APPS | 使用增强型YOLOv5对苹果果实进行全表面检测

本文系Agricultural Products Processing and Storage原创编译，欢迎分享，转载请授权。

Abstract

在分拣机中准确检测不同取向下的苹果表面对于精准农业应用至关重要，特别是对于自动化质量控制等任务。传统的图像处理方法往往与不同的水果方向引入的复杂性斗争。在这项研究中，提出了一个增强版的You Only Look Once（YOLOv5）模型，用于苹果的全表面检测，其中一个关键修改是用一个更强大的架构取代了原有的骨干网络。此外，该模型集成了卷积注意力模块（CBAM），用于改进特征提取，这增强了其处理遮挡和复杂背景的能力。这一创新优化了自动化分拣和质量控制系统，减少了损失，确保了苹果质量的一致性。结果表明，增强的YOLOv5模型比传统方法表现更好，实现了76.80%、88.40%、88.20%和88.20%的精度，回收率为82.30%、83.20%、93.10%和93.10%，在茎向上、茎向下、横向和对角方向上的平均精度（mAP）分别为86.00%、91.70%、95.00%和95.00%。在横向方向上，F1得分最高（90.58），mAP最高（95.00），显示出在该方向上的优异表现。该模型增强的精度使其非常适合智能农业的应用，特别是在苹果质量自动化控制中，可靠和一致的表面检测是必不可少的。

Introduction

全球对高品质苹果的需求不断上升，推动采用使用无人驾驶飞行器（UAV）成像和深度学习的自动化分拣和分级系统，以提高果园管理和生产效率。苹果是最广泛种植的水果之一，在90多个国家商业种植。鉴于生产规模，有效和可靠的分级是必不可少的，这只能通过自动化来实现。作为最常见的温带水果之一，检查其大小、形状、颜色和表面缺陷是必要的。传统上，手工检查一直是评估果园和分拣设施中水果质量的主要方法。然而，这些方法本质上是劳动密集型的、耗时的，并且容易产生主观错误，特别是考虑到商业苹果生产的规模。利用先进的成像和机器学习技术的自动化系统正越来越多地被部署。

苹果定向显著影响机器视觉准确捕获和分析表面特征的能力，导致由于特征提取不均匀而导致潜在的误分类。由于尺寸、形状和过度包装导致苹果在传送带上的不规则旋转和定位，导致在自动化检测中出现不完整的表面数据和复杂的多摄像头跟踪挑战。像傅里叶描述器这样的技术，虽然在受控环境中有效，但在现实世界中遇到苹果滑动或保持静止的复杂情况时会遇到困难，这突显了需要更稳健的解决方案。现有的苹果检测技术缺乏对苹果卡住、过度包装或由于大小、形状和弹跳而出现不规则旋转等问题的全面研究。

You Only Look Once（YOLO）模型是苹果自动检测的流行方法之一。这些模型在实时对象检测方面表现出色，可以快速准确地识别和定位图像中的苹果。这些快速处理大量数据的能力使其成为大规模检测任务的实用选择。此外，它可以被训练来检测各种方向和大小的苹果，使其在不同的检测环境中具有多功能性。然而，YOLO模型在处理不规则轮换方面也面临挑战。当苹果取向不正确，或者其表面部分被遮蔽时，其检测精度会降低。其局限性意味着YOLO可能难以提供完整或准确的信息，特别是当苹果不可预测地旋转或部分可见时。

本研究的主要贡献如下：本研究首次将更先进的主干架构集成到YOLOv5模型中，通过用卷积块注意力模块（CBAM）替换原有的C3模块，显著提高了其对多个方向苹果的检测能力。其次，本研究引入了一种检测和分析苹果全表面的新方法，解决了以往只关注苹果部分表面或特定区域的研究所留下的空白。这种方法提高了自动检测中表面数据的完整性。最后，通过考虑全表面和多个取向，本研究优化了自动化分拣和质量控制系统的效率，减少了损失，确保了苹果质量检测的一致性。图1展示了苹果全表面检测的完整过程，从图像采集和预处理到检测结果的可视化。这个过程旨在准确地识别苹果的整个表面。

