关键词： 卫星视频   单目标跟踪   多目标跟踪   卷积神经网络   Transformer  

摘要： 卫星视频目标跟踪任务在时空智能感知研究中发挥着重要的作用,能有效完成城市交通管理、自然灾害动态响应等任务。然而,由于图像的成像角度、光照条件等因素的影响,卫星视频中的目标存在复杂遮挡、相似目标干扰、低质量、背景杂乱等问题。现有的方法对卫星视频中目标的上下文信息和局部信息的提取能力不足,导致部分细节信息丢失。针对上述问题,本文开展基于卫星视频目标跟踪的方法研究,主要研究内容如下: （1）针对卫星视频单目标跟踪中复杂遮挡、相似目标干扰问题,提出一种孪生光谱-空间-帧关联网络的卫星视频单目标跟踪方法（Single-object Tracking Method Based on Siamese Spectral-Spatial-Frame Correlation Network,Siam S2F）。该方法结合卷积神经网络与自注意力机制,增强了网络在复杂场景中对相似目标和遮挡问题的鲁棒性。同时,提出了一种光谱-空间-帧注意力模块,该模块通过增强视频帧之间的交互,可以更好地关注目标的连续性,有效解决复杂遮挡问题。最后,提出了一种分类回归头模块,该模块包含三种损失函数,通过三种损失函数的协同作用来解决相似目标干扰问题。 （2）针对卫星视频单目标跟踪中视频低质量、背景杂乱问题,提出一种时序增强Transformer卫星视频单目标跟踪方法（Single-object Tracking Method Based on Time-series Enhanced Transformer,ST2SET）。首先,该方法结合了卷积神经网络和Transformer的各自优势,构建了一个混合跟踪框架。其次,设计了一种多尺度交互注意力机制,该机制通过构建多粒度感受野金字塔,有效解决视频低质量问题。最后,对Transformer的编码器-解码器架构进行了针对性改进。在编码器部分,设计了时空上下文融合注意力机制,并通过掩码矩阵对上下文信息进行过滤和聚焦,有效解决背景杂乱的问题。在解码器部分,设计了时空上下文广播注意力机制,同时采用了跨帧时间信息传播方法,以平滑跟踪目标外观的变化,有效缓解目标旋转问题。 （3）针对卫星视频多目标跟踪中目标空间密集分布导致的漏检问题,提出一种基于动态感知的卫星视频多目标跟踪方法（Satellite Video Multi-object Tracking Method Based on Dynamic Perception,SMotDP）。首先,该方法设计动态掩码传播模块,该模块首先利用分块交叉注意力提取精细化特征,进而利用动态缩放注意力模块对空间拓扑建模,显著提升检测性能。进一步地,将动态缩放注意力集成到掩模传播与运动预测网络,实现通道与空间联合编码,有效缓解多目标跟踪中漏检的问题。

