基于图像处理的路面裂缝检测系统设计与研究

悠悠 2022-09-09 02:06 219阅读 0赞

基于MATLAB的路面裂缝检测系统设计与研究

**一、课题背景及研究目的**

随着社会经济的不断发展，道路交通在国民经济和人民生活中起的作用愈发显著， 交通已成为人们日常出行和我国经济建设中重要的基础设施之一，是体现一个地区经济 发展的关键和标志。在所有的交通形式中，道路交通是与人们生活出行密切相关的，并 且最能体现一个国家的经济实力和综合国力的就是其道路交通的发展状况同。

近几十年来，世界范围内各国公路特别是高等级公路建设迅速发展，极大的促进了 地区经济的发展。经过几十年的快速发展，高速公路已成为我国道路运输的重要组成部 分。我国高速公路从20世纪70年代末开始研究规划，80年代末开始建设。截止2012 年底，我国建成并通车的髙速公路已经达到9.6万公里，位居世界第二。我国高速公路 的快速发展，大大加快了各地区经济的联系和发展，已基本形成了一个与我国经济发展 相适宜的高速公路网。

伴随髙速发展的道路交通建设，公路的养护及管理任务也随之而来。尤其是我国早 期修建的一批高等级公路巳经进入中修或大修期，相关道路养护及管理部分已经愈发重 视道路路面病害的监测和病害数据的釆集工作回。但是，目前我国对于路面病害检测的 研究较少，相关的检测设备严重落后甚至不足，并且引进国外同类检测设备价格昂贵。 因此，许多道路养护管理部门依然停留在传统人工检测的阶段。而传统人工检测又存在 许多问题，如检测效率低、劳动强度大、耗时较长以及检测精度无法保证等。随着我国 道路通车里程规模的不断增大，传统的道路检测手段已经不能满足我国道路病害检测的 需求。因此，研究和开发先进的路面病害检测技术就成为我国公路发展中亟待解决的问 题。

**二、路面检测技术概况**

虽然我国公路通车里程规模在不断增大，截止到2012年12月，全国已建成通车公 路总里程达到410万公里，我国道路总里程已居世界前列。但是和一些西方发达国家相 比，我国在道路养护和病害检测方面的技术手段还有较大差距。国外经济发达国家早在 19世纪末就开始建设公路，20世纪20〜30年代就已经岀现了高速公路，并且经过近几 十年的不断发展，道路管理养护作业已经较为成熟和完善，其道路养护及检测设备先进, 技术水平和自动化程度很高。而我国直到20世界80年代才出现高速公路。目前我国道 路养护管理工作还处于起步阶段，在高速公路养护工作中存在技术水平低，道路检测设 备落后，资源浪费等问题。但是随着近年来各个科研院所及高校对道路路面自动检测领 域研究力度的不断加大，我国在路面自动检测方面也取得了长足的进步⑶。目前，路面 检测技术正向路面无损自动检测的方向发展，使得对道路的质量监控、破损及使用状况 评价更加方便快捷，大大提高了道路养护的质量和效率。

道路路面破损检测技术发展大体经历了三个阶段：传统人工检测、半人工半自动化 检测、无损自动检测。

传统的路面破损检测方法一般采用人工检测法，即步行人眼观察法、坐车录像屏幕 测读法、摄像测量法等⑶。这些方法主要有以下几方面的缺点：

1.  由于道路养护里程规模庞大，人工检测需要通过人眼对道路进行调査、统计， 因此及其耗费人力物力；
2.  人工检测带有较复杂的人为因素，因此人工调查、统计得来的数据通常较为粗 糙、误差较大，不利于路面破损状况的客观评估；

(2)人工检测由于需要封闭路段，所以严重影响正常的道路通行；

1.  人工检测的另一大缺陷就是检测效率低，劳动强度大，耗费时间长且不能保证 道路检测的及时性。
2.  人工检测属于户外作业，现场条件恶劣，对道路检测人员的安全不利。

