技术摘要：
本申请提出一种车道线识别方法、装置和设备，所述方法包括：获取预设摄像头拍摄的待处理图像；将待处理图像输入预设图像复原模型进行处理，生成复原图像；对复原图像进行识别，获取当前车辆与车道线的位置信息。由此，通过预先训练的预设图像复原模型对采集的图像进行  全部
背景技术：
通过，为了提高驾驶安全性，可以通过获取车辆前方道路图像进行车道线识别辅 助驾驶。 然而，在雨天或大雾天时，上述方式的车道线识别率减小，无法判断是否偏离车道 线；或者是交通拥堵以及车道线损坏等原因，往往造成车道线遮挡严重，出现车道线视角局 限，导致识别不佳的情况，同时，白天采集数据时也会出现强炫光的情况；另外，在其他时间 例如夜晚，由于光线等原因也会出现识别效果不佳的情况，以及夜晚在对面行驶车辆使用 远光灯时也会造成强光使前视摄像头对车道线的检测出现误判的情况。 申请内容 本申请旨在至少在一定程度上解决相关技术中的技术问题之一。 为此，本申请的第一个目的在于提出一种车道线识别方法，通过预先训练的预设 图像复原模型对采集的图像进行复原处理后在进行车道线识别，大大减弱因天气、光线等 问题对车道线识别率造成影响的问题，提高车道线识别效率。 本申请的第二个目的在于提出一种车道线识别装置。 本申请的第三个目的在于提出一种电子设备。 本申请的第四个目的在于提出一种计算机可读存储介质。 为达上述目的，本申请第一方面实施例提出了一种车道线识别方法，包括：获取预 设摄像头拍摄的待处理图像；将所述待处理图像输入预设图像复原模型进行处理，生成复 原图像；对所述复原图像进行识别，获取当前车辆与车道线的位置信息。 根据本申请实施例的车道线识别方法，获取预设摄像头拍摄的待处理图像；将待 处理图像输入预设图像复原模型进行处理，生成复原图像；对复原图像进行识别，获取当前 车辆与车道线的位置信息。由此，通过预先训练的预设图像复原模型对采集的图像进行复 原处理后在进行车道线识别，大大减弱因天气、光线等问题对车道线识别率造成影响的问 题，提高车道线识别效率。 另外，根据本申请上述实施例提出的车道线识别方法还可以具有如下附加的技术 特征： 根据本申请的一个实施例，在所述将所述待处理图像输入预设图像复原模型进行 处理，生成复原图像之前，还包括：获取原始图像样本；获取所述原始图像样本对应的高频 残差图像样本和低频模糊图像样本；将所述低频模糊图像样本和所述高频残差图像样本输 入预设神经网络进行训练生成所述图像复原模型。 根据本申请的一个实施例，所述将所述待处理图像输入预设图像复原模型进行处 理，生成复原图像，包括：利用预设特征提取层提取所述待处理图像的图像特征向量；利用 预设特征复原层对所述图像特征向量进行特征复原处理生成目标特征向量；对所述目标特 4 CN 111582221 A 说　明　书 2/8 页 征向量进行反卷积处理生成所述复原图像。 根据本申请的一个实施例，所述图像特征向量为多个时，在所述利用预设特征复 原层对所述图像特征向量进行特征补全处理生成目标特征向量之前，还包括：从多个图像 特征向量获取预设数量图像特征向量；对所述预设数量图像特征向量分别进行去线性化处 理后的图像特征向量用于进行特征复原处理生成所述目标特征向量。 根据本申请的一个实施例，在所述获取当前车辆与车道线的位置信息之后，还包 括：若所述当前车辆偏移所述车道线大于预设第一阈值，则向目标设备发送报警信息；或， 若所述当前车辆偏移所述车道线大于预设第二阈值，则控制目标方向盘按照预设拒转工 作；其中，所述第二阈值大于所述第一阈值。 为达到上述目的，本申请第二方面实施例提出了一种车道线识别装置，包括：第一 获取模块，用于获取预设摄像头拍摄的待处理图像；生成模块，用于将所述待处理图像输入 预设图像复原模型进行处理，生成复原图像；处理模块，用于对所述复原图像进行识别，获 取当前车辆与车道线的位置信息。 根据本申请实施例的车道线识别装置，获取预设摄像头拍摄的待处理图像；将待 处理图像输入预设图像复原模型进行处理，生成复原图像；对复原图像进行识别，获取当前 车辆与车道线的位置信息。由此，通过预先训练的预设图像复原模型对采集的图像进行复 原处理后在进行车道线识别，大大减弱因天气、光线等问题对车道线识别率造成影响的问 题，提高车道线识别效率。 为达到上述目的，本申请第三方面实施例提出了一种电子设备，包括：存储器、处 理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述 程序时，实现上述的车道线识别方法。 本申请实施例的电子设备，通过执行上述的车道线识别方法，通过预先训练的预 设图像复原模型对采集的图像进行复原处理后在进行车道线识别，大大减弱因天气、光线 等问题对车道线识别率造成影响的问题，提高车道线识别效率。 为达到上述目的，本申请第四方面实施例提出了一种计算机可读存储介质，其上 存储有计算机程序，该程序被处理器执行时实现上述的车道线识别方法。 本申请实施例的计算机可读存储介质，通过执行上述的车道线识别方法，通过预 先训练的预设图像复原模型对采集的图像进行复原处理后在进行车道线识别，大大减弱因 天气、光线等问题对车道线识别率造成影响的问题，提高车道线识别效率。 