鐘培閣，周也瑩，張彥，石屹，郭焱，李保國，馬韞韜*

（1.中國農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院，北京 100193；2.中國農(nóng)業(yè)科學(xué)院煙草研究所，農(nóng)業(yè)農(nóng)村部煙草生物學(xué)與加工重點實驗室，山東 青島 266101）

葉片是植物的光合器官，不同種類植物的葉片具有不同的特征?；谌~片的植物表型特征提取在種質(zhì)資源的保護和利用、作物品種間的分類識別以及優(yōu)質(zhì)表型特征的篩選等方面具有重要的現(xiàn)實意義[1]。隨著計算機圖像處理、模式識別以及機器學(xué)習技術(shù)的發(fā)展，對植物葉片特征的提取也從傳統(tǒng)的手動測量與人工鑒定發(fā)展到采用計算機自動提取[2-4]，不僅減少了工作量，也去除了主觀因素的影響，大大增加了特征提取的精度與效率。

植物葉片特征可以從葉形、顏色、葉脈、紋理等多個方面獲取。LARESE 等[5]采用機器學(xué)習方法根據(jù)葉脈特征實現(xiàn)了豆科植物的自動分類。MUNISAMI 等[6]開發(fā)了一個能夠利用葉片形狀和顏色直方圖等信息實現(xiàn)植物特征識別的系統(tǒng)。鄭一力等[7]提取葉片的形狀和紋理作為葉片多特征，實現(xiàn)了對植物葉片的快速分類識別。在以上各種葉片表型研究中，對葉形特征的研究主要集中在一些基本幾何形狀的提取上，如葉片長、葉片寬、葉面積、葉周長、質(zhì)心、葉片長寬比等[3]。若要對葉形的細微差異進行捕捉，需要采用更為精確的測量方法。

幾何形態(tài)學(xué)是一門對形態(tài)差異進行定量分析和比較的學(xué)科[8]。采用幾何形態(tài)的測量方法可以量化物體的輪廓信息，便于后續(xù)的數(shù)據(jù)處理和分析。標志點法是實現(xiàn)幾何形態(tài)測量的最主要的手段。其主要原理為在目標物體上選擇具有代表性的標志點并剔除輪廓和大小信息，將得到的二維點陣投射到相同空間進行樣本間的比較分析[9]。隨著標志點測量技術(shù)的發(fā)展，很多學(xué)者將其應(yīng)用到植物研究中。CHITWOOD 等[10]采用標志點和橢圓傅里葉描述符對不同種類和不同葉片節(jié)點的西番蓮屬植物葉片進行比較分析。FELDMANN 等[11]將包括標志點法在內(nèi)的多種幾何形態(tài)測量方法與機器學(xué)習算法結(jié)合進行草莓形狀分類。在國內(nèi)，標志點法在植物葉片表型上的應(yīng)用較少，僅有少量學(xué)者采用該方法對樹葉進行研究[12]，其在農(nóng)作物葉片形狀特征提取上幾乎沒有應(yīng)用。

煙草（Nicotiana tabacumL.）為管狀花目、茄科植物，是一種重要的葉用經(jīng)濟作物。不同品種的煙草葉片形狀不同，同一株煙草不同生長時期、不同葉位的葉片形狀也存在差異。目前對煙草葉形的定義主要基于人工經(jīng)驗判別，按照葉片最寬位置、葉片長寬比來描述，缺少精確的定量化評價方法。本研究以煙草為研究對象，基于幾何形態(tài)測量方法自動提取煙草葉形信息，并采用機器學(xué)習方法對不同的煙草葉形進行判別分析來對比標志點數(shù)據(jù)和常用葉形指標之間的差異，旨在為煙草葉形信息的精確提取提供新方法。

1 材料與方法

1.1 試驗材料

田間試驗于2019年5月5日—8月30日在山東省諸城市賈悅鎮(zhèn)瑯埠農(nóng)場（35°35′24″N，119°14′24″E）進行，試驗共選擇39 個煙草品種，每個品種3 個重復(fù)。品種具體信息見圖1。目前對于煙草葉形的分類主要基于專家目測和對葉片長寬比的測量，根據(jù)39個煙草品種的葉形描述信息，可以將其劃分為卵圓形、寬卵圓形、長卵圓形、橢圓形、長橢圓形、披針形6個類別。由于煙草葉形有典型類和非典型類之分，一些具有非典型葉形的煙草品種在人為分類時難以界定葉形，存在模糊性。非典型類煙草品種共12類，在圖1中用“*”號標出。