近年来，随着计算机、图像处理、GPS (Global Position System)全球定位系统、 数字CCD等一批新技术的快速发展，使得路面无损自动检测系统的开发成为可能。与 传统人工检测方法相比无损自动检测具有以下几方面的特点：

1.  实时路面破损图像釆集，并集成对路面平整度、车辙等数据的检测；
2.  釆用高分辨率数字图像传感器，使得路面破损检测精度大大提高；
3.  釆集的图像数据存入计算机永久保存，能够对检测结果进行重复判读；
4.  集成了 GPS定位功能的自动检测系统，实现了路面破损的精确定位，并且为 道路工作人员维护和管理提供了便利；
5.  通过人工智能算法对路面破损进行自动分类和评价，提高了检测效率。

**四、实现功能**

本论文的主要工作是对路面裂缝检测系统的硬件设计，路面裂纹的图像处理和裂纹 的分类方法进行了深入的探讨和研究。主要工作包括以下内容：

1.  路面裂缝检测系统的硬件设计，主要包括视觉图像采集系统、GPS地理信息定 位系统、供电及照明系统的硬件设计和选型；
2.  路面裂缝图像的预处理，用以消除由于各种因素造成的图像灰度值不均匀以及 硬件系统在拍摄、传输及存储过程中产生的噪声干扰等情况；
3.  对经过预处理的图像进行边缘检测、图像分割以及图像腐蚀和膨胀，以突出路 面裂缝的主要特征，为后续的路面裂缝的提取和分类打下基础；
4.  建立BP神经网络数学结构模型，并通过人工样本对网络进行训练，最终实现 对道路路面裂纹种类的分类识别。

**五、路面裂缝检测硬件系统设计**

5.1、**图像处理模块**

图像处理模块是路面裂缝检测系统的核心部分，主要通过工控机完成大数据量的图 像数据存储和显示输出工作以及后期完成对釆集图像的处理、分析以及道路使用状况的 评价工作。图像处理模块的算法设计在很大程度上影响到整个检测系统的检测效果和精 度。图像处理模块的工作流程主要包括：图像的读取、图像预处理(图像滤波、图像增 强、图像恢复以及锐化等)、图像边缘检测及分割、路面裂缝类型的识别。图像处理模 块处理流程如图2-7所示。

![v2-f5b06a8c23fa48ccef796dad31c628c4\_b.jpg][v2-f5b06a8c23fa48ccef796dad31c628c4_b.jpg]

图**2-7**图像处理流程

**Figure 2-7 Image processing flow**

图像处理模块的处理流程，首先将釆集存储在计算机中的路面图像数据进行解压， 再通过计算机读取路面破损的图像数据。通过图像处理算法对原始图像进行预处理，由 于原始图像在釆集过程中都存在不利于直接进行图像处理的因素，如图像噪声干扰、图 像模糊、图像亮度较低等，需要我们通过图像增强算法，将图像中我们感兴趣的裂缝边 缘区域进行适当的加强。但是在对裂缝边缘进行加强的同时，也使得图像中的各种噪声 得到加强，所以还需要对图像进行滤波处理，去除图像中的噪声干扰。在对裂缝图像进 行边缘检测的同时，图像中的噪声也会被检测出来PR。这时需要对目标区域进行标示统 计，以滤除噪声。然后就需要通过迭代算法计算出图像中感兴趣区域的最佳阈值，对裂 缝图像进行图像分割，然后通过基于人工神经的分类器对图像中的裂缝进行分类识别。

本系统的图像处理算法开发釆用德国MVTec Software GmbH公司的HALCON图像 处理软件，该软件集成有一套完善的标准的机器视觉算法包。HALCON拥有应用广泛 的机器视觉集成开发环境。它节约了产品的成本，大大缩短了软件的开发周期。 HALCON提供了包括1800多个算子的函数库，这些函数功能全面，应用广泛，性能良 好，主要包括：blob分析、形态学、匹配、测量、识别和立体视觉等。同时HALCON 支持Windows, Linux和Mac OS X操作环境，它保证了投资的有效性。整个函数库可 以用C, C++, C\#, Visual [http://Basic.NET][http_Basic.NET]和Delphi等多种普通编程语言访问。HALCON的 软件开发界面如图2-8所示。

