亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于YOLO框架的農(nóng)田火源自動(dòng)檢測(cè)系統(tǒng)

        2022-12-08 17:03:10馬廣焜彭新茗王楠翔白清揚(yáng)孟峻鋒劉鑫蕊朱碩聞
        現(xiàn)代計(jì)算機(jī) 2022年19期
        關(guān)鍵詞:檢測(cè)系統(tǒng)

        白 玉,馬廣焜,彭新茗,王楠翔,白清揚(yáng),孟峻鋒,劉鑫蕊,朱碩聞

        (沈陽(yáng)工業(yè)大學(xué)軟件學(xué)院,沈陽(yáng) 110870)

        0 引言

        農(nóng)業(yè)產(chǎn)業(yè)是我國(guó)的根本產(chǎn)業(yè),農(nóng)業(yè)的安全問(wèn)題關(guān)系到國(guó)民生活?;馂?zāi)是農(nóng)業(yè)生產(chǎn)中最可怕的災(zāi)難,火災(zāi)會(huì)給農(nóng)作物造成毀滅性的打擊,同時(shí)也無(wú)法保障人們的人身安全和財(cái)產(chǎn)安全。在農(nóng)作物種植周期中,由于人為、農(nóng)業(yè)機(jī)械故障或自然條件等原因,有時(shí)會(huì)引起農(nóng)田火災(zāi),但又由于農(nóng)民對(duì)農(nóng)田火災(zāi)發(fā)現(xiàn)得不夠及時(shí),火災(zāi)快速擴(kuò)散,錯(cuò)過(guò)了黃金救援時(shí)間,給農(nóng)民造成極大的經(jīng)濟(jì)損失。

        國(guó)內(nèi)外,智能農(nóng)業(yè)系統(tǒng)已經(jīng)開(kāi)始廣泛應(yīng)用,功能全面,但對(duì)消防安全隱患的關(guān)注度還有待提高。如果突發(fā)意外引起農(nóng)田火災(zāi),勢(shì)必會(huì)帶來(lái)巨大的損失,而越早發(fā)現(xiàn)火源,將會(huì)大大延長(zhǎng)火災(zāi)的黃金救援時(shí)間。YOLOv5框架在目標(biāo)檢測(cè)精度方面有很大的優(yōu)勢(shì),因此本研究設(shè)計(jì)的農(nóng)田火源自動(dòng)檢測(cè)系統(tǒng)基于YOLOv5 網(wǎng)絡(luò)結(jié)構(gòu),針對(duì)農(nóng)田火源研究了自動(dòng)檢測(cè)系統(tǒng),相比于傳統(tǒng)的人工排查,該系統(tǒng)可以快速響應(yīng),防止火災(zāi)進(jìn)一步擴(kuò)散。

        現(xiàn)階段國(guó)內(nèi)外對(duì)火災(zāi)識(shí)別普遍采用傳統(tǒng)的人工監(jiān)控方法,但傳統(tǒng)監(jiān)控在模糊環(huán)境如濃煙下較容易形成誤判。于是我們需要采用目標(biāo)檢測(cè)方法,而目標(biāo)檢測(cè)又是深度學(xué)習(xí)領(lǐng)域中重要的研究方向。由于火源圖像的復(fù)雜性,需用訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)提高模型對(duì)事實(shí)的描述[1-2]。

        農(nóng)業(yè)是我國(guó)的根本產(chǎn)業(yè),人們希望把目標(biāo)檢測(cè)應(yīng)用到農(nóng)業(yè)中,研究農(nóng)田火源檢測(cè)的問(wèn)題,對(duì)于預(yù)防農(nóng)田火災(zāi)有著重要意義。在國(guó)外,以色列農(nóng)業(yè)技術(shù)發(fā)達(dá)且具有先進(jìn)的輔助設(shè)備,Gilad Axelrad 等[1]開(kāi)發(fā)了可實(shí)現(xiàn)農(nóng)業(yè)污水污泥回收利用的農(nóng)田模型,可以很好地提高水利用率,但對(duì)消防安全隱患的重視度還不夠。國(guó)內(nèi)相對(duì)智能的農(nóng)田可以實(shí)現(xiàn)農(nóng)田信息實(shí)時(shí)采集、災(zāi)害預(yù)防。王朝澤[4]設(shè)計(jì)和實(shí)現(xiàn)的智能灌溉系統(tǒng)可以通過(guò)傳感器精確檢測(cè)土壤溫濕度、環(huán)境溫濕度、二氧化碳濃度、光照強(qiáng)度等環(huán)境參數(shù),但未考慮到火源檢測(cè)。

