论文部分内容阅读
摘要 利用感知哈希算法，针对水稻不同生长发育期的特征，通过比较图像相似度实现水稻生长发育期的自动识别。通过感知哈希算法提取每张待测图片的哈希码，并与已标注过发育期的图库中的水稻图像哈希码进行对比，找出相似度最高的哈希码所代表的标签，输出水稻的移栽期、返青期、分蘖期、拔节期、孕穗期、抽穗期、乳熟期、成熟期共8个主要生长发育期，并针对该算法进行了鲁棒性、敏感性和检索准确性试验。将自动识别的结果与气象观测站台的人工观测数据进行对比，结果表明识别误差在4.00 d内，平均误差为2.69 d。
关键词 水稻;感知哈希;发育期识别;图像检索
中图分类号 TP391 文献标识码 A
文章编号 0517-6611（2020）10-0205-03
doi：10.3969/j.issn.0517-6611.2020.10.055
Abstract Using the perceptual hash algorithm，the characteristics of different growth stages of rice were compared，and the image similarity was compared to realize the automatic recognition of rice growth stages.The hash code of each image to be tested was extracted by the perceptual hash algorithm，and compared with the rice image hash code in the image database that had been marked for growth stages，the label represented by the hash code with the highest degree of recognition was found，and the identification was recognized. Eight major growth stages of transplanting，regreening，tillering，jointing，booting，heading，milking and maturity stages of rice were detected，and experiments on robustness，sensitivity and retrieval accuracy for the algorithm were carried out. Comparing the results of the automatic identification with the artificial observations of the meteorological observatory，the results showed that the recognition error was within 4.00 days，and the average error was 2.69 days.
Key words Rice;Perceptual hash;Recognition of the crop growing stages;Image retrieval
水稻的生长期观测对水稻的生长管理十分重要，各个发育期的时間记录能为农业生产的安排实施[1]、长势监测[2]、信息管理[3]等方面提供重要依据。对于试验田，传统观测通常采用人工每隔2 d进行田间观测，普通农田的观测间隔则更长，通常采用人工经验和历史时长进行观测。人工方法费时费力、观测效率低、投入成本大且观测信息不及时[4]。精准农业近些年发展迅速，实现农作物发育期的自动观测可以有效提高工作效率、增强观测资料的客观性、减少人为误差、提高业务的时效性和针对性，对及时掌握作物生长状况、开展农事活动和进行现代化农田管理具有重要的意义[5]。目前在精准农业中对水稻发育期自动识别的方式主要有基于遥感数据的方法[6-7]和基于图像处理的方法。在以往的基于图像处理的算法中，通常将农作物每个时期的生长发育特点体现在图像特征上，通过对图像特征的提取识别，实现发育期的判别[8-11]。然而此类方法存在多种弊端：①此类检测算法通常依赖于之前图像的信息，这有利于多张图像的连续检测，但对于随机抽取的单张图片检测存在局限性;②由于硬件设备故障、断电等原因会导致图片的缺失，如果缺失的部分正好处于要识别发育期，则会导致该发育期检测的推迟;③传统的观测特征未必会全部体现在图像上，如根据《农业气象观测规范》[12]，水稻返青期是指移栽后叶色转青，心叶重新展开，用手提秧苗，有阻力已扎入泥中。以往的算法则采取使用历史数据得出移栽期和分蘖期相隔的天数特征间接在时间阈值上判断。