图1 苹果全表面检测总体研究程序

Results and Discussion

试验结果及比较分析

分类的准确性和公平性取决于苹果在分拣机运行时所处的位置，即苹果在输送带上的位置。苹果在传送带上移动的图像在不同角度下展示在图2中：茎向上（图2A）、茎向下（图2B）、横向（图2C）和对角线（图2D）。表1和2提供了不同检测算法的性能指标的总结。精确率是从模型在分析来自苹果最佳角度获取的数据时的表现中得出的。该方法涉及一种全面的表面检测策略，该系统性地呈现了苹果的所有侧面，包括顶部、底部、横向和对角线角度。这种全面的捕捉过程确保了获得最佳视角，这些视角随后被用于后续分析。

图2 传送带上的苹果和不同方向上YOLOv5模型性能的视觉比较

表1对不同的YOLOv5模型进行了全面比较，重点介绍了它们在检测“茎向上”和“茎向下”方向方面的性能。评估了几个关键指标，包括P、R、mAP0.5（在50%交叉点上的mAP）、mAP0.5:0.95（在50%到95%的IoUs之间的mAP）和平衡P和R的F1-评分。所获得的结果显示，改进版的YOLOv5模型在所有指标上的表现始终优于未改进的同类模型。例如，改进后的YOLOv5l在P（76.80%）和R（82.30%）上表现优于YOLOv1l，导致mAP0.5显著上升（86.00%），F1-评分显著提高（79.46%）。同样，改进的YOLOv5m在P值和R值上都显示出增强，与原YOLOv5m相比，mAP0.5提高了79.90%，F1-评分提高了75.28%。在“茎向上”方向上，改进的YOLOv5x以75.28%的F1得分取得了最佳性能，展示了优化在提高更复杂任务的检测精度方面的潜力。当检查“茎向下”方向时，改进的YOLOv5n领先，拥有令人印象深刻的F1-得分85.72%，优异的R（88.40%）和R（83.20%），以及最高的mAP0.5:0.95值（52.30%）。这突显了该模型处理复杂检测任务的能力，在不同方向上提高了整体性能。另一方面，像YOLOv5x和YOLOv5s这样的型号显示出良好的性能，但落后于其改进版本，特别是在F1-得分和mAP0.5:0.95方面。改进的YOLOv5模型，特别是改进的YOLOv5n和改进的YOLOv5x，在P、R和整体检测性能方面取得了显著进步，证明了模型优化在提高苹果全表面检测系统在多方向的效率和准确性方面的价值。

表1茎上下方向性能指标比较

表2提供了不同版本的YOLOv5模型的比较，突出了它们在两个不同方向上的性能:横向和对角线。它包括YOLOv5的原始版本（YOLOv5l、YOLOv5m、YOLOv5n、YOLOv5s、YOLOv5x）及其相应的改进版本，用“改进”prefx表示。所分析的指标包括P、R、mAP0.5、mAP0.5:0.95和F1-Score，所有这些指标都深入了解了模型在准确、稳健和高效地检测苹果果实全表面方面的总体能力。“改进-YOLOv5l”模型在两个方向上都表现出色，分别达到了最高的P（88.20%）和R（93.10%），这表明其在以最小的假阴性正确识别对象方面的强大能力。该模型在F1-得分（90.58%）上也领先，这是一个重要的指标，将精度和回收率结合为一个值，以评估模型的整体效能。改进后的模型始终优于基本模型，尤其是在召回方面，这意味着更好的检测真实阳性的能力。与其基础版本YOLOv5m相比，改进后的YOLOv5m表现出更高的性能，R值（90.40%）和F1-评分（88.93%）更高，而基础版本YOLOv5m的R值（87.50%）和F1-得分（88.09%）更低。虽然“改进”版本通常表现出优越的性能，但基础型号如YOLOv5l和YOLOv5x 保持了强劲的性能，特别是在mAP0.5和mAP0.5:0.95中。YOLOv5x，实现了良好的R（82.30%），并在mAP0.5（89.60%）和mAP0.5:0.95（52.70%）方面表现合理。然而，被设计为更轻更快版本的YOLOv5s，其整体性能略弱，特别是在mAP0.5:0.95方面，这表明其降低复杂性是以精度和召回成本为代价的。这强调了模型大小和性能之间的权衡，像YOLOv5这样的轻型模型可能适合需要更快推理时间的应用，但在精度敏感的任务中效率较低。有几个因素可能有助于在横向方向上获得更高的性能。苹果通常在相机上呈现更大、更一致且更少闭塞的表面积，相比之下，例如，自上而下或自下而上的视图（在这种情况下，茎或花萼可能会遮挡显著的部分），或正面视图（更常见的是水果重叠）。更大、更清晰的可见表面为模型提供了更可靠的视觉线索以供学习。横向方向的模型一个更明确的，几何一致的，和丰富的功能视图的苹果，导致更准确的限界框预测，从而更高的F1分数和平均值。