圖1 煙草品種與對應(yīng)葉形分類Fig.1 Classification of tobacco varieties and the corresponding leaf shapes

1.2 葉片圖像獲取與處理

待煙草生長至團棵期及開花期（第一朵中心花開放的時期），按照由下至上的順序采集葉片，平鋪，并采用佳能EOS M3相機拍照（圖2A），相機鏡頭距離葉片約1.5 m，圖像分辨率為2 880像素×1 920像素。采用Python 3.8.5 軟件（https://www.python.org/）及OpenCV 4.4.0 數(shù)據(jù)庫（https://opencv.org/）進行葉片圖像前景背景分離、輪廓提取與葉位劃分等數(shù)據(jù)處理工作，結(jié)果如圖2B～D所示。

采用超綠算法[13]，根據(jù)RGB 圖像中紅（R）、綠（G）、藍（B）3個顏色分量構(gòu)造出超綠指標2G-R-B，對圖像進行灰度化處理（圖2B），進一步突出植物葉片圖像。采用最大類間方差法（OTSU算法）[14]確定灰度圖像的最佳分割閾值，劃分出屬于煙草葉片的像素點。由得到的二值化圖像提取出煙草葉片輪廓點云（圖2C）。根據(jù)背景上放置的5 cm×5 cm的紅色正方形卡片進行葉片大小校正。煙株上的煙葉自下而上通常劃分為5 個部位：腳葉、下二棚葉、腰葉、上二棚葉和頂葉。不同部位的煙葉間也存在差異。分離出煙草葉片圖像后，去除研究意義較小的花葉、腳葉和一些缺損葉片，根據(jù)生產(chǎn)經(jīng)驗按照6-8-6 的分布順序?qū)熑~分為上部葉、中部葉、下部葉3 個部分（圖2D）。共獲得煙草葉片2 865 片。

圖2 煙草葉片圖像獲取與處理流程圖Fig.2 Flowchart of tobacco leaf pictures acquisition and processing

1.3 各類葉形指標的提取

1.3.1 標志點數(shù)據(jù)提取

煙草葉片以橢圓形和卵圓形為主，為了盡量詳盡地描述出葉片形狀的變化，同時減少葉片缺損及褶皺等其他因素的干擾，本研究從葉片的最高點到最低點，每隔1/8 分位在輪廓的最左端和最右端各選取一個像素點，共18 個標志點[15]（圖3A）。這樣的標志點排布不僅可以精確地刻畫出葉柄、葉身、葉尖等位置的信息，還可以檢測出葉片的扭轉(zhuǎn)和不對稱性。基于Python 3.8.5 編程軟件自動在葉片輪廓點云上提取標志點，獲取各個點的位置坐標。

由于各個葉片的大小、方向、所在位置不同，在進行不同葉片對比分析前，需要先去除干擾信息。本研究采用普氏疊印分析法（generalized Procrustes analysis, GPA）對位于不同葉片上的標志點進行歸一化處理。其原理為采用最小二乘法最小化樣本間存在的平移和旋轉(zhuǎn)差異，實現(xiàn)葉片構(gòu)型的標準化（圖3B）[16-17]。在將不同葉片的相應(yīng)標志點坐標移動到對應(yīng)位置后，即可進行每個葉片對應(yīng)部位之間的差異比較。采用R 4.0.0 編程軟件（https://www.rproject.org/）中的shapes包[18]對提取的葉片標志點坐標進行普氏疊印分析法處理。

圖3 煙草葉片標志點的選取及普氏疊印分析法結(jié)果示意圖Fig.3 Schematic diagrams of the selection of tobacco leaf landmarks and the results of GPA

1.3.2 常用葉形指標的提取

基于Python 3.8.5 軟件及其OpenCV 4.4.0 數(shù)據(jù)庫提取葉片長、葉片寬、葉片長寬比、葉面積、葉面積指數(shù)5個常見的煙草葉片形狀指標。其中，葉面積指數(shù)的計算方法為：