![v2-b1a2d0f285b6524eee9c7eac88599bb3\_b.jpg][v2-b1a2d0f285b6524eee9c7eac88599bb3_b.jpg]

![v2-01bf335408757df9c9e39c244d58bff7\_b.jpg][v2-01bf335408757df9c9e39c244d58bff7_b.jpg]

**M**程序编借題

"kead\_image (linage, ■ C:/Documents and Settings/ zhouJ rg»3\_c.o\_gray (Image( Image, Image, IroageGray) »n>ecllen\_i»a7e < In^^e-Jray, imagaKcdian, • circle • , 2, ~ | »：ne\*n\_ii^ta-?e : Ixr.agieGray, l?r>ageReanl, 9. 9) smooth image (IntageGray, IwageSrooothl, ' shen\* , 0.5)

•' . • , ^ - ' ' -

\*rcberti (:magSKOGthl, IrnegeRoberc s, ' ^rr3dient\_sux\* \_ i threshold (IroageSmoothl, HighSaturation, 0, 140) ▼.

图**2-8 HALCON**软件开发界面

**Figure 2-8 The interface of HALCON software development**

5.2、其它功能模块

![v2-fce6e08e5e3a3fa5e2f9a9bcafe70c7b\_b.jpg][v2-fce6e08e5e3a3fa5e2f9a9bcafe70c7b_b.jpg]

![v2-9e1bca4be7f63bf93da39ddcb5d76a35\_b.jpg][v2-9e1bca4be7f63bf93da39ddcb5d76a35_b.jpg]

整个检测系统还包括摄像机机架及照明系统的设计。摄像机固定于车载视频釆集机 架上，机架釆用可调式推拉滑轨结构。机架的设计必须在保证结构刚度的同时，兼顾其 可调节性，为后续摄像机机位的调节提供便利。机架的滑轨置于车尾2m处，釆用可扩 展方式具有良好的兼容性。滑轨与车架和车身固定，有效的防止机架震动对摄像机造成 的影响SI,机架参考设计如图2.9所示。

图**2-9**相机机架安装参考图

**Figure 2-9 Installation of the camera frame**

机架的设计安装需要注意以下几点：（1）摄像机机位必须保证一定的高度才能将整 个3.7m宽的车道完全覆盖，但是支架的高度也不能超过法规规定正常车辆的高度。（2） 摄像机的机架必须保证不对车辆造成物理损坏。（3）固定支架必须釆取减震措施，保证在检测车在拍摄过程中不受支架震动的影响。（4）固定支架应当易于安装和拆卸。

检测车在行驶过程中釆集图像，由于受道路路面材质颜色较暗、道路阴影以及天气 等自然条件的影响，可能造成釆集回来的图像质量不高，为后续的图像处理增加困难。 系统在检测车身安装了 2m长的照明固定支架，照明角度可调，照明设备釆用目前较为 先进的LED作为辅助光源。LED是由超导发光晶体产生的超高强度的灯光。它发出的 热量很少，功耗相对较低。另外，LED具有超长寿命，省电，低成本，高亮度，适应 环境能力强，安装方便等特点。

5.3、路面裂缝图像预处理

图像增强处理是指处理后的图像比原始图像更适合某种特定应用为首要目标的图 像处理方法。任何一幅没有经过处理的原始图像都存在一定程度的噪音。这些噪音使图 像质量恶化，造成图像特征不够清晰，严重的甚至会造成图像特征被淹没，给后期图像 的分析带来一定的困难。因此，必须对质量不高的原始图像进行增强处理。图像增强算 法大致可分为两大类：频域方法和空间域方法。空间域，又称为图像空间A】。这类方法 主要是以矩阵的方式对图像像素直接进行运算处理为基础的。频域处理是建立在图像的 傅氏变换基础上的。图像增强不存在通用性的理论。由于原始图像是为人类视觉感官进 行处理的，由不同的观察者来判断不同方法的处理效果，所以图像感官的视觉评价是一 个非常主观的过程。所以需要定义一个标准来衡量某个算法的性能。

