陳伯云，陸安江，趙麒，黃際瑋，彭熙舜

激光點云中散亂電子元器件分割方法

陳伯云1，陸安江1，趙麒2，黃際瑋1，彭熙舜1

（1.貴州大學 大數(shù)據(jù)與信息工程學院，貴陽 550025；2.貴州民族大學 機械電子工程學院，貴陽 550025）

針對散亂電子元器件計數(shù)過程中電子元器件分割困難的問題，提出一種基于點云簇平均法線夾角、平均點云密度邊緣提取和區(qū)域生長閾值自適應(yīng)的散亂電子元器件分割方法。通過體素化處理、RANSAC算法和統(tǒng)計離群濾波算法對原始點云數(shù)據(jù)進行預處理，去除大量無關(guān)點云；使用歐式聚類算法對預處理結(jié)果粗分割得到電子元器件點云簇，以點云簇為閾值設(shè)置單元，避免閾值設(shè)置不合理的情況；通常邊緣點較非邊緣點法線夾角更大、鄰域點更少，提出通過點云簇平均法線夾角和平均點云密度自適應(yīng)約束來去除點云簇中邊緣點的方法；對去邊緣點后的點云簇細分割，根據(jù)細分割后點云簇的平均法線夾角進行區(qū)域生長閾值的自適應(yīng)選擇，通過改進的區(qū)域生長算法將每個電子元器件從點云簇中分割出來。實驗結(jié)果證明，文中方法分割正確率達97%以上，每10個目標分割耗時約345 ms。提出的方法具有良好的準確性和實用性，分割效果優(yōu)于傳統(tǒng)分割算法，能夠準確地將每個電子元器件從復雜場景中分割出來。

點云分割；數(shù)量檢測；邊緣提??；散亂電子元器件；區(qū)域生長

在工業(yè)自動化包裝過程中，經(jīng)常需要對電子元器件進行計數(shù)，以確保銷售產(chǎn)品數(shù)量的一致性。如采用人工計數(shù)方式[1]，不僅任務(wù)繁雜、工作效率低，還可能出現(xiàn)人為主觀因素造成的計數(shù)偏差。使用稱量的方法雖然節(jié)省人力，但在計數(shù)準確性上會有所欠缺。使用三維掃描設(shè)備獲取散亂電子元器件點云實現(xiàn)散亂電子元器件的數(shù)量檢測具有無接觸、快速高效、準確率高等特點。由于散亂電子元器件分布的隨機性，以及相互之間的重疊、密接觸等因素的影響，將單個電子元器件從復雜場景中分割出來并不容易。分割的結(jié)果將直接影響電子元器件數(shù)量檢測的準確性。所以，對散亂電子元器件點云的準確分割是實現(xiàn)散亂電子元器件數(shù)量檢測的重要基礎(chǔ)。

目前，針對電子元器件計數(shù)的研究主要使用二維圖像。二維視覺通常難以提取有效信息，存在識別困難的問題[2]，只能應(yīng)對電子元器件分布離散且無相互遮擋的簡單場景。例如，陳孝威等[3]根據(jù)微小電子元器件的形狀和正反兩面的紋理特征對圖像中電子元器件的正面和反面分別處理最終獲得分割結(jié)果，計數(shù)準確率達到了100%。這種方法雖然計數(shù)精度高，但無法應(yīng)對電子元器件出現(xiàn)散亂堆疊的復雜場景，且受光照環(huán)境影響較大。黃梓淳[4]將圖像處理的計數(shù)算法與深度學習結(jié)合，采用改進的基于卷積神經(jīng)網(wǎng)絡(luò)的區(qū)域定位（Faster R-CNN）網(wǎng)絡(luò)模型[5]算法提高了檢測的速度和精度，計數(shù)準確率達到了98.3%，但同樣不適用于電子元器件出現(xiàn)散亂堆疊的復雜場景且不具有實時性。近年來，隨著三維數(shù)據(jù)獲取精度的提高和成本的降低，點云數(shù)據(jù)處理成為了研究熱點[6-7]。采用三維激光掃描技術(shù)采集點云數(shù)據(jù)具有高速度、高精度、可量測等優(yōu)點[8]。點云分割是點云數(shù)據(jù)處理的重要環(huán)節(jié)[9]，目前常用的分割方法包括聚類分割、基于模型的分割、基于邊緣的分割以及區(qū)域生長分割[10]，但這些傳統(tǒng)的分割算法都無法直接應(yīng)用于散亂電子元器件這一復雜場景。