        目前YOLO 框架是最先進(jìn)的物體檢測(cè)方法之一,它能完成不同尺度大小的目標(biāo)檢測(cè)的能力。該方法已用于安全帽佩戴檢測(cè)[5]、白細(xì)胞檢測(cè)[6]等小目標(biāo)檢測(cè)。本文提出的農(nóng)田火源自動(dòng)檢測(cè)系統(tǒng),以火源作為目標(biāo)搭建檢測(cè)系統(tǒng),基于YOLOv5框架通過(guò)圖像識(shí)別小目標(biāo),連接終端實(shí)時(shí)報(bào)警,防止火災(zāi)進(jìn)一步擴(kuò)散。相比于傳統(tǒng)的監(jiān)控方法,本方法具有可以降低時(shí)間浪費(fèi)率,同時(shí)避免產(chǎn)生大量濃煙污染環(huán)境,防止引起火災(zāi)造成生命危險(xiǎn)等優(yōu)點(diǎn)。

        1 系統(tǒng)框架結(jié)構(gòu)設(shè)計(jì)

        本系統(tǒng)在設(shè)計(jì)上主要分成三部分:終端部分、服務(wù)器部分和圖像識(shí)別接口部分。終端部分主要通過(guò)連接電腦、手機(jī)兩個(gè)設(shè)備來(lái)進(jìn)行實(shí)時(shí)監(jiān)控;服務(wù)器部分可將采集到的視頻傳遞給圖像識(shí)別部分,上傳圖像給終端部分起到中轉(zhuǎn)作用;圖像識(shí)別接口部分獲取視頻進(jìn)行模型訓(xùn)練,且可以通知報(bào)警。示意圖如圖1所示,通過(guò)網(wǎng)絡(luò)攝像頭將圖像以視頻流的方式實(shí)時(shí)傳輸給服務(wù)器,服務(wù)器調(diào)用YOLOv5的算法接口,對(duì)圖像中的火焰進(jìn)行標(biāo)注,將所標(biāo)注信息渲染到前端頁(yè)面當(dāng)中,當(dāng)所標(biāo)注的火焰圖像置信度達(dá)到一定閾值時(shí),發(fā)出指令使蜂鳴器報(bào)警。

        圖1 系統(tǒng)示意圖

        1.1 服務(wù)器部分

        服務(wù)器為租用的騰訊云服務(wù)器,視頻采集部分將視頻圖像上傳到服務(wù)器端,服務(wù)器將連接、上傳圖像,實(shí)時(shí)報(bào)警給終端,例如手機(jī)或電腦,服務(wù)器的后臺(tái)程序接收到移動(dòng)端數(shù)據(jù)后,將其存入后臺(tái)供客戶端調(diào)用,也可以將標(biāo)注后的圖像所設(shè)定的參數(shù)顯示在終端供用戶查詢使用。如果發(fā)現(xiàn)火源,蜂鳴器將報(bào)警,同時(shí)調(diào)用本地服務(wù)器接口實(shí)時(shí)查看農(nóng)田的錄像,并可收到報(bào)警提醒。服務(wù)器可以調(diào)用圖像識(shí)別接口,同時(shí)也可以收到處理結(jié)果的反饋。

        1.2 圖像識(shí)別接口部分

        當(dāng)圖像識(shí)別模塊識(shí)別到感興趣目標(biāo)時(shí)會(huì)通知報(bào)警模塊傳遞信號(hào),報(bào)警模塊在收到信息后報(bào)警鳴鈴,同時(shí)把信息上傳至服務(wù)器,獲取級(jí)別服務(wù)器。圖像識(shí)別部分基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法來(lái)對(duì)火源進(jìn)行識(shí)別和檢測(cè)。