关键词： 计算机视觉   眼部医学图像   视神经鞘分割   MTM术后预测  

摘要： 眼部是人体唯一可非侵入性直接观察神经与微血管状态的窗口,其影像在多种全身性疾病的早期筛查中具有独特价值。其中,视神经鞘直径是评估颅内压水平的重要间接指标,但现有方法多基于清晰图像开展,面对临床中常见的模糊图像时分割性能显著下降;黄斑区则是高度近视患者最易发生病变的核心区域,其结构变化直接影响视力预后,然而当前针对近视牵引性黄斑病变(Myopic Traction Maculopathy,MTM)术后视力预测的研究基本空白。此外,由于眼部图像空间尺度小、对比度低且个体差异大,传统手工分析方法在效率和精度上已难以满足临床需求。近年来,深度学习技术逐渐成为医学图像智能分析的重要手段。本文围绕视神经鞘分割与MTM术后预测任务开展研究,并进一步开发面向临床的辅助诊断系统。 1.为实现在视神经鞘边界模糊的临床图像下的精准分割,针对视神经鞘形状简单的特点,引入基于Bounding Box添加mask分支实现语义分割的YOLOv5s网络。同时针对YOLOv5s更关注局部特征的局限性,引入多种包含残差结构以及注意力机制的模块帮助网络在不过多舍弃原有对局部特征获取的基础上,更好地理解视神经鞘超声图像的全局特征。这种对局部以及全局特征的全面把握帮助本章算法CBC-YOLOv5s获得了最佳性能。实验结果表明,本章算法在Z2Hospital Ons-5000数据集上全面优于对比方法:在总测试集上,相比U-Net、U-Net++、Swin-Unet、YOLOv8s和YOLOv5s,本章算法的Dice系数提高11、7.6、2、4.7和1.1个百分点;在模糊测试集上,提升更是分别达到15.1、12、6.9、6.6和3.2个百分点,这表明本章算法显著提高了在模糊图像下的分割能力。 2.由于MTM术后预测数据集积累较难,难以短时间构建大数据集,因此需要实现在小样本数据下的MTM术后精准预测。基于这个需求,本章在迁移学习基础上引入追求参数与性能平衡的EfficientNet网络,首先提出构建放射组学特征融合图像策略来丰富光学相干断层扫描(Optical Coherence Tomography,OCT)图像特征,其次针对MTM患者眼部OCT图像存在的明显丝状物以及牵拉特征,提出ELA-EfficientNet网络,通过引入符合图像特征分布的特殊注意力机制以帮助网络精准预测。实验表明,提出MTM术后预测方法得到了88.24%的灵敏度以及89.47%的特异度,这有利说明了深度学习方法于MTM术后预测的可行性。 3.便捷设备医疗辅助诊断系统:构建了一个便捷设备医疗辅助诊断系统,支持视神经鞘直径检测与MTM术后预测两项任务。该系统通过在移动端设备上部署深度学习模型来辅助医师进行临床诊断,支持实时读取并处理患者医学影像视频并输出推理结果,该系统当前已在龙泉市人民医院、遂昌市人民医院、衢州市第二人民医院进行临床科研。

关键词： 目标检测   YOLOv8n   轻量级网络   胡麻虫害检测   通道剪枝  

摘要： 高效的农作物虫害监测预警依赖于快速且准确的虫害实时检测。虫害监测预警是农作物生产中重要的一环,现有的检测模型大多存在计算资源消耗大、推理速度慢和针对性不强等问题,难以在资源受限的自然环境种植条件下广泛应用。本文对轻量化胡麻虫害检测模型展开研究,目前,实现虫害检测模型的轻量化颇具挑战性,首先,需要满足虫害监测预警的精度需求,其次,对于资源受限的环境,需要保证模型足够轻量化和高效。针对此类挑战,本文探讨了胡麻虫害数据集的制作方法、基于网络结构优化的轻量化胡麻虫害检测算法和集成模型改进与通道剪枝的轻量化胡麻虫害检测算法。具体研究内容如下: (1)建立胡麻虫害数据集并应用目标检测模型进行初步训练和验证。首先,通过开展实地数据采集作业收集胡麻处于现蕾期、花期和青果期常见的四类虫害图像。为了提高模型的泛化能力和鲁棒性,对采集到的胡麻虫害数据进行数据增强丰富数据集,建立了包含6822张自然环境下的胡麻虫害图像数据集。随后在构建的胡麻虫害图像数据集上应用目标检测模型进行对比,并依据对比结果进行初步判断,YOLOv8n在胡麻虫害检测方面更具有优势,满足快速且准确的实时检测需求。 (2)提出基于改进YOLOv8n结构的轻量化胡麻检测算法LIS-YOLO(Light by Improving Structure-YOLO)。针对模型结构优化的轻量化算法展开研究,以YOLOv8n作为基础框架,将特征增强网络优化为高级筛选特征融合金字塔(High-level Screening-feature Fusion Pyramid Network)结构,减少网络参数并应对多尺度问题;在骨干网络中嵌入坐标注意力机制(Coordinate Attention),显著改善模型的抗环境干扰能力,提升模型性能;使用Inner-SIo U损失函数优化原损失函数,保持模型较高的检测精度。实现了轻量化胡麻虫害检测算法。 (3)提出集成改进YOLOv8n与通道剪枝的轻量化胡麻虫害检测算法LPM-YOLO(Light by Pruning Model-YOLO)。针对数据和特征图的冗余问题,对轻量化YOLOv8n算法展开研究。首先,基于Rep Vi T(Revisiting Mobile CNN From Vision Transformers Perspective)设计了一个适应多尺度的网络结构Multiscale-Rep Vi T,优化YOLOv8n骨干网络,使模型能够高效率处理网络空间信息和通道信息的同时,进一步提升模型在处理复杂场景中的性能。然后,融合Faster Net基本原理优化特征融合网络中的C2f模块,在硬件层面提升模型的推理效率。最后,使用基于幅度的层自适应剪枝评分(Layer-Adaptive Magnitude-Based Pruning Score,LAMP Score)压缩改进模型的参数量和模型大小实现模型轻量化。提出的轻量化算法满足实际胡麻虫害检测需求,保持较高精度并减少了网络特征图中的冗余。实现了轻量化胡麻虫害检测算法。

