張長(zhǎng)勇，饒瑞

階梯垛型點(diǎn)云邊界快速提取方法研究

張長(zhǎng)勇，饒瑞

（中國(guó)民航大學(xué) 電子信息與自動(dòng)化學(xué)院，天津 300300）

針對(duì)階梯垛型點(diǎn)云邊界檢測(cè)中，現(xiàn)有邊界提取算法效率不高的問(wèn)題，提出一種適用于階梯垛型點(diǎn)云的快速邊界提取算法。首先使用Kd–Tree對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行拓?fù)潢P(guān)系構(gòu)建，其次搜索采樣點(diǎn)及其近鄰點(diǎn)，構(gòu)建單位平面向量，并進(jìn)行向量疊加，根據(jù)疊加后的向量模長(zhǎng)來(lái)判斷是否為候選邊界點(diǎn)，然后使用近鄰點(diǎn)最大夾角法來(lái)進(jìn)行邊界點(diǎn)精提取，最后使用Kinect相機(jī)獲取階梯垛型點(diǎn)云數(shù)據(jù)，進(jìn)行算法對(duì)比驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，文中算法在保證垛型邊界提取精度的同時(shí)，比經(jīng)典邊界提取算法的運(yùn)行時(shí)間縮短了75.14%，比優(yōu)化前的邊界提取算法運(yùn)行時(shí)間縮短了11.06%。提出的邊界提取算法能夠快速準(zhǔn)確地提取階梯垛型點(diǎn)云邊界，可為自動(dòng)碼垛系統(tǒng)的設(shè)計(jì)提供參考。

邊界提?。欢庑忘c(diǎn)云；粗提?。痪崛?/p>

目前國(guó)內(nèi)貨物運(yùn)輸量正在快速增長(zhǎng)，但多數(shù)物流貨運(yùn)中心依舊使用人工的方式進(jìn)行貨物碼放[1]。為了提高物流自動(dòng)化水平，降低人工成本，貨物的自動(dòng)碼垛技術(shù)逐漸成為了研究熱點(diǎn)。為減少碼垛過(guò)程中，貨物滑落、箱體變形對(duì)垛型結(jié)構(gòu)的影響[2]，需要對(duì)垛型點(diǎn)云邊界進(jìn)行快速準(zhǔn)確檢測(cè)。對(duì)垛型邊界提取算法的研究有利于垛型角點(diǎn)坐標(biāo)的精準(zhǔn)查找，以增強(qiáng)碼垛算法的工程實(shí)踐性[3]。

點(diǎn)云數(shù)據(jù)從維度上主要?jiǎng)澐譃槎S點(diǎn)云數(shù)據(jù)和三維點(diǎn)云數(shù)據(jù)。針對(duì)不同維度的點(diǎn)云數(shù)據(jù)，很多學(xué)者提出了不同的邊界提取方案。二維點(diǎn)云數(shù)據(jù)的邊界提取算法主要有網(wǎng)格法和–Shape法。網(wǎng)格法是將點(diǎn)云按照一定規(guī)則分配到網(wǎng)格中，根據(jù)網(wǎng)格內(nèi)是否有點(diǎn)來(lái)檢索點(diǎn)云邊界，該方法提取邊界速度快，但是受到點(diǎn)云密度和網(wǎng)格大小影響。齊維毅等[4]提出一種基于四邊形網(wǎng)格劃分的點(diǎn)云邊界快速提取方法。房鴻禧[5]提出了一種基于網(wǎng)格化的邊緣二次提取算法，該算法將網(wǎng)格法與點(diǎn)云密度法進(jìn)行融合，提升了網(wǎng)格法提取精度。–shapes法將一個(gè)圓在點(diǎn)云外滾動(dòng)，根據(jù)圓的滾動(dòng)軌跡來(lái)提取點(diǎn)云的邊界，其邊界受圓半徑大小的影響[6]。王宗躍等[7]為提高–shapes法的提取速度，首先對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行網(wǎng)格化粗提取，剔除大量非邊緣點(diǎn)，然后使用–shapes法提取邊界。廖中平等[8]通過(guò)計(jì)算采樣點(diǎn)近鄰點(diǎn)的平均距離和調(diào)節(jié)因子，設(shè)置滾動(dòng)圓的半徑，實(shí)現(xiàn)了–shapes算法的自適應(yīng)性。