        1.3 終端部分

        終端連接手機(jī)攝像頭和監(jiān)控實(shí)時(shí)檢測(cè)火源,監(jiān)控識(shí)別到火源后會(huì)在客戶端界面上報(bào)警,自動(dòng)標(biāo)記火源發(fā)生處,將級(jí)別調(diào)整信息傳遞給服務(wù)器,服務(wù)器針對(duì)不同級(jí)別選擇不同的訓(xùn)練模型,進(jìn)而調(diào)整報(bào)警強(qiáng)度。

        2 系統(tǒng)功能設(shè)計(jì)

        該火災(zāi)報(bào)警系統(tǒng)由四個(gè)模塊組成,分別為視頻采集模塊、圖像識(shí)別模塊、報(bào)警響鈴模塊和服務(wù)器監(jiān)控模塊,如圖2所示。

        圖2 系統(tǒng)功能圖

        2.1 視頻采集模塊

        遠(yuǎn)程實(shí)時(shí)視頻監(jiān)控采集,搭建采集系統(tǒng)平臺(tái),收集視頻信號(hào)源進(jìn)行視頻采集。設(shè)計(jì)好服務(wù)器端軟件、客戶端軟件,確保此模塊通過(guò)多個(gè)攝像頭實(shí)時(shí)采集農(nóng)田內(nèi)場(chǎng)景,使整個(gè)農(nóng)田都能被監(jiān)控到,將采集到的視頻上傳到服務(wù)器。

        2.2 圖像識(shí)別模塊

        將采集到的視頻實(shí)時(shí)傳輸?shù)綀D像識(shí)別模塊,即對(duì)圖像數(shù)據(jù)內(nèi)火源進(jìn)行檢測(cè),是該系統(tǒng)的檢測(cè)核心。使用的是YOLO 框架,基于YOLOv5 框架來(lái)對(duì)圖像數(shù)據(jù)內(nèi)火源進(jìn)行檢測(cè),總共將其劃分為四個(gè)通用的模塊:輸入端、Backbone、Neck 網(wǎng)絡(luò)與Head 輸出端。輸入端,即為輸入的圖片;基準(zhǔn)網(wǎng)絡(luò),主要用來(lái)提取通用的特征表示;Neck 網(wǎng)絡(luò),可以增加特征的多樣化和魯棒性;Head 輸出端,即目標(biāo)最終檢測(cè)結(jié)果的輸出級(jí)別控制模塊。本模塊還包含訓(xùn)練模型,訓(xùn)練模型通過(guò)強(qiáng)化學(xué)習(xí)集、訓(xùn)練集的方式對(duì)火源進(jìn)行類別訓(xùn)練。

        2.3 報(bào)警響鈴模塊

        此模塊可以調(diào)用服務(wù)器接口,檢測(cè)到火源后快速響應(yīng),及時(shí)將信息傳達(dá)給服務(wù)器。然后將信號(hào)送至火災(zāi)報(bào)警控制器,發(fā)生報(bào)警,同時(shí)也能夠通過(guò)控制器聯(lián)動(dòng)其他有關(guān)的設(shè)備動(dòng)作,最終上傳信息到終端,用戶可以及時(shí)查看到火警信息。

        2.4 服務(wù)器監(jiān)控模塊

        負(fù)責(zé)開(kāi)發(fā)多個(gè)接口,確保實(shí)時(shí)監(jiān)控、上傳圖像、實(shí)時(shí)報(bào)警,起到總控作用,是系統(tǒng)化、直觀化的管理火源檢測(cè)系統(tǒng)。

        3 關(guān)鍵技術(shù)的實(shí)現(xiàn)

        YOLOv5 的整體網(wǎng)絡(luò)結(jié)構(gòu)一共分為四個(gè)部分,輸入端、Backbone(主干部分)、Neck 和輸出端(Prediction),圖3 所示為YOLOv5 的整體網(wǎng)絡(luò)結(jié)構(gòu)圖。

        圖3 YOLOv5整體網(wǎng)絡(luò)結(jié)構(gòu)圖

        3.1 輸入端(Head)

        首先輸入圖像,其大小為608×608,本階段包括一個(gè)圖片預(yù)處理階段,將輸入后的圖片縮放到網(wǎng)絡(luò)的輸入大小,對(duì)其進(jìn)行歸一化等操作。

