EN中文

自然资源遥感 >

2025 , Vol. 37 >Issue 2: 49 - 55

DOI: https://doi.org/10.6046/zrzyyg.2023332

技术方法

级联改进DexiNed和DeepLabv3+网络的坡耕地提取

  • 刘超兵 , 1 ,
  • 甘淑 , 1, 2 ,
  • 袁希平 3, 4 ,
  • 尚华胜 1
展开
  • 1.昆明理工大学国土资源工程学院,昆明 650093
  • 2.云南省高校高原山区空间信息测绘技术应用工程研究中心,昆明 650093
  • 3.滇西应用科技大学地球科学与工程学院,大理 671006
  • 4.云南省高校山地实景点云数据处理及应用重点实验室,大理 671006
甘 淑(1964-),女,博士,教授,主要研究方向为摄影测量与遥感。Email: 。

刘超兵(1999-),男,硕士研究生,主要研究方向为三维激光点云技术应用。Email: 。

Copy editor: 张仙

收稿日期: 2023-11-03

  修回日期: 2024-04-02

  网络出版日期: 2026-06-03

基金资助

国家自然科学基金项目“禄丰环状构造的UAV数字地貌建模及地表特征测量模拟分析”(62266026)

收起

Extracting the information on sloping arable land based on improved DexiNed and DeepLabv3+ networks in a cascade connection

  • LIU Chaobing , 1 ,
  • GAN Shu , 1, 2 ,
  • YUAN Xiping 3, 4 ,
  • SHANG Huasheng 1
Expand
  • 1. School of Land Resources Engineering, Kunming University of Science and Technology, Kunming 650093, China
  • 2. Application Engineering Research Center of Spatial Information Surveying and Mapping Technology in Plateau and Mountainous Areas Set by Universities in Yunnan Province, Kunmin 650093,China
  • 3. School of Earth Sciences and Engineering, West Yunnan University of Applied Sciences, Dali 671006, China
  • 4. Key Laboratory of Mountain Real Scene Point Cloud Data Processing and Application for Universities in Yunnan Province, Dali 671006, China

Received date: 2023-11-03

  Revised date: 2024-04-02

  Online published: 2026-06-03

Fold

摘要

丘陵山地区域耕地细小狭窄、结构复杂且边界模糊,使得耕地信息难以迅速、准确地获取。针对上述问题,提出一种级联改进DexiNed和DeepLabv3+网络的坡耕地信息提取模型。首先,采用MobileNetv2替换原有的Xception模型作为DeepLabv3+模型主干网络,并提出一种联系较为紧密的低层次信息提取方法,将较低层次信息和较高层次信息初步融合来作为原低层次信息的输入; 其次,将原DeepLabv3+模型空洞空间金字塔池化(atrous spatial pyramid pooling,ASPP)模块的空洞率值优化为空洞率值分别为2,4,8,16的空洞卷积操作; 最后,采用级联边缘检测技术实现耕地地块边缘和语义特征的互联互通。该文以GF-2影像为数据源,云南禄丰恐龙谷为试验区进行耕地提取。实验结果表明,通过改进后的模型架构和算法,能更准确地识别耕地区域,提取结果与真实耕地标注的图像更为接近,漏提和误提区域减少,整体精度和稳定性提高。

关键词： 耕地信息提取; 边缘检测; DeepLabv3+; 丘陵山地

本文引用格式

刘超兵 , 甘淑 , 袁希平 , 尚华胜 . 级联改进DexiNed和DeepLabv3+网络的坡耕地提取[J]. 自然资源遥感, 2025 , 37(2) : 49 -55 . DOI: 10.6046/zrzyyg.2023332

Abstract

Arable land in hilly and mountainous areas exhibits small, narrow, and complex structures with blurred boundaries, posing challenges in extracting arable land information quickly and accurately. Hence, this study proposed a model for extracting the information on sloping arable land based on improved DexiNed and DeepLabv3+ networks in a cascade connection. First, the backbone network of the DeepLabv3+ model uses MobileNetV2 to replace the original Xception model. A closely related low-level information extraction method preliminarily fuses the lower- and higher-level information as the input of the original low-level information. Second, the original atrous spatial pyramid pooling (ASPP) module of the DeepLabv3+ model is optimized through dilated convolution, with dilation rate values of 2, 4, 8, and 16. Third, cascaded edge detection technology enables the interconnection of arable land edges and semantic features. The proposed model was applied to extract information on arable land in the Lufeng Dinosaur Valley in Yunnan Province using the GF-2 image as the data source. The results show that the proposed model with an improved architecture and algorithm identified the arable land more accurately, with the extraction results closely matching the image with real arable land annotated. With reduced extraction missing and errors, the proposed model exhibits enhanced accuracy and stability overall.

