复杂地面车辙识别试验与验证

复杂地面车辙识别试验与验证 Test and verification of rut recognition on complex ground 1 first-author 薛 龙（1977-），男，辽宁本溪人，博士，副教授，硕士生导师，2017年于吉林大学获得博士学位，主要从事地面力学、仿生科学、智能农机等方面的研究。E-mail： ultimata@163.com http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=41466752&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=41466758&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=41466755&type= 22.01333237 32.00400543 薛 龙 （1977-），男，辽宁本溪人，博士，副教授，硕士生导师，2017年于吉林大学获得博士学位，主要从事地面力学、仿生科学、智能农机等方面的研究。E-mail： ultimata@163.com ultimata@163.com 1 2 2 3 1 corresp E-mail： lijing3815@163.com E-mail： lijing3815@163.com 黎 静（1978-），女，江西宜春人，博士，副教授，硕士生导师，2014年于中国农业大学获得博士学位，主要从事智能农机、机器视觉等方面的研究。E-mail：lijing3815@163.com http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=41466761&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=41466783&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=41466779&type= 22.01332855 32.00399780 黎 静 （1978-），女，江西宜春人，博士，副教授，硕士生导师，2014年于中国农业大学获得博士学位，主要从事智能农机、机器视觉等方面的研究。E-mail： lijing3815@163.com lijing3815@163.com 江西农业大学 工学院，江西 南昌 330045 江西农业大学 工学院，江西 南昌 330045 School of Engineering， Jiangxi Agricultural University， Nanchang 330045， China School of Engineering， Jiangxi Agricultural University， Nanchang 330045， China 中国空间技术研究院 北京空间飞行器总体设计部，北京 100094 中国空间技术研究院 北京空间飞行器总体设计部，北京 100094 Institute of Spacecraft System Engineering，China Academy of Space Technology， Beijing 100094，China Institute of Spacecraft System Engineering，China Academy of Space Technology， Beijing 100094，China 吉林大学 工程仿生教育部重点实验室，吉林 长春 130022 吉林大学 工程仿生教育部重点实验室，吉林 长春 130022 Key Laboratory for Bionics Engineering of Education Ministry， Jilin University， Changchun 130022， China Key Laboratory for Bionics Engineering of Education Ministry， Jilin University， Changchun 130022， China 火星表面地形地貌复杂，为了保证火星车行驶安全，需要对巡视器周边土壤的图像信息进行判别和分类。首先，根据试验场地和图像信息等对图像进行预处理，建立鸟瞰图像。接着，以鸟瞰图像为基础建立图像块并建立数据集，建模集和预测集分别包含315组和135组数据。然后，在划分的数据集基础上建立神经网络模型，并对数据进行训练和分类。最后，根据得到的分类模型对图像进行分类，得到感兴趣区域。分类结果表明：应用ResNet50得到的模型其建模集和预测集的分类准确率分别为75.56%和81.48%。该方法可实现巡视器周边地表类型的分类，并提取图像的感兴趣区域，以便实现更为精准的判别，可用于实现火星车通过性感知、风险预测和路径规划，为未来智能星球车移动系统研制和探测提供理论和技术支持。 The geomorphological characterization of Mars is complex. Therefore， to ensure the safe driving of rover， it is essential to understand the surface state around the rover through images captured by on-board digital cameras. The images are first preprocessed using stereo vision to create an aerial view， which is then divided into equal-sized blocks. Next， calibration and prediction datasets are