表2横向和对角方向的性能指标比较

茎向上方向

图3A示出了在茎向上方向上跨类的实例的分布几乎相等，每个类具有大约14个实例。基于这种分析，苹果似乎处于一个或多或少的中立位置，其方向在所有水果中都是一致的。因此，从这个角度可以看出的特征是相对统一的，从而能够准确地表示类别。均匀的类别分布可归因于诸如苹果顶部及其茎部等特征，从这一方向来看，这些特征可能更容易被识别并在不同实例之间保持一致。此外，跨类的实例计数的低程度变化意味着默认位置最小化了可能由方向相关偏差引起的失真。

图3 苹果不同方位实例

茎向下方位

变异在实例计数中在茎向下方向上变得更加明显（图3B）。某些类别，如A、G和J，表现出更高的实例数，这表明苹果在这一位置上更具特色。随着苹果旋转，特征（如底部形状、颜色或纹理）变得更容易被看到，使机器学习系统能够更准确地分类特定类型的苹果。有些苹果由于其更明显或对称的形状，可能更容易从底部辨别出来。然而，这种取向限制了所有表面的可见性，导致类内部的差异。

横向定向

横向定向增加了实例的总数，并且进一步增强了类之间的变化（图3C）。在这个方向上，苹果被旋转以允许机器视觉系统查看它们的侧面，清楚地突出苹果的宽度、皮肤纹理和侧面标记。A类、G类和H类的数量较高，这可能是因为形状较长或不对称的苹果从侧面更显眼，突出了它们的独特特征。另一方面，像P和N这样的类别在这个方向上出现的频率较低，这表明这些类别的苹果更均匀或对称，从侧面看它们不那么引人注目。这种取向导致实例计数的差异很大，一些类在数据集中被过度代表，而另一些类则代表性不足。

对角取向

在对角取向上，横向取向的广泛变化进一步扩展（图3D），其中计数通常超过30，显示出数据放大的进一步复杂性。在这个方向上，苹果被旋转到一个角度，以便摄像机捕捉到它们的许多表面。从苹果的顶部到两侧可以看到所有的东西，所有的不对称和特殊的纹理。A类和G类由于其独特的特征，如长形或大表面特征，继续占据主导地位。这种定向导致了更高的实例总数；因此，它提供了更完整的训练数据集，但由于实例数量的增加，在类分布中引入了额外的变异性。这种多样性的增加可能对某些阶层有帮助，而其他阶层可能仍然代表性不足。

旋转对实例分布的影响

根据方向不同，一些表面标签或字母在不同类别之间分布不均匀，导致模型训练存在偏差。对模型来说，学习如何区分数量稀少的类（如P和N）的特征可能很困难。由于这种不平衡，代表性不足的类可能分类不准确，模型倾向于更喜欢出现频率较高的类，如A、G、H等。轮换应谨慎进行，以便在进行数据扩增以增加多样性时不引入明显的偏差。可以通过诸如类平衡，对代表不足的类进行过采样或数据增强之类的技术来克服这些问题，从而使所有类都得到平等的代表。找到模型在所有方向上的性能，而不仅仅是最常见或最突出的方向，对于确保公平性和准确性非常重要。

对多个方向的精度、召回和mAP进行比较分析

YOLOv5l（大版本）在“茎向上”方面表现最佳，而YOLOv5n（纳米版本）在“茎向下”方面表现最佳。如图4所示，将图4A和C所示的原始YOLOv5模型与图4B和D所示的增强YOLOv5模型进行了比较。“茎向上”和“茎向下”的取向分别突出了改善和下降的趋势。图4A和C表明，精度、召回和mAP值等指标在最初的不稳定时期后稳步改善。随着训练的进行，这些向上的趋势变得更加一致，反映了模型的逐步优化。图中的召回和精度指标显示显著的“茎向上”倾斜，可能是由于错误的梯度估计或早期时期的底部。