        (1)Mosaic數(shù)據(jù)增強(qiáng):使用隨機(jī)裁剪、隨機(jī)縮放、隨機(jī)排布的方法來(lái)對(duì)圖像進(jìn)行拼接,然后達(dá)到對(duì)小目標(biāo)的檢測(cè),數(shù)據(jù)增強(qiáng)能夠豐富數(shù)據(jù)集,同時(shí)也增加網(wǎng)絡(luò)魯棒性,提高訓(xùn)練速度。

        (2)自適應(yīng)圖片縮放:首先將原始圖片全部縮放到一個(gè)標(biāo)準(zhǔn)尺寸,根據(jù)輸入圖像的尺寸大小來(lái)進(jìn)行自適應(yīng)填充,然后再將其送入檢測(cè)網(wǎng)絡(luò)中,對(duì)其原始圖像自適應(yīng)地添加最少的黑邊,可以減少圖像高度上兩端的黑邊,同時(shí)也減少了其計(jì)算量,極大提升了目標(biāo)的檢測(cè)速度。

        (3)自適應(yīng)錨框計(jì)算:采取anchor的計(jì)算方法,在初始錨框的基礎(chǔ)上輸出預(yù)測(cè)框,利用K均值聚類(K-means)方法聚類出多種尺寸大小的anchor,在每次訓(xùn)練時(shí)計(jì)算不同訓(xùn)練集中的最佳錨框值。在預(yù)測(cè)時(shí)采用自適應(yīng)圖片大小的縮放模式,在減小黑邊的同時(shí),也提升了預(yù)測(cè)速度。下面是本系統(tǒng)設(shè)定的anchor:

        [10,13,16,30,33,23]#P3/8

        [30,61,62,45,59,119]#P4/16

        [116,90,156,198,373,326]#P5/32

        3.2 Backbone

        Backbone 階段主要特征提取圖片,對(duì)圖片進(jìn)行卷積操作等,包括Focus和CSP等結(jié)構(gòu)。

        3.2.1 Focus結(jié)構(gòu)

        首先將608×608×3 大小的圖像輸入到Focus結(jié)構(gòu),然后采用slice 操作對(duì)輸入的圖片進(jìn)行裁剪,之后采用切片操作輸出可以變成304×304×12 大小的特征圖,再進(jìn)行一次卷積操作,最后形成304×304×32 大小的特征圖,F(xiàn)ocus 結(jié)構(gòu)提升了圖片特征提取的質(zhì)量。

        3.2.2 CSP結(jié)構(gòu)

        CSP 結(jié)構(gòu)共分為兩種,分別是應(yīng)用于Backbone 網(wǎng)絡(luò)的CSP1_X 結(jié)構(gòu)和應(yīng)用于Neck 網(wǎng)絡(luò)的CSP2_X 結(jié)構(gòu),其過(guò)程是先將基礎(chǔ)層的特征映射分成兩部分,然后采用跨階段層次結(jié)構(gòu)將其合并在一起。CSP 結(jié)構(gòu)能夠降低計(jì)算量,并提高準(zhǔn)確率,同時(shí)增強(qiáng)了網(wǎng)絡(luò)對(duì)特征的融合能力。

        3.3 Neck網(wǎng)絡(luò)

        在卷積過(guò)程中,網(wǎng)絡(luò)層數(shù)越深,該目標(biāo)的特征信息就越強(qiáng),模型對(duì)目標(biāo)的預(yù)測(cè)效果會(huì)更好,但目標(biāo)的位置信息也會(huì)因此越弱,而且容易使小目標(biāo)的信息損失,所以需要進(jìn)行不同尺度的預(yù)測(cè)來(lái)減少損失。

        Neck網(wǎng)絡(luò)層采用FPN 和PAN的結(jié)構(gòu)對(duì)特征進(jìn)行多尺度融合。FPN 結(jié)構(gòu)是通過(guò)自頂向下進(jìn)行上采樣,讓底層的特征圖包含更強(qiáng)的火源語(yǔ)義信息;PAN 結(jié)構(gòu)自底向上進(jìn)行下采樣,讓頂層特征包含強(qiáng)火源位置信息,最后讓兩個(gè)特征進(jìn)行融合,使不同尺寸的特征圖都包含強(qiáng)火源語(yǔ)義信息和強(qiáng)火源特征信息,因此對(duì)不同尺寸的火源圖片的準(zhǔn)確預(yù)測(cè)有了保證。圖4 所示為FPN和PAN 的結(jié)構(gòu)示意圖。