created， containing 315 and 135 datapoints， respectively. Based on these datasets， a neural network model is developed. Finally， the image is classified using the resulting classification model to identify the region of interest. The results of the classification show that its accuracy on the calibration and prediction datasets using ResNet50 is 75.56% and 81.48%， respectively. This method can help researchers characterize the surface types around UGVs and identify the regions of interest that may provide more valuable information from the images. It can also be used for traversability prediction， risk assessment， and automatic path planning. 火星车 通过性 车辆地面力学 机器视觉 滑转率 Mars rover trafficability terramechanics computer vision slip ratio 1 引 言 1 火星地表复杂多变，除了其表面覆盖的松散星壤，还遍布着石块、陨石坑及沙丘，使得火星车（Mars Rover）面临高滑转、易沉陷的威胁，这不仅导致了火星车机动性能降低，使其无法到达预定位置，甚至会导致火星车沉陷，失去移动能力，并最终导致任务的失败。火星车的机动性能不仅与车辆外形、车轮形状有关，还与地表障碍物、地形和星壤的特性有关。了解星壤的特性，主要是其物理力学参数，对火星车的路径规划、通过性评估及风险预测和脱困都有十分重要的意义。 由于发射有效载荷的限制，目前火星车都没有配备专用测量火星壤力学参数的设备，因此无法实时准确地获得火星壤的力学参数。使用火星车携带的相机，并结合地面力学知识，通过火星车触土部件与火星壤相互作用留下的痕迹，特别是火星车车轮在火星表面留下的车辙，可以对火星车轮下及周边火星壤的特性进行估计 ［ 1 1 ］ ，例如火星壤的内聚力、内摩擦角、车轮沉陷和滑转率。滑转率是火星车车轮与火星壤相互作用留下的痕迹，受到不同火星壤类型的影响其变化范围非常大，是影响火星车机动性能的一个重要的参数。因此在进入某一特定区域或进行路径规划前，通过对滑转率信息进行预判可以避免火星车进入危险区域，导致车辆滑转率过大而陷入火星地表 ［ 2 2 ］ 。火星车在复杂的火星地表条件下的探测过程中，图像是了解巡视器周边土壤信息最直接也是最方便获取的资源 ［ 3 3 - 4 4 3-4 ］ ，通过火星车采集的车辙图像获得车辙信息及地形地貌信息 ［ 4 4 ］ ，然后综合获取的信息作为输入变量，通过大量的地面及在轨试验数据并结合机器学习的方法对滑转率进行预测 ［ 5 5 - 6 6 5-6 ］ ，可以使地面控制人员在确保巡视器行驶安全的前提下，完成科学探测任务。但是，对海量图像数据的辨别和处理通常是通过人工判断，这种方法既费时又费力，而且对判别人员的要求也非常高。利用车辙图像信息，通过图像分类、深度学习和语义分割等方法把地面图像按照石块、车辙和未扰动地面等类型进行分割 ［ 7 7 ］ ，这不仅可以有效避免人为选择的误差，还可以降低劳动强度，并从海量的信息中提取有效数据 ［ 8 8 ］ 。 本文主要是应用车载导航相机采集的火星车前方和后方的地表图像，并经过图像变换，然后应用卷积神经网络（Convolutional Neural Network ，CNN）实现图像的训练和判别，并对图像中的石块、车辙和土壤建立分割图像。 2 材料与方法 1 2.1　试验设备 2 模型火星车行走系统大小是与实际火星车按照1∶1设计的，其悬架为新型的主动悬架移动系统 ［ 9 9 ］ （Active Suspension System）。悬架系统包含6个车轮，车轮直径和轮宽分别为300 mm和200 mm，轮刺高度和个数分别为10 mm和20个，轮刺间距为47.1 mm，材料为铝合金，如 图1 图1 所示。通过增加配重，模型火星车的总质量及其每个车轮的轮上载荷与实际火星车保持一致，行驶测控系统与实际火星车行驶测控系统一致，并且可以获得每个车轮的驱动电机电流和整车的位姿信息。该模型火星车的图像采集系统由云台和双目相机组成，两个相机的间距是256 mm，应用标准的9×12黑白标定板采集标定图像，然后对两个相机的内参和外参进行标定，图像的像素尺寸为1 944×2 592。相机距离地面为1.0 m，与地面的水平夹角是12.5°。 试验地点在吉林大学土槽实验室，该试验场地长、宽分别为24 m和2.5 m。铺设JLU Mars-3模型火星壤（Martian Simulant Regolith），对应的中值粒径为700 μm，按松软（Soft）状态和自然（Normal）状态两种方式进行整备和铺设，对应的容重分别是1.12 g/cm 3 和1.24 g/cm 3 。 