如图4B和D，增强后的YOLOv5模型表现出更强和更稳定的“茎向上”趋势。与最初的YOLOv5相比，mAP0.5和mAP0.5:0.95等指标稳步上升，总体值高于最初的YOLOv5。这些改进表明增强的模型能够更有效地学习并更迅速地收敛。此外，增强后的YOLOv5在初始阶段的精度和回溯下降最小，并且“茎向下”故障最小。因此，培训过程似乎更加稳定和稳健。图4显示了上行和下行方向的最佳结果，指标如图所示。原始YOLOv5为9A和C，增强后的YOLOv5为9B和D。

图4 茎向上和茎向下的最佳评估指标对比

结果可见图4A中的原始YOLOv5和图4B中的增强版YOLOv5。在图4B中，增强版YOLOv5显著更加稳定，并且实现了比原始版本更高的指标。如图4C所示，原始YOLOv5中的初始下降更为显著，而改进后的模型在图4D中显著减少了这些早期的下降，从而带来了更加一致和流畅的性能提升。与原始版本相比，增强版YOLOv5模型中更好的上升趋势和减少的下降是显而易见的。根据这些结果，对YOLOv5架构进行的改进带来了更好的收敛性、更高的指标以及整体上的稳定性提升。图5显示了原始和增强版YOLOv5模型在横向和纵向方向上的性能对比。每个子图中显示了诸如精确度、召回率、mAP0.5和mAP0.5:0.95等指标。图5A和C中展示的指标显示，对于原始YOLOv5，这两个方向的指标趋势并不一致。

图5 横向和对角方向最佳评价指标比较

召回率和mAP值显示出显著的下降和波动，这表明训练动态并不稳定。虽然模型的精度和回溯值逐渐增加，但它们仍然不均匀，这表明该模型在精确捕捉横向和对角线取向的细微差别方面存在困难。相比之下，改进的YOLOv5模型的图5B和D显示了很大的改进；在两个方向上，指标都随着培训过程稳定且顺利地融合。它比原始的YOLOv5提供了更好的mAP0.5和mAP0.5:0.95，因此证明了模型的架构增强。此外，精确度和召回率在不同时期的变异性较小。其中，大型版本的YOLOv5被认为是横向和对角方向最有效的模型。它在收敛性方面更强，在所有指标上都能实现更高的精度、召回和最佳性能的mAP。特别是，改进后的YOLOv5模型在对角线和横向两侧的性能都比原来的YOLOv5有了显著提高。此外，这些验证了其卓越的稳定性和准确性，证明了架构改进使其能够最优地执行此类具有挑战性的任务。图5A和C描绘了用于增强版本的原始YOLOv5。以上子图详细说明了模型所带来的性能和改进。原始YOLOv5模型定向于图中评估的茎向上位置。从热图5A来看，模型似乎正确地对大多数实例进行了分类。然而，对角线元素在某些类别中表现出错误的分类，显示出一些不一致的地方。此外，并不是所有沿对角线的值都是一致的，这意味着一些类比其他类具有更好的分类准确性。

图6中显示了增强型YOLOv5模型在分析“茎向上”方向和“茎向下”方向时的性能比较。图6A和C是显示原始YOLOv5模型的2个子图，以及2个子图6B和D显示增强的YOLOv5显示增强的YOLOv5模型。比较这些子图展示了模型是如何通过修改来表现和改进的。对于“茎向上”取向，图6A中评估的原始YOLOv5模型已经表现出合理的足够的对角优势，使得其模型正确地分类大多数实例。虽然对角线的某些类别存在一些分类错误，但它的表现却有些不一致。此外，沿对角线的值不均匀，表明分类精度在不同类别之间存在差异。这包括图6D，它是增强版的YOLOv5，针对茎向下方向的优化。与图6B中所示的结构相似，它大大增强了，这意味着良好的对角线性，对角线元素的百分比较低，使得类别精度更高。因此，相较于其原始模型，增强版在稳定性和更高指标方面表现更优，特别是在茎向下取向的指标上，由此证明其既稳健又有效。