图像检索是一种通过输入特征搜索相似图像的技术，分为基于文本的检索和基于内容的检索2种[13]。基于内容的图像检索（Content based Image Retrieval，CBIR）是从图像中提取特征信息，并与图像数据库中的图像特征进行相似度比较从而找出相似图像的技术[14-15]。图像检索常运用于计算机视觉和数字图像处理等领域，直方图匹配和感知哈希是常见的2种图像检索方法。感知哈希算法是1种以图搜图的图像检索算法，将图像的特征转化为二进制编码，即生成图像的指纹，并将待查询图像的指纹与图像数据库中的指纹进行比对，得到图像数据库中的相似图像[16]。 鉴于此，笔者将水稻一个完整生长期的图像指纹作为标准特征库，并对图片做发育期标注，将待查询图像的指纹与库中比较输出最小汉明距离的图像标签作为结果;同时对不同发育期的图像做了鲁棒性和敏感性实验检验算法的可行性。
1 研究数据
广西壮族自治区是我国水稻的主要产地之一，广西的土壤、水资源、光照、温度等条件适宜水稻的种植。广西水稻目前为双季稻，该研究所采用的数据来自广西桂林雁山地区2018年4—7月的早稻图像，含盖移栽期、返青期、分蘖期、拔节期、孕穗期、抽穗期、乳熟期、成熟期共8个生长期，如图1所示。图像采集由相机每天拍摄4张图片，分别在09：00、11：00、13：00、15：00进行拍摄，相机分辨率3 000×4 496。
2 研究方法
2.1 图像检索框架
基于内容的图像检索技术分为2个主要内容：图像特征数据库的建立和图像查询匹配过程[17]，具体流程如图2所示。
数字图像由像素值组成，像素值是图像的基本特征，但是1幅图像中像素数量过大和图像内容的细微改变会导致像素值的巨大变化，导致无法直接将像素值作为入库的图像特征。为了克服像素值特征的冗余性和鲁棒性弱等问题，必须提取出既能代表图像重要内容信息又能减少储存空间的特征信息。感知哈希算法是一种基于人类对外界事物认知的信息处理理论，能够将相似的感知内容的数据集映射为一段独特的数字编码，即哈希码[18]。哈希码是一种较高效的特征量化方法，如将原图像记为I，生成的哈希码记为IHP，感知哈希函数记为PH，则PH∶I→IPH，IPH∈{0，1}，。IHP即是图像的指纹，代表该图像的特征信息。均值哈希码的计算过程如下：①将图像缩小成8×8的尺寸;②将图像灰度化;③对64个像素求平均值;④将每个像素的灰度值与平均值做对比，大于平均值的赋值为1，否则为0，按顺序构成64位二进制数。
2.2 基于分块DCT和PCA的图像哈希算法设计
认知心理学与人类视觉研究系统表明眼睛对色度信号的灵敏度是弱于亮度信号，亮度是图像信号的主要特征[19]。基于灰度的均值哈希运算速度快，但易受均值影响，如果对图像进行直方图均衡则会对最终的哈希码造成影响。本文的方法结合了图像的空间域和频率域并加入了颜色直方图信息。利用离散余弦变换（Discrete Cosine Transform，DCT）对图像进行处理，使用DCT低频系数，具有较强的鲁棒性，能够得到比均值哈希更加健壮的哈希码[20]。主成分分析（Principal Component Analysis，PCA）降维能够剔除冗余信息，提高哈希值计算速度。算法的流程如下：
第1步：将图像缩小为64×64的尺寸，再将缩小后的图像划分8×8的子块大小。
第2步：将图像像素映射到0～7，提取各子块灰度直方图特征，每子块共8个值作为颜色特征。
第3步：将各分块进行DCT变换，提取DC系数和前7个AC系数，每子块共8个值作为各子块的频率域特征。
第4步：将1张图像的64×16特征矩阵进行主成分分析降维，计算协方差，取前4个主成分向量作为特征向量。
第5步：计算上一步中特征矩阵的均值，大于平均值的赋值为1，否则为0，生成最终的哈希码。
3 研究结果
3.1 鲁棒性
在自然环境下，图像可能受光照、水雾、设备位置等影响造成图像亮度不均、局部模糊、和存在影子等问题，甚至因设备故障会造成图像不完整的问题。在同一发育期的图片中，分别计算图像不完整、水面反光、色差、雾气、影子5种图像与正常图像的哈希码不同的位数占哈希码总位长的比值，即误码率（图3）。由图3可知，对于反光，色差，雾气的誤码率在30%以下，稳健性较好。含影子的的误码率为31.44%，图像不完整的误码率为53.91%，误差较大，这2种图片在实际应用中应尽量避免使用，可做图像完整度预警和避免产生影子的时间段进行拍照操作。
3.2 敏感性 分别计算了移栽期与其他7个发育期的误码率以及每个发育期与其他7个发育期的误码率均值，结果如图4、5所示。不同图像的误码率应该接近50%，移栽期与其他时期的误码率在41%～49%。每个时期与其他时期的误码率均值在41%～49%，该算法对于不同时期的图像具有良好的可辨别性。
3.3 检索准确性