Key words： extraction of arable land information; edge detection; DeepLabv3+; hilly and mountainous areas

0 引言

耕地作为人类生存和发展的基石,其实时、动态监测在农业生产中具有举足轻重的地位[1-2]。随着卫星遥感技术的发展,现已能够获取高分辨率、长时间序列等卓越的遥感图像,为广泛区域耕地信息的精准提取和高效利用提供了强有力的数据保障[3-4]。传统的耕地信息提取方法往往存在精度不高、信息获取周期长等问题[5]。随着遥感技术的不断进步,我国平原地区已逐步解决了上述问题,耕地分类成果日益显著[6]。而丘陵山区地形起伏较大,耕地零星分布且细小狭长,边界模糊不清,种植作物多样,这为遥感耕地信息提取工作带来了严峻挑战[7-8]。
近年来,随着大数据、云计算和服务器的快速发展,众多研究者将深度学习方法应用于遥感影像分类领域,并取得了卓越的研究成果[9]。通过卷积神经网络训练大量样本数据,自动学习提取主要特征,实现自动化信息提取,无须人工涉及且对于复杂多变的情况具有更好的鲁棒性,在耕地信息提取研究中取得了很好的效果[10]。刘巍等[11]根据地理空间异质性特征,使用了整体嵌套边缘检测(holistically-nested edge detection,HED)[12],更丰富的卷积特征(richer convolutional features,RCF)[13],D_LinkNet[14]和Inception[15]等多模型组合的耕地形态信息提取方法。但由于山区空间异质性高,地理区块划分存在难度,特别是小片区块中分布着不同类型的耕地,如规则耕地与梯田、坡耕地与林间耕地之间的区别不明显,导致误提、漏提率提升,且多模型组合会增加提取的工作量。因此,为了进一步提高耕地提取的精度,改进丘陵山区耕地的深度学习提取模型成为了一种有效的解决方案。Xia等[16]提出了一种用于农田地块提取的深度边缘引导方法,分别用U-Net[17]和RCF模型提取农田的边缘和属性信息。虽然此方法可以将从自然图像中学习的边缘特征和语义特征应用于与其相似的场景,但可能不适用于其他具有区域异质性的场景,如丘陵山区GF-2影像的耕地提取。Liu等[18]设计了一种由U-Net和DeepLabv3+并行的网络结构(Field Seg-DA),用于从GF-2号遥感影像中提取单个田块信息; Zhu等[19]采用了DeepLabv3+深度学习模型来进行语义分割,运用GF-2和BJ-2遥感影像成功提取了广西武明市的甘蔗田信息。然而,DeepLabv3+在模型推理过程中,耕地边缘与语义特征之间的耦合性不强,在面对边界狭窄、边界模糊等复杂场景时,模型无法实现有效特征融合,并忽略了地块的结构化特征,导致提取结果的准确性不够理想。
随着对复杂地形耕地信息提取的研究,模型参数日益庞大,且不易搭建,因此本文采用轻量级的MobileNetv2主干网络结构替换原有的Xception模型从而保持较小模型体积和快速推理速度,为了深层次的挖掘耕地信息特征,将MobileNetv2网络低级特征和高级特征经过卷积和上采样先提取出来,进行第一次融合作为浅层特征,并将原DeepLabv3+模型空洞空间金字塔池化(atrous spatial pyramid pooling,ASPP)模块的空洞率值优化为2,4,8和16,最后引入边缘检测技术实现耕地地块边缘和语义特征的互联互通,解决“特征孤岛”问题提高提取精度。