        圖4 FPN和PAN結(jié)構(gòu)示意圖

        3.4 輸出端(Prediction)

        輸出端分別對(duì)Neck 的三個(gè)輸出進(jìn)行卷積操作,利用CIOU_Loss 函數(shù)、nms 非極大值抑制和FocalLoss損失函數(shù)進(jìn)行最終的預(yù)測(cè)輸出。

        3.4.1 CIOU_Loss

        本系統(tǒng)采用CIOU 來(lái)計(jì)算交并比,因?yàn)镃IOU 對(duì)于重疊目標(biāo)的識(shí)別穿透性更好,而且優(yōu)化了兩識(shí)別框不重合和過(guò)度覆蓋的情況。CIOU的計(jì)算公式如下:

        CIOU_Loss=1-CIOU

        其中,IOU是預(yù)測(cè)框和真實(shí)框的交并比,v是衡量長(zhǎng)寬比一致性的參數(shù),C是圖片的最小外接矩形,Distance_C是圖片的對(duì)角線距離,Distance_2是兩個(gè)中心點(diǎn)的歐氏距離。

        3.4.2 nms非極大值抑制

        為了得到最后的框序列信息,首先要將所有的矩形框按照不同的類別標(biāo)簽分組,組內(nèi)按分?jǐn)?shù)高低進(jìn)行排序,將得分最高的矩形框先放入結(jié)果序列,然后通過(guò)遍歷剩余矩形框計(jì)算與當(dāng)前得分最高的矩形框的交并比,如果大于預(yù)設(shè)的閾值則剔除,對(duì)剩余的檢測(cè)框重復(fù)上述操作,直到處理完圖像內(nèi)所有的候選框,該階段對(duì)那些有重疊圖像的目標(biāo)檢測(cè)效果更好。

        3.4.3 FocalLoss損失函數(shù)

        使用FocalLoss 進(jìn)行評(píng)價(jià)目標(biāo)框和預(yù)測(cè)框的類損失和置信度損失,其可以減少容易分類的樣本對(duì)損失函數(shù)的影響,重點(diǎn)訓(xùn)練區(qū)分較難分類的樣本。FocalLoss的公式為

        其中,γ>=0。pt=,p表示預(yù)測(cè)樣本屬于1 時(shí)的概率,y表示標(biāo)簽,y的取值范圍為{-1,+1}。

        4 系統(tǒng)實(shí)驗(yàn)及輸出結(jié)果

        4.1 數(shù)據(jù)集

        采用的是收集到的各種農(nóng)田發(fā)生火災(zāi)的圖片,然后進(jìn)行分類存儲(chǔ),轉(zhuǎn)化為數(shù)據(jù)集進(jìn)行具體的訓(xùn)練集、驗(yàn)證集和測(cè)試集的劃分,對(duì)圖像進(jìn)行增廣,并采用Label 軟件圖像標(biāo)注工具對(duì)火源圖片進(jìn)行標(biāo)注,設(shè)置標(biāo)簽為:煙霧(smoke)和火源(fire)。

        4.2 測(cè)試結(jié)果

        首先使用本系統(tǒng)對(duì)近1000 張農(nóng)田火源照片數(shù)據(jù)集進(jìn)行測(cè)試,如圖5所示為混淆矩陣測(cè)試結(jié)果圖像,可以看出模型對(duì)煙霧和火焰的混淆矩陣fire 的正例率為94%,smoke 的正例率為85%,兩者的正利率并不低,說(shuō)明本模型較好,系統(tǒng)是可靠性的。

        圖5 混淆矩陣圖像

        運(yùn)用本系統(tǒng)進(jìn)行測(cè)試的召回率圖像如圖6所示,其橫軸為召回率,縱軸為精確率。從圖6可以看出,在召回率小于0.7 時(shí)精確率較穩(wěn)定;之后隨著召回率的不斷增大,精確率整體上呈現(xiàn)出下降趨勢(shì),系統(tǒng)的最佳效果是在召回率小于0.7時(shí),其性能較好。