三維點(diǎn)云數(shù)據(jù)的邊界提取算法主要有微切平面法，基于點(diǎn)云特征等方法。微切平面法是以最小二乘法擬合局部點(diǎn)集的微切平面，并將點(diǎn)集在該平面進(jìn)行投影，最后通過(guò)投影點(diǎn)連線的最大夾角來(lái)判別采樣點(diǎn)是否為邊界特征點(diǎn)[9]。劉慶等[10]利用改進(jìn)的Kd–Tree（K-Dimensional Tree）來(lái)搜索采樣點(diǎn)的K鄰域，并擬合K鄰域點(diǎn)集的微切平面，在微切平面上建立局部坐標(biāo)系，將三維坐標(biāo)轉(zhuǎn)變?yōu)槎S坐標(biāo)，利用場(chǎng)力和判定閾值的大小來(lái)識(shí)別邊界特征點(diǎn)?；邳c(diǎn)云特征的方法是指利用點(diǎn)云自身的曲率、深度信息等特征來(lái)判斷采樣點(diǎn)是否為邊界點(diǎn)。Xia等[11]通過(guò)定義無(wú)序點(diǎn)云中的梯度，分析特征值之間的比率來(lái)檢測(cè)邊緣候選點(diǎn)。Bazazian等[12]通過(guò)分析采樣點(diǎn)K鄰域點(diǎn)集的協(xié)方差矩陣的特征值來(lái)檢測(cè)尖銳邊緣的特征點(diǎn)。Xi等[13]根據(jù)深度信息將三維點(diǎn)云轉(zhuǎn)換為圖像信息，然后再使用二維圖像邊界提取常用的改進(jìn)拉普拉斯算法來(lái)判斷邊界。蔣陳純等[14]首先使用基于法向量疊加的方法進(jìn)行邊界粗提取，然后使用微切平面法進(jìn)行精提取。韓玉川等[15]在構(gòu)建Kd–Tree后，通過(guò)搜索視角控制邊緣點(diǎn)云搜索方向和模擬點(diǎn)與點(diǎn)之間拉力的聚集程度相結(jié)合的方式來(lái)獲取邊界點(diǎn)云數(shù)據(jù)。

在貨物碼放過(guò)程中，貨物垛型點(diǎn)云近似為階梯狀，具有多平面不相交的特征，即貨物垛型可以看作多個(gè)深度不同的平面點(diǎn)云組成的三維點(diǎn)云。二維點(diǎn)云是三維點(diǎn)云邊界提取的基礎(chǔ)，但二維點(diǎn)云算法不可完全套用于三維垛型點(diǎn)云數(shù)據(jù)；而現(xiàn)有的三維點(diǎn)云邊界提取算法雖然能比較精確地提取階梯狀垛型點(diǎn)云邊界，但是判斷準(zhǔn)則復(fù)雜，提取時(shí)間較長(zhǎng)，整體效率較低，不能很好地滿足實(shí)際碼垛需求。為解決以上問(wèn)題，增加邊界提取算法工程實(shí)用性，文中提出了一種階梯垛型點(diǎn)云邊界快速提取方法。該方法利用降維投影的思想，將三維點(diǎn)云簡(jiǎn)化為二維點(diǎn)云，再使用適用于二維點(diǎn)云的邊界粗提取算法來(lái)得到點(diǎn)云的邊界候選點(diǎn)。這樣可以降低粗提取的計(jì)算復(fù)雜度，縮短精提取的計(jì)算時(shí)間，進(jìn)而使邊界提取算法運(yùn)行效率得到提升。

1 邊界提取算法

圖1為邊界提取算法框圖，首先使用Kd–Tree對(duì)獲取的點(diǎn)云數(shù)據(jù)進(jìn)行點(diǎn)云拓?fù)潢P(guān)系構(gòu)建，以減少近鄰點(diǎn)的查找時(shí)間，進(jìn)而提高點(diǎn)云邊界的提取速度。然后使用優(yōu)化的K鄰域的向量疊加邊界提取算法進(jìn)行點(diǎn)云邊界的粗提取，得到候選邊界點(diǎn)。最后對(duì)候選邊界點(diǎn)使用基于微切平面的近鄰點(diǎn)最大夾角法進(jìn)行精提取。

