《基于蚁群算法的三维CAD模型检索.pdf》由会员分享,可在线阅读,更多相关《基于蚁群算法的三维CAD模型检索.pdf(7页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、第2 3 卷第4 期计算机辅助设计与图形学学报V 0 1 2 3N o 42 0 11 年4 月J o u r n a lo fC o m p u t e r A i d e dD e s i g n C o m p u t e rG r a p h i c sA p r 2 0 11基于蚁群算法的三维C A D 模型检索张开兴,张树生,李亮(西j t,-r 业大学现代设计与集成制造技术教育部重点实验室西安7 1 0 0 7 2)(k a i x i n g z h a n g g m a i l c o r n)摘要:为了更好地实现C A D 模型的重用,提出一种利用蚁群算法的三维C A D
2、 模型检索算法通过提取C A D 模型的B r e p 信息,将模型用属性邻接图来表示;根据如果2 个C A D 模型存在相似的特征或局部结构,那么C A D 模型对应的属性邻接图就应存在公共子图这一原理,利用蚁群算法来检测属性邻接图中的公共子图,从而得到2 个C A D模型相似的局部细节特征;然后通过比较相似局部细节特征对C A D 模型进行相似性评价实验结果表明,该算法能较好地实现三维C A D 模型检索,检索性能高于通用领域的检索算法,可以实现C A D 模型设计和制造知识的重用关键词:重用;蚁群算法;属性邻接图;公共子图中围法分类号:T P 3 9 1AM e t h o do f3
3、DC A DM o d e lR e t r i e v a lB a s e dO i lA n tC o l o n yA l g o r i t h mZ h a n gK a i x i n g,Z h a n gS h u s h e n g,a n dL iL i a n g(K e yL a b o r a t o r yo fC o n t e m p o r a r yD e s i g na n dI n t e g r a t e dM a n u f a c t u r i n gT e c h n o l o g y(N o r t h z v e s t e r n
4、P o l y t e c h n i c a lU n i v e r s i t y)M i n i s t r yo fE d u c a t i o n,X i a n7 1 0 0 7 2)A b s t r a c t:T or e u s e3 DC A Dm o d e l sm o r ee f f i c i e n t l y,f ln e w3 DC A Dm o d e Ir e t r i e v a lm e t h o db a s e do nt h ea n tc o l o n ya l g o r i t h mi sp r o p o s e di n
5、t h i sp a p e r A tf i r s t,aC A Dm o d e li sr e p r e s e n t e db yt h ea t t r i b u t ea d j a c e n tg r a p h(A A G)w i t ht h eB-r e pi n f o r m a t i o ne x t r a c t e df r o mt h em o d e l T h e n,t h ea n tc o l o n ya l g o r i t h mi se m p l o y e dt od e t e c tt h ec o m m o ns
6、u b g r a p hi nt h ec o r r e s p o n d i n gA A G so fd i f f e r e n tm o d e l s T h es i m i l a rs u b p a r t sa r eo b t a i n e da c c o r d i n gt ot h ep r i n c i p l et h a tt h ec o r r e s p o n d i n gA A G so ft w om o d e l sh a v ec o m m o ns u b g r a p h si ft h em o d e l sh a
7、 v es i m i l a rs u b-p a r t s A tl a s t,t h es i m i l a r i t yo ft h em o d e l si sc a l c u l a t e db yc o m p a r i n gt h es i m i l a rs u b-p a r t s O u re x p e r i m e n t a lr e s u l t ss h o wt h ep r o p o s e dm e t h o do u t p e r f o r m st h ee x i s t i n gr e t r i e v a l