        圖6 召回率圖像

        系統(tǒng)測(cè)試的置信度圖像如圖7所示,可以看出當(dāng)置信度小于0.3 時(shí),精確率穩(wěn)定,系統(tǒng)的效果最好,穩(wěn)定性最高,之后隨著置信度的不斷增大,精確率迅速下降。

        圖7 置信度圖像

        基于上述三次測(cè)試,可以得出本系統(tǒng)的穩(wěn)定性較好,可靠性較高,但系統(tǒng)模型訓(xùn)練還存在一些誤差,因影響因素過(guò)多,訓(xùn)練效果并不理想,最終的火源測(cè)試檢測(cè)效果如圖8所示,圖9為可視化大屏實(shí)時(shí)火源檢測(cè)結(jié)果界面。

        圖8 火源檢測(cè)效果圖

        圖9 可視化大屏實(shí)時(shí)火源檢測(cè)結(jié)果界面

        5 結(jié)語(yǔ)

        針對(duì)當(dāng)前農(nóng)田火災(zāi)頻發(fā),不能確?;馂?zāi)檢測(cè)實(shí)時(shí)性等問(wèn)題,為避免造成較大威脅,本文提出了農(nóng)田火源自動(dòng)檢測(cè)系統(tǒng)。該系統(tǒng)能快速?gòu)囊曨l中獲取火源圖像并報(bào)警,有較短的推理時(shí)間和訓(xùn)練時(shí)間,大大縮短了火源產(chǎn)生和人工對(duì)火源產(chǎn)生措施的間隔時(shí)間,與深度學(xué)習(xí)相結(jié)合,通過(guò)強(qiáng)大而快速的計(jì)算,代替了人工對(duì)火源的排查,很好地預(yù)防了火災(zāi)的發(fā)生,盡可能地對(duì)火災(zāi)發(fā)生后的人身和財(cái)產(chǎn)進(jìn)行保護(hù),在各模塊的配合下,最終實(shí)現(xiàn)了農(nóng)田火源自動(dòng)檢測(cè)功能研發(fā)。

        猜你喜歡
        檢測(cè)系統(tǒng)
        Smartflower POP 一體式光伏系統(tǒng)
        “不等式”檢測(cè)題
        “一元一次不等式”檢測(cè)題
        “一元一次不等式組”檢測(cè)題
        WJ-700無(wú)人機(jī)系統(tǒng)
        “幾何圖形”檢測(cè)題
        “角”檢測(cè)題
        ZC系列無(wú)人機(jī)遙感系統(tǒng)
        基于PowerPC+FPGA顯示系統(tǒng)
        半沸制皂系統(tǒng)(下)
        日韩av精品视频在线观看| 全免费a级毛片免费看| 少妇高潮惨叫久久久久电影| 人妻1024手机看片你懂的| 色窝综合网| 一区二区三区在线乱码| 蜜桃视频插满18在线观看| 人妻丰满熟妇av无码区hd | 国产一级片毛片| 国产在线拍91揄自揄视精品91| 风韵犹存丰满熟妇大屁股啪啪| 狼人青草久久网伊人| 欧美亚洲日韩国产区| 看全色黄大黄大色免费久久| 久久综合九色综合97婷婷 | 久久精品人人爽人人爽| 中文字幕日产人妻久久| 成人性生交大片免费看激情玛丽莎| 揄拍成人国产精品视频| 射死你天天日| 久久露脸国产精品WWW| 色婷婷精品大在线视频| 少妇被爽到高潮喷水久久欧美精品 | 97久久综合区小说区图片区| 一本一本久久a久久精品综合| 国产对白刺激在线观看| 国产精品性色av麻豆| 欧美亚洲国产一区二区三区| 精品国产高清a毛片无毒不卡| 亚洲一区二区观看网站| 美女午夜福利视频网址| 欧美日韩色另类综合| 久久国产欧美日韩高清专区| 亚洲一区二区日韩精品| 99999久久久久久亚洲| 无码人妻一区二区三区免费| 亚洲青青草视频在线播放| 亚洲丝袜美腿在线视频| 日夜啪啪一区二区三区| 国产激情视频在线观看首页| 中文字幕人妻av四季|