針對散亂電子元器件這一復雜場景分割困難的問題，文中提出基于點云簇平均法線夾角、平均點云密度邊緣提取和區(qū)域生長閾值自適應(yīng)的散亂電子元器件分割方法。該方法以點云簇為重點處理對象，有效地解決分割過程中因閾值選擇不合理而造成的過分割和欠分割現(xiàn)象[11-12]，極大地提高分割的準確率，為工業(yè)自動化包裝中實現(xiàn)散亂電子元器件自動計數(shù)提供技術(shù)支持。

1 散亂電子元器件分割算法

文中提出的散亂電子元器件分割算法主要包括點云數(shù)據(jù)預處理和點云數(shù)據(jù)分割2部分，具體算法流程見圖1。

1.1 點云預處理

點云數(shù)據(jù)通常是使用線陣激光掃描[13]，獲取的點云數(shù)據(jù)過于稠密，同時由于外界環(huán)境和相機自身等因素的影響，在獲取的點云數(shù)據(jù)中存在大量離群點和冗余點。點云的數(shù)據(jù)量過大會導致后續(xù)分割和計算過程中耗費大量時間。離群點指遠離目標點，主要來自數(shù)據(jù)采集過程中深度相機和環(huán)境干擾產(chǎn)生的噪聲和未完全去除的冗余點。離群點的存在會對分割結(jié)果造成影響。冗余點則往往來自載物臺背景，同樣會造成數(shù)據(jù)量過大從而耗費計算時間。針對上述問題，需要對從深度相機獲得的點云數(shù)據(jù)進行預處理。預處理步驟如下。

1）點云數(shù)據(jù)體素化處理。將輸入的點云數(shù)據(jù)劃分為微小立方體的集合，使用每個立方體內(nèi)點的重心代替立方體內(nèi)所有點，從而在保證原有形狀不變的情況下降低整個點云的數(shù)據(jù)量。

2）使用隨機采樣一致性（RANSAC）算法[14]對輸入數(shù)據(jù)進行平面擬合，將擬合出的載物臺平面內(nèi)點去除。算法的基本思想：從樣本集中隨機選取3點，使用這3點進行平面擬合，計算所有點到該平面模型的距離，將小于距離閾值的點加入內(nèi)點集合，否則加入外點集合。將步驟1—2進行次迭代，迭代次數(shù)中內(nèi)點最多的擬合平面即為載物臺平面。

3）去除離群點。使用統(tǒng)計濾波器對非感興趣點進行剔除。基本思想：給定鄰域半徑，點距其半徑內(nèi)所有鄰域點的平均距離呈高斯分布，如果該平均距離在標準范圍（由全局平均距離和方差定義）之外，則被定義為離群點移除。

為驗證預處理的有效性，以圖2a所示散亂電子元器件點云數(shù)據(jù)Data1為例進行實驗，Data1點數(shù)為1 297 820，包含16個電子元器件點云數(shù)據(jù)。Data1預處理各階段見圖2，各階段點數(shù)變化見表1。

表1 Data1預處理各階段點數(shù)變化情況

1.2 點云簇邊緣提取

根據(jù)散亂電子元器件點云特征進行分析，分割的難點主要在于分布的隨機性、相互之間的重疊和密接觸。對邊緣進行提取可減少電子元器件相互之間的碰撞，同時降低后續(xù)區(qū)域生長過分割的可能。文中使用歐式聚類算法對預處理后的點云數(shù)據(jù)進行粗分割，將空間上相鄰的電子元器件點云分割為點云簇，將每個點云簇與基準向量的平均夾角、點云簇的鄰域點密度作為約束條件進行邊緣提取，以Data1為實驗對象，Data1部分點云簇邊緣提取結(jié)果見圖3。