关键词： 深度学习   奶牛个体识别   目标检测   注意力机制   轻量化  

摘要： 随着我国奶牛养殖规模化程度持续提升,精准个体识别技术对优化饲料利用率和畜牧保险业具有关键作用。当前,传统耳标识别存在接触应激与效率问题,而深度学习技术的持续发展推动非接触生物特征识别从理论探索向实际应用转化。本文针对奶牛背部花纹的独特性,提出了一种基于深度学习的奶牛背部特征个体识别方法研究,旨在为奶牛养殖智能化管理提供技术支持,促进畜牧产业智能化升级与可持续发展,主要工作如下: (1)构建奶牛背部图像数据集。本文基于山东省奥克斯鲜淳种业标准化牧场荷斯坦奶牛群体,采用高分辨率2560×1440监控设备采集挤奶场景视频,通过自适应阈值帧间差分法提取有效帧序列,经筛选剔除异常及遮挡样本,形成含100头奶牛、523张原始图像的多目标数据集。进一步采用图像分割技术构建1524张单目标子集,并通过数据增强将训练集扩展至8145张,实现多场景下奶牛个体识别模型的泛化验证。 (2)基于Inception V3的单头奶牛个体识别方法。针对卷积神经网络存在的参数量冗余与特征权重失衡问题,本文提出融合残差结构、通道注意力机制及Sigmoid分类器的SE-Inception V3模型,实现奶牛个体的高精度鲁棒识别。实验结果表明,该模型在Cow-Identification公共数据集准确率为99.79%,在奥克斯鲜淳数据集1上实现87.46%的识别准确率,验证了该模型在多场景下的泛化能力。 (3)基于YOLOv8的多头奶牛个体识别方法。针对密集场景下奶牛检测存在的模型复杂度高与细粒度特征捕获不足问题,本文提出基于轻量化深度可分离卷积和高效多尺度注意力模块的YOLOv8-DFE模型,实现计算负载压缩与关键特征增强的双重优化。实验结果表明,该模型在奥克斯鲜淳数据集2上较YOLOv8m模型参数量降低52.5%的同时m AP@0.5提升至98.9%;精确率和召回率分别达到90.5%和93.3%,F1分数提升20%。 (4)基于Deep Stream的奶牛背部视频流智能分析系统。本文基于Deep Stream框架集成Tensor RT加速引擎,实现了多路视频流的实时分析与处理。并且采用Kafka消息队列构建事件驱动架构,当监测到奶牛的采食行为时,触发Gst-nvmsgbroker插件推送结构化时间消息,由独立消费服务完成图像抓取与对象存储。系统实现了从视频采集到数据分析的全流程自动化,为现代化奶牛养殖提供了高效、可靠的技术支撑。