图 6 茎向上和茎向下方向的热图比较

YOLOv5的性能有了显著改善，趋势更加稳定，指标更高，并且在“茎向上”和“茎向下”方向上的错误减少了。图7说明了模型或构件如何沿横向和对角线运行。对角线图案表示正确的分类，而对角线元素表示错误或误分类。使用热图比较了两种模型配置，例如YOLOv5的原始版本和增强版本。具体地说，分类精度和错误模式是基于对角线和横向方位来评估的。带有对角方向的热图表示正确的预测，其中预测类别与实际类别匹配。图7A和C中存在大量的对角线噪声，这表明原始模型更倾向于错误分类，尤其是在某些类别之间。图7B和D显示了对角线噪声的大幅减少。因此，增强的模型能够在分类过程中实现更高的精度和稳定性，从而更好地识别类别。

图 7 横向和对角方向的热图比较

在热图中，横向取向与对角强度对应，突出显示了预测与实际标签不一致的情况，导致误分类。图7A和C中有很多对角线噪声，表明原始模型有更多的误分类倾向，特别是在某些类别之间。图7B和D显示对角线噪声大大减少。显然，这可以通过增强的配置来证明，因为它们在减少错误方面具有普遍的能力，因此，所有类别的性能都更加稳定和稳健。在所有热图中，最后一栏是“背景”类别。事实上，由于该栏的高度密集，可以肯定所有配置都表现得相当不错。从更清晰和更均匀的结果可以看出，图7B和D的增强的结构突出了它们在处理背景元素方面的更高的精度和稳定性。在分类准确性和错误减少方面，图7B和D中增强的配置表现优于原始模型。事实上，它们更强的对角线趋势和减少的横向噪音使它们更能学习和概括。增强的配置在处理定向特定任务（如“茎向上”和“茎向下”）时表现出更高的可靠性和稳定性。随着模型的改进，它们在各个类别的性能显著提高。从蓝色到红色的颜色梯度表示每个度量的值从差到高。改进的YOLO模型在所有指标上都优于其原始版本，红色阴影条的普遍使用就证明了这一点。图8A-D对应于不同方向上的性能测试。

除定向外，YOLOv5的改进模型在几个关键方面的表现比标准版本更好，如表1和2所示。值得注意的是，精度、召回和mAP等指标显著增强，表明改进的有效性。改进后的模型在精度和召回方面都有所提高，这表明这些模型能够检测到预测中的大多数真实对象。改进的模型可根据mAP0.5来保证更高的精度，mAP0.5是0.5 IoU阈值下平均精度的常用测量值。此外，改进的模型在更严格的mAP0.5:0.95范围内表现良好，显示出其在任何IoU阈值下的稳健性。同样，平衡精度和召回的F1-评分反映了改进变种的卓越检测能力。改进模型在图中一贯占主导地位。

图8显示了它们的稳健性和适应性。在需要严格检测能力的条件下，通过改进的YOLO变体可以获得这一强大优势。这种一致的性能提升强调了改进后的模型在需要高检测精度和可靠性的应用（如自主全表面检测）中的实用价值。不同方向的检测性能差异可以归因于与模型结构和算法方法相关的多种因素。在模型结构方面，网络架构，包括卷积层的类型和深度，对模型捕捉定向特征的效果起着至关重要的作用。当对象的取向不同时，非旋转不变的卷积层难以检测特征。此外，网络中采用的汇集策略可能导致了定向信息的丢失，导致了观察到的性能变异。在算法层面，数据增强技术（如随机旋转或抖动）增强了模型在各种方向上的推广能力。如果没有足够的增强，该模型会偏向于从指定方向检测特征，当输入图像的方向变化时导致性能不佳。损失函数也起到了重要作用。如果损失函数未能考虑方向变化或为特定方向特征分配适当权重，则模型难以适应不同的方向。具体地说，可以从图8中得出的主要结论是：基于图8A观察到，当系统受到干扰定向时，表现出良好的性能。比较图表的性能。图8B至D，显而易见的是，在“横向”和“对角”方向下，性能最为一致。系统在这些取向范围内保持高精度。在“茎向下”方向上会出现小幅增加。这表明了多种取向变化对全表面检测的适应性和优越性。总的来说，图8展示了系统在所有测试方向上的性能。系统通常在多个方向上都能保持良好的性能。测试结果对于理解系统的实际适用性并确定未来改进领域至关重要。