圖2 Data1預處理各階段結(jié)果

圖3 Data1部分點云簇邊緣提取結(jié)果圖

1.2.1 歐式聚類獲取點云簇

使用歐式聚類算法將原始場景點云數(shù)據(jù)分割為由1個或多個電子元器件構(gòu)成的點云簇。歐式聚類算法是一種基于歐式距離度量的分割算法，它使用Kdtree建立點的拓撲關(guān)系，通過計算點與其鄰域點的歐式距離，將在閾值范圍內(nèi)的點分割為一類，反復迭代直到?jīng)]有新的點加入。點與其鄰域中的一點的歐式距離為：

(1)

1.2.2 基于點云簇平均法線夾角和平均點云密度的邊緣提取

由于相機視場和外界環(huán)境等因素的影響，電子元器件表面的點云分布通常不是均勻的，因此文中提出以點云簇為約束條件設(shè)置單元，以提高邊緣提取的準確率。具體步驟如下。

1）法線向量估計。使用PCA（主成分分析法）[15-16]計算每個點的法線向量，對于任意一點，以為半徑搜索其鄰近點，得到鄰近點數(shù)量為，使用最小二乘法對鄰域內(nèi)的點進行平面擬合，見式（2）。

(2)

(3)

(4)

點云簇的法線夾角均值為：

(5)

(6)

統(tǒng)計實驗數(shù)據(jù)Data1不同點云簇的平均法線夾角和=1 mm鄰域內(nèi)平均點密度見表2。

3）自適應(yīng)閾值邊緣提取。對任一點云簇，其平均法線夾角為，平均點密度為，根據(jù)多次實驗統(tǒng)計分析，提取邊緣閾值法線夾角約束，鄰域內(nèi)點密度約束時邊緣提取效果最好。對于點云簇中任一點，基準向量與該點法線的夾角為，在鄰域內(nèi)該點鄰近點數(shù)為，則該點被定義為邊緣點被去除的約束條件為：

(7)

表2 Data1點云簇平均法線夾角和平均點云密度

Tab.2 Average normal angle and average point cloud density of Data1 point cloud cluster

1.3 區(qū)域生長閾值自適應(yīng)分割

區(qū)域生長算法[17-18]是通過比較法向量，將符合平滑約束條件的鄰近點分割在一起，其基本原理是將點的曲率值進行排序，選取曲率值最小的點作為種子點開始生長，曲率最小的點所在的區(qū)域稱為平坦區(qū)域，從此處開始分割能夠降低重復分割率，提高效率。傳統(tǒng)的區(qū)域生長算法由于適用性的不同，生長閾值的設(shè)置比較困難且容易出現(xiàn)過分割和欠分割的現(xiàn)象，無法應(yīng)對散亂電子元器件這樣復雜場景的分割，因此，文中基于點云簇的平均法線夾角來進行區(qū)域生長閾值的自適應(yīng)選擇，有效地提高了分割的準確率。具體過程為如下。

2）遍歷點云簇，計算所有點的曲率并將曲率值按大小排序，選取曲率最小的點開始生長。

3）統(tǒng)計分割結(jié)束后剩余點云的點數(shù)，如果剩余點數(shù)大于輸入點云簇點數(shù)的30%則將剩余點云再次輸入重復上述步驟1、2、3，直到分割剩余點云點數(shù)不再大于第1次輸入點云簇點數(shù)的30%。

統(tǒng)計不同點云簇平均法線夾角區(qū)間對應(yīng)的平滑度約束閾值見表3。

表3 平滑度約束閾值對應(yīng)表

Tab.3 Correspondence table of smoothness constraint threshold

2 實驗結(jié)果與分析

文中使用的電子元器件為6.0 mm×8.0 mm×4.0 mm的貼片鉭電容。實驗數(shù)據(jù)采用VS–PCA–P600 3D深度相機獲取，該相機使用近紅外激光光源，軸重復精度為0.1～0.5 mm，滿足文中對電子元器件點云數(shù)據(jù)采集的需求，搭建的實驗數(shù)據(jù)采集平臺見圖4。實驗使用的軟硬件環(huán)境：Windows10專業(yè)版、Intel(R) Core(TM) i5–6200U CPU@2.30 GHz 2.40 Hz、8 GB內(nèi)存。算法開發(fā)環(huán)境為：Microsoft Visual Studio 2017結(jié)合pcl1.8.1點云庫。