1.4 統(tǒng)計分析與煙草葉形的判別

由于標志點數(shù)量眾多，因此對其進行多元方差分析（multivariate analysis of variance, MANOVA），驗證采用標志點數(shù)據(jù)是否可以檢測出不同生長時期、不同品種和不同葉位的煙草葉形差異。同時采用主成分分析方法對標志點坐標結(jié)果進行降維，提取出葉形差異的主要來源。采用R 4.0.0編程軟件對以上數(shù)據(jù)進行分析。

采用標志點數(shù)據(jù)和其他常用葉形指標，將傳統(tǒng)的煙草人工葉形分類結(jié)果作為真值，采用決策樹（decision tree,DT）、隨機森林（random forest,RF）和支持向量機（support vector machine,SVM）3種機器學(xué)習算法對各類煙草葉片進行分類建模和判別[19]，以此比較標志點數(shù)據(jù)與常用葉形指標的可分性差異。以上3類機器學(xué)習算法的原理如下。

決策樹算法是一種應(yīng)用較廣泛的分類算法，其使用樹的結(jié)構(gòu)作為表現(xiàn)形式，內(nèi)部的每一個節(jié)點代表對一個特征的測試，以遞歸的方式自上而下地對數(shù)據(jù)屬性值進行比較，得到的分支代表特征屬性的輸出值。建立決策樹的常用算法有很多，本研究采用分類和回歸數(shù)（classification and regression tree,CART）算法[20]。隨機森林算法以決策樹算法為基礎(chǔ)，將多個隨機決策樹通過集成學(xué)習組合到一起，并根據(jù)多個分類器的投票決定最優(yōu)的分類結(jié)果，分類精度相對更高[21]。支持向量機是一種二分類模型，其基本思想為使用核函數(shù)定義的非線性特征映射將待分類數(shù)據(jù)映射到高維特征空間使其線性可分[22]，目前被廣泛應(yīng)用于模式分類、回歸分析等多個領(lǐng)域。

采用十折交叉驗證對以上3種模型進行分類器性能測試。將數(shù)據(jù)集分為10份，其中9份作為訓(xùn)練集來訓(xùn)練分類器，1 份作為測試集對分類器進行測試。上述過程循環(huán)10 次并取10 次驗證結(jié)果的均值。采用準確率作為評判模型結(jié)果的指標，即預(yù)測正確的樣本占總樣本的比例。以上機器學(xué)習模型的訓(xùn)練及驗證均采用R 4.0.0編程軟件進行。

2 結(jié)果與分析

2.1 葉片標志點數(shù)據(jù)方差分析結(jié)果

標志點的多元方差分析結(jié)果表明，對于團棵期及開花期的煙草葉片，不同葉形類別、不同葉位以及兩者間的互作效應(yīng)均整體存在極顯著差異。進一步對各標志點單獨進行雙因素方差分析并將得到的F值結(jié)果可視化，以開花期的葉片數(shù)據(jù)為例。從圖4 中可知，黑色實心輪廓線為所有葉片的平均葉形，周圍的灰色輪廓線為單獨考慮不同葉類、不同葉位以及互作效應(yīng)分組時各類別葉片的平均葉形。位于標志點的灰色圓形為該點處F值的可視化表達。其半徑越大，F(xiàn)值越大，即該標志點處不同類別葉片間的葉形差異越大。若標志點為深色實心圓，則代表該標志點處不同類別葉片間的葉形不存在顯著差異。

圖4A 為7 種葉形類別間由各標志點捕捉到的葉形差異，主要集中在葉片的中下部。圖4B為3種葉位間由各標志點捕捉到的葉形差異，與圖4A 相比葉位間的差異上移，葉片上、中部的差異都較大，表明煙草不同葉位間的差異主要體現(xiàn)在葉片寬的變化上。圖4C 是葉形與葉位間互作效應(yīng)的可視化表達。盡管這種互作效應(yīng)十分微小，但顯著性分析結(jié)果表明，對于不同的煙草品種，其上、中、下部葉的葉片形狀變化也不同，且此互作效應(yīng)在葉片上存在不對稱性。團棵期煙草葉片數(shù)據(jù)的雙因素方差分析結(jié)果（數(shù)據(jù)未列出）與開花期近似。團棵期煙草由于生長時期較短，葉片特征不明顯，存在于品種間和葉位間的葉形差異不大，相比開花期煙草葉片的F值較小。