2.2　试验过程与数据预处理 2 为了获取不同滑转率的车辙图像，设定移动平台的理论速度为200 m/h，并在模型火星车后方加载不同的挂钩牵引力，当小车行驶时同时记录车轮旋转圈数和实际的行驶距离，并根据 <math id="M1"><mi>s</mi><mo>=</mo><mfenced separators="|"><mrow><msub><mrow><mi>V</mi></mrow><mrow><mi mathvariant="normal">T</mi></mrow></msub><mo>-</mo><mi>V</mi></mrow></mfenced><mo>/</mo><msub><mrow><mi>V</mi></mrow><mrow><mi mathvariant="normal">T</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=41466798&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=41466795&type= 28.61733437 3.97933316 计算得到滑转率 <math id="M2"><mi>s</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=41466804&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=41466801&type= 1.26999998 2.79399991 ，其中 <math id="M3"><msub><mrow><mi>V</mi></mrow><mrow><mi mathvariant="normal">T</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=41466812&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=41466809&type= 4.65666676 3.80999994 为车轮实际旋转圈数与小车理论速度计算得到的理论行驶距离， V 为实际行驶距离。 根据车载的双目视觉系统，对左目相机采集的图像进行变换。在前方距离相机0~4 m，左右两端距离为3 m的范围内建立鸟瞰视图，得到鸟瞰图大小为1 637×2 242 pixels。选取鸟瞰图中的特征区域并裁剪，提取像素块的大小为1 000×1 000 pixels，接着进行直方图均衡化，最后为了调高神经网络模型的训练数据对图像进行等比缩小，缩小的比例尺为0.5，因此得到的最终建模图像大小为500×500 pixels，具体过程见 图2 图2 。 图3 图3 为经过预处理后的图像，其中 图3 图3 （a）为无扰动图像，即整备后的地貌，在松软的地表布置三块大小不同的岩石； 图3 图3 （b）为扰动后图像，即模型火星车行驶后的地貌，可见地表也分布不同大小的岩石。 对图像进行网格划分，网格的大小是50×50 pixels，根据对应网格中的每一小块图像所包含的内容分别划分不同的类别，主要为Rut、Rock和Sand三类。根据这三个类别建立每个图像块对应标签，为了减少训练时间并考虑每种类别参与训练的平衡性，按照每种类别150个的数据量随机选择用于建立建模集和预测集的图像，因此共有450个数据。建模集与预测集按照70%和30%的比例随机划分，具体的数据量见 表1 表1 。 数据集 类别 数量 合计 3 建模集 Rut 105 3 315 Rock 105 Sand 105 3 预测集 Rut 45 3 135 Rock 45 Sand 45 通过迁移学习，本文设定的类别为3类，预训练网络为Resnet50，特征层为fc1000，MiniBatchSize设置为30，文中所用代码均应用MATLAB处理。 3 分类结果 1 应用Resnet50神经网络模型对建模集和预测集进行预测，预测的准确率分别为75.56%和81.48%。 图4 图4 为预测集的预测结果，可见图像块中有两个Rock被分别误判为Rut和Sand；有12个Rut被误判为Sand；有11个Sand被误判为Rut，对应三个类别的准确率分别为95.6%、73.3%和75.6%。 图5 图5 为从预测集中随机选择的8副图像块预测结果，图中“预测”表示该网络模型预测的结果，“实际”表示该图像块真实的标记类别，其中3号和6号图像块数据被误判为“Sand”，4号图像块被误判为“Rut”。 对每个图像块进行类别分类后，按照图像块在原图像中的编号位置和所占像素的大小，分别用三种不同的颜色作为半透明的掩膜附着在原图像上，如 图6 图6 所示。可见， 图6 图6 （a）为包含车辙的扰动图像，即模型火星车的后方视野，对靠近模型火星车的车辙识别较为准确，而且判断的图像块可以形成完整的车辙痕迹； 图6 图6 （b）为不包含车辙的图像，即模型火星车前方视野，可见有少量图像块被误判为车辙，而且分布的较为分散。另外，从 图6 图6 中可以看出两个图片中均把石块的位置准确判别出来。通过该方法可将原始图像前后方地表进行分类，并提取区块的感兴趣区域，以便实现更为精准的判别。 4 讨 论 1 火星车作为火星探测的主要载体是人类智慧的结晶，其上包含多种传感器用来“感知”火星车的“健康”状态，因此充分利用这些车载数据是火星车通过性能研究的发展方向。这些车载数据大体可以划分为两种类型，一种为图像数据，一种为传感器数据。图像数据主要通过车载导航相机和避障相机获取，并且根据图像数据可以获取火星车周边的全景图和数字地图，主要包括车辙痕迹、火星车周边沙丘的坡度、石块大小及分布，这些数据代表了火星壤的强度。除了光学相机采集地表图像外，还可以利用热敏相机对地表成像，并根据热惯量法预测火星壤的力学参数 ［ 10 10 - 11 11 10-11 ］ 。传感器数据主要包括火星车上各种电机的驱动电流、车体位姿和车载机械臂的位置信息等，这些数据对应着火星车车轮的驱动能力、火星车所在位置的坡度及各轮的轮上载荷以及机械臂采样过程中末端执行器的位置，因此通过车轮或采样铲这些直接与火星壤相互接触的触土部件为研究对象，并结合地面力学知识也可以对火星壤的力学参数进行预测 ［ 12 12 - 13 13 12-13 ］ 。 