丁安寧1
賀春光1多化瓊1
秦彥平1袁云梅2
（1. 內(nèi)蒙古農(nóng)業(yè)大學材料科學與藝術(shù)設(shè)計學院,內(nèi)蒙古呼和浩特 ；2. 山西應(yīng)用科技學院信息工程系,山西太原 ）
DOI：10.12326/j.2096-9694.
摘 要數(shù)字圖像處理技術(shù)是在木材缺陷識別中應(yīng)用最廣泛的技術(shù)之一，具有準確、快速、無損和成本低等優(yōu)點。本文闡述基于數(shù)字圖像的木材缺陷識別技術(shù)的研究現(xiàn)狀，分析圖像預處理、分割、特征提取及融合、圖像識別分類過程涉及的算法，并對每種方法的特點以及局限性進行總結(jié)，對未來研究的發(fā)展趨勢進行展望。數(shù)字圖像處理技術(shù)進一步走向自動化和智能化，還需要更深入的研究。關(guān)鍵詞數(shù)字圖像；缺陷識別；木材缺陷；圖像處理技術(shù)木材作為一種天然可再生、保溫、隔熱、易降解的材料，長期以來一直被用作家具和建筑結(jié)構(gòu)材料。樹木生長過程難免形成各種木材缺陷，缺陷影響木材的質(zhì)量，還加大木制品制造的難度。雖然人工可以完成識別缺陷，但受主觀經(jīng)驗、視覺疲勞等因素影響識別效率低下。目前常用的木材缺陷識別方法有圖像處理、超聲波、應(yīng)力波以及CT技術(shù)等，不斷推陳出新，走向智能化。基于數(shù)字圖像的木材缺陷識別，不僅方法簡單、計算量小、準確度高，而且具有快速、無損、成本低等優(yōu)點。因此，基于數(shù)字圖像的木材缺陷識別技術(shù)，得到國內(nèi)外專家學者廣泛的研究。數(shù)字圖像處理技術(shù)是目前國內(nèi)外對木材缺陷識別最常用的方法，其完整的識別系統(tǒng)主要包含：圖像降噪、增強等預處理，圖像分割，圖像特征提取與融合、圖像識別分類。本文從此四個部分闡述基于數(shù)字圖像的木材缺陷識別技術(shù)與方法。1木材缺陷圖像的預處理在數(shù)字圖像采集過程中，由于設(shè)備或者環(huán)境因素可能會導致采集的圖像出現(xiàn)低亮度、低對比度或夾雜噪聲。預處理不僅能消除圖像中無關(guān)信息、恢復有用信息，還能在一定程度上改善圖像的質(zhì)量，提高圖像的可分析性和可理解性，因此預處理是圖像處理過程中必不可少的一個過程[1]。1.1木材缺陷圖像的降噪圖像降噪主要是消除因不可避免的因素而造成的圖像噪聲，提高識別的效率和準確度。圖像降噪算法種類繁多，經(jīng)典方法有均值濾波、中值濾波、高斯濾波等。由于經(jīng)典的降噪方法已不能滿足實際需求，又發(fā)展了小波圖像去噪、雙邊濾波等方法。這幾種方法的適用范圍與優(yōu)缺點列于表1。針對傳統(tǒng)小波閾值去噪算法的不足，從Lip指數(shù)閾值和構(gòu)造新的小波閾值函數(shù)兩個方面進行改進，通過仿真實驗例證了改進后的算法相比傳統(tǒng)方法可以更好地保留圖像的細節(jié)信息，消除更多的噪聲系數(shù)，使去噪后的圖像更加接近真實值[2]。
表1圖像降噪方法優(yōu)缺點比較Tab. of and of image noise
1.2木材缺陷圖像的增強圖像增強是將圖像轉(zhuǎn)換成更適合機器識別或者人眼觀察的一種技術(shù)，目的在于提高圖像信息的可讀取性，有選擇地突出圖像感興趣區(qū)域（ of ，ROI）的特征或者抑制圖像中不必要的特征。常采用的方法包括灰度變換增強、顏色空間變換、直方圖均衡化、Gamma校正等。灰度變換主要是針對圖像中的像素點進行處理，通過改變單個像素的灰度值進行圖像增強。灰度變換增強方式多種，其中用于圖像灰度變化的函數(shù)主要有三種：線性函數(shù)、對數(shù)函數(shù)、冪律函數(shù)。