圖4 實驗數(shù)據(jù)采集平臺

為驗證文中分割方法的可行性，以Data1作為原始數(shù)據(jù)輸入，按照文中算法流程進行分割。實驗中體素柵格大小size設(shè)置為0.3，RANSAC算法中平面模型內(nèi)點和外點閾值t設(shè)置為2.2 mm，統(tǒng)計濾波器標準差設(shè)置為1.0，歐式聚類算法中歐式距離閾值t為0.5 mm，最小點云簇點數(shù)大于150，用于法線估計的點的鄰域點數(shù)目為50，鄰域半徑設(shè)置為1.0 mm。

Data1分割結(jié)果見圖5。同一點云簇中每個區(qū)域生長分割結(jié)果用不同顏色表示，可以看出，每個分割聚類均僅包含一個電子元器件，沒有出現(xiàn)過分割和欠分割的現(xiàn)象。統(tǒng)計實驗相關(guān)數(shù)據(jù)見表4。

為進一步驗證文中分割方法的有效性，以3組不同散亂分布、不同數(shù)量的電子元器件點云數(shù)據(jù)為例進行實驗，并使用傳統(tǒng)歐式聚類算法和區(qū)域生長算法對同樣的預處理結(jié)果進行對比實驗，實驗相關(guān)數(shù)據(jù)和統(tǒng)計實驗結(jié)果見表5。表5中分別記錄了3組數(shù)據(jù)使用文中算法和其他2種用于對比的算法的分割結(jié)果，其中A為文中算法，B為傳統(tǒng)歐式聚類算法，C為傳統(tǒng)區(qū)域生長算法。分割聚類數(shù)為不同算法從點云數(shù)據(jù)中最終分割出的聚類個數(shù)，正確分割數(shù)量統(tǒng)計了分割算法分割出的聚類中確為單個電子元器件點云的聚類數(shù)量，即正確分割出目標的數(shù)量。為了便于進行算法性能分析，表5中還統(tǒng)計了文中算法和對比算法分割的正確率和分割耗時。

圖5 Data1分割結(jié)果

表4 Data1實驗結(jié)果

Tab.4 Experimental results of Data1

表5 多組數(shù)據(jù)實驗結(jié)果

Tab.5 Experimental results of multiple data sets

文中算法和對比算法對實驗數(shù)據(jù)Test1、Test2和Test3的分割結(jié)果見圖6，不同顏色代表一個分割聚類，相鄰電子元器件構(gòu)成的點云簇中出現(xiàn)同色聚類則說明該點云簇分割不完整，出現(xiàn)欠分割現(xiàn)象；單一電子元器件點云中出現(xiàn)2個及以上顏色則說明該點云簇出現(xiàn)過分割現(xiàn)象。

從圖6—8可以看出，文中算法基本能夠準確地將每個電子元器件從復雜場景中分割出來，分割準確性遠遠高于傳統(tǒng)分割算法。由于傳統(tǒng)的歐式聚類分割算法是基于歐式距離進行分割的，對相互重疊、粘連的電子元器件容易出現(xiàn)欠分割的現(xiàn)象，而傳統(tǒng)的區(qū)域生長算法受限于生長閾值，不能自動調(diào)節(jié)，既有過分割又有欠分割現(xiàn)象，因此對這樣復雜的場景分割效果極差。對比提到的傳統(tǒng)算法，文中算法具有分割準確率高、閾值自適應(yīng)選擇、不易出現(xiàn)過分割和欠分割等優(yōu)勢。從表6可以發(fā)現(xiàn)，文中分割算法分割正確率達97%以上，平均正確率較傳統(tǒng)歐式聚類算法提高了47.5%，較傳統(tǒng)區(qū)域生長算法提高了19.1%。雖然耗時方面有所增加，但對實驗中這樣量級數(shù)據(jù)的分割，平均耗時也僅需1.104 s，平均每10個目標分割耗時約345 ms，具有良好的實用性。