“空间域”增强是指对图像的单个像元进行增强处理，空间域增强处理是对这些像 素直接进行操作的过程。其处理过程可由式3-1进行定义：

g(x,\*) = 7l/(时)\] (3-1)

式中*f(x,y)*代表等待处理的图像，**g(xj)**为经过处理后的图像，**T**是对*f(x,y)*的一种 运算，定义域为*(x,y),*邻域的范围越大灵活性就越高。一般的处理方法是，利用定义 域中的点**(X))**来确定邻域中对应的/值的函数来决定*g*在点*(x,y)*处的值。在实际应用 中釆用的主要方法是以所谓的模板(又称为窗口、掩膜、核或滤波器等)为基础的。从 形式上讲，模板属于一个两维矩阵，模板中各元素的值决定了使用模版所处理的性质， 例如灰度变换、图像锐化等等。因此使用此类方法的图像增强处理通常是指模板处理或 滤波。

**5.4、裂缝图像的増强处理**

图像釆集系统釆用的是黑白面阵CCD摄像机，系统釆集回来的路面原始图像已经 是灰度图像，因此在图像预处理过程中不需要再进行图像的灰度变换，可以直接进行后 续图像处理。由于图像在硬件系统的设计，图像信号的形成及图像的传输和存储过程中 都可能会对原始图像产生干扰，即噪声。例如，由于图像釆集是在检测车高速行驶状态 进行了，车身或支架的抖动都会造成拍摄图像的模糊。另外，原始图像在传输和存储过 程中受电磁干扰会产生脉冲噪声等干扰信号。受天气、照明以及空气灰尘的影响都有可 能对图像造成不同程度的影响。因此，通常在对图像进行处理之前，需要对原始图像进 行一定的预处理，如图像滤波、图像恢复、图像锐化等处理。图像预处理通常能较好的 改善图像质量，消除由于各种因素造成的噪声污染，达到提高检测准确率的目的。根据 噪声产生原理的不同，采用不同的方法进行处理。并通过对比获得一种较为理想滤波方 法来对图像进行增强处理。

![v2-920ca98ecab8b4921216119e3851c2ff\_b.jpg][v2-920ca98ecab8b4921216119e3851c2ff_b.jpg]

![v2-929c5a9e7016692c62ea7046e568a4e7\_b.jpg][v2-929c5a9e7016692c62ea7046e568a4e7_b.jpg]

均值滤波图像

原始图像

图**3-5**图像的均值滤波

**Figure 3-5 Mean filter image**

5.1**裂缝图像边缘检测**

路面裂缝的主要特征就是裂缝的边缘，因此我们首先需要对图像进行比较准确的边 缘检测，然后才能进行正确的图像分割提取裂缝的边缘特征。本文裂缝的边缘检测主要 目的是为了将破损路面图像中的裂缝从背景图像中分离和提取出来，作为后续图像处理 识别和分类的基础。下面我们首先简单介绍一下边缘检测的基础理论。下面简单介绍几 种常用的边缘检测算子：

1、Prewitt 算子

Prewitt算子是最简单的边缘检测算子，其有两个模版，一个是用来检测水平边缘, 一个用于检验垂直边缘。其模型分别为：

2、Roberts 算子

Roberts算子是利用局部差分算子寻找边缘的算子，对噪声很敏感，并且无法抑制 噪声的影响。同样的Roberts有两个算子，其模版为：

3、Sobel 算子

Sobel算子具有两个算子，一个用于检测水平方向边缘，而另一个用于检测垂直方

向边缘。其模版分别是：

Sobel算子有另一个形式的算子Isotropic Sobel0同样，该算子也有两个，一个用于

检测水平边缘，另一个用于检测垂直边缘。其模版分别为:

4、Laplacian 算子

Laplacian算子是n维欧几里德空间中的一个二阶微分算子。Laplacian算子对噪声 也比较敏感，因此图像通常需要先进行平滑处理。其模版为：

5、 Canny 算子

Canny边缘检测算子是JohnF. Canny于1986年提出的一个多级边缘检测算法"门。 其目标是找到一个最优的边缘检测算法。Canny算子提出了一下三个指标：

1.  好的信噪比；
2.  好的定位能力；
3.  对单一边缘仅有唯一响应；

一个好的边缘检测算子应该优化上边的所有准则，因此Canny算子给出了阶跃边缘 的最佳边缘算子的形式，就是Canny边缘检测算子。另外，Canny算法中有两个很有特 色的方法，就是非极大值抑制和双阈值法。

6、 LoG算子

LoG算子又称为高斯拉普拉斯算子(Laplacian of Gaussian, LoG)。是Marr和Hildreth 把Laplace算子和高斯低通滤波复合在一起。由于倒数计算噪声干扰敏感，直接计算导 数类似于噪声。但是，如果采用高斯低通滤波，所得结果则比较好的保留了图像的边缘。 LoG边缘检测算子还有如下特征：

1.  平滑滤波器是高斯滤波器。
2.  增强步骤采用二阶导数。
3.  边缘检测判据为二阶导数零交叉点并对应一阶导数的较大峰值。
4.  使用线性内插方法在子像素分辨率水平上估计边缘的位置。

LoG算子既可以给图像滤波又可以给图像滤除噪声，图像中的孤立点也被滤除。它 主要是通过先和高斯滤波器进行卷积来实现的。

LoG算子的输出*h(x,y)*是为：

*Kx, y)* = A2\[g(x, *y) \* f(x, y)\\* (3-36)

根据卷积求导有

\[A(x,y) = A2 *g(x,y)* \]\*/(x,y) (3-37)

其中

A2 = 茅 (3-38)

7、基于Sobel算子的8方向边缘检测算法

釆用Sobel算子的图像进行边缘检测原理是**\[42**〕：首先，构造一个矩阵模版，然后利 用模版对图像中的像素点逐个地进行卷积运算，最后得到的结果作为该像素的新值。像 素点的卷积运算可以看做加权求和的过程。

卷积使用的权是用一个较小的矩阵来表示的，矩阵的大小为奇数，而且其区域大小 是相同的。如表**3-1**所示，表示卷积核。图像区域内的每一个像素分别和卷积核中的元 素进行相乘，所得的乘积之和为该区域中心像素的新值。

表**3-1**卷积核

Table 3-1 Convolution kernel

Sobel算子是先进行加权平均，再微分，最后在求梯度，数字图像处理过程中的微

分是通过差分近似微分得到的，即

mag(/) = \[G；+G养 (3-39)

由于传统的Sobel算子只有两个方向上的模版，因此在处理诸如裂缝这类具有多方 向性的图像，对图像中的噪声抑制能力效果不好。但是考虑到裂缝图像的多方向性，这 里我们通过构造8个方向的卷积核来实现裂缝图像的边缘检测：

图3-10基于Sobel的8方向模版

**Figure 3-10 The 8 direction template based on Sobel**

裂缝图像中的每个像元都要用8个模版来做卷积，所以模版只对对应图像的边缘有 影响。如图3-10所示，基于8方向的Sobel边缘检测算子效果较好。

如图3-11为边缘检测过程中提取的裂纹边缘，从检测的结果可见，对于路面的横 纵裂纹以及复杂的网裂的边缘均有较好的检测效果。

![v2-86e1f13d62c4cc013f6b62ad60bb7d24\_b.jpg][v2-86e1f13d62c4cc013f6b62ad60bb7d24_b.jpg]