8、m e t h o d sa n dc a na c h i e v et h ereuseo fd e s i g na n dm a n u f a c t u r i n g K e yw o r d s:r e u s e;a n tc o l o n ya l g o r i t h m;a t t r i b u t ea d j a c e n tg r a p h;c o m m o ns u b g r a p h目前,基于三维模型的产品设计与制造已成为我国制造业的主流模式,由于产品三维模型具有可视化、数字化和虚拟化等特点,使其成为产品开发各环节(C A D,C A E,C
9、A P P,C A M 等)不可或缺的基础载体研究和统计分析表明,在新产品开发中,约4 0 是重用过去的部件设计,约4 0 是对已有设计部件的微小修改,而只有约2 0 是完全新的设计 1 因此,如何方便、准确、快速地获取已有产品三维模型的相似性设计成果,并加以有效重用,是提高设计效率、缩短产品开发周期的关键之一在产品的概念设计、详细设计、工艺工装设计等各设计阶段中,通过基于内容的检索技术可以实现企业产品三维收稿日期:2 0 1 0 0 7 0 7 l 修回日期:2 0 1 0 0 9 1 3 基金项目:国家自然科学基金(5 1 0 7 5 3 3 6);国家。八六三”高技术研究发展计划(2 0
10、 0 7 A A 0 4 2 1 3 7)张开兴(1 9 8 4),男。博士研究生,主要研究方向为C A G D、几何造型与处理、模型检索;张树生(1 9 5 6 一),男,博士,教授,博士生导师,主要研究方向为C I M S、先进制造技术、计算机图形学、C A G D)李亮(1 9 8 3),男,博士研究生,主要研究方向为计算机图形学、C A G D 万方数据计算机辅助世汁图形学学撤C A D 模型资源的多粒度、精确化、个性化快速聚炎为复杂产品的数据管理提供基于内容的=维C A D模型可视化检索新技术为产品设计过程中各类殴计成果的重用提供一种全新的支持手段在C A D 领域,C A D 模型
11、有其自身的特点如C A D 模型由曲线和曲面组成、包含很多特征、对称性比较强、有明显的边界轮麻线等但由于通J H 领域的检索算法、2“_ 无法充分地考虑这衅特点,用此将通用领域的检索算法应川于C A D 模型检索效率不高而在C A D 模型检索方丽的研究尚处于起步阶段文献 4 通过构造C A D 模型特征向量并将其作为自组织特征映射神经网络的输入,借助神经网络进行C A D 模型的A 动聚娄;文献 5 提出通过计算模型|的面形位码束对模型之I h 不同精度的相似度i 平价;文献 6 3 提m 利用I 雩I 论巾二分图最优匹配算法来评价模到之间的相似度;文献 7 则利用扩展R e e b|刳并附
12、带几何属性来实现C A D 模型整体相似性比较和模型子部分的对应;义献 8 通过提取C A D 模型的骨架将C A D 模型的相似性度揖转化为对鹰骨架图的相似性比较现有的检索方法更侧重C A D 模】!I l l 整体外形的棚似性,对模型的局部细节特征描述不足但在设计和制造过程中,企业往往更咒注模型的局部细节特征只有达到局部特征级别的牛龟索才能更好地实现参考并重用已有的模型基于此,本文将通过C A I)模型所包含的局部细节特征埘萁进行相似性评价,利川一种启发式算法蚁群算法米检测2 个C A D 模型包含的相似的局部细节特征井根据这些相似的局部细节特征第2 3 茌接关系作为图的条边,边的类型和n
13、 凹性作为边的属性避过属性邻接罔表,下方法口f 将C A D 模型相似性比较的问题转换成检测属性邻接罔的公共子斟的问题来解决下面给出公共子田和最大公共子图的定义定义1 公共于图给定图G 吐和G。,若图G与罔G。子图同构同时,图G 也与网(;。子图同构,则称图G 是用G,和图G。的公共子圈,记作c s(G。,岛)定义2 最大公共子罔给定图G 和G。若图G 是图G。和图G。的公共子圈,且不存在图G,蹦G 7 也是图G。和圈G。的公共子图,图G7 的节点个数大子图G 的节点个数,则称|骞【G 是图G。和图G。的最大公共子图记作m c s(G。,G。)给定2 个C A D 模型,它们对应的特征或者局部
14、结构可以通过查找2 个属性邻接嘲的公共子罔来获得如图1 所示的2 个C A D 模型及其属性邻接图,虽然这2 个模型整体形状不相似,但它们具有一个如图1a 所示_|彳I 同的局部结构图1b 所示椭圆内节点形成的图即为2 个属性邻接图的公共子图同时也是最大公共子围鋈溪蓑蒸通过它的边界(即面的子集)来表示,每一个面义通过边、边通过点来定义通过精确描述每个顶点、每条边和每个曲面,就能精确地描述整个三维C A D模型通过提取三维C A D 模型中的Br e p 信息可将模型J j 届性邻接图来表示在属性邻接图中图的每一个顶点对应C A D 模型的一个面面的属性(如面的类型、方向等)作为顶点的屈性;2