圖6 實驗數(shù)據(jù)Test1 3種算法分割結(jié)果

圖7 實驗數(shù)據(jù)Test2 3種算法分割結(jié)果

圖8 實驗數(shù)據(jù)Test3 3種算法分割結(jié)果

3 結(jié)語

為滿足工業(yè)自動化包裝過程中散亂電子元器件計數(shù)需求，提出一種散亂電子元器件分割新方法，通過基于點云簇平均法線夾角和平均點云密度的邊緣提取有效減少了電子元器件間相互重疊、密接觸等情況，提高了分割的準確率?；邳c云簇的平均法線夾角來進行區(qū)域生長閾值的自適應(yīng)選擇，有效減少了由于閾值設(shè)置不合理而導致的過分割和欠分割現(xiàn)象。實驗證明，文中提出的散亂電子元器件分割算法分割正確率達97%以上，相較于傳統(tǒng)的歐式聚類算法和區(qū)域生長算法在分割正確率上有很大提升，解決了散亂電子元器件這樣復雜場景分割困難的問題，為實現(xiàn)散亂電子元器件計數(shù)提供了技術(shù)支持。同時，每10個目標的分割耗時僅需約345 ms，兼顧了分割的準確性和實用性。然而，文中算法目前分割的對象比較單一，適用于規(guī)則形狀的電子元器件，對于不規(guī)則形狀的電子元器件尚不具有可行性，如何實現(xiàn)多類型元器件的分割將是下一步的研究重點。

[1] 方志強, 肖書浩, 熊禾根, 等. 基于機器視覺及SVM的零件產(chǎn)品計數(shù)系統(tǒng)[J]. 制造業(yè)自動化, 2018, 40(7): 37-40.

FANG Zhi-qiang, XIAO Shu-hao, XIONG He-gen, et al. Part Product Counting System Based on Machine Vision and SVM[J]. Manufacturing Automation, 2018, 40(7): 37-40.

[2] 梁雪. 基于三維視覺的散亂零件抓取技術(shù)研究[D]. 濟南: 山東大學, 2020: 1-5.

LIANG Xue. Research on the Robotic Grabbing Technology of Scattered Parts Based on 3D Vision[D]. Jinan: Shandong University, 2020: 1-5.

[3] 陳孝威, 王茵. 基于圖像處理的微小電子元器件自動計數(shù)算法[J]. 計算機工程與設(shè)計, 2009, 30(17): 4100-4103.

CHEN Xiao-wei, WANG Yin. Algorithm for Automatic Counting Tiny Electronic Device Based on Digital Image Processing[J]. Computer Engineering and Design, 2009, 30(17): 4100-4103.

[4] 黃梓淳. 深度學習在電子元器件計數(shù)中的應(yīng)用研究[D]. 廣州: 華南理工大學, 2017: 36-42.

HUANG Zi-chun. Research on Deep Learning and Its Application on the Electronic Components Counting[D]. Guangzhou: South China University of Technology, 2017: 36-42.

[5] REN S, HE K, GIRSHICK R, et al. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137-1149.

[6] 李明磊, 宗文鵬, 李廣云, 等. 基于體素生長的點云結(jié)構(gòu)直線段提取[J]. 光學學報, 2018, 38(1): 0112001.

LI Ming-lei, ZONG Wen-peng, LI Guang-yun, et al. Extraction of Structure Line Segments from Point Clouds Using Voxel-Based Region Growing[J]. Acta Optica Sinica, 2018, 38(1): 0112001.

[7] PU Shi, VOSSELMAN G. Knowledge Based Reconstruction of Building Models from Terrestrial Laser Scanning Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2009, 64(6): 575-584.

[8] 趙夢娜, 花向紅, 馮紹權(quán), 等. 基于點云切片的建筑物門窗信息提取[J]. 中國激光, 2020, 47(6): 183-192.

ZHAO Meng-na, HUA Xiang-hong, FENG Shao-quan, et al. Information Extraction of Buildings, Doors, and Windows Based on Point Cloud Slices[J]. Chinese Journal of Lasers, 2020, 47(6): 183-192.

[9] 汪文琪, 李宗春, 付永健, 等. 基于改進多規(guī)則區(qū)域生長的點云多要素分割[J]. 光學學報, 2021, 41(5): 198-212.

WANG Wen-qi, LI Zong-chun, FU Yong-jian, et al. Multi-Factor Segmentation of Point Cloud Based on Improved Multi-Rule Region Growing[J]. Acta Optica Sinica, 2021, 41(5): 198-212.

[10] 田青華, 白瑞林, 李杜. 基于改進歐氏聚類的散亂工件點云分割[J]. 激光與光電子學進展, 2017, 54(12): 316-324.