1.1 邊界點(diǎn)粗提取

因?yàn)樯疃认鄼C(jī)或三維激光掃描儀獲取的原始點(diǎn)云數(shù)據(jù)通常是呈現(xiàn)離散無(wú)序狀態(tài)并且數(shù)據(jù)量極為龐大，所以需要建立三維點(diǎn)云數(shù)據(jù)的空間拓?fù)潢P(guān)系來(lái)減少近鄰點(diǎn)的查找時(shí)間[16]。常見(jiàn)的用于構(gòu)建點(diǎn)云拓?fù)潢P(guān)系的方法有Kd–Tree、Oc–Tree和空間單元格法[16]。上述3種方法中，Kd–Tree法的本質(zhì)是一種高維的二叉樹(shù)結(jié)構(gòu)，可以快速查找近鄰點(diǎn)，與文中提取算法適配度最高，因此文中采用Kd–Tree法來(lái)構(gòu)建點(diǎn)云間拓?fù)潢P(guān)系。

圖1 邊界提取算法框圖

圖2 單位化向量疊加示意圖

文中的向量疊加算法流程如下。

1）構(gòu)建點(diǎn)云拓?fù)潢P(guān)系。采用Kd–Tree來(lái)構(gòu)建點(diǎn)云拓?fù)潢P(guān)系。

4）遍歷所有點(diǎn)云數(shù)據(jù)。選取下一個(gè)采樣點(diǎn)，重復(fù)步驟2和步驟3，直至完成所有點(diǎn)的判定，得到邊界候選點(diǎn)。

1.2 邊界點(diǎn)精提取

因?yàn)榻?jīng)過(guò)粗提取后得到的邊界候選點(diǎn)中包含了邊界點(diǎn)、鄰近邊界點(diǎn)和部分毛刺噪點(diǎn)，所以需要使用精準(zhǔn)的邊界提取算法，將邊界點(diǎn)從邊界候選點(diǎn)中提取出來(lái)。文獻(xiàn)[9]中提出的基于微切平面投影的近鄰點(diǎn)最大夾角邊界提取算法可以準(zhǔn)確地提取出點(diǎn)云邊界點(diǎn)。文獻(xiàn)[10]也證明該算法的有效性。文中選擇基于微切平面投影的近鄰點(diǎn)最大夾角算法作為邊界點(diǎn)精提取算法。該算法的主要原理：用最小二乘法擬合采樣點(diǎn)及其近鄰點(diǎn)的微切平面，并向微切平面投影，根據(jù)采樣點(diǎn)與投影點(diǎn)的夾角大小來(lái)判定該采樣點(diǎn)是否為邊界點(diǎn)[9]。

2 實(shí)驗(yàn)結(jié)果分析

為測(cè)試文中算法的可行性和運(yùn)行效率，采用Kinect v1相機(jī)搭建垛型點(diǎn)云檢測(cè)平臺(tái)來(lái)獲取階梯垛型點(diǎn)云數(shù)據(jù)。Kinect v1相機(jī)的顏色分辨率為640×480，深度分辨率為320×240，深度誤差為2～20 mm[17]。實(shí)驗(yàn)以Visual Studio 2019結(jié)合PCL（Point Cloud Library, PCL）為平臺(tái)，在硬件配置為i5–8500 CPU@3.00 GHz、8 GB內(nèi)存、Windows 10、64位系統(tǒng)的計(jì)算機(jī)上運(yùn)行。

2.1 可行性分析

Kinect v1相機(jī)置于垛型正上方1.5 m處，采集如圖4a所示的階梯狀復(fù)雜垛型點(diǎn)云數(shù)據(jù)。該點(diǎn)云數(shù)據(jù)包含300 754個(gè)點(diǎn)，圖4b為初始垛型點(diǎn)云俯視圖，圖4c為初始垛型點(diǎn)云前視圖。從圖4c中可以看出，該垛型點(diǎn)云平面凹凸點(diǎn)較多，即深度相機(jī)采集的點(diǎn)云數(shù)據(jù)存在不容忽視的深度誤差，而這些誤差會(huì)導(dǎo)致現(xiàn)有點(diǎn)云邊界提取算法效果不佳。