图**3-11**提取的裂缝边缘

**Figure 3-11 Crack edge extraction**

5.6、**图像分割**

图像分割是图像处理中最常见的直接检测区域的分割方法。它是一种基于图像灰度 进行分割的方法。其原理就是将图像像素的按其灰度来排序，并通过设置阈值的办法来 确定目标区域或者要分割的物体边缘。常用的阈值化处理就是我们所说的图像二值化处 理，即将图像转化为黑白的二值图像。

边缘检测结束后，为了下一步裂缝的提取，需要对图像进行阙值分割。根据区域划 分规则的不同，路面裂缝图像的分割原则上有很多种，但是需要找出裂缝图像中最容易 区分目标和背景的特征，再通过一定的处理算法对裂缝图像进行适当运算，得到像素重 新分布的裂缝图像。如果裂缝图像分割效果不佳可能会直接导致后期裂纹图像分类结果 的失败，因此我们需要建立一个健壮和稳定的图像分割方法。

5.7、图像腐蚀与膨胀运算

图像分割处理完成以后，路面裂缝图像变为清晰且裂缝明显的二值图像，但是图像 分割后的图像仍然存在一些细小的孤立点和支缝，因此我们需要通过腐蚀和膨胀运算的 结合使用滤除图像中的孤立点或将支缝连接起来，形成闭合且贯通的裂缝图像，为后续 图像的分类提供基础。我们可以通过图像二值形态学方法使用膨胀算法将裂缝邻近的点 连接起来。而腐蚀和膨胀是一个对偶的运算过程。

![v2-2fe06a837ecfe0d28044e72fec3e64f6\_b.jpg][v2-2fe06a837ecfe0d28044e72fec3e64f6_b.jpg]

![v2-553c434916192fa791491316ad1b1976\_b.jpg][v2-553c434916192fa791491316ad1b1976_b.jpg]

腐蚀前裂纹

腐蚀后裂纹

图**3-14**腐蚀后裂纹图像

膨胀实际上就是腐蚀的一种对偶运算过程，表现在人们视觉上的感官就是二值图像 中裂纹边界点扩张了。膨胀运算将所有裂纹邻域中的像素点全部合并到裂纹中。

![v2-d0a6444540384d46c2eb2e3af9bfa161\_b.jpg][v2-d0a6444540384d46c2eb2e3af9bfa161_b.jpg]

![v2-0e032ea9f2e0aa6f83580a4099a70f83\_b.jpg][v2-0e032ea9f2e0aa6f83580a4099a70f83_b.jpg]

膨胀前裂纹

膨胀后裂纹

图**3-15**膨胀后裂纹图像

**六、人工神经网络概述**

人工神经网络(Artificial Neural Networks, ANN)也称为神经网络(NNS)或连接 模型(ConnectionModel),它是以计算机网络系统模拟动物神经网络的智能计算系统， 是对人脑或生物神经网络的若干基本特性的抽象和模拟。人工神经网络的数学算法模型 能够对分布式信息进行并行处理。人工神经网络是由大量的简单的神经元(neuron)相 互连接而成的非线性自适应动态系统。神经网络中每个神经元的结构和功能都比较简 单，但是它是由大量的处理单元互联组成的，因此神经网络是一种非常复杂的非线性、 自适应处理系统。它克服了传统的人工智能在处理直觉、非结构化信息方面的缺陷。由 于神经网络具有自组织和自适应的特点，己经大量应用于模式识别、智能控制以及人工 智能等领域。并且己经涉及神经科学、思维科学、计算机科学等多个交叉学科领域，不 断推动人工智能技术的发展。近年来，神经网络已经开始和模糊控制、遗传算法相结合, 并形成新的计算智能将成为一个重要的研究方向，并逐渐向实际应用的方向发展［46】。

**七、运行示例图**

![v2-04193a01e5fd6854c07c0419ba6be3e3\_b.jpg][v2-04193a01e5fd6854c07c0419ba6be3e3_b.jpg]