用上述方法对2018年雁山地区的水稻图片进行处理，图像的拍摄日期作为标签。然后得出水稻各个生长时期图片的标签。将算法自动识别的结果与雁山气象台站的人工观测数据进行比较，计算出每个发育期内图片相差的日期的平均值作为结果。结果显示，移栽、返青、分蘖、拔节、孕穗、抽穗、乳熟、成熟期图片相差的日期分别为2.00、2.90、2.00、3.55、3.70、1.67、3.70、2.00 d。误差均在4.00 d以内，平均误差为2.69 d，检索准确率较高。
4 结论与讨论
通常感知哈希包括以下性质[21]：①鲁棒性。感知上相同或者相似的图像或者对于所有可能的可接受的干扰，哈希函数的输出应保持近似不变;②摘要性。指纹数据要简短同时要包含图像的主要信息;③敏感性。在感知上，不同内容的图像数据生成的哈希指纹应当不同。对于图像检索来说，鲁棒性和敏感性最重要，但是感知哈希的鲁棒性和敏感性在理论上又是相互矛盾的。如果提高感知哈希的敏感性，则会降低感知哈希的鲁棒性，同理提高感知哈希的鲁棒性，则敏感性会降低。试验结果可以看出，除去图像不完整和影子问题，瑕疵图像的误码率在30%以下，不同发育期之间的图像的误码率在41%以上，可同时满足鲁棒性和敏感性的要求。 由于图像检索的输出结果是发育期及发育期阶段，所以只要录入图像标准库的水稻生长期图像完整，即使后期因采集设备故障导致关键发育期图片缺失也能识别出发育期的阶段。而且可以实现任意图片发育期及阶段的随机判断，不必依赖于先前图片的信息。此外，该研究中采用的算法基于图像的相似度判别，所以也可以推广到其他作物的生长发育期识别中。
参考文献
[1]FAGERIA N K.Optimal nitrogen fertilization timing for upland rice[C]//Proceedings of the 19th world congress of soil science： Soil solutions for a changing world.Brisbane：International Union of Soil Science，Australian Society of Soil Science，2010.
[2] 熊伟，杨婕，吴文斌，等.中国水稻生产对历史气候变化的敏感性和脆弱性[J].生态学报，2013，33（2）：509-518.
[3] TAKAI T，MASTUURA S，NISHIO T，et al.Rice yield potential is closely related to crop growth rate during late reproductive period[J].Field crops research，2006，96（2/3）：328-335.
[4] 蒋运志，陈宗行，马新建，等.农业气象观测中需注意的问题[J].现代农业科技，2010（15）：338.
[5] GEGGERS R，ADAMCHUK V I.Precision agriculture and food security[J].Science，2010，327（5967）：828-831.
[6] 孙华生，黄敬峰，彭代亮.利用MODIS数据识别水稻关键生长发育期[J].遥感学报，2009，13（6）：1122-1137.
[7] 于成龙，刘丹，张志国.基于FY-3的黑龙江省水稻关键发育期识别[J].中国农学通报，2014，30（9）：55-60.
[8] 刘永娟.基于计算机视觉技术的玉米发育期识别研究[D].无锡：江南大学，2017.
[9] 吴茜.基于图像处理技术的棉花发育期自动观测研究[D].武汉：华中科技大学，2013.
[10] 陆明.基于图像识别技术的玉米生育期自动观测研究[D].南京：南京信息工程大学，2011.
[11]余正泓.基于图像的玉米发育期自动观测技术研究[D].武汉：华中科技大学，2014.
[12] 国家气象局.农业气象观测规范[M].北京：气象出版社，1993.
[13] 霍璐.基于卷积神经网络的图像检索[J].计算机时代，2018（1）：63-65.
[14] 黄元元，何云峰.一种基于颜色特征的图像检索方法[J].中国图象图形学报，2006，11（12）：1768-1773，1889.
[15] 王向阳，芦婷婷.一种鲁棒的多特征彩色图像检索新方法[J].中国图象图形学报，2007，12（10）：1757-1760.
[16] DING K M，CHEN S P，MENG F.A novel perceptual hash algorithm for multispectral image authentication[J].Algorithms，2018，11（1）：1-14.
[17] 嚴灵毓.面向图像检索的感知哈希算法研究[D].武汉：华中科技大学，2014.