关键词： 计算机视觉   奶牛跛行   牛行为识别   智慧养殖  

摘要： 奶牛跛行是仅次于乳腺炎和繁殖障碍的第三大健康问题,对奶牛的生产性能、繁殖能力及福祉造成严重影响。在现代大规模奶牛养殖中,人工识别跛行效率低下,为实现奶牛跛行的自动检测,本文提出了一种基于计算机视觉的奶牛跛行识别算法,围绕奶牛实例分割、奶牛特征区域关键点检测和奶牛跛行识别三个阶段展开研究,具体研究内容如下: (1)奶牛实例分割算法研究:针对养殖场环境中光照变化大、栏杆遮挡、污泥覆盖以及奶牛尺度不一等问题,本文提出了一种基于改进YOLOv10n-seg的奶牛实例分割算法。首先,在骨干网络和颈部网络中引入C2f-ODConv,以增强模型对奶牛全身特征的感知能力;然后,将SPPF替换为Focal Modulation Module,以更有效地捕捉不同尺度奶牛个体的上下文信息;最后,采用Freq Fusion结构融合不同频率特征,以提升分割精度。结果表明,改进后的YOLOv10n-seg在精确率、召回率和m AP50分别达到了98.6%、94.5%、97.9%。 (2)奶牛特征区域关键点检测算法研究:使用Deep Lab Cut算法提取视频帧序列中奶牛的头、颈、肩、背部中心、腰、尾部以及四蹄的关键点坐标,对比分析实例分割得到的六种格式输入图像在Mobile Net-V2和Res Net系列主干网络上的训练效果后,最终选择按目标检测框裁剪后的分割结果图和Res Net-152作为Deep Lab Cut算法的最佳输入和最优主干网络。 (3)奶牛跛行识别算法研究:鉴于跛行奶牛在行走时通常表现出头部起伏较大、背部弓起、步态不规律等特征,本文从运动行为特征出发,分别构建基于头颈背部关键点和蹄部特征的奶牛跛行识别算法。针对头颈背部关键点,构建关键点时间序列数据集,并设计了FN-Bi LSTM模型,与多种时间序列模型进行对比分析。试验结果表明,FN-Bi LSTM模型的精确率、召回率和准确率分别达到95.71%、99.04%和97.16%。针对蹄部特征,构建包含前蹄与后蹄相对步长、步长平均值和步长方差的蹄部特征向量,并评估多种跛行识别模型性能,其中Naive Bayes表现最佳,精确率、召回率和准确率分别为80.00%、90.32%和82.76%。 本文旨在为智能化奶牛健康监测提供技术支撑,助力现代智慧养殖畜牧业发展。

关键词： 钢材表面缺陷检测   YOLOv8n   GCA注意力模块   CMobileViT网络结构   SPD-Conv卷积  

摘要： 在现代制造业中,钢材质量直接影响产品性能、安全性和生产效率,因此及时有效的缺陷检测至关重要。基于深度学习的目标检测方法,相比传统人工检测具有更高的准确性。然而钢材表面缺陷检测仍面临特征提取困难、模型复杂度高、参数量大导致部署难度增加等挑战。针对这些问题,本文基于YOLOv8n模型进行优化改进,提出了一种轻量化、高精度的钢材表面缺陷检测方法。本文的主要研究内容和创新点如下: (1)针对YOLOv8n模型在复杂特征提取、定位精度和漏检率方面的不足,本文提出一种全局卷积注意力机制(Global Convolutional Attention,GCA)。该注意力机制融合空间注意力和通道注意力,通过多层感知器技术(Multilayer Perceptron,MLP)进一步增强特征表达能力。GCA注意力模块能够动态分配特征权重,显著提升模型对钢材复杂缺陷的特征提取能力。通过与SE、CA和ECA等主流注意力机制的对比实验,验证GCA模块在检测精度和漏检率方面的优越性。 (2)针对YOLOv8n模型参数量和计算量大的问题,本文提出一种改进的CMobileViT网络结构,替换YOLOv8n的主干网络。CMobileViT通过并行计算机制,在减少参数量的同时增强特征提取能力。此外,本文引入空间深度转换卷积(Spatial Depth Conversion Convolution,SPD-Conv),通过空间到深度的转换减少特征图的空间尺寸,显著降低了计算复杂度。实验表明,改进后的YOLOv8n-Simple模型在参数量和计算量上分别仅为原模型的42%和79%,同时检测精度提升了0.9%。 (3)通过集成GCA注意力机制、CMobileViT网络和SPD-Conv卷积,本文提出YOLOv8n-CGS模型。在NEU-DET数据集上的实验结果表明,YOLOv8n-CGS模型的m AP@0.5达到81.5%,较原模型提升了2.6%,同时参数量和计算量分别减少至原模型的54%和44%。与经典目标检测模型及最新YOLO系列模型相比,YOLOv8n-CGS在检测精度和轻量化方面均表现出显著优势。 (4)为了将YOLOv8n-CGS模型应用于实际工业场景,本文设计并实现一套钢材表面缺陷检测系统。该系统基于Py Side6框架开发,并提供友好的用户交互界面。通过系统测试,验证该系统在钢材表面缺陷检测任务中的有效性,能够满足工业生产中对高效、精准检测的需求。