八、**参考文献**

1.  徐培华.高等级公路路基路面养护技术\[M\].北京:人民交通出版社,2003.
2.  张鹏宇.沥青路面裂纹检测技术的研究\[D\].长沙理工大学,2010.
3.  蒋彬.刘淑荣.基于图像识别的公路路面破损自动检测研究进展\[J\].东北公路,2002.
4.  高建贞.基于图像分析的道路病害自动检测研究\[D\].南京理工大学,2003.
5.  刘玉臣.公路路面裂缝图像自动识别技术研究\[D\].吉林:吉林大学,2005.
6.  王旭葵.公路建设与环境保护分析\[J\].黑龙江交通科技.2006.
7.  刘婉予，谢凯.公路路面自动检测系统发展综述\[J\].中外公路.2007.
8.  何桂平，曹翠星,孙成仁.路面破损自动评价技术的现状和发展\[J\].中外公路.2002.
9.  啜二勇.国内路面自动检测系统研究历程及展望卩\].中国高新技术企业.2009.
10. 郭留红.多功能激光路面平整度检测系统的研制与应用\[J\].交通标准化.2003,29-31.
11. 公路技术状况评定标准\[M\].北京:人民交通出版,2008.
12. 高建贞.基于图像分析的道路病害自动检测研究\[D\].南京理工大学.2003.
13. 王修桂.高速公路路面破损检测分析\[J\].中国高新技术企业.2009,133 (22).
14. 沙庆林.高速公路沥青路面早期破坏现象及预防\[M\].北京:人民交通出版社,2001.
15. Dayid L.Donoho,Mark R.Duncan.DigitalCurveIet Transform: Strategy,Implementationand Experiments.

[v2-f5b06a8c23fa48ccef796dad31c628c4_b.jpg]: /images/20220829/0043da18b8944dd88caf538d1029c8a3.png
[http_Basic.NET]: https://link.zhihu.com/?target=http%3A//Basic.NET
[v2-b1a2d0f285b6524eee9c7eac88599bb3_b.jpg]: /images/20220829/637318b089f04281b7060c79ebec94e5.png
[v2-01bf335408757df9c9e39c244d58bff7_b.jpg]: /images/20220829/445de3a504cf46c1a916bf9db7e2b649.png
[v2-fce6e08e5e3a3fa5e2f9a9bcafe70c7b_b.jpg]: /images/20220829/d7cfe396ca914cc08a47f7530e9d1bc9.png
[v2-9e1bca4be7f63bf93da39ddcb5d76a35_b.jpg]: /images/20220829/2f1a4e48d4704c82af9a59b72b72cd63.png
[v2-920ca98ecab8b4921216119e3851c2ff_b.jpg]: /images/20220829/fda86b5520794672bb69938daa36fdb1.png
[v2-929c5a9e7016692c62ea7046e568a4e7_b.jpg]: /images/20220829/2f2f7291324442228d6d2d0b26c8a240.png
[v2-86e1f13d62c4cc013f6b62ad60bb7d24_b.jpg]: /images/20220829/fa91a3f948e7409180d38587b3c198d5.png
[v2-2fe06a837ecfe0d28044e72fec3e64f6_b.jpg]: /images/20220829/bd42874c279d441484a2aea6c9b5596a.png
[v2-553c434916192fa791491316ad1b1976_b.jpg]: /images/20220829/46905cf3ea9548ea96b5fdea2da5a20c.png
[v2-d0a6444540384d46c2eb2e3af9bfa161_b.jpg]: /images/20220829/4e403cf34e4741e19d617c3ad5906c31.png
[v2-0e032ea9f2e0aa6f83580a4099a70f83_b.jpg]: /images/20220829/c111d47236ee4a19be9fd705947cea3d.png
[v2-04193a01e5fd6854c07c0419ba6be3e3_b.jpg]: /images/20220829/a0149d1db4054f6688d5a1204da65a09.png