為了方便后續(xù)的處理，使用直通濾波算法來(lái)限制垛型點(diǎn)云數(shù)據(jù)的坐標(biāo)范圍，分離地面點(diǎn)云，得到11 044個(gè)垛型點(diǎn)云數(shù)據(jù)，見(jiàn)圖5a。文中算法的粗提取參數(shù)=40，模長(zhǎng)閾值為0.039，精提取參數(shù)=20，最大夾角設(shè)為90°。用文獻(xiàn)[9]、文獻(xiàn)[14]與文中算法進(jìn)行對(duì)比實(shí)驗(yàn)，文獻(xiàn)[9]算法是基于微切平面投影的近鄰點(diǎn)最大夾角法，文獻(xiàn)[14]同樣采用先粗提取后精提取的思路，其粗提取算法為傳統(tǒng)向量疊加算法，精提取算法為基于微切平面投影的近鄰點(diǎn)最大夾角法。

圖4 原始點(diǎn)云數(shù)據(jù)

從實(shí)驗(yàn)結(jié)果可以看出，相較于文獻(xiàn)[14]，文中算法的粗提取結(jié)果可以較好地剔除點(diǎn)云內(nèi)部點(diǎn)，準(zhǔn)確保留點(diǎn)云邊界點(diǎn)；精提取后的點(diǎn)云數(shù)據(jù)毛刺點(diǎn)噪點(diǎn)較小，邊界點(diǎn)保存也更為完整。這是因?yàn)樯疃认鄼C(jī)受測(cè)量原理和外界環(huán)境因素影響，會(huì)產(chǎn)生系統(tǒng)誤差和場(chǎng)景誤差，這些誤差主要體現(xiàn)在深度偏移，即軸坐標(biāo)存在誤差[18]。文中粗提取采用降維投影，簡(jiǎn)化了點(diǎn)云數(shù)據(jù)，簡(jiǎn)化后的點(diǎn)云數(shù)據(jù)不包含軸坐標(biāo)，消除了深度誤差的影響。文獻(xiàn)[9]由于直接采用精提取算法，雖然具有較好的邊界提取效果，但其運(yùn)算時(shí)間遠(yuǎn)大于文中算法。

圖5 不同算法邊界點(diǎn)提取結(jié)果

2.2 運(yùn)行效率分析

為驗(yàn)證邊界提取算法的運(yùn)行效率，利用圖5a垛型點(diǎn)云數(shù)據(jù)對(duì)3種算法運(yùn)行時(shí)間進(jìn)行測(cè)試，得到實(shí)驗(yàn)結(jié)果見(jiàn)表1。從表1中數(shù)據(jù)可以看出，由于文獻(xiàn)[9]省去了粗提取過(guò)程，直接使用精提取算法對(duì)垛型點(diǎn)云邊界進(jìn)行提取，運(yùn)算時(shí)間達(dá)到15.85 s，遠(yuǎn)高于另外2種算法；文中算法的總運(yùn)行時(shí)間比文獻(xiàn)[14]減少11.06%，粗提取時(shí)間減少10.38%，這是因?yàn)槲闹写痔崛∷惴ê?jiǎn)化了點(diǎn)云數(shù)據(jù)，降低了粗提取的計(jì)算維度，使得邊界候選點(diǎn)數(shù)量有所下降。

表1 不同邊界提取算法運(yùn)行時(shí)間

Tab.1 Running time of different boundary extraction algorithms

3 結(jié)語(yǔ)

針對(duì)貨物垛型檢測(cè)中，現(xiàn)有點(diǎn)云邊界提取算法效率不高的問(wèn)題，提出了一種適用于階梯狀垛型的邊界快速提取算法。在粗提取中，使用降維投影思想，將局部三維點(diǎn)云數(shù)據(jù)簡(jiǎn)化為二維點(diǎn)云數(shù)據(jù)，再使用二維點(diǎn)云邊界提取算法，提取出邊界候選點(diǎn)。該粗提取方法在保證粗提取精度前提下，縮短了粗提取時(shí)間。在精提取中，使用近鄰點(diǎn)最大夾角法保證了邊界點(diǎn)的精準(zhǔn)性。采用Kinect v1相機(jī)搭建垛型點(diǎn)云檢測(cè)平臺(tái)，對(duì)算法進(jìn)行測(cè)試驗(yàn)證，結(jié)果表明，文中算法能夠快速準(zhǔn)確地獲取階梯垛型點(diǎn)云的邊界，具有一定的工程應(yīng)用價(jià)值，可為貨物自動(dòng)碼垛系統(tǒng)的設(shè)計(jì)提供參考。