圖4 開花期不同葉形、葉位以及兩者互作效應(yīng)在各標志點的F值Fig.4 F values of different leaf shapes,leaf positions and their interaction effects at each landmark at the flowering stage

2.2 葉片標志點主成分分析結(jié)果

對獲取的標志點數(shù)據(jù)進行主成分分析，降維得到不同煙草葉形的差異類型。對于開花期的煙草葉片，第一主成分占總差異的42.7%，第二主成分占總差異的21.3%，第三主成分占總差異的10.7%。前三者累計占總差異的約75%，能夠解釋葉片間存在的主要差異。團棵期煙草葉片標志點數(shù)據(jù)的降維結(jié)果與開花期的結(jié)果相似，但3個主成分占總差異的比例不同，第一主成分占總差異的45.2%，第二主成分占總差異的26.3%，第三主成分占總差異的8.5%。

以開花期的煙草葉片為例，圖5～7 分別為第一、第二、第三主成分分析結(jié)果。3個主成分可以捕捉到來自不同方向的葉片差異。圖5A、6A、7A均為可視化的主成分分析結(jié)果，平均葉形左右兩邊分別為將此主成分效應(yīng)在平均標志點數(shù)據(jù)結(jié)果中放大1倍標準差與縮小50%標準差得到的葉片示意圖。圖5B、6B、7B均為表現(xiàn)出該主成分特征的典型煙草品種的葉形，其中黑色實心輪廓線為該品種所有葉片的平均形狀，周圍的灰色輪廓線為該品種全部葉片形狀，以此與可視化的主成分分析結(jié)果進行對比。

圖5A 顯示：第一主成分值越大，葉片越偏向長橢圓形；第一主成分值越小，葉片越偏向?qū)捖褕A形。該結(jié)果表明葉片的寬度和葉片最寬處的位置在一定程度上表現(xiàn)出同步變化的趨勢。從第一主成分中可以捕捉到長葉片與寬葉片、橢圓形葉片與卵圓形葉片的差異。以具體品種為例，通過對比‘革新1號’與‘遼煙1 號’的葉形可以看出第一主成分對煙草葉片形態(tài)的影響（圖5B）。該主成分也是所有煙草葉形變化的最主要來源。圖5C 為各葉形類別煙葉的第一主成分值對比，中間的實線為該葉形的第一主成分均值。按照第一主成分的差異可以將幾種葉形從寬卵圓形到長橢圓形進行清晰的劃分。

圖5 開花期第一主成分結(jié)果對比Fig.5 Comparison of the results of the first principal component at the flowering stage

第二主成分值較大時葉片有向右扭轉(zhuǎn)的趨勢，反之則向左扭轉(zhuǎn)（圖6A）。部分品種的葉片呈現(xiàn)出較大的扭轉(zhuǎn)趨勢，并且左偏、右偏均有出現(xiàn)，因此其第二主成分絕對值較大；而其他品種葉片則很少出現(xiàn)扭轉(zhuǎn)，因此第二主成分絕對值較小。圖6B 中‘風林一號’的第二主成分特征值品種內(nèi)標準差較小，煙草葉形較為對稱；而‘新K326’的第二主成分特征值品種內(nèi)變異很大，從形狀上可以觀察出該品種葉片出現(xiàn)了明顯的扭轉(zhuǎn)。

圖6 開花期第二主成分結(jié)果對比Fig.6 Comparison of the results of the second principal component at the flowering stage

由圖7A可知，第三主成分主要體現(xiàn)葉柄部分的差異性。第三主成分的值越大，葉柄越突出；其值越小，葉柄越不明顯。由圖7B可知，對比‘珊西煙’和‘垛煙’2個煙草品種，盡管兩者葉形相似，但葉柄的差異導(dǎo)致兩者葉片形態(tài)并不相同。相較于開花期的葉片，團棵期的煙草葉片第一、第二主成分占比很大，而第三主成分占比有所下降。表明此時不同品種間的差異主要體現(xiàn)在葉片寬和葉形扭轉(zhuǎn)上，葉柄處差異的權(quán)重有所降低。

圖7 開花期第三主成分結(jié)果對比Fig.7 Comparison of the results of the third principal component at the flowering stage