牟洪波[12]在木材無損檢測過程中采用灰度變換增強的方法處理圖像，處理后圖像的對比度明顯增強，方便了后續(xù)的特征提取工作。顏色空間是進行顏色研究的理論基礎(chǔ)，將顏色從人的主觀感受量化為具體的表達方式，為計算機記錄和表現(xiàn)顏色提供了有力的依據(jù)。顏色空間的表達形式多樣，常見的有RGB、Lab、HSV、YCrCb、HSL等。在多種顏色通道中合理選擇各組合通道并利用馬爾科夫隨機場模型，可充分利用圖像的統(tǒng)計特征，有效地實現(xiàn)木材缺陷的提取，但成本高、運算速度慢[13]。如在提取紅木類木材的紋理特征時，將預處理的RGB圖像轉(zhuǎn)換為YCrCb圖像，然后在三維空間中將紋理和底色分離，可以得到清晰連續(xù)、提取率高的紋理特征[14]。
直方圖均衡化是一種簡單高效的數(shù)字圖像增強技術(shù)，將原始圖像的直方圖變換成像素值幾乎均勻分布的形式，提高圖像的對比度。王金聰對樣本圖像進行灰度變換后繪制直方圖并進行直方均衡化，使得目標缺陷和背景的對比度更大，凸顯出目標缺陷，為分割圖像奠定了良好基礎(chǔ)[15]。Gamma校正是對圖像的Gamma曲線進行編輯，對圖像進行非線性色彩編輯的一種方法，檢出圖像信號中深色部分和淺色部分，使兩者比例增大，提高對比度。Inho等[16]基于優(yōu)化Gamma校正參數(shù)估計方法提出了一種微光圖像增強算法，計算速度更快且性能增強，在一定程度上解決了圖像受光線影響的問題。2木材缺陷圖像的分割木材圖像分割是基于數(shù)字圖像的木材缺陷識別基礎(chǔ)，將目標或者感興趣區(qū)域從圖像中分離出來，得到相應(yīng)的邊緣，以便于后續(xù)的目標識別[17]。木材圖像分割的傳統(tǒng)方法有閾值分割法、邊緣檢測法、基于區(qū)域的圖像分割法[18]、基于特定理論的圖像分割法。各種算法針對不同木材缺陷的分割性能、分割精度各有不同，表2列出了這些方法的優(yōu)缺點。為了獲得最佳的分割效果，應(yīng)根據(jù)缺陷及木材種類的不同，靈活地選擇分割方法。
表2木材缺陷圖像的分割方法比較Tab. of the of wood
2.1基于閾值分割的木材缺陷圖像分割閾值分割是利用圖像背景和目標在灰度值上差異，通過計算得到的灰度閾值與圖像像素點按灰度級進行分類，從而實現(xiàn)目標與背景的分離，這是圖像分割中的經(jīng)典方法。木材缺陷圖像閾值分割常用的方法有最大類間方差法（OTSU）、迭代閾值分割法、局部閾值分割法等。閾值分割法在精確識別木材缺陷的應(yīng)用上具有操作簡單、計算量小、魯棒性高的優(yōu)點，被廣泛地應(yīng)用在多個領(lǐng)域，是最基本的分割技術(shù)之一。采用最大間類方差法與數(shù)學形態(tài)學結(jié)合的方法，對木材缺陷圖像進行分割，可以得到清晰連貫的缺陷邊緣，提高圖像的準確性和可視性[19]。等[20]利用YIQ顏色空間和閾值分割方法對大黃楊木材圖像進行分割，獲得了較好的分割效果。然而，與所有其他全局閾值算法一樣，OTSU算法也有局限性。針對OTSU算法對噪聲非常敏感，先對缺陷圖像進行凸優(yōu)化（ ，CO）預處理后，再進行OTSU分割，對比未經(jīng)預處理的圖像具有更精確分割結(jié)果[21]。WANG等[22]則提出了一種木材缺陷檢測的新方法，先利用光譜殘差法計算缺陷區(qū)域的顯著性，對圖像中缺陷區(qū)域進行粗略定位，然后通過OTSU閾值分割實現(xiàn)木材表面缺陷的精確定位與分割，最后對二值圖像進行數(shù)學形態(tài)學分析；試驗結(jié)果表明，該方法能有效地解決現(xiàn)有基于閾值的分割方法存在的過分割問題。