1 研究区概况及数据源

1.1 研究区概况

如图1所示,本文选取的研究区域位于云南省楚雄彝族自治州禄丰市恐龙谷, 103°32'~103°45'E, 24°57'~25°12'N, 多年平均气温为19.5 ℃,年平均降水量为650 mm。耕地类型较为复杂,地形起伏较大,山峦环绕,形成了独特的地貌特征; 耕地种植面积较小且地块边界很不规则,种植的作物类型复杂众多,导致光谱类型极为复杂,存在“同物异谱”和“同谱异物”的现象,传统方法的识别难度大[20]。
图1 研究区域

Fig.1 Research area

1.2 试验数据

本文使用了2020年3月13日的中国禄丰恐龙谷GF-2遥感影像作为训练数据。GF-2卫星是由中国航天科技集团公司研发的遥感卫星,于2016年6月5日成功发射,是我国首颗高分辨率商业遥感卫星,该卫星配备了2台高分辨率相机(全色1 m、多光谱4 m),具备米级空间分辨率、高定位精度和敏捷姿态控制等特性[21]。GF-2号卫星的遥感数据在环境保护、精准农业、地质勘查、土地利用监测以及森林资源变动调查等领域具有广泛应用。

1.3 图像标注

本研究将样本数据采集区域分为训练集和测试集。在训练集区域,笔者裁剪了800张512像素×512像素的图像,其中包括500张耕地目标图像和300张非耕地目标图像。为了优化模型训练效果,对样本进行了对称、旋转和颜色转换等数据增强操作,最终得到了1 200张4×512×512的训练数据。而在测试集数据采集区域,裁剪出150张512像素×512像素的图像作为测试数据,用于评估模型精度。训练数据和测试数据是从不同的区域获取的,它们之间没有交集。采用野外实地考察与图像目视解译相结合的方法,借助地理信息系统(geographic information system,GIS)软件对耕地样本进行勾画,从而获得了耕地分布范围的真实参考依据。使用于训练的标签数据是一个二值图,其中耕地像素值为1,非耕地像素值为0。图2展示了所得到的耕地分布范围的真实参考示例。
图2 标签示例

Fig.2 Label examples

2 研究方法

2.1 改进DeepLabv3+模型

如图3所示,本研究使用MobileNetv2[22]网络代替Xception[23]网络作为主干网络,从而提高网络的特征提取性能。为了获得更丰富的特征信息,对MobileNetv2网络的低层次和高层次特征进行提取,并对不同尺寸和通道数的特征图进行卷积和上采样处理,实现第一次特征融合,作为浅层特征。此外,为了增强对小目标的狭长耕地提取能力,对原始DeepLabv3+网络中的空间金字塔池化模块进行了优化。将原模块中空洞率分别为6,12,18的空洞卷积改为空洞率分别为2,4,8,16的空洞卷积操作。在各个分支中,特征信息经过1×1的卷积层融合后,通过解码层4倍上采样,恢复至与低层次分级特征信息相同的高和宽特征尺度。将其与从主干网络提取的低层次分级特征信息进行融合,并采用3×3的卷积细化特征层。最后,通过双线性插值法4倍上采样,将图像大小恢复至输入图像的原始尺寸。
图3 改进的DeepLabv3+模型

Fig. 3 Improved DeepLabv3+ model

在MobileNetv2网络架构中,引入了逆残差结构以优化信息流。通过1×1卷积对输入特征图进行扩维,随后应用3×3深度可分离卷积进行特征提取,并以1×1卷积完成降维,这样设计的目的是在ReLU非线性激活函数作用下减少特征信息的损失。图4揭示了MobileNetv2如何有效抽取特征图的底层及顶层信息。根据特征图的尺寸和通道数变化,相应的卷积和上采样策略被用于处理不同层级的信息,进而实现初步的特征合并。这不仅提升了模型抽取复杂特征的能力,而且为进一步与ASPP模块融合的特征处理奠定了基础。
图4 MobileNetv2网络模块操作

Fig.4 MobileNetv2 network module operation

表1展示了MobileNetV2网络模块的详细操作流程,由8个分阶段的步骤组成,展现了清晰的逻辑顺序和分层结构。从对输入图像的卷积部分开始计算,初始步幅设置为2,随后连续执行8个阶段的瓶颈层步骤,其重复频次依次为1,2,3,4,3,3,1。
表1 MobileNetv2网络模块参数