本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本申请的实践了解到。 附图说明 本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得 明显和容易理解，其中： 图1是根据本申请实施例的车道线识别方法的流程图； 图2是根据本申请实施例的车道线识别方法的流程图； 图3是根据本申请实施例的车道线识别方法的流程图； 图4是根据本申请实施例的车道线识别装置的方框示意图； 5 CN 111582221 A 说　明　书 3/8 页 图5是根据本申请实施例的车道线识别装置的方框示意图； 图6是根据本申请实施例的电子设备的方框示意图。
技术实现要素：
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。 下面参考附图描述本申请实施例的车道线识别方法、装置和设备。 图1是根据本申请实施例的车道线识别方法的流程图。 如图1所示，本申请实施例的车道线识别方法可包括以下步骤： S101，获取预设摄像头拍摄的待处理图像。 在实际应用中，可以通过安装在当前车辆上各个位置的一个或者多个预设摄像头 获取一张或者多张待处理图像，可以根据场景需要进行选择设置，比如车道线损坏、交通拥 堵的场景，或者是夜晚、下雨等场景。 在本申请实施例中，待处理图像指的是摄像头获取的图像，因为本申请主要解决 的是因天气、光线等问题对图像中的车道线识别率造成影响的问题，尤其指的是摄像头获 取的车道线模糊的图像作为待处理图像。 S102，将待处理图像输入预设图像复原模型进行处理，生成复原图像。 S103，对复原图像进行识别，获取当前车辆与车道线的位置信息。 进一步地，将将待处理图像输入预设图像复原模型进行处理，生成复原图像，本申 请中的复原图像指的是车道线清晰的图像。 其中，图像复原模型是预先基于大量样本进行深度学习生成的，即输入为低频模 糊图像输出可以为高频残差图像。 为了本领域人员更加清楚如何生成，具体参见图2包括： 步骤201，获取原始图像样本。 步骤202，获取原始图像样本对应的高频残差图像样本和低频模糊图像样本。 具体地，获取原始图像样本，每一原始图像样本具有对应的高频残差图像样本和 低频模糊图像样本，可以理解的是，包括有多组高频残差图像样本和低频模糊图像样本，低 频模糊图像样本指的是具有像素损失区域的图像，高频残差图像样本指的是原始图像(车 道线清晰的图像)，且原始图像不具有像素损失区域。 步骤203，将低频模糊图像样本和高频残差图像样本输入预设神经网络进行训练 生成图像复原模型。 进一步地，通过将高频残差图像样本和低频模糊图像样本输入预设神经网络(比 如卷积神经网络、循环神经网络等)进行训练生成图像复原模型，更具体地，预设特征提取 层网络提取低频模糊图像样本的图像样本特征向量和高频残差图像样本的原始特征向量， 接着通过特征复原层对图像样本特征进行复原并与原始特征向量比较，通过损失函数不断 优化训练结果生成图像复原模型。 由此，在训练图像复原模型时，使用原始图片样本进行训练，而不是增强后图片进 行训练，最大程度上保留了图片的原始信息，充分利用深度学习强大的特征提取能力，达到 6 CN 111582221 A 说　明　书 4/8 页 提高车道线能够被准确识别的目的。 因此，可以通过将待处理图像输入预设图像复原模型进行处理，生成复原图像，作 为一种可能实现方式，利用预设特征提取层提取待处理图像的图像特征向量，利用预设特 征复原层对图像特征向量进行特征复原处理生成目标特征向量，对目标特征向量进行反卷 积处理生成复原图像。 最后，对复原图像进行识别，获取当前车辆与车道线的位置信息，也就是，当前车 辆是否在车道线内或者车道线外等情况。 综上所述，根据本申请实施例的车道线识别方法，获取预设摄像头拍摄的待处理 图像；将待处理图像输入预设图像复原模型进行处理，生成复原图像；对复原图像进行识 别，获取当前车辆与车道线的位置信息。由此，通过预先训练的预设图像复原模型对采集的 图像进行复原处理后在进行车道线识别，大大减弱因天气、光线等问题对车道线识别率造 成影响的问题，提高车道线识别效率。 图3是根据本申请实施例的车道线识别方法的流程图。 如图3所示，本申请实施例的车道线识别方法可包括以下步骤： 步骤301，获取预设摄像头拍摄的待处理图像。 在实际应用中，可以通过安装在当前车辆上各个位置的一个或者多个预设摄像头 获取一张或者多张待处理图像，可以根据场景需要进行选择设置，比如车道线损坏、交通拥 堵的场景，或者是夜晚、下雨等场景。 在本申请实施例中，待处理图像指的是摄像头获取的图像，因为本申请主要解决 的是因天气、光线等问题对图像中的车道线识别率造成影响的问题，尤其指的是摄像头获 取的车道线模糊的图像作为待处理图像。 步骤302，利用预设特征提取层提取待处理图像的图像特征向量。 步骤303，利用预设特征复原层对图像特征向量进行特征复原处理生成目标特征 向量。 