关键词： 目标跟踪   物理对抗攻击   通用对抗扰动   对抗攻防演练系统  

摘要： 随着计算机视觉技术的快速发展,目标跟踪算法在自动驾驶、安防监控、人机交互等领域得到了广泛应用。然而,深度神经网络对对抗样本的脆弱性为目标跟踪系统的安全性带来了严峻挑战。现有的目标跟踪对抗攻击方法主要集中在数字域,难以在物理环境中实施有效的攻击,且生成的对抗补丁通用性较差。针对这些问题,本文以目标跟踪物理对抗补丁攻击技术为研究课题,提出了一种兼具高效性与通用性的物理对抗补丁攻击方法,并设计和实现了目标跟踪对抗攻防演练系统,为目标跟踪算法的对抗鲁棒性评估提供了有效的工具和方法。本文的主要研究内容和创新点如下: (1)针对现有物理对抗攻击方法攻击效果不显著的问题,本文提出了目标跟踪对抗补丁劫持攻击技术。该技术通过设计劫持攻击损失函数,使得跟踪器输出的预测框被对抗补丁劫持,朝着攻击者指定的方向移动,从而实现了可控的攻击效果,同时在补丁训练过程中引入了补丁平滑损失增强补丁的隐蔽性。实验结果表明,该方法在多个基准数据集上显著降低了目标跟踪器的性能,攻击效果优于大部分现有方法。 (2)针对目标跟踪物理对抗补丁通用性差的问题,本文提出了目标跟踪通用对抗补丁生成方法。该方法通过将训练数据集划分为多个小批次,构建聚合梯度树,逐步优化补丁,有效提升了对抗补丁的通用性。接着,将该方法与补丁打印损失、物理适配变换以及目标跟踪对抗补丁劫持攻击技术结合成为目标跟踪物理对抗补丁攻击技术,在数字域上的定量评估结果与物理域上的定性分析结果表明,生成的对抗补丁对不同类别的目标具有较强的泛化攻击能力,并能够有效地应用于实际的物理场景中。 (3)为全面评估目标跟踪算法的对抗鲁棒性,本文设计并实现了目标跟踪对抗攻防演练系统。该系统集成了多种目标跟踪算法、对抗攻击方法、对抗防御方法及评估指标,支持用户进行跟踪器脆弱性评估和鲁棒性增强。系统采用模块化设计,具有良好的可扩展性和易用性,为目标跟踪领域的研究者和实践者提供了一个高效、可靠的平台。 本文的研究成果为目标跟踪算法的安全性评估和鲁棒性提升提供了有价值的理论依据和实践指导,对推动目标跟踪技术在安全敏感领域的应用具有重要意义。

关键词： 4D毫米波雷达   多传感器融合   自动驾驶汽车   3D目标检测  

摘要： 环境感知能力已成为提升自动驾驶安全性和智能决策水平的关键因素。目前,自动驾驶感知系统主要依赖摄像头、激光雷达和毫米波雷达等传感器,其中,4D毫米波雷达因其全天候工作能力、较低成本及优异的速度感知性能,在自动驾驶领域展现出广泛的应用前景。与传统毫米波雷达不同,4D毫米波雷达不仅能提供目标的距离、速度和方位角信息,还能获取目标的高度,从而提升3D目标检测精度。然而,4D毫米波雷达的数据稀疏性、目标分辨率的限制以及缺乏语义信息,导致现有基于4D毫米波雷达的目标检测算法面临诸多挑战。本文针对4D毫米波雷达在3D目标检测任务中存在的数据稀疏性、目标分辨率受限及缺乏语义信息等问题,运用自注意力机制与多模态数据融合方法,采用网络优化与实验验证,开展基于4D毫米波雷达的3D目标检测及多模态感知研究,主要研究内容如下: (1)3D目标检测研究背景及技术方法分析。本文系统回顾了3D目标检测的研究背景,并分析了主流技术方法。研究涵盖基于图像、点云及多传感器融合的检测方法,并详细阐述了毫米波雷达的工作原理及4D毫米波雷达技术特点,为后续算法优化提供理论基础。 (2)基于自注意力机制的SA-SECOND检测方法设计。针对4D毫米波雷达点云数据的特性,本文提出了一种基于自注意力机制的改进SECOND网络(SA-SECOND),通过引入残差自注意力模块,优化了全局特征表达能力,从而提升了对稀疏目标和远距离目标的检测精度。实验结果表明,SA-SECOND在TJ4DRad Set数据集上表现优于传统SECOND点云检测方法。 (3)基于4D毫米波雷达与视觉传感器融合的BEV-DAFusion检测算法设计。为增强多模态感知能力,本文提出了一种基于4D毫米波雷达与视觉传感器融合的3D目标检测算法—BEV-DAFusion。该算法通过Swin-Transformer提取图像特征,并结合SA-SECOND网络处理雷达点云数据,将特征投影至BEV空间进行融合。为提升多模态特征匹配度,本文引入动态对齐机制和残差特征调制策略,从而提高了复杂场景中的检测精度。通过使用TJ4DRad Set数据集进行实验验证,结果表明,所提出的融合算法在提升复杂场景中的检测精度方面取得了显著的改善。 (4)构建自动驾驶感知系统实验平台并验证融合算法。本文构建了自动驾驶感知系统实验平台,集成了单目相机和Arbe Phoenix 4D毫米波雷达,并进行了传感器标定与数据同步,构建了高质量的多传感器数据集。