TIAN Qing-hua, BAI Rui-lin, LI Du. Point Cloud Segmentation of Scattered Workpieces Based on Improved Euclidean Clustering[J]. Laser & Optoelectronics Progress, 2017, 54(12): 316-324.

[11] BEN-SHABAT Y, AVRAHAM T, LINDENBAUM M, et al. Graph Based Over-Segmentation Methods for 3D Point Clouds[J]. Computer Vision and Image Understanding, 2018, 174: 12-23.

[12] XU Sheng, WANG Rui-sheng, WANG Hao, et al. Plane Segmentation Based on the Optimal-Vector-Field in LiDAR Point Clouds[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020, 43(11): 1-9.

[13] 熊駿偉, 劉全香. 基于物體表面變化的點云自適應(yīng)切片算法[J]. 包裝工程, 2016, 37(5): 167-171.

XIONG Jun-wei, LIU Quan-xiang. Adaptive Cloud Point Slicing Algorithm Based on Change of Object Surface[J]. Packaging Engineering, 2016, 37(5): 167-171.

[14] SCHNABEL R, WAHL R, KLEIN R. Efficient RANSAC for Point-Cloud Shape Detection[J]. Computer Graphics Forum, 2007, 26(2): 214-226.

[15] NURUNNABI A, WEST G, BELTON D. Outlier Detection and Robust Normal-Curvature Estimation in Mobile Laser Scanning 3D Point Cloud Data[J]. Pattern Recognition, 2015, 48(4): 1404-1419.

[16] QIN Xu-jia, HU Zhong-tian, ZHENG Hong-bo, et al. Surface Reconstruction from Unorganized Point Clouds Based on Edge Growing[J]. Advances in Manufacturing, 2019, 7(3): 343-352.

[17] VO A V, TRUONG-HONG L, LAEFER D F, et al. Octree-Based Region Growing for Point Cloud Segmentation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 104: 88-100.

[18] ANGELINA S, SURESH L P, VENI S H K. Image Segmentation Based on Genetic Algorithm for Region Growth and Region Merging[C]// 2012 International Conference on Computing, Electronics and Electrical Technologies(ICCEET), 2012: 970-974.

Segmentation Method of Scattered Electronic Components in Laser Point Cloud

CHEN Bo-yun1, LU An-jiang1, ZHAO Qi2, HUANG Ji-wei1, PENG Xi-shun1

(1. School of Big Data and Information Engineering,Guizhou University, Guiyang 550025, China; 2. School of Mechatronics Engineering,Guizhou Minzu University, Guiyang 550025, China)

The work aims to propose a segmentation method of scattered electronic components based on edge extraction and adaptive region growth threshold of average normal angle and average point cloud density of point cloud cluster, so as to overcome the difficulty of dividing electronic components in counting of scattered electronic components. The original point cloud data were preprocessed by voxel processing, RANSAC algorithm and statistical outlier filtering algorithm to remove a large number of irrelevant point clouds. The European clustering algorithm was used to roughly segment the preprocessing results to obtain the point cloud cluster of electronic components. The point cloud cluster was used as the threshold setting unit to avoid the unreasonable threshold setting. In general, edge points had larger normal angle and fewer neighborhood points than non-edge points. A method was proposed to remove the edge points in point cloud cluster by adaptive constraints of average normal angle and average point cloud density. Finally, the point cloud cluster with the edge points removed was finely segmented, and the region growth threshold was adaptively selected according to the average normal angle of the point cloud cluster after fine segmentation. Thus, each electronic component was segmented from the point cloud cluster through the improved region growth algorithm. Experimental results proved that the segmentation accuracy of the method was over 97%, and it took about 345 ms to segment 10 targets. The proposed method has good accuracy and practicability, and has better segmentation effect than the traditional segmentation algorithm, which can accurately segment each electronic component from the complex scene.

point cloud segmentation; quantity detection; edge extraction; scattered electronic components; region growth

TP391.41

A

1001-3563(2022)13-0216-09

10.19554/j.cnki.1001-3563.2022.13.028

2021?10?16

國家自然科學基金（62065002，61865002）

陳伯云（1998—），男，貴州大學碩士生，主攻計算機視覺。

陸安江（1976—），男，博士，貴州大學副教授，主要研究方向為圖像處理與分析、MEMS微機電系統(tǒng)。

責任編輯：曾鈺嬋