[18] 牛夏牧，焦玉华.感知哈希综述[J].电子学报，2008，36（7）：1405-1411.
[19] JIE Z.A novel blockDCT and PCA based image perceptual hashing algorithm[J].International journal of computer science issues，2013，10（1）：1-7.
[20] 郭玮.基于感知哈希的遥感图像检索方法研究[D].武汉：华中科技大学，2015.
关键词 水稻;感知哈希;发育期识别;图像检索
中图分类号 TP391 文献标识码 A
文章编号 0517-6611（2020）10-0205-03
doi：10.3969/j.issn.0517-6611.2020.10.055
Abstract Using the perceptual hash algorithm，the characteristics of different growth stages of rice were compared，and the image similarity was compared to realize the automatic recognition of rice growth stages.The hash code of each image to be tested was extracted by the perceptual hash algorithm，and compared with the rice image hash code in the image database that had been marked for growth stages，the label represented by the hash code with the highest degree of recognition was found，and the identification was recognized. Eight major growth stages of transplanting，regreening，tillering，jointing，booting，heading，milking and maturity stages of rice were detected，and experiments on robustness，sensitivity and retrieval accuracy for the algorithm were carried out. Comparing the results of the automatic identification with the artificial observations of the meteorological observatory，the results showed that the recognition error was within 4.00 days，and the average error was 2.69 days.
Key words Rice;Perceptual hash;Recognition of the crop growing stages;Image retrieval
水稻的生长期观测对水稻的生长管理十分重要，各个发育期的时間记录能为农业生产的安排实施[1]、长势监测[2]、信息管理[3]等方面提供重要依据。对于试验田，传统观测通常采用人工每隔2 d进行田间观测，普通农田的观测间隔则更长，通常采用人工经验和历史时长进行观测。人工方法费时费力、观测效率低、投入成本大且观测信息不及时[4]。精准农业近些年发展迅速，实现农作物发育期的自动观测可以有效提高工作效率、增强观测资料的客观性、减少人为误差、提高业务的时效性和针对性，对及时掌握作物生长状况、开展农事活动和进行现代化农田管理具有重要的意义[5]。目前在精准农业中对水稻发育期自动识别的方式主要有基于遥感数据的方法[6-7]和基于图像处理的方法。在以往的基于图像处理的算法中，通常将农作物每个时期的生长发育特点体现在图像特征上，通过对图像特征的提取识别，实现发育期的判别[8-11]。然而此类方法存在多种弊端：①此类检测算法通常依赖于之前图像的信息，这有利于多张图像的连续检测，但对于随机抽取的单张图片检测存在局限性;②由于硬件设备故障、断电等原因会导致图片的缺失，如果缺失的部分正好处于要识别发育期，则会导致该发育期检测的推迟;③传统的观测特征未必会全部体现在图像上，如根据《农业气象观测规范》[12]，水稻返青期是指移栽后叶色转青，心叶重新展开，用手提秧苗，有阻力已扎入泥中。以往的算法则采取使用历史数据得出移栽期和分蘖期相隔的天数特征间接在时间阈值上判断。