关键词： 目标检测   迷彩伪装   注意力机制   知识蒸馏   模型压缩  

摘要： 随着计算机视觉技术的高速发展,目标检测技术已被广泛应用于实际生产与生活的各个方面。然而在军事等特殊应用场景中,迷彩伪装目标检测仍面临严峻挑战。在军事场景中,由于迷彩伪装目标与背景环境高度融合,其轮廓边界模糊不清,色彩纹理相似度极高,导致误检和漏检问题频发。因此,构建高效精准的迷彩伪装目标检测网络具有重要的研究价值和现实意义。本文的主要研究内容如下: (1)构建并制作了迷彩伪装目标数据集。本次数据集在制作时,充分参考了野外战场环境的真实状况,数据集共包含6540张高分辨率图像,其中涵盖了迷彩伪装士兵与迷彩伪装坦克两个类别。原始素材是由互联网上采集的处于野外复杂环境下的迷彩伪装视频和模拟现场拍摄的视频两部分组成。在制作环节采用关键帧提取的技术,从其中挑选并筛出含有迷彩伪装士兵和迷彩伪装坦克的高清图像,最后通过数据清洗与数据标注流程完成了数据集的构建。基于此构建的数据集不仅应用场景广泛、覆盖范围全面,还确保了数据的高精度与可靠性。该数据集为后续改进算法的有效性验证提供了可靠支撑。 (2)研究了迷彩伪装目标检测算法。针对迷彩伪装目标与背景高度相似,且在复杂背景下重叠遮挡,导致错检、漏检率升高的问题,本文提出了一种基于YOLO的迷彩伪装目标检测算法:MFC-YOLO。该算法采用MobileViT作为主干网络,在提升特征提取能力的同时减少模型参数量和计算复杂度;引入Focal Modulation模块对复杂背景下目标的特征进行增强;引入CPMS注意力机制模块,进一步聚合局部和全局特征,并结合160×160尺度的检测头,加强对遮挡小目标的检测能力。实验结果表明,MFC-YOLO针对迷彩伪装目标的检测精度显著提升。 (3)研究了基于知识蒸馏的迷彩伪装目标轻量检测算法。根据实际部署应用的需求,MFC-YOLO网络存在参数量大、检测速度慢以及学生模型准确率低等问题。本文提出了OSPA-KD蒸馏方法,该方法结合全局蒸馏和局部蒸馏,同时在全局蒸馏中融入多阶段融合模块。全局信息和局部信息相结合使得学生模型更易具有更丰富的语义信息,多阶段融合模块提高学生模型的学习效率,从而拥有更高的准确率。实验结果表明,全局蒸馏结合局部蒸馏的方法,在精度保持稳定的前提下,实现了模型参数量与计算量的大幅降低。 (4)设计并搭建了迷彩伪装目标检测系统。系统以PyQt5作为其图形界面的开发支撑工具,用户将待检测迷彩伪装图像上传至系统进行检测时,用户可以清晰地看到伪装目标的位置和类别信息。经严格的测试环节后发现,该系统具备对输入的迷彩伪装目标图像或者视频执行快速且精准检测的能力,为其后续的推广与应用奠定了坚实的实践基础。