頭實(shí)時(shí)采集圖像，根據(jù)顏色空間選取對(duì)圖像進(jìn)行多值化操作，將相同色彩參數(shù)的像素點(diǎn)連接起來形成連通域，根據(jù)連通域的內(nèi)外連接確定連通域間的關(guān)系，將圖像中較小連通域去除，即圖像去噪，提取連通域最外層，形成輪廓鏈，根據(jù)輪廓鏈點(diǎn)集計(jì)算最小外接圓，確定子葉的張開角度，計(jì)算特征參數(shù)（圖2）。
圖2 參數(shù)提取流程圖
2.2 顏色空間轉(zhuǎn)換與目標(biāo)像素提取
顏色空間的選取決定了多值化后圖像中像素點(diǎn)代表數(shù)值，因此，選擇合適的顏色空間尤為重要，通過樹莓派采集的圖像如圖3所示，可以看出兩圖片葉片亮度不一樣。因RGB 顏色空間不能反映顏色的具體信息，HSV 空間能夠直觀反映明暗、色調(diào)以及鮮艷程度，因此，選用HSV 顏色空間［4］。
圖3 采集的圖像
RGB與HSV顏色空間可通過公式進(jìn)行轉(zhuǎn)換：
利用滴管工具對(duì)圖3具有代表性的像素點(diǎn)進(jìn)行提取，利用轉(zhuǎn)換公式得到HSV 范圍，如表1 所示。結(jié)合表1與連通域形成區(qū)域的分析，提取葉面（邊緣）、葉面（內(nèi)部）、莖、莖白（內(nèi)部）、莖白（邊緣） 數(shù)據(jù)，可知 H 值為 76°～145°，S值為 0.24～0.38，V為0.69～1.00的圖像處理結(jié)果最優(yōu)。對(duì)采集到的圖像利用參數(shù)區(qū)間處理，并與RGB 空間下對(duì)比，結(jié)果如圖4 所示，其中左側(cè)在RGB 空間下，右側(cè)在HSV 顏色空間下?？梢钥闯鰠?shù)細(xì)化后，HSV空間得到的輪廓鏈較RGB空間下更完整，輪廓鏈更平滑，凸點(diǎn)更少［5］。
圖4 RGB與HSV顏色空間下圖像處理對(duì)照?qǐng)D
表1 像素點(diǎn)顏色空間轉(zhuǎn)化
2.3 最小外接圓算法的優(yōu)化
子葉張開角度是通過砧木苗兩片子葉端點(diǎn)計(jì)算得到［7］，采用最小外接圓法可以得到砧木苗端點(diǎn)信息，使用opencv 中自帶的minEnclosingCircle法得到如圖5 所示結(jié)果。根據(jù)圖5 計(jì)算得到最小外接圓算法的平均耗時(shí)為92.5 ms。由于傳統(tǒng)最小外接圓算法使用的是四點(diǎn)確定一個(gè)圓的算法，該法雖然保險(xiǎn)，但是運(yùn)算量過大，存在優(yōu)化空間。因此，本研究提出兩點(diǎn)確定最小外接圓方法［8］。
圖5 傳統(tǒng)最小外接圓算法處理結(jié)果圖
根據(jù)數(shù)學(xué)定理可知，兩個(gè)點(diǎn)若想確定一個(gè)圓，則一個(gè)點(diǎn)必須是圓心，另一個(gè)點(diǎn)與該點(diǎn)的距離是半徑。本研究?jī)牲c(diǎn)確定圓本質(zhì)上是找到輪廓鏈中距離最長(zhǎng)的兩點(diǎn)即直徑，兩點(diǎn)的中心為圓心，兩點(diǎn)距離的一半是半徑［9］。因此，本方法在數(shù)學(xué)意義上是可行的，流程圖如圖6所示：
圖6 兩點(diǎn)確定最小外接圓算法流程圖
為檢驗(yàn)優(yōu)化后最小外接圓算法與傳統(tǒng)方法時(shí)間效能及準(zhǔn)確性，分別從處理時(shí)間及2方法求端點(diǎn)進(jìn)行比較，圖7 為處理時(shí)間的比較。由圖7 可看出，優(yōu)化后最小外接圓算法耗時(shí)最多為13 ms，最少為9 ms，平均處理時(shí)間為11.3 ms，處理時(shí)間較為穩(wěn)定，而傳統(tǒng)最小外接圓算法耗時(shí)最多為112 ms，最少為59 ms，平均處理時(shí)間為77.6 ms，波動(dòng)較大。
圖7 優(yōu)化算法與傳統(tǒng)方法的處理時(shí)間比較
觀察圖7 中6 組實(shí)驗(yàn)，第三幅圖的處理時(shí)間發(fā)生了突增，可以推斷輪廓鏈點(diǎn)集大小是影響傳統(tǒng)最小外接圓算法效率的一個(gè)因素［10］。因此，使用Opencv自帶的resize函數(shù)，對(duì)同一張砧木苗圖像放大，并分別使用傳統(tǒng)最小外接圓算法與優(yōu)化最小外接圓算法處理，結(jié)果如圖8所示。
圖8 大數(shù)量點(diǎn)集兩者比較
當(dāng)輪廓鏈點(diǎn)集有732個(gè)點(diǎn)時(shí)，兩算法處理時(shí)間差距比較明顯，分別為51、8 ms，并隨著點(diǎn)集的不斷增加，差距越來越大，本研究最大點(diǎn)集數(shù)為233 8，優(yōu)化算法處理時(shí)間為22 ms，而傳統(tǒng)算法時(shí)間為167 ms。因此，傳統(tǒng)外接圓算法的處理速度明顯慢于優(yōu)化外接圓算法。