2.3 基于機器學(xué)習的煙草葉類判別結(jié)果

為了驗證由標志點法提取得到的葉形數(shù)據(jù)和常用葉形指標相比是否能對煙草葉形進行更加精確的描述，分別采用決策樹、隨機森林、支持向量機對不同生長時期的全部煙草品種進行葉類判別。以開花期的判別結(jié)果（表1）為例。根據(jù)全部葉片形狀數(shù)據(jù)的判別準確度可知，采用標志點數(shù)據(jù)進行判別的精度范圍為52%～62%，高于常用葉形指標判別的精度范圍（51%～54%）。兩者的差異主要在于常用葉形指標無法對葉片的最大寬位置進行區(qū)分，而標志點法可以捕捉到這種差異。

表1 基于機器學(xué)習的開花期煙草葉形判別精度Table 1 Discriminant accuracies of tobacco leaf shapes based on machine learning at the flowering stage

在3 種機器學(xué)習算法中，支持向量機的判別精度約為65%，略優(yōu)于隨機森林，兩者均優(yōu)于決策樹方法。各方法對上部葉和中部葉的判別精度比下部葉高出10%左右，甚至優(yōu)于采用全部葉片的結(jié)果，表明不同葉類間下部葉的差異較小，而中、上部葉展示了更明顯的葉形變化，可以捕捉到更多的品種特征。相較于開花期的葉類判別結(jié)果，團棵期煙草葉類判別結(jié)果也都表現(xiàn)出了以上特征（數(shù)據(jù)未列出）。但整體上團棵期葉片的判別精度較低，標志點數(shù)據(jù)的判別精度范圍僅為49%～55%。

由于煙草葉形有典型類和非典型類之分，一些具有非典型葉形的煙草品種僅靠肉眼很難分辨出具體葉形類別，因此人工葉形分類標準具有模糊性，采用該標準作為真值會導(dǎo)致判別精度下降。去除12類非典型煙草品種，對剩余的典型品種進行基于標志點數(shù)據(jù)的機器學(xué)習判別，使用上部葉、中部葉、下部葉分別進行判別，最高精度分別為77%、74%、71%，判別效果得到明顯改善。

3 討論

3.1 標志點數(shù)據(jù)與常用葉形指標的對比

在標志點法的研究中，如何選點極為重要。研究人員大多借助MorphoJ[23]、ImageJ[24]等軟件手動選擇標志點。該方法主要適合一些棱角特征明顯的葉形，對于煙草這種近似橢圓形的葉片，很難從中選擇出具有代表性的合適點位，并且采用手動標點也存在著標點誤差的問題[9]。有研究者為解決難以提取出具有同源性標志點的問題，提出了半標志點法[25]，即等間距地在樣本邊緣獲取標志點。但是，該方法是一種單純基于數(shù)學(xué)的形態(tài)模擬，缺少生物學(xué)支撐。本研究以煙草葉片形態(tài)特征為基礎(chǔ)，自動獲取標志點，不僅實現(xiàn)了不同葉片間采樣標準的統(tǒng)一，還具有方便、快捷、精準等優(yōu)勢，為橢圓形葉片的標志點選取提供了新方法。此外，選點數(shù)量的不同也會對結(jié)果的精度造成影響。增加標志點的數(shù)量可以更細致地描述出存在于葉柄、葉耳等部位的表型特征，對葉片形狀進行更為精確的刻畫。

方差分析結(jié)果表明煙草葉形間存在的細微差異可以通過標志點數(shù)據(jù)捕捉。相對于各種常用的葉形指標，標志點數(shù)據(jù)對葉形的描述更為全面?；跇酥军c數(shù)據(jù)的主成分分析結(jié)果表明，不同品種的煙草葉片之間存在著很多差異，最主要為葉片寬和葉片最大寬位置、葉片扭轉(zhuǎn)程度以及葉柄部的差異。葉片的寬度對應(yīng)葉片長寬比這一指標，是最常用、最基本的葉片表型信息[26]。但是有研究表明，盡管葉片的長寬比是葉片最主要的差異來源，但只采用長寬比對葉片進行描述會丟失約40%的葉片輪廓信息[27]。機器學(xué)習判別結(jié)果也表明，目前常用的葉形指標對煙草葉形的鑒別能力較標志點數(shù)據(jù)更低。而葉片最大寬位置以及葉片扭轉(zhuǎn)程度、葉柄差異等葉形指標需要人工測量，費時費力。采用標志點法可以自動提取這些信息，不僅可以替代人眼識別，還可以將其量化為更精確的描述。