将这些车载数据作为通过性判断的主要信息源，通过深度学习、语义分割、数理统计等方法 ［ 14 14 - 15 15 14-15 ］ ，将滑转率、沉陷深度、扭矩、轮上载荷、坡度、姿态角作为训练模型的输入参数，建立星球车通过性实时预测模型，并输出通过性判断矩阵，然后结合采集的图像信息对火星车的行驶和避障提供参考。 5 结 论 1 本文应用Resnet50为预训练模型网络，将采集的图像变换为鸟瞰视图，并进行图像增强预处理，然后将图像划分为等大小的图像块，并根据图像块包含的内容，将图像分为Rut、Rock和Sand三个类别，并建立对应的标签数组。接着，随机选择450个图像数据，每个类别150组数据，按照7∶3的比例建立建模集和预测集，并训练预测模型。经过训练得到的建模集和预测集的准确率分别为75.56%和81.48%，可见该方法具有较好的可行性。然后，将每个图像块的判断的类别与原图像融合，建立识别图像，实现图像感兴趣区域的划分。最后，对火星车通过性判断理论和技术进行梳理和展望，提出充分利用车辙痕迹、驱动电机电流和车体位姿作为输入参数，并结合深度学习、语义分割和数理统计等方法，然后通过地面火星车的验证试验，建立火星车通过性模型。 参考文献 薛龙 ， 党兆龙 ， 陈百超 ， 等 . 地面力学在火星壤力学参数估计研究中的进展与展望 ［J］. 宇航学报 ， 2020 ， 41 （ 2 ）： 136 - 146 . 地面力学在火星壤力学参数估计研究中的进展与展望 XUE L ， DANG Z L ， CHEN B C ， et al . Advances and prospects of Martian soil parameter identification based on terramechanics ［J］. Journal of Astronautics ， 2020 ， 41 （ 2 ）： 136 - 146 . （in Chinese） Advances and prospects of Martian soil parameter identification based on terramechanics ARVIDSON R E ， BELL J F I ， BELLUTTA P ， et al . Spirit Mars Rover Mission： overview and selected results from the northern Home Plate Winter Haven to the side of Scamander crater ［J］. Journal of Geophysical Research： Planets ， 2010 ， 115 （ E7 ）： E00 F 03 . doi: 10.1029/2010je003633 http://dx.doi.org/10.1029/2010je003633 Spirit Mars Rover Mission： overview and selected results from the northern Home Plate Winter Haven to the side of Scamander crater 郑燕红 ， 邓湘金 ， 顾征 ， 等 . 嫦娥五号月面表取采样点选择 ［J］. 光学 精密工程 ， 2021 ， 29 （ 12 ）： 2935 - 2943 . doi: 10.37188/OPE.20212912.2935 http://dx.doi.org/10.37188/OPE.20212912.2935 嫦娥五号月面表取采样点选择 ZHENG Y H ， DENG X J ， GU Z ， et al . Lunar surface sampling point selection of Chang'E 5 ［J］. Opt. Precision Eng. ， 2021 ， 29 （ 12 ）： 2935 - 2943 . （in Chinese） . doi: 10.37188/OPE.20212912.2935 http://dx.doi.org/10.37188/OPE.20212912.2935 Lunar surface sampling point selection of Chang'E 5 黄敬涛 ， 王晓东 ， 孙振亚 ， 等 . 天问一号高分相机火表复杂照度下自动调光成像电路设计 ［J］. 光学 精密工程 ， 2022 ， 30 （ 2 ）： 191 - 198 . doi: 10.37188/OPE.20223002.0191 http://dx.doi.org/10.37188/OPE.20223002.0191 天问一号高分相机火表复杂照度下自动调光成像电路设计 HUANG J T ， WANG X D ， SUN Z Y ， et al . Design of auto-exposure imaging circuit under complex illuminance of Mars in Tianwen-1 high-resolution camera ［J］. Opt. Precision Eng. ， 2022 ， 30 （ 2 ）： 191 - 198 . （in Chinese） . doi: 10.37188/OPE.20223002.0191 http://dx.doi.org/10.37188/OPE.20223002.0191 Design of auto-exposure imaging circuit under complex illuminance of Mars in Tianwen-1 high-resolution camera GONZALEZ R ， CHANDLER S ， APOSTOLOPOULOS D . Characterization of machine learning algorithms for slippage estimation in planetary