[1] 張長(zhǎng)勇, 吳智博. 基于K-means與關(guān)鍵點(diǎn)的組合行李碼放算法[J]. 包裝工程, 2019, 40(9): 90-95.

ZHANG Chang-yong, WU Zhi-bo. Combined Luggage Stacking Algorithm Based on K-means and Key Points[J]. Packaging Engineering, 2019, 40(9): 90-95.

[2] ANGELOPOULOS S, DüRR C, KAMALI S, et al. Online Bin Packing with Advice of Small Size[J]. Theory of Computing Systems, 2018, 62(4): 2006-2034.

[3] KLEPPE A L, EGELAND O. A Curvature-Based Descriptor for Point Cloud Alignment Using Conformal Geometric Algebra[J]. Advances in Applied Clifford Algebras, 2018, 28(2): 1-16.

[4] 齊維毅, 丁言鎂, 吳麗娟. 四邊形網(wǎng)格劃分過(guò)程中的邊界提取與優(yōu)化算法的實(shí)現(xiàn)[J]. 小型微型計(jì)算機(jī)系統(tǒng), 2007, 28(10): 1861-1864.

QI Wei-yi, DING Yan-mei, WU Li-juan. Realization of the Edge Points Searching and Edges Optimization Algorithm in Quadrangular Meshes Generation Process[J]. Journal of Chinese Computer Systems, 2007, 28(10): 1861-1864.

[5] 房鴻禧. 基于三維點(diǎn)云的多目標(biāo)分割與邊緣提取[D]. 上海: 上海師范大學(xué), 2020: 42-45.

FANG Hong-xi. Multi-Target Segmentation and Edge Extraction Based on 3D Point Cloud[D]. Shanghai: Shanghai Normal University, 2020: 42-45.

[6] YAN Ke, CHENG H L, HUANG Jing. Representing Implicit Surfaces Satisfying Lipschitz Conditions by 4-Dimensional Point Sets[J]. Applied Mathematics and Computation, 2019, 354: 42-57.

[7] 王宗躍, 馬洪超, 徐宏根, 等. 海量點(diǎn)云的邊緣快速提取算法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2010, 46(36): 213-215.

WANG Zong-yue, MA Hong-chao, XU Hong-gen, et al. Novel Algorithm for Fast Extracting Edges from Massive Point Clouds[J]. Computer Engineering and Applications, 2010, 46(36): 213-215.

[8] 廖中平, 陳立, 白慧鵬, 等. 自適應(yīng)α-shapes平面點(diǎn)云邊界提取方法[J]. 長(zhǎng)沙理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 2019, 16(2): 15-21.

LIAO Zhong-ping, CHEN Li, BAI Hui-peng, et al. Adaptive Alpha-Shapes Plane Point Cloud Boundary Extraction Method[J]. Journal of Changsha University of Science & Technology (Natural Science), 2019, 16(2): 15-21.

[9] 孫殿柱, 范志先, 李延瑞. 散亂數(shù)據(jù)點(diǎn)云邊界特征自動(dòng)提取算法[J]. 華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2008, 36(8): 82-84.

SUN Dian-zhu, FAN Zhi-xian, LI Yan-rui. Automatic Extraction of Boundary Characteristic from Scatter Data[J]. Journal of Huazhong University of Science and Technology (Nature Science Edition), 2008, 36(8): 82-84.

[10] 劉慶, 章光, 陳西江. 融合改進(jìn)場(chǎng)力和判定準(zhǔn)則的點(diǎn)云特征規(guī)則化[J]. 中國(guó)激光, 2019, 46(4): 200-209.

LIU Qing, ZHANG Guang, CHEN Xi-jiang. Point Cloud Feature Regularization Based on Fusion of Improved Field Force and Judging Criterion[J]. Chinese Journal of Lasers, 2019, 46(4): 200-209.