LUO等[23]針對全局和傳統(tǒng)局部閾值分割算法不能有效地解決木材缺陷圖像背景不均勻下的分割問題，提出了一種基于局部閾值算法的圖像二值化優(yōu)化算法，該算法能有效提高復雜背景下圖像分割的能力。2.2基于邊緣分割的木材缺陷圖像分割邊緣部分集中了圖像大部分的信息，邊緣的確定和提取對整個圖像的識別至關(guān)重要。邊緣分割是圖像分割的一種重要方式，根據(jù)圖像邊緣處的灰度值不連續(xù)，檢測像素及鄰域像素的灰度值變化，通過求導數(shù)來檢測是否屬于邊緣點。經(jīng)典的邊緣分割算子包括：Sobel邊緣檢測算子、Canny邊緣檢測算子、算子、算子、LoG算子、DoG算子等。利用、Sobel、Canny、LoG等多種不同邊緣檢測方法處理木材缺陷圖像，可以加強感興趣區(qū)域的紋理特征，有利于后續(xù)的特征提取[24]。等[25]設(shè)計了一種檢測系統(tǒng)，用SUSAN邊緣檢測方法對正常無缺陷木材和帶有節(jié)子或裂紋的缺陷木材進行分類，研究共使用350張圖像，正常和缺陷木材圖像各175張，訓練集采用50張圖像（正常和缺陷木材圖像各25張），測試集采用300張圖像（正常和缺陷木材圖像各150張），檢測準確度和檢測用時分別為90.67%和2.5 s。
2.3基于區(qū)域分割的木材缺陷圖像分割區(qū)域分割法是對圖像區(qū)域進行分割的一類算法，該方法與邊緣分割法類似，都利用了目標與背景的灰度分布的相似性。區(qū)域分割法有兩種基本形式：一種是區(qū)域生長法，該方法的原理是在需要分割的木材缺陷圖像區(qū)域找到一組能夠代表目標區(qū)域的初始種子像素作為生長起點，并根據(jù)某種生長準則進行篩選，然后將種子像素周圍鄰域中符合條件的像素合并到種子像素所在的區(qū)域中，直到再沒有滿足條件的像素被合并為止；另一種是區(qū)域分裂合并法，相當于是區(qū)域生長的逆過程，該方法的原理是從整個木材缺陷圖像出發(fā)，不斷分裂成若干個互不相交的子區(qū)域，再按照某種一致性準則合并或者分裂區(qū)域，最后實現(xiàn)分割。但在實際應(yīng)用中，區(qū)域分割法對背景紋理復雜的缺陷圖像不能準確定位缺陷輪廓，存在過分分割問題，導致分割效果較差，尚需改進其不足[26]。2.4基于特定理論的木材缺陷圖像分割隨著木材缺陷圖像分割技術(shù)的深入研究和不斷改進，木材缺陷圖像分割任務(wù)出現(xiàn)了很多特定理論和算法，為圖像分割提供了新的思路[27]。常用的分割理論方法有：遺傳算法、形態(tài)學理論、活動輪廓模型等。由于特定理論的方法較多，本文僅介紹使用頻率較高的兩種方法。1）C-V模型：由Chan和Vese等[28]簡化-Shah模型后得到的區(qū)域最優(yōu)化分的圖像分割模型的簡稱。
該模型具備全局優(yōu)化特點，不涉及梯度信息，假設(shè)目標與背景是各自同質(zhì)區(qū)域，通過計算全局能量函數(shù)最小化來演化邊界線[29]，在面積項和長度項的共同影響下，使運動曲線接近目標區(qū)域的邊緣[30]。程玉柱等[31]提出了一種分數(shù)階C-V模型的圖像分割算法，能有效提取木材缺陷目標，性能比傳統(tǒng)模型更高。2）LBF模型：是通過改進C-V模型得到的，由于C-V模型只適用于待分割目標區(qū)域與背景灰度值均勻的圖像，而在日常應(yīng)用中灰度值均勻的圖像幾乎不存在。為了更有效準確地分割圖像，LI等在2008年提出了局部二值擬合主動輪廓模型（LBF模型）[32]。傳統(tǒng)LBF模型存在弱邊緣分割不理想的問題，有學者研究改進了傳統(tǒng)LBF模型，應(yīng)用傳統(tǒng)LBF模型與改進算法對樹木圖像做分割試驗，通過改進參數(shù)，并進行多組試驗證明了改進LBF模型的優(yōu)越性[33]。3木材缺陷圖像的特征提取與融合完成木材缺陷圖像分割后，要對提取出的缺陷部分進行特征描述，計算缺陷的特征描述，這對于提高缺陷識別分類的準確度十分重要。描述木材缺陷的特征有三類：顏色、幾何形狀、紋理特征。3.1基于顏色的木材缺陷圖像特征提取顏色特征是一種全局特征，可以描述木材缺陷圖像所對應(yīng)物體表面信息的特征。