exploration rovers ［J］. Journal of Terramechanics ， 2019 ， 82 ： 23 - 34 . doi: 10.1016/j.jterra.2018.12.001 http://dx.doi.org/10.1016/j.jterra.2018.12.001 Characterization of machine learning algorithms for slippage estimation in planetary exploration rovers MA H ， YANG H ， LI Q Z ， et al . A geometry-based slip prediction model for planetary rovers ［J］. Computers & Electrical Engineering ， 2020 ， 86 ： 106749 . doi: 10.1016/j.compeleceng.2020.106749 http://dx.doi.org/10.1016/j.compeleceng.2020.106749 A geometry-based slip prediction model for planetary rovers 刘维 ， 徐珺楠 ， 金玳冉 ， 等 . 基于CNN-SPGD算法的相干光通信像差校正方法研究 ［J］. 光学 精密工程 ， 2022 ， 30 （ 6 ）： 743 - 754 . doi: 10.37188/OPE.20223006.0743 http://dx.doi.org/10.37188/OPE.20223006.0743 基于CNN-SPGD算法的相干光通信像差校正方法研究 LIU W ， XU J N ， JIN D R ， et al . Research on aberration correction method of coherent optical communication based on CNN-SPGD algorithm ［J］. Opt. Precision Eng. ， 2022 ， 30 （ 6 ）： 743 - 754 . （in Chinese） . doi: 10.37188/OPE.20223006.0743 http://dx.doi.org/10.37188/OPE.20223006.0743 Research on aberration correction method of coherent optical communication based on CNN-SPGD algorithm 刘可佳 ， 马荣生 ， 唐子木 ， 等 . 采用优化卷积神经网络的红外目标识别系统 ［J］. 光学 精密工程 ， 2021 ， 29 （ 4 ）： 822 - 831 . doi: 10.37188/OPE.20212904.0822 http://dx.doi.org/10.37188/OPE.20212904.0822 采用优化卷积神经网络的红外目标识别系统 LIU K J ， MA R S ， TANG Z M ， et al . Design of infrared target recognition system with optimized convolutional neural network ［J］. Opt. Precision Eng. ， 2021 ， 29 （ 4 ）： 822 - 831 . （in Chinese） . doi: 10.37188/OPE.20212904.0822 http://dx.doi.org/10.37188/OPE.20212904.0822 Design of infrared target recognition system with optimized convolutional neural network 袁宝峰 ， 王成恩 ， 邹猛 ， 等 . 火星车主动悬架设计及蠕动脱困策略 ［J］. 吉林大学学报（工学版） ， 2021 ， 51 （ 1 ）： 154 - 162 . doi: 10.13229/j.cnki.Jdxbgxb20200604 http://dx.doi.org/10.13229/j.cnki.Jdxbgxb20200604 火星车主动悬架设计及蠕动脱困策略 YUAN B F ， WANG C G ， ZOU M ， et al . Design active suspension system and creeping control strategy for Mars rover of China ［J］. Journal of Jilin University （Engineering and Technology Edition） ， 2021 ， 51 （ 1 ）： 154 - 162 . （in Chinese） . doi: 10.13229/j.cnki.Jdxbgxb20200604 http://dx.doi.org/10.13229/j.cnki.Jdxbgxb20200604 Design active suspension system and creeping control strategy for Mars rover of China GONZÁLEZ R ， LÓPEZ A ， IAGNEMMA K . Thermal vision， moisture content， and vegetation in the context of off-road mobile robots ［J］. Journal of Terramechanics ， 2017 ， 70 ： 35 - 48 . doi: 10.1016/j.jterra.2017.01.001 