图像检索是一种通过输入特征搜索相似图像的技术，分为基于文本的检索和基于内容的检索2种[13]。基于内容的图像检索（Content based Image Retrieval，CBIR）是从图像中提取特征信息，并与图像数据库中的图像特征进行相似度比较从而找出相似图像的技术[14-15]。图像检索常运用于计算机视觉和数字图像处理等领域，直方图匹配和感知哈希是常见的2种图像检索方法。感知哈希算法是1种以图搜图的图像检索算法，将图像的特征转化为二进制编码，即生成图像的指纹，并将待查询图像的指纹与图像数据库中的指纹进行比对，得到图像数据库中的相似图像[16]。 鉴于此，笔者将水稻一个完整生长期的图像指纹作为标准特征库，并对图片做发育期标注，将待查询图像的指纹与库中比较输出最小汉明距离的图像标签作为结果;同时对不同发育期的图像做了鲁棒性和敏感性实验检验算法的可行性。
1 研究数据
广西壮族自治区是我国水稻的主要产地之一，广西的土壤、水资源、光照、温度等条件适宜水稻的种植。广西水稻目前为双季稻，该研究所采用的数据来自广西桂林雁山地区2018年4—7月的早稻图像，含盖移栽期、返青期、分蘖期、拔节期、孕穗期、抽穗期、乳熟期、成熟期共8个生长期，如图1所示。图像采集由相机每天拍摄4张图片，分别在09：00、11：00、13：00、15：00进行拍摄，相机分辨率3 000×4 496。
2 研究方法
2.1 图像检索框架
基于内容的图像检索技术分为2个主要内容：图像特征数据库的建立和图像查询匹配过程[17]，具体流程如图2所示。
数字图像由像素值组成，像素值是图像的基本特征，但是1幅图像中像素数量过大和图像内容的细微改变会导致像素值的巨大变化，导致无法直接将像素值作为入库的图像特征。为了克服像素值特征的冗余性和鲁棒性弱等问题，必须提取出既能代表图像重要内容信息又能减少储存空间的特征信息。感知哈希算法是一种基于人类对外界事物认知的信息处理理论，能够将相似的感知内容的数据集映射为一段独特的数字编码，即哈希码[18]。哈希码是一种较高效的特征量化方法，如将原图像记为I，生成的哈希码记为IHP，感知哈希函数记为PH，则PH∶I→IPH，IPH∈{0，1}，。IHP即是图像的指纹，代表该图像的特征信息。均值哈希码的计算过程如下：①将图像缩小成8×8的尺寸;②将图像灰度化;③对64个像素求平均值;④将每个像素的灰度值与平均值做对比，大于平均值的赋值为1，否则为0，按顺序构成64位二进制数。
2.2 基于分块DCT和PCA的图像哈希算法设计
认知心理学与人类视觉研究系统表明眼睛对色度信号的灵敏度是弱于亮度信号，亮度是图像信号的主要特征[19]。基于灰度的均值哈希运算速度快，但易受均值影响，如果对图像进行直方图均衡则会对最终的哈希码造成影响。本文的方法结合了图像的空间域和频率域并加入了颜色直方图信息。利用离散余弦变换（Discrete Cosine Transform，DCT）对图像进行处理，使用DCT低频系数，具有较强的鲁棒性，能够得到比均值哈希更加健壮的哈希码[20]。主成分分析（Principal Component Analysis，PCA）降维能够剔除冗余信息，提高哈希值计算速度。算法的流程如下：
第1步：将图像缩小为64×64的尺寸，再将缩小后的图像划分8×8的子块大小。
第2步：将图像像素映射到0～7，提取各子块灰度直方图特征，每子块共8个值作为颜色特征。
第3步：将各分块进行DCT变换，提取DC系数和前7个AC系数，每子块共8个值作为各子块的频率域特征。
第4步：将1张图像的64×16特征矩阵进行主成分分析降维，计算协方差，取前4个主成分向量作为特征向量。
第5步：计算上一步中特征矩阵的均值，大于平均值的赋值为1，否则为0，生成最终的哈希码。
3 研究结果
3.1 鲁棒性
在自然环境下，图像可能受光照、水雾、设备位置等影响造成图像亮度不均、局部模糊、和存在影子等问题，甚至因设备故障会造成图像不完整的问题。在同一发育期的图片中，分别计算图像不完整、水面反光、色差、雾气、影子5种图像与正常图像的哈希码不同的位数占哈希码总位长的比值，即误码率（图3）。由图3可知，对于反光，色差，雾气的誤码率在30%以下，稳健性较好。含影子的的误码率为31.44%，图像不完整的误码率为53.91%，误差较大，这2种图片在实际应用中应尽量避免使用，可做图像完整度预警和避免产生影子的时间段进行拍照操作。
3.2 敏感性 分别计算了移栽期与其他7个发育期的误码率以及每个发育期与其他7个发育期的误码率均值，结果如图4、5所示。不同图像的误码率应该接近50%，移栽期与其他时期的误码率在41%～49%。每个时期与其他时期的误码率均值在41%～49%，该算法对于不同时期的图像具有良好的可辨别性。
3.3 检索准确性
用上述方法对2018年雁山地区的水稻图片进行处理，图像的拍摄日期作为标签。然后得出水稻各个生长时期图片的标签。将算法自动识别的结果与雁山气象台站的人工观测数据进行比较，计算出每个发育期内图片相差的日期的平均值作为结果。结果显示，移栽、返青、分蘖、拔节、孕穗、抽穗、乳熟、成熟期图片相差的日期分别为2.00、2.90、2.00、3.55、3.70、1.67、3.70、2.00 d。误差均在4.00 d以内，平均误差为2.69 d，检索准确率较高。