由于顏色特征對圖像的方向、尺寸等變化不敏感，即使圖像經(jīng)過旋轉(zhuǎn)和平移變換也不會影響特征的提取，因此常作為特征點，用于圖像的分析。但由于顏色易受光源變化的影響及顏色特征不能很好地捕捉木材缺陷圖像中的局部特征，該類方法的適用范圍較小。常用的顏色模型有：HSV、RGB、HSI、LAB等；色彩特征描述方法有：顏色直方圖、顏色集、顏色矩陣、顏色聚合向量和顏色相關(guān)圖等。利用該方法，SONG等[42]提出了一種基于圖像塊百分位數(shù)顏色直方圖和特征向量紋理特征分類的木材表面缺陷自動檢測方法，能有效地檢測木材表面缺陷，尤其是節(jié)子缺陷。3.2基于幾何形狀的木材缺陷圖像特征提取幾何形狀特征是圖像感興趣區(qū)域（ROI）中以幾何特征和形狀特征為主的特征，大部分圖像提取之前，首先要對其進行分割和二值化處理[43]。常用的幾何形狀特征提取方法有：傅里葉描述子、方向梯度直方圖（ of ，HOG）特征、尺度不變特征變換（scale ，SIFT）和Hu不變矩等。木材缺陷復雜多樣且有些特征相似，使得缺陷的區(qū)分成為難點。
苑瑋琦等[44]就此問題利用變尺度高斯擬合基本模型，將圓度和邊緣直線度這兩個幾何特征以及高斯融合特征輸入分類器訓練，對不同缺陷的識別準確度均有提高。趙乾[45]在木材表面缺陷圖像特征描述上提取了3個灰度特征、6個幾何形狀特征和7個矩特征，利用極限學習機并結(jié)合算法改進分類器，識別取得了較好的結(jié)果。加速穩(wěn)健特征（-up ，SURF）算法是對SIFT算法的改進，執(zhí)行效率與實時計算能力均得到提高。針對木材表面的死節(jié)、孔洞、裂紋等缺陷的識別，有學者提出了一種基于詞袋模型的木材表面缺陷檢測方法，應(yīng)用了SURF算法提取木材表面缺陷圖像的特征，再通過聚類方法生成提取的特征，結(jié)果表明，用該方法提取的特征有較好的識別效果，平均識別率可達94%以上[46]。3.3基于紋理的木材缺陷圖像特征提取紋理特征是一種全局特征，描述木材缺陷圖像中所對應(yīng)物體的表面性質(zhì)。紋理特征具有旋轉(zhuǎn)不變性，且具有較強的抗噪聲能力，因此常用于木材缺陷圖像的特征描述。常用的紋理特征的提取方法主要有灰度共生矩陣（Gray-level co- ，GLCM）、局部二值法（local ，LBP）、馬爾可夫隨機場（ Field）模型、紋理等。
XIE等[47]結(jié)合紋理和GLCM兩種方法的優(yōu)點，對由多種木材制作成的缺陷樣本庫進行識別：以紋理作為輸入特征，最高識別率為90.67%；以GLCM作為輸入特征，最高識別率為91.33%；當以混合特征參數(shù)作為輸入特征，最高識別率為92.67%bp神經(jīng)網(wǎng)絡(luò)原理及其在字符 1 識別中的應(yīng)用，算法的準確性和魯棒性令人滿意。ZHANG等[48]提取圖像的LBP紋理特征，采用BP神經(jīng)網(wǎng)絡(luò)對木材缺陷進行識別，識別率可達93%，表明LBP紋理算法提高了木材缺陷特征的提取精度。在對LBP的研究上，等[49]以多種不同木材的缺陷作為分類樣本，分別采用基本LBP和旋轉(zhuǎn)不變LBP、均勻LBP和旋轉(zhuǎn)不變均勻LBP作為輸入特征，使用不同的分類器進行評估，試驗數(shù)據(jù)顯示均勻LBP在木材缺陷的分類中有最高的分類精度。GLCM也被不斷地研究和改進，王清濤等[[50]改進灰度共生矩陣用于提取木材多重特征值對木材進行分類，與傳統(tǒng)的GLCM相比，識別率平均提高了11%。等[51]通過大量的研究，獲得了能夠高效分類木材缺陷的最優(yōu)步距和灰度級量化參數(shù)：當采用步距為2，灰度級量化成128級的特征集分類精度最高；為了節(jié)省計算時間，灰度級量化成32級，此時的特征集在分類精度方面同樣表現(xiàn)出良好的性能。