Tab.1 Parameters of MobileNetv2 network module

输入 操作 通道数 瓶颈层重
复次数		 步幅
512×512×3 卷积 32 1 2
256×256×32 瓶颈层 16 1 1
256×256×16 瓶颈层 24 2 2
128×128×24 瓶颈层 32 3 2
64×64×32 瓶颈层 64 4 2
32×32×64 瓶颈层 96 3 1
32×32×96 瓶颈层 160 3 2
16×16×160 瓶颈层 — 1 1

2.2 边缘检测模型

简化的DexiNed[24]网络结构如图5所示,灰色部分结构包含1个普通卷积模块和5个多层残差卷积模块。每个卷积模块都采用多分支输出方式,主分支输出耕地边缘特征信息,作为下一个卷积模块的输入。分支输出通过一个上采样模块生成的耕地边缘特征传递到语义分割模型中,实现面特征和线特征的互联互通。DexiNed网络具有密集的网络层,6个模块之间有特征叠加操作,增强了模块间的联系; 同时,上下模块之间采用1×1的逐点卷积,通过有效的残差连接叠加上层数据,增强了对上层数据特征提取的能力。上采样模块包含正反卷积的子模块条件叠加而成,在网络特征提取过程中起到了关键作用,将所有上采样模块提取的边缘特征进行连接,融合每层学习的结果,形成包含所有卷积层的边缘信息映射。虽然DexiNed在耕地边缘提取任务中表现出色,但这是基于其庞大的参数量,为了优化边缘提取网络结构,本文对DexiNed进行了简化,保留了其前5个主要模块,使模型参数从35.2×106减少到30.4×106,相较于原始网络减少了13.6%。改进后的网络结构如图5的红色虚线框所示。
图5 DexiNed模型结构

Fig.5 DexiNed model structure

2.3 级联网络模型

如图6所示,先进行耕地边缘提取,再将提取到的边缘特征加入到语义分割。连接方式为将Dexi-Ned第二模块得出的特征和第一个瓶颈层进行加法操作,第二、三、四、五模块分别与第三、四、五、六个瓶颈层进行加法连接,每步连接得出的特征作为低级特征输出,最后的输出作为高级特征进入ASPP模块。本文使用了一系列的卷积和上采样操作,以逐步恢复特征图的大小和通道数,并结合跳跃连接和融合操作,将低层次的特征图与高层次的特征图进行融合,以保留更多的细节信息; 再将边缘信息和原影像输入改进的DeepLabv3+模型,进行耕地纹理提取。本文使用编码-解码结构的网络,通过多层卷积和池化操作逐步减少特征图的大小和通道数,以提取图像的语义信息。
图6 级联模型网络

Fig.6 Cascade model network

3 实验结果与分析

3.1 模型训练环境

为了训练深度学习模型,本文使用了i7-13620H处理器、64.0GB内存和NVIDIA GeForce RTX 4060 Laptop GPU作为硬件平台,并使用PyTorch框架搭建了模型。在模型训练阶段,笔者采用Adam进行优化,学习率为1×10-6,学习率衰减方式为Co-sine AnnealingLR,损失函数为交叉熵损失函数,训练每迭代10次衰减一次,迭代次数设置为100次,保证充分拟合。

3.2 耕地提取结果分析

为了验证本文方法的优越性性,分别与原始DeepLabv3+模型、级联边缘检测和原始DeepLabv3+(级联未改进模型)在同样的训练参数和验证集下进行训练,其预测结果如表2所示。由表2可知,原始DeepLabv3+和级联未改进模型在山地区耕地漏提情况严重,导致整体分类结果与标签图相差较大。本文方法的山地区耕地提取结果与标签图在整体趋势上有较高吻合度,准确性较高。3种方法都受到“椒盐”噪声干扰,通过改进DeepLabv3+模型有效降低了这些噪声,提高了图斑的连续性、整洁度和准确性,漏提像素明显减少。在狭长地块的提取方面,本文方法明显优于对比的2种方法,耕地信息提取更完整。如表3所示,在山地区,级联改进模型的误提率比级联未改进模型提升0.28%,比DeepLabv3+模型提升0.50%; 漏提率比级联未改进模型提升2.03%,比DeepLabv3+模型提升2.74%。
表2 山地区耕地提取结果对比分析图