http://dx.doi.org/10.1016/j.jterra.2017.01.001 Thermal vision， moisture content， and vegetation in the context of off-road mobile robots PIQUEUX S ， CHRISTENSEN P R . A model of thermal conductivity for planetary soils： 1. Theory for unconsolidated soils ［J］. Journal of Geophysical Research： Planets ， 2009 ， 114 （ E9 ）： E09005 . doi: 10.1029/2008je003308 http://dx.doi.org/10.1029/2008je003308 A model of thermal conductivity for planetary soils： 1. Theory for unconsolidated soils XUE L ， LI J Q ， ZOU M ， et al . In situ identification of shearing parameters for loose lunar soil using least squares support vector machine ［J］. Aerospace Science and Technology ， 2016 ， 53 ： 154 - 161 . doi: 10.1016/j.ast.2016.03.018 http://dx.doi.org/10.1016/j.ast.2016.03.018 In situ identification of shearing parameters for loose lunar soil using least squares support vector machine DING L ， GAO H B ， LIU Z ， et al . Identifying mechanical property parameters of planetary soil using in situ data obtained from exploration rovers ［J］. Planetary and Space Science ， 2015 ， 119 ： 121 - 136 . doi: 10.1016/j.pss.2015.09.003 http://dx.doi.org/10.1016/j.pss.2015.09.003 Identifying mechanical property parameters of planetary soil using in situ data obtained from exploration rovers RINGDAHL O ， HELLSTRÖM T ， WÄSTERLUND I ， et al . Estimating wheel slip for a forest machine using RTK-DGPS ［J］. Journal of Terramechanics ， 2012 ， 49 （ 5 ）： 271 - 279 . doi: 10.1016/j.jterra.2012.08.003 http://dx.doi.org/10.1016/j.jterra.2012.08.003 Estimating wheel slip for a forest machine using RTK-DGPS LI W H ， LIU Z ， GAO H B ， et al . Soil parameter modification used for boosting predictive fidelity of planetary rover's slippage ［J］. Journal of Terramechanics ， 2014 ， 56 ： 173 - 184 . doi: 10.1016/j.jterra.2014.10.001 http://dx.doi.org/10.1016/j.jterra.2014.10.001 Soil parameter modification used for boosting predictive fidelity of planetary rover's slippage 10.37188/OPE.20233105.0581 TP391.4 TH691.9 A 1004-924X（2023）05-0581-07 薛龙,李澜,党兆龙等.复杂地面车辙识别试验与验证[J].光学精密工程,2023,31(05):581-587. 薛龙,李澜,党兆龙等.复杂地面车辙识别试验与验证[J].光学精密工程,2023,31(05):581-587. XUE Long,LI Lan,DANG Zhaolong,et al.Test and verification of rut recognition on complex ground[J].Optics and Precision Engineering,2023,31(05):581-587. XUE Long,LI Lan,DANG Zhaolong,et al.Test and verification of rut recognition on complex ground[J].Optics and Precision Engineering,2023,31(05):581-587. 国家自然科学基金项目（No.51865018）；江西省自然科学基金项目（No.20192BAB206025） 2022-06-06 2022-07-26 2023-03-10 2023-03-22 光学精密工程 5 31