3.4基于木材缺陷圖像的特征融合特征提取完成了從圖像空間到特征空間的轉(zhuǎn)變，但并不是所有提取的木材缺陷特征信息對識別分類都有用，特征信息過多造成特征維度增高，導致識別分類的精確度降低甚至發(fā)生“維度災難”，這時就要進行特征融合。常用方法有主成分分析（ ，PCA）和線性判別分析（ ，LDA）。以PCA為例，木材缺陷圖像的特征融合過程如圖1所示。
圖1PCA特征融合的流程Fig.1PCA of 等[52]首先用LDA對采集的木材圖像中的缺陷特征信息進行降維處理，再利用設(shè)計壓縮傳感器對活節(jié)、死節(jié)和裂紋進行識別，特征融合和識別分類的平均時間為0.446 ms，識別分類的準確率為94%。徐梓敬等[53]對數(shù)據(jù)進行PCA處理，提取出有用的數(shù)據(jù)，并利用GA優(yōu)化SVM中的權(quán)值和閾值對木材缺陷進行識別，對木材孔洞、腐朽和節(jié)子的總體識別率達到94.55%。為了提高整體的性能和后續(xù)識別的準確度，研究通常采用多種特征提取方法相結(jié)合的方式。郭慧等[54]針對刨花板表面紋理導致缺陷提取不準確問題，提出一種基于GLCM和分層聚類的特征提取方法；JI等[55]在分類試驗中采用了基于Hu不變矩、小波矩和BP神經(jīng)網(wǎng)絡(luò)的木材缺陷特征提取方法；羅薇等[56]采用LBP和HOG特征融合的方式，對融合特征降維后采用支持向量機進行分類。對于不同類型的缺陷進行針對性地特征提取，各種特征提取方法的特點匯總于表3。采用不同的特征提取方法相結(jié)合的方式，具有更高效、準確的識別性能。
表3木材缺陷圖像的特征提取和融合方法對比Tab. of and of wood
4木材缺陷圖像的識別分類在圖像識別分類中，機器學習分類器是木材缺陷分類最常用的一種方法，最常用的機器學習分類器有支持向量機（ ，SVM）和神經(jīng)網(wǎng)絡(luò)（ ，NNs）。等[60]首先提出將支持向量機方法用于手寫字符的識別，研究成果一經(jīng)發(fā)表得到了廣大研究者的關(guān)注，為SVM的應(yīng)用提供了廣闊的前景。SVM是一種強大的機器學習工具，能解決分類和非線性函數(shù)逼近問題，并能很好地生成泛化不可見數(shù)據(jù)的模型，用于圖像分類方面效果顯著，但樣本數(shù)據(jù)較多時，SVM的效率會大大降低，還存在訓練速度慢和需要選擇合適的核函數(shù)等缺點。SVM的識別流程如圖2所示。
圖2SVM算法識別木材缺陷的流程Fig. of wood by SVM 馬旭[61]等選擇KPCA法對木材缺陷樣本數(shù)據(jù)進行降維處理后，通過SVM進行分類識別，經(jīng)過大量試驗確定了參數(shù)，并得出多項式核是一個符合木材分類的核函數(shù)，并與BP-RBF混合神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等方法的對比結(jié)果顯示，SVM在木材缺陷識別的方法應(yīng)用中具有較高的精度且多次試驗偏差極小。神經(jīng)網(wǎng)絡(luò)的基本原理就是把輸入向量按照一定規(guī)則進行變換，得到輸出向量，在輸入數(shù)據(jù)與輸出數(shù)據(jù)之間建立一種映射關(guān)系。