比較傳統(tǒng)方法對(duì)應(yīng)的端點(diǎn)以及優(yōu)化算法計(jì)算出的端點(diǎn)，傳統(tǒng)方法可以得到圓心，遍歷輪廓鏈中的點(diǎn)集，使得某兩點(diǎn)的坐標(biāo)滿足：(x-a)2+(y-b)2=r2，x∈ [0，639]，y∈ [0，479]，而優(yōu)化的算法可以直接得出端點(diǎn)信息，如表2所示：
表2 兩個(gè)算法取得的端點(diǎn)值誤差
2.4 子葉張開角度提取
運(yùn)用優(yōu)化外接圓算法，得到了左右端點(diǎn)A、B為 (xA，yA)、(xB，yB)，如圖 9 所示。AB 線段的斜率可以表示為：利用反三角函數(shù)，求出子葉的在該坐標(biāo)系下的張開角度：θAB=arctan(kAB)。
圖9 砧木苗坐標(biāo)示意圖
2.5 最長(zhǎng)接線寬度
根據(jù)子葉張開角度，提取子葉的最長(zhǎng)截線寬度，如圖10所示。
圖10 垂直法求解最長(zhǎng)截線寬度圖
從大于A 的縱坐標(biāo)開始遍歷輪廓，求取任意一點(diǎn)與A 點(diǎn)關(guān)于x 軸的夾角，以C 點(diǎn)作為假設(shè)點(diǎn)開始計(jì)算。計(jì)算A 點(diǎn)與C 點(diǎn)間的歐式距離，記為ρ：通過反三角函數(shù)得出A 點(diǎn)與C 點(diǎn)關(guān)于x 軸方向的夾角，記為θ1：θ1=A點(diǎn)與B點(diǎn)關(guān)于x軸方向的夾角，即 子 葉 的 張 開 角 度 ， 記 為θ2：θ2=h=sin(θ-θ)*ρ。將輪廓鏈上每12個(gè)點(diǎn)對(duì)應(yīng)的h記錄下來，記為{h1，h2…h(huán)m}，對(duì)該集合使用快速排序法，得出h的最大值與此最大值，記 作hm、hm-1， 兩 點(diǎn) 坐 標(biāo) 分 別 對(duì) 應(yīng) 為 (xm，ym)、(xm-1，ym-1)。分別以這兩個(gè)坐標(biāo)點(diǎn)作為起點(diǎn)，向AB做垂線，得到以下垂線方程：將輪廓鏈上的點(diǎn)集{(x1，y1)，(x2，y2)...(xi，yj)}，i∈ [0，479]，j∈ [0，639]通 過 計(jì) 算 得 到 的 點(diǎn) 記 作 (xl，yl)、(xl-1，yl-1)， 取(xm，ym)與(xl，yl)間距離和(xm-1，ym-1)與 (xl-1，yl-1)間距離較大者就是最長(zhǎng)截線寬。
3 結(jié)果與分析
3.1 子葉張開角度
隨機(jī)選擇100個(gè)實(shí)驗(yàn)樣本，對(duì)比最小外接圓算法得出子葉張開角度與實(shí)際張開角度，其中表3為其中的四組實(shí)驗(yàn)結(jié)果，對(duì)誤差取絕對(duì)值，其最大誤差為0.64°，最小誤差為0.16°，平均誤差為0.42°，可以滿足計(jì)算子葉張開角度的精度要求。
表3 子葉張開角度誤差表
3.2 最長(zhǎng)截線寬度
隨機(jī)選擇100個(gè)實(shí)驗(yàn)樣本，對(duì)比“垂直法”得到的最長(zhǎng)截線寬度與實(shí)際最長(zhǎng)截線寬度，表4中是隨機(jī)抽取的6 次實(shí)驗(yàn)結(jié)果，最大誤差為8 個(gè)像素，最小誤差為1個(gè)像素，平均誤差為3.6個(gè)。
表4 最長(zhǎng)截線寬度誤差表
4 結(jié)論
通過研究機(jī)器視覺視角下砧木苗參數(shù)的提取，結(jié)果表明，子葉張開角度和最長(zhǎng)截線寬度的求解精度都比較高，可以滿足下一步取苗需求。該方法可以應(yīng)用于自動(dòng)嫁接機(jī)中，使任何張開角度的砧木苗被取苗后保持同一姿態(tài)。
猜你喜歡
房地產(chǎn)導(dǎo)刊(2022年5期)2022-06-01 06:20:14
能源工程(2022年1期)2022-03-29 01:06:28
建材發(fā)展導(dǎo)向(2021年12期)2021-07-22 08:06:48
建材發(fā)展導(dǎo)向(2021年7期)2021-07-16 07:07:52
中學(xué)生數(shù)理化(高中版.高二數(shù)學(xué))(2021年12期)2021-04-26 07:43:48
中學(xué)生數(shù)理化(高中版.高考數(shù)學(xué))(2021年12期)2021-03-08 01:28:50
今日農(nóng)業(yè)(2020年16期)2020-12-14 15:04:59
消費(fèi)導(dǎo)刊(2018年8期)2018-05-25 13:20:08
家庭影院技術(shù)(2018年4期)2018-05-09 07:07:41
電子制作(2017年20期)2017-04-26 06:57:45