[11] XIA Shao-bo, WANG Rui-sheng. A Fast Edge Extraction Method for Mobile Lidar Point Clouds[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(8): 1288-1292.

[12] BAZAZIAN D, CASAS J R, RUIZ-HIDALGO J. Fast and Robust Edge Extraction in Unorganized Point Clouds[C]// 2015 International Conference on Digital Image Computing: Techniques and Applications (DICTA),Adelaide, 2015: 1-8.

[13] XI X, WAN Y, CHENG W. Building Boundaries Extraction from Points Cloud Using an Image Edge Detection Method[C]// 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Beijing, 2016: 1270-1273.

[14] 蔣陳純, 劉科, 舒敏. 點(diǎn)云邊界快速精確提取算法[J]. 光電子·激光, 2020, 31(5): 531-538.

JIANG Chen-chun, LIU Ke, SHU Min. Algorithm for Fast and Accurate Boundary Points Extraction[J]. Journal of Optoelectronics·Laser, 2020, 31(5): 531-538.

[15] 韓玉川, 侯賀, 白云瑞, 等. 一種基于邊緣系數(shù)的閉合點(diǎn)云邊緣提取算法[J]. 激光與光電子學(xué)進(jìn)展, 2018, 55(11): 161-166.

HAN Yu-chuan, HOU He, BAI Yun-rui, et al. A Closed Point Cloud Edge Extraction Algorithm Using Edge Coefficient[J]. Laser & Optoelectronics Progress, 2018, 55(11): 161-166.

[16] SHI Gui-gang, GAO Xu-guang, DANG Xing-hua. Improved ICP Point Cloud Registration Based on KDTree[J]. International Journal of Earth Sciences and Engineering, 2016, 9(5): 2195-2199.

[17] YUAN Zhi-lu, LI You, TANG Sheng-jun, et al. A Survey on Indoor 3D Modeling and Applications via RGB-D Devices[J]. Frontiers of Information Technology & Electronic Engineering, 2021, 22(6): 815-826.

[18] 盧純青, 宋玉志, 武延鵬, 等. 基于TOF計(jì)算成像的三維信息獲取與誤差分析[J]. 紅外與激光工程, 2018, 47(10): 160-166.

LU Chun-qing, SONG Yu-zhi, WU Yan-peng, et al. 3D Information Acquisition and Error Analysis Based on TOF Computational Imaging[J]. Infrared and Laser Engineering, 2018, 47(10): 160-166.

Fast Boundary Extraction Method of Stepped Stack Point Cloud

ZHANG Chang-yong, RAO Rui

(School of Electronic Information and Automation, Civil Aviation University of China, Tianjin 300300, China)

The work aims to propose a fast boundary extraction algorithm applicable to stepped stack point cloud, so as to solve the problem of low efficiency of existing boundary extraction algorithm in stepped stack point cloud boundary detection. Firstly, Kd-Tree was used to construct the topological relationship of point cloud data. Then, the sampling point and its adjacent point were searched to construct the unit plane vector and perform vector superposition. The candidate boundary point was judged according to the vector modulus length after superposition. Finally, the maximum angle method of adjacent points was used to extract the boundary point accurately. Kinect camera was applied to obtain the stepped stack point cloud data to verify the algorithm. The experimental results showed that the proposed algorithm could shorten the running time by 75.14% compared with the classical boundary extraction algorithm when ensuring the extraction accuracy of stack boundary, and shorten the running time by 11.06% compared with the boundary extraction algorithm before optimization. The proposed boundary extraction algorithm can quickly and accurately extract the stepped stack point cloud boundary, which can provide reference for the design of automatic stack system.

boundary extraction; stack point cloud; rough extraction; fine extraction

TN98

A

1001-3563(2022)17-0190-06

10.19554/j.cnki.1001-3563.2022.17.024

2021–07–14

國(guó)家自然科學(xué)基金青年基金（51707195）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專(zhuān)項(xiàng)基金A類(lèi)（3122016A009）

張長(zhǎng)勇（1978—），男，博士，副教授，主要研究方向?yàn)橹悄茈娖髋c機(jī)場(chǎng)自動(dòng)化。

責(zé)任編輯：曾鈺嬋