步骤304，对目标特征向量进行反卷积处理生成复原图像。 具体地，在对待处理图像进行复原时，一般包括两个过程，特征提取以及特征复 原，可以理解的是自然图像有其固有特性，图像中的一部分的统计特征与其他部分的统计 特征是相同的，这意味着能够将这一部分学习到的特征用在另一部分上。 也就是说，在对具有像素损失区域的待处理图像进行复原时，就能够使用待处理 图像上未存在像素损失的区域的统计特征，重构像素损失区域的统计特征，然后，基于待处 理图像上未存在像素损失的区域的统计特征，和为像素损失区域重构的统计特征进行特征 复原，进而得到待进一步进行车道线识别的复原图像。 在本申请实施例中，预设特征提取层用于进行特征提取，预设特征复原层进行特 征复原，且特征提取层和特征复原层可以是一层或者多层，通常情况下为多层。 具体地，以卷积神经网络为例，本申请通过深度学习网络直接对原始的低分辨率 图像(待处理图像)进行操作，因此，卷积核大小可以选小一点，设置为5×5，将待处理图像 输入特征提取层，使用特征提取层对待处理图像进行特征学习，并将指定特征提取层提取 的图像特征向量保存。 其中，使用特征提取层对待处理图像进行特征学习，针对待处理图像，每一层特征 7 CN 111582221 A 说　明　书 5/8 页 提取层均能获得一个图像特征向量，获取的图像特征向量的数量与特征提取层的数量是一 致的，然后将指定特征提取层的图像特征向量进行保存。 基于上述描述，图像特征向量为多个时，在利用预设特征复原层对图像特征向量 进行特征补全处理生成目标特征向量之前，还包括：从多个图像特征向量获取预设数量图 像特征向量，对预设数量图像特征向量分别进行去线性化处理后的图像特征向量用于进行 特征复原处理生成目标特征向量。 举例而言，通过应用1×1的卷积核进行降维，减少网络的参数，降低计算复杂度， 通过多层特征提取层对待处理图像进行特征学习，每一层都学习到待处理图像中的一些特 征。 可以理解的是，特征提取层越靠前，该特征提取层为待处理图像提取的图像特征 向量也就越接近于待处理图像的原始特征向量；该特征提取层所学习到待处理图像的特征 中，各个特征元素更多表征待处理图像中不同区域的差异。特征提取层越靠后，该特征提取 层为待处理特征提取的图像特征向量也就越远离待处理图像的原始特征向量；该特征提取 层所学习到的待处理图像的特征中，各个特征元素更多表征的是待处理图像中不同区域的 共性，因此，可以从多个图像特征向量获取预设数量图像特征向量，比如靠前的几个特征提 取层获取的图像特征向量。 还可以理解的是，可以通过去线性化，能够使识别效果表现的更好。在常规方法 中，采用的是5×5的卷积核，但是由于5×5的卷积核计算量会比较大。因此，本申请可以使 用两个串联的3×3的卷积核替代一个5×5的卷积核，同时两个串联的小卷积核需要的参数 3×3×2＝18比一个大卷积核5×5＝25的参数量要小。 本申请深度学习网络中通过m个核大小为3×3的卷积层进行串联，此时，使用特征 提取层对待处理图像进行特征学习，并在指定特征提取层提取图像特征向量并保存，另外， 还可以获取最后一层特征提取层的第一特征向量；该第一特征向量用于作为第一层特征复 原层的输入。 具体地，在利用预设特征复原层对图像特征向量进行特征复原处理生成目标特征 向量的过程中，一般低维度的特征带来的重建效果不是太好，因此，应用1×1的卷积核进行 扩维，相当于收缩的逆过程；使用特征复原层基于保存的图像特征向量对待处理图像进行 特征补全，得到待进一步进行车道线识别的复原图像，使用特征复原层基于保存的图像特 征向量对待处理图像进行特征补全，是要使用特征提取层提取出来的能够在一定程度上表 征待处理图像上不同区域之间共性的特征向量，补全待处理图像中的像素损失区域中的特 征，以得到待进一步进行车道线识别的复原图像。 最后，对目标特征向量进行反卷积处理生成复原图像，可以简单的看作是卷积层 的逆操作，如果步长为n，那么尺寸放大n倍，实现了上采样的操作。 本申请可以使用激活函数采用PReLU，损失函数仍然是均方误差，特征复原层可以 通过对第一特征向量进行反卷积处理，得到与该特征复原层对应的反卷积结果，并且在对 第一特征向量进行反卷积处理的过程，还要用指定特征提取层提取到的图像特征向量，影 响特征补全的结果，此时，使用特征复原层基于保存的图像特征向量对待处理图像进行特 征补全，得到待进一步进行车道线识别的复原图像， 也就是依次使用特征复原层对第一特征向量进行反卷积处理；并将保存的图像特 8 CN 111582221 A 说　明　书 6/8 页 征向量和指定特征恢复层的反卷积的结果叠加；基于最后一层特征恢复层的反卷积结果， 生成待进一步进行车道线识别的复原图像。 由此，基于深度学习对因外界因素影响形成的带噪声图片进行复原，以达到车道 线识别准确率提升的目的，基于现有成熟的技术，硬件成本费用不会增加的情况下，实现了 提高车道线识别准确率的功能。 