Tab.2 Comparative analysis of cultivated land extraction results in mountainous areas

序号 遥感图像 真实标注 本文方法 级联未
改进方法		 DeepLabv3+
方法		 本文方法
提取结果		 级联未改
进提取结果		 DeepLabv3+
提取结果
1
2
3
图例
表3 山地区耕地误提、漏提面积统计表

Tab.3 Misextraction and omitting of cultivated land in mountainous areas

山地区 真实耕地
面积/ hm2		 误提面
积/hm2		 误提
率/%		 漏提面
积/ hm2		 漏提
率/%
级联改进模型 340.19 28.44 8.36 23.61 6.94
级联未改进模型 29.39 8.64 30.51 8.97
DeepLabv3+模型 30.48 8.96 32.93 9.68

4 结论

本研究针对丘陵山地的高分辨率GF-2影像,采用级联边缘检测和改进的DeepLabv3+语义分割模型实现了复杂丘陵山地耕地地块信息的高效提取。实验结果显示:
1)本文方法在山地区耕地提取方面具有较高的准确性和完整性,优于原始DeepLabv3+和级联未改进模型。
2)改进DeepLabv3+模型能有效缓解复杂地形对耕地提取结果的影响,提高图斑连续性、整洁度和准确性。
3)本文方法在狭长地块提取效果更佳,降低了误提、漏提现象。
综上所述,级联改进的DeepLabv3+模型在提取耕地信息方面取得了显著的成果和成效,其高精度和性能优势可为农业管理和土地利用规划提供重要的决策支持。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
吴炳方, 张峰, 刘成林, 等. 农作物长势综合遥感监测方法[J]. 遥感学报, 2004, 8(6):498-514.

Wu B F, Zhang F, Liu C L, et al. An integrated method for crop condition monitoring[J]. Journal of Remote Sensing, 2004, 8(6):498-514.

[2]
陈仲新, 任建强, 唐华俊, 等. 农业遥感研究应用进展与展望[J]. 遥感学报, 2016, 20(5):748-767.

Chen Z X, Ren J Q, Tang H J, et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. Journal of Remote Sensing, 2016, 20(5):748-767.

[3]
史舟, 梁宗正, 杨媛媛, 等. 农业遥感研究现状与展望[J]. 农业机械学报, 2015, 46(2):247-260.

Shi Z, Liang Z Z, Yang Y Y, et al. Status and prospect of agricultural remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2):247-260.

[4]
刘大伟, 韩玲, 韩晓勇. 基于深度学习的高分辨率遥感影像分类研究[J]. 光学学报, 2016, 36(4):0428001.

Liu D W, Han L, Han X Y. High spatial resolution remote sensing image classification based on deep learning[J]. Acta Optica Sinica, 2016, 36(4):0428001.

[5]
张新长, 黄健锋, 宁婷. 高分辨率遥感影像耕地提取研究进展与展望[J]. 武汉大学学报(信息科学版), 2023, 48(10):1582-1590.

Zhang X C, Huang J F, Ning T. Progress and prospect of cultivated land extraction from high-resolution remote sensing images[J]. Geomatics and Information Science of Wuhan University, 2023, 48(10):1582-1590.

[6]
熊曦柳, 胡月明, 文宁, 等. 耕地遥感识别研究进展与展望[J]. 农业资源与环境学报, 2020, 37(6):856-865.

Xiong X L, Hu Y M, Wen N, et al. Progress and prospect of cultivated land extraction research using remote sensing[J]. Journal of Agricultural Resources and Environment, 2020, 37(6):856-865.

[7]
李爱农, 边金虎, 张正健, 等. 山地遥感主要研究进展、发展机遇与挑战[J]. 遥感学报, 2016, 20(5):1199-1215.

Li A N, Bian J H, Zhang Z J, et al. Progresses,opportunities,and challenges of mountain remote sensing research[J]. Journal of Remote Sensing, 2016, 20(5):1199-1215.