4 结论与讨论
通常感知哈希包括以下性质[21]：①鲁棒性。感知上相同或者相似的图像或者对于所有可能的可接受的干扰，哈希函数的输出应保持近似不变;②摘要性。指纹数据要简短同时要包含图像的主要信息;③敏感性。在感知上，不同内容的图像数据生成的哈希指纹应当不同。对于图像检索来说，鲁棒性和敏感性最重要，但是感知哈希的鲁棒性和敏感性在理论上又是相互矛盾的。如果提高感知哈希的敏感性，则会降低感知哈希的鲁棒性，同理提高感知哈希的鲁棒性，则敏感性会降低。试验结果可以看出，除去图像不完整和影子问题，瑕疵图像的误码率在30%以下，不同发育期之间的图像的误码率在41%以上，可同时满足鲁棒性和敏感性的要求。 由于图像检索的输出结果是发育期及发育期阶段，所以只要录入图像标准库的水稻生长期图像完整，即使后期因采集设备故障导致关键发育期图片缺失也能识别出发育期的阶段。而且可以实现任意图片发育期及阶段的随机判断，不必依赖于先前图片的信息。此外，该研究中采用的算法基于图像的相似度判别，所以也可以推广到其他作物的生长发育期识别中。
参考文献
[1]FAGERIA N K.Optimal nitrogen fertilization timing for upland rice[C]//Proceedings of the 19th world congress of soil science： Soil solutions for a changing world.Brisbane：International Union of Soil Science，Australian Society of Soil Science，2010.
[2] 熊伟，杨婕，吴文斌，等.中国水稻生产对历史气候变化的敏感性和脆弱性[J].生态学报，2013，33（2）：509-518.
[3] TAKAI T，MASTUURA S，NISHIO T，et al.Rice yield potential is closely related to crop growth rate during late reproductive period[J].Field crops research，2006，96（2/3）：328-335.
[4] 蒋运志，陈宗行，马新建，等.农业气象观测中需注意的问题[J].现代农业科技，2010（15）：338.
[5] GEGGERS R，ADAMCHUK V I.Precision agriculture and food security[J].Science，2010，327（5967）：828-831.
[6] 孙华生，黄敬峰，彭代亮.利用MODIS数据识别水稻关键生长发育期[J].遥感学报，2009，13（6）：1122-1137.
[7] 于成龙，刘丹，张志国.基于FY-3的黑龙江省水稻关键发育期识别[J].中国农学通报，2014，30（9）：55-60.
[8] 刘永娟.基于计算机视觉技术的玉米发育期识别研究[D].无锡：江南大学，2017.
[9] 吴茜.基于图像处理技术的棉花发育期自动观测研究[D].武汉：华中科技大学，2013.
[10] 陆明.基于图像识别技术的玉米生育期自动观测研究[D].南京：南京信息工程大学，2011.
[11]余正泓.基于图像的玉米发育期自动观测技术研究[D].武汉：华中科技大学，2014.
[12] 国家气象局.农业气象观测规范[M].北京：气象出版社，1993.
[13] 霍璐.基于卷积神经网络的图像检索[J].计算机时代，2018（1）：63-65.
[14] 黄元元，何云峰.一种基于颜色特征的图像检索方法[J].中国图象图形学报，2006，11（12）：1768-1773，1889.
[15] 王向阳，芦婷婷.一种鲁棒的多特征彩色图像检索新方法[J].中国图象图形学报，2007，12（10）：1757-1760.
[16] DING K M，CHEN S P，MENG F.A novel perceptual hash algorithm for multispectral image authentication[J].Algorithms，2018，11（1）：1-14.
[17] 嚴灵毓.面向图像检索的感知哈希算法研究[D].武汉：华中科技大学，2014.
[18] 牛夏牧，焦玉华.感知哈希综述[J].电子学报，2008，36（7）：1405-1411.
[19] JIE Z.A novel blockDCT and PCA based image perceptual hashing algorithm[J].International journal of computer science issues，2013，10（1）：1-7.
[20] 郭玮.基于感知哈希的遥感图像检索方法研究[D].武汉：华中科技大学，2015.