他是一種模擬人腦運行和組織機制，實現(xiàn)人工智能的機器學習技術(shù)，具有自學、容錯、并行等功能，且能充分逼近復雜的非線性關(guān)系，但也存在需要大量參數(shù)、訓練時間長、泛化能力差以及識別率低等缺點。常用的神經(jīng)網(wǎng)絡(luò)模型有BP神經(jīng)網(wǎng)絡(luò)、RBP神經(jīng)網(wǎng)絡(luò)和SOM等。雖然新的模式識別方法層出不窮，但神經(jīng)網(wǎng)絡(luò)在識別正確率和識別速度上仍然具有較高水平，可滿足于實際生產(chǎn)[36]。Kamal等[62]利用BP神經(jīng)網(wǎng)絡(luò)作為分類器，對基于灰度共生矩陣和基于紋理能量度量的特征識別分類性能相比較，分別取得了90.5%和84.3%的識別效果。
YU等[63]選擇落葉松（Larix ）作為試驗材料，對活節(jié)、死節(jié)、孔洞和裂縫的光譜信息進行主成分分析得到主成分向量，利用BP神經(jīng)網(wǎng)絡(luò)模型進行判別，準確率達92.0%。5結(jié)語基于數(shù)字圖像的木材缺陷識別在自動化與智能化生產(chǎn)中得到了越來越多的重視和應(yīng)用，與人工識別相比不僅具有快速、準確、成本低等優(yōu)點，而且能提高木材加工企業(yè)的經(jīng)濟效益和生產(chǎn)效率。數(shù)字圖像處理技術(shù)必將是未來研究和發(fā)展的主要方向，目前基于數(shù)字圖像的木材缺陷識別在理論研究和工業(yè)實際應(yīng)用等環(huán)節(jié)均有突破性的成果，但仍存在問題和難點，需在以下幾方面加快發(fā)展。1）針對木材缺陷圖像的采集，現(xiàn)有的多數(shù)采集系統(tǒng)易受到光照、環(huán)境及噪聲等多種因素影響，造成圖像的光量信息分布不均。構(gòu)建一個穩(wěn)定、可靠、魯棒的木材缺陷檢測系統(tǒng)，提高采集木材圖像的質(zhì)量，降低外界因素的干擾，是木材缺陷識別的基礎(chǔ)。2）木材缺陷的種類繁多且背景復雜，給木材缺陷圖像的分割和特征提取帶來困難，圖像識別技術(shù)特別依賴圖像的分割及特征的提取，針對不同種類的缺陷及背景，需要應(yīng)用不同的分割提取算法。提高算法的泛化能力，是木材缺陷識別技術(shù)的關(guān)鍵。3）在工業(yè)實際應(yīng)用中，需要收集大量的數(shù)據(jù)進行分析尋找規(guī)律，大數(shù)據(jù)集無疑會為應(yīng)用提供豐富的信息，但也會導致冗余信息增多、特征空間維度升高。從海量特征數(shù)據(jù)中提取重要的缺陷特性，同時避免丟失過多信息bp神經(jīng)網(wǎng)絡(luò)原理及其在字符 1 識別中的應(yīng)用，是實現(xiàn)木材缺陷準確識別的重點。4）當前的圖像識別技術(shù)，盡管許多優(yōu)秀的算法不斷出現(xiàn)，識別的準確度仍然不滿足實際需求。如何構(gòu)建算法簡單、識別率高、魯棒性強的圖像處理及分析算法，解決準確度與實時性及模糊特征與準確識別之間的矛盾，是未來研究要突破的難點。
引用本文：丁安寧,賀春光,多化瓊等.基于數(shù)字圖像的木材缺陷識別研究進展[J].木材科學與技術(shù),2022,36(01):9-16.(DING An-ning,HE Chun-guang,DUO Hua-qiong,et al. of Wood Based on [J]. of Wood and ,2022,36(01):9-16.)
作者簡介：丁安寧，內(nèi)蒙古農(nóng)業(yè)大學，碩士。