图8 各种YOLOv5模型变体的性能比较

Conclusion

在本研究中，提出并验证了增强版的YOLOv5模型，该模型能够在分拣机中在各种角度下对苹果进行全面的表面检测，解决了精准农业中的一项关键挑战。凭借一个稳健的骨干网络，所提出的模型在精确度、召回率、平均精度平面（mAP）和F1分数方面都优于原始的YOLOv5模型。根据结果，增强版的YOLOv5模型显著优于原始方法，其精确率（P）分别为76.80%、88.40%、88.20%和88.20%，而召回率（R）分别为82.30%、83.20%、93.10%和93.10%，mAP分别为86.00%、91.70%、95.00%和95.00%，分别对应于茎向上、茎向下、横向和对角的角度。值得注意的是，在横向角度上，获得了最高的F1分数90.58和mAP 95.00%，显示出在此角度上的卓越表现。实验结果证明了其可靠性和准确性，使其成为自动化苹果质量控制等应用领域的有前景的解决方案。本研究旨在展示将深度学习模型集成到农业系统中以提升效率和生产力的潜力。为了进一步提升其实际应用性，未来的研究可以探索此方法在其他水果上的可扩展性，以及其与实时农业机械的集成。

Full-surface detection of apple fruits using enhanced YOLOv5

Muhammad Hilal Kabir1,2,3, Zhao Zhang1,2,3*, Xiaolong Li4*, Bo Han5, Xu Li6*, Liling Yang7, Wenyu Kong8, Mustafa Mhamed1,2,3, Afshin Azizi1,2,3, Jiangfan Yu1,2,3, Man Zhang1,2,3, Simphiwe Mngomezulu9, O. I. Oladele9

1 College of Information and Electrical Engineering, China Agricultural University, Beijing 100083, China

2 Key Laboratory of Smart Agriculture System Integration, Ministry of Education, Beijing 100083, China

3 Key Laboratory of Agricultural Information Acquisition Technology, Ministry of Agriculture and Rural Affairs, Beijing 100083, China

4 Institute of Horticulture, Ningxia Academy of Agriculture and Forestry Sciences, Ningxia 750002, China

5 Shandong Inspur Intelligent Production Technology Co., Ltd., Jinan 250101, China

6 Tarim University, College of Information Engineering, Aral, China

7 Xinjiang Academy of Agricultural Sciences, Agricultural Mechanization Institute, Urumqi 830,091, China

8 China Agricultural University, College of Engineering, Beijing, China

9 University of KwaZulu‑Natal, Department of Agricultural Extension and Rural Resource Management, Pietermaritzburg 3201, South Africa

*Corresponding author.

Abstract

Accurate detection of apple surfaces under various orientations in a sorting machine is crucial for applications in precision agriculture, particularly for tasks such as automated quality control. Traditional image processing methods often struggle with complexities introduced by varying fruit orientations. In this study, an enhanced version of the You Only Look Once (YOLOv5) model for full-surface detection of apples is proposed, with a key modification in which the original backbone network is replaced with a more robust architecture. Additionally, the model integrates Convolutional Block Attention Modules (CBAM) for improved feature extraction, which enhances its ability to handle occlusions and complex backgrounds. This innovation optimizes automated sorting and quality control systems, reducing losses and ensuring consistent apple quality. Results show that the enhanced YOLOv5 model performed better than traditional methods, achieving precision rates of 76.80%, 88.40%, 88.20%, and 88.20%, recall rates of 82.30%, 83.20%, 93.10%, and 93.10%, as well as mean average precision (mAP) of 86.00%, 91.70%, 95.00%, and 95.00% respectively for stem up, stem down, sideways, and diagonal orientations. The highest F1-score (90.58) and mAP (95.00) were achieved in the sideways orientation, demonstrating superior performance in this orientation. The model’s enhanced accuracy makes it highly suitable for applications in smart agriculture, particularly in automated apples quality control, where reliable and consistent surface detection is essential.

Reference:

Kabir, M.H., Zhang, Z., Li, X. et al. Full-surface detection of apple fruits using enhanced YOLOv5. Agric. Prod. Process. Sto.1, 20 (2025). https://doi.org/10.1007/s44462-025-00020-w

翻译：罗敬（实习）

编辑：梁安琪；责任编辑：孙勇

封面图片来源：图虫创意

APPS感谢您的关注

欢迎广大作者积极撰写论文，踊跃投稿！

（点击左侧二维码查看期刊主页）