3.2 煙草葉形特征分析

由標志點的方差分析結(jié)果可知，煙草葉片的葉形在不同品種和不同葉位間存在差異和互作效應(yīng)，表明對于不同葉位的葉片，其品種差異的表現(xiàn)強度不同，進一步印證了本研究中對煙草葉片進行判別分析時不同葉位葉片的分類效力有所區(qū)別。由機器學(xué)習的結(jié)果可知，本研究中，無論是對于數(shù)量大、特征明顯的第一朵中心花開放時期數(shù)據(jù)，還是數(shù)量少、特征較模糊的團棵期數(shù)據(jù)，支持向量機方法的判別效果均最佳，該結(jié)果與前人研究[5]相似。而決策樹法效果最差，原因是決策樹法在每個節(jié)點上都會產(chǎn)生分枝，在離異對象數(shù)量較多的情況下判別準確率較低。采用上部葉和中部葉進行建模預(yù)測的精度更高，原因是煙草下部葉中普遍存在葉片較寬的現(xiàn)象，從而掩蓋了其他葉片表型特征[26]。對比團棵期和開花期的煙草葉片數(shù)據(jù)，發(fā)現(xiàn)團棵期數(shù)據(jù)的判別精度普遍較差，這是由于團棵期葉片正處于旺盛的營養(yǎng)生長期，其葉形特征還未顯露完全。因此在對煙草葉片進行特征提取時，應(yīng)盡量采用處于現(xiàn)蕾期后上、中部的葉片。在后續(xù)研究中，我們會加入其他生長時期以及不同年份的煙草葉形數(shù)據(jù)，對煙草葉片發(fā)育規(guī)律進行更加深入的探討。

由以上分析可知，對煙草葉片進行標志點的測量可以捕捉到葉片存在的大部分輪廓信息，但就機器學(xué)習的結(jié)果來說，判別分析的精度并不高，原因是本研究采用的人為分類標準對非典型品種很容易產(chǎn)生模糊的分類結(jié)果，從而影響機器學(xué)習結(jié)果的準確度。去除一些非典型品種后，機器學(xué)習判別精度得到了很大提升。由此可見，發(fā)展更精確、更全面的葉形描述方法十分必要。標志點法不僅可以捕捉到人眼可以看到的差異，還可以將差異轉(zhuǎn)為數(shù)值特征進行精確輸出，結(jié)合葉片的紋理信息[3]、三維株型信息[28-29]等其他表型指標，將可以實現(xiàn)對作物品種的精確定位，從而成為未來育種和表型分析的新指標。

4 結(jié)論

本研究將幾何形態(tài)學(xué)的方法應(yīng)用到作物表型研究領(lǐng)域中，采用標志點法對處于團棵期和開花期（第一朵中心花開放的時期）的39 個煙草品種進行葉片形狀信息提取。結(jié)論如下：

1）不同葉形類別和不同葉位的煙草葉片形狀信息存在顯著性差異，且兩者間存在互作效應(yīng)。對所有煙草葉片標志點數(shù)據(jù)進行主成分分析，前3 個主成分分別解釋了葉片寬和最大寬位置、葉片扭轉(zhuǎn)程度以及葉柄處的不同所造成的葉片差異。其中葉片寬和最大寬位置是造成不同煙草葉形差異的最主要因素。

2）分別采用決策樹、隨機森林、支持向量機3類機器學(xué)習算法對煙草葉類進行判別。采用開花期全部葉片標志點數(shù)據(jù)進行判別的精度范圍為52%～62%，高于常用葉形指標的判別精度（51%～54%）。相較于其他2 種機器學(xué)習判別方法，支持向量機的判別效果最優(yōu)，精度約為65%。采用上部葉、中部葉的判別精度要高于下部葉10%左右。開花期煙草葉片的判別精度明顯優(yōu)于團棵期葉片，能展示出更明顯的品種表型特征。在去除12 種非典型煙草品種后，標志點數(shù)據(jù)判別精度上升至77%。本研究結(jié)果可為自動化提取葉片形狀信息提供新思路。