[8]
周楠, 杨鹏, 魏春山, 等. 地块尺度的山区耕地精准提取方法[J]. 农业工程学报, 2021, 37(19):260-266.

Zhou N, Yang P, Wei C S, et al. Accurate extraction method for cropland in mountainous areas based on field parcel[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(19):260-266.

[9]
Dong S, Wang P, Abbas K. A survey on deep learning and its applications[J]. Computer Science Review, 2021, 40:100379.

[10]
Ma L, Liu Y, Zhang X, et al. Deep learning in remote sensing applications:A meta-analysis and review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 152:166-177.

[11]
刘巍, 吴志峰, 骆剑承, 等. 深度学习支持下的丘陵山区耕地高分辨率遥感信息分区分层提取方法[J]. 测绘学报, 2021, 50(1):105-116.

DOI

Liu W, Wu Z F, Luo J C, et al. A divided and stratified extraction method of high-resolution remote sensing information for cropland in hilly and mountainous areas based on deep learning[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(1):105-116.

DOI

[12]
Xie S, Tu Z. Holistically-nested edge detection[C]// 2015 IEEE International Conference on Computer Vision (ICCV).Santiago,Chile.IEEE, 2015:1395-1403.

[13]
Zhao W D, Zhang Y, Zhang D D, et al. Refined edge detection model based on RCF[J]. Journal of Measurement Science and Instrumentation, 2024, 15(2):195-203.

[14]
Zhou L, Zhang C, Wu M. D-LinkNet:LinkNet with pretrained encoder and dilated convolution for high resolution satellite imagery road extraction[C]// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW).Salt Lake City,UT,USA.IEEE, 2018:192-1924.

[15]
Ronneberger O, Fischer P, Brox T. U-net:Convolutional networks for biomedical image segmentation[C]// International Conference on Medical Image Computing and Computer-Assisted Intervention. Cham:Springer, 2015:234-241.

[16]
Xia L, Luo J, Sun Y, et al. Deep extraction of cropland parcels from very high-resolution remotely sensed imagery[C]// 2018 7th International Conference on Agro-Geoinformatics (Agro-geoinformatics). Hangzhou,China.IEEE, 2018:1-5.

[17]
Diao Z, Guo P, Zhang B, et al. Maize crop row recognition algorithm based on improved UNet network[J]. Computers and Electronics in Agriculture, 2023, 210:107940.

[18]
Liu S, Liu L, Xu F, et al. A deep learning method for individual arable field (IAF) extraction with cross-domain adversarial capabi-lity[J]. Computers and Electronics in Agriculture, 2022, 203:107473.

[19]
Zhu M, Yao M, He Y, et al. Studies on high-resolution remote sensing sugarcane field[J]. IOP Conference Series: Earth and environmental science, 2019, 237: 32046.

[20]
高莎, 袁希平, 甘淑, 等. 基于无人机成像点云的禄丰恐龙谷南缘环状地貌空间特征探测实验分析[J]. 地质科技通报, 2021, 40(6):283-292.

Gao S, Yuan X P, Gan S, et al. Experimental analysis of spatial feature detection of the ring geomorphology at the south edge of Lufeng Dinosaur Valley based on UAV imaging point cloud[J]. Bulletin of Geological Science and Technology, 2021, 40(6):283-292.

[21]
陈佳俊. 基于GF-2卫星影像的川东丘陵地区耕地信息提取[D]. 成都: 成都理工大学, 2017.

Chen J J. Extraction of cultivated land information in hilly area of East Sichuan based on GF-2 satellite image[D]. Chengdu: Chengdu University of Technology, 2017.

[22]
Sandler M, Howard A, Zhu M, et al. MobileNetV2:Inverted residuals and linear bottlenecks[C]// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City,UT,USA.IEEE, 2018:4510-4520.

[23]
Chollet F. Xception:Deep learning with depthwise separable convolutions[C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Honolulu,HI,USA.IEEE, 2017:1800-1807.

[24]
Soria X, Sappa A, Humanante P, et al. Dense extreme inception network for edge detection[J]. Pattern Recognition, 2023, 139:109461.

Options
文章导航

/

〈 〉