综上所述，根据本申请实施例的车道线识别方法，获取预设摄像头拍摄的待处理 图像；将待处理图像输入预设图像复原模型进行处理，生成复原图像；对复原图像进行识 别，获取当前车辆与车道线的位置信息。由此，通过预先训练的预设图像复原模型对采集的 图像进行复原处理后在进行车道线识别，大大减弱因天气、光线等问题对车道线识别率造 成影响的问题，提高车道线识别效率。 基于上述描述，为了进一步提高驾驶的安全性和用户驾驶体验，在获取当前车辆 与车道线的位置信息之后，若当前车辆偏移车道线大于预设第一阈值，则向目标设备发送 报警信息；或者是若当前车辆偏移车道线大于预设第二阈值，则控制目标方向盘按照预设 拒转工作；其中，第二阈值大于第一阈值，也就是说，如果当前车辆偏移车道线一点可以提 示用户进行相对应的操作，如果用户没关及时调整，当前车辆偏移车道线比较大距离，自动 控制目标方向盘按照预设拒转工作来提高驾驶的安全性。 图4是根据本申请实施例的车道线识别装置的方框示意图。 如图4所示，本申请实施例的车道线识别装置可包括：第一获取模块10、生成模块 20和处理模块30。 其中，第一获取模块10，用于获取预设摄像头拍摄的待处理图像。 生成模块20，用于将所述待处理图像输入预设图像复原模型进行处理，生成复原 图像。 处理模块30，用于对所述复原图像进行识别，获取当前车辆与车道线的位置信息。 根据本申请的一个实施例，如图5所示，在图4的基础上，还包括：第二获取模块40、 第三获取模块50和训练模块60。 其中，第二获取模块40，用于获取原始图像样本。 第三获取模块50，用于获取所述原始图像样本对应的高频残差图像样本和低频模 糊图像样本。 训练模块60，用于将所述低频模糊图像样本和所述高频残差图像样本输入预设神 经网络进行训练生成所述图像复原模型。 根据本申请的一个实施例，生成模块20，具体用于：利用预设特征提取层提取所述 待处理图像的图像特征向量；利用预设特征复原层对所述图像特征向量进行特征复原处理 生成目标特征向量；对所述目标特征向量进行反卷积处理生成所述复原图像。 根据本申请的一个实施例，所述图像特征向量为多个时，在所述利用预设特征复 原层对所述图像特征向量进行特征补全处理生成目标特征向量之前，还包括：从多个图像 特征向量获取预设数量图像特征向量；对所述预设数量图像特征向量分别进行去线性化处 理后的图像特征向量用于进行特征复原处理生成所述目标特征向量。 根据本申请的一个实施例，在所述获取当前车辆与车道线的位置信息之后，还包 括：若所述当前车辆偏移所述车道线大于预设第一阈值，则向目标设备发送报警信息；或， 9 CN 111582221 A 说　明　书 7/8 页 若所述当前车辆偏移所述车道线大于预设第二阈值，则控制目标方向盘按照预设拒转工 作；其中，所述第二阈值大于所述第一阈值。 需要说明的是，本申请实施例的车道线识别装置中未披露的细节，请参照本申请 实施例的车道线识别方法中所披露的细节，具体这里不再赘述。 根据本申请实施例的车道线识别装置，通过获取预设摄像头拍摄的待处理图像； 将待处理图像输入预设图像复原模型进行处理，生成复原图像；对复原图像进行识别，获取 当前车辆与车道线的位置信息。由此，通过预先训练的预设图像复原模型对采集的图像进 行复原处理后在进行车道线识别，大大减弱因天气、光线等问题对车道线识别率造成影响 的问题，提高车道线识别效率。 图6是根据本申请实施例的电子设备的方框示意图。 如图6所示，本申请实施例的电子设备200可包括：存储器210、处理器220及存储在 存储器210上并可在处理器220上运行的计算机程序，处理器220执行程序时，实现上述的车 道线识别方法。 本申请实施例的电子设备，通过执行上述的车道线识别方法，获取预设摄像头拍 摄的待处理图像；将待处理图像输入预设图像复原模型进行处理，生成复原图像；对复原图 像进行识别，获取当前车辆与车道线的位置信息。由此，通过预先训练的预设图像复原模型 对采集的图像进行复原处理后在进行车道线识别，大大减弱因天气、光线等问题对车道线 识别率造成影响的问题，提高车道线识别效率。 此外，本申请的实施例还提出了一种计算机可读存储介质，其上存储有计算机程 序，该程序被处理器执行时实现上述的车道线识别方法。 本申请实施例的计算机可读存储介质，通过执行上述的车道线识别方法，通过预 先训练的预设图像复原模型对采集的图像进行复原处理后在进行车道线识别，大大减弱因 天气、光线等问题对车道线识别率造成影响的问题，提高车道线识别效率。 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示 例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特 点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不 必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任 一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技 术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结 合和组合。 此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性 或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者 隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三 个等，除非另有明确具体的限定。 流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括 一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部 分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺 序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请 的实施例所属技术领域的技术人员所理解。 10 CN 111582221 A 说　明　书 8/8 页 在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用 于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供 指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执 行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设 备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传 输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装 置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电 连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器 (ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存 储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的 介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其 他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。 应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述 实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件 或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技 术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离 散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编 程门阵列(FPGA)等。 本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步 骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介 质中，该程序在执行时，包括方法实施例的步骤之一或其组合。 此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以 是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模 块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如 果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机 可读取存储介质中。 上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描 述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限 制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变 型。 11 CN 111582221 A 说　明　书　附　图 1/3 页 图1 图2 12 CN 111582221 A 说　明　书　附　图 2/3 页 图3 图4 图5 13 CN 111582221 A 说　明　书　附　图 3/3 页 图6 14