15、个面之问的邻刚1C A D 模型及其属性邻接强2 基于蚁群算法的检索检测2 个图的最大公共子罔的问题是一个N P完全问题算法复杂度非常高本文利用一种多项式时间内的算法蚁群算法来实现公共子图的检测万方数据第4 期张开兴,等:基于蚁群算法的三维C A D 模型检索6 3 5蚁群算法是从自然界蚂蚁觅食行为中得到启发而产生的,是一种基于种群的模拟进化算法,它最初是用来解决旅行商问题的本文算法首先通过给定的2个C A D 模型属性邻接图建立一种关联图,然后利用蚁群算法实现C A D 模型公共子图的检测该算法可以检测出2 个C A D 模型包含的相似的局部细节特征2 1关联图给定2 个图G,和G z,顶点
16、集V。和V。,设二者的关联图为H y,则构建关联图的具体步骤如下:S t e p l 对图G。中的任意一个顶点q V 1(1 i”),遍历图G 2 中每一个顶点U,V z(1 J m),组成顶点对(t-,U,),若饥与U,具有相同的属性值,则将(7 3,U j)加入关联图H v 的顶点集y H 作为其一个顶点S t e p 2 任取关联图H v 中的2 个顶点U H=(乱1,U2)和口H=(口1,2),若“1 口l,“2 口2,且图G 1 中的边e 1 一(扎l,。)与图G z 中的边e 2 一(“z,口2)具有相同的属性值。或网G。中的顶点“,和口。图G z 中的顶点Uz 和口z 各不相邻,
17、则构造一条边e 一一,并加入到关联图H v 的边集E“中a 图G l作为其一条边关联图的构造示意图如图2 所示,其中圆、正方形和三角形节点分别表示属性不同的顶点根据S t e p l,关联图H v 由节点a A,b C,c B 和c D 组成;根据S t e p 2,节点a A 和b C 通过一条边连接,关联图中其他边用相同的方法构造,其中节点a A 和f D 之间由于在图G。中顶点a 和c、图G。中顶点A 和D 各不相邻,因此在关联图中它们也通过一条边连接,关联图H v 如图2C 所示三角形内的顶点集合称为关联图H y 的最大团,则检测2 个C A D 模型属性邻接图的公共子图问题就转换成为
18、检测关联图最大团问题在此,先给出最大团的定义定义3 最大团对于给定图G=(V,E),其中,V 一 1,疗)是图G 的顶点集,E V V 是图G 的边集,G 的团就是一个两两之间有边的顶点集合如果一个团不被其他任一团所包含,即它不是其他任一团的真子集,则称该团为G 的极大团顶点最多的极大团称之为G 的最大团b 图G 2c 关联图日y图2 关联图构造示意图2 2 最大团检测F e n e t 等 9 1 于2 0 0 3 年首次提出将蚁群算法用于解决最大团问题,该算法采用顶点对应的信息素模型,使用了全局信息素更新规则和局部搜索策略但其存在2 个主要问题:1)容易使搜索过程陷入局部最优,无法搜索出全
19、局最优解;2)对于给定的2 个三维C A D 模型,其相似的局部结构可能有多个,在关联图中对应多个极大团,而该算法只能检测到最大团,而不能检测所有的极大团本文在深入分析现有算法优缺点的基础上,结合由C A D 模型转换得到的属性邻接图及其局部结构对应的子图的特征,设计了一种改进的蚁群优化算法由最大团的定义可知,最大团问题的可行解是一个满足一定约束条件的顶点集合,为了与解的表示相一致,本文采用基于顶点的信息素模型,这种信息素模型与最大团问题的解的表示相一致,效率也比较高令信息素模型为垂(r。,r z,岛),其中n=I y l,r l 表示顶点i 上积累的信息素的数量,其值越大意味着在构造极大团过
20、程中该顶点被选择的概率越大算法的步骤如下:输入关联图G 一(y,E)输出关联图中所有极大团集合S i b e g i nd o初始化最大团黾,蚂蚁数目m,最大迭代次数m a x i t e r初始化信息素模型中w h i l e 未达到最大迭代次数m a x i t e r&未找到S 6。f o r 蚁群中的每一个蚂蚁k构造一个团&信息素模型圣局部更新e n df o r计算本次迭代最优解S 衙根据S 沁,判断S,是否需要更新信息素模型垂全局更新万方数据6 3 6计算机辅助设计与图形学学报第2 3 卷i fS h 的顶点数目 2将最大团S“存人集合S,将S,中的顶点从关联图G 中删除,并重新构
21、造Ge n di fw h i l eS b。的顶点数目 2e n d本文算法将信息素模型西各顶点信息素数量限制在一个区间 r m i。,m a x 中,在初始化信息素模型时,所有顶点上的信息素的初始值为r r m,对于每一个蚂蚁构造极大团的过程如下:蚂蚁忌从只包含一个随机选择顶点的部分解S。开始,在每一步构造中,当前团S。都是通过增加一个来自顶点集合v s。中的顶点不断地扩展,直到成为一个极大团,集合v s。中的顶点要满足与当前团S。中的顶点具有连接关系在从集合V S。中选择加入当前团S。中的顶点是概率选择的,选择概率最大的加入到当前团每个顶点被选择的概率为5 专每,“E v s k其中参数
22、口决定了信息素对概率的影响权重当任意一个蚂蚁k 构造完一个极大团S。后进行局部信息素更新,极大团S。所包含的顶点上的信息素的数蟹按小;):m 卜斜,口t&(2)【r(锄i),o t h e r w i s e进行更新采用局部信息素更新可以增加算法在一次迭代过程中解的多样性,从而间接地指导后继蚂蚁选择那些尚未选择的顶点,搜索尚未探索的解空间区域在一次迭代过程中,当所有蚂蚁都构造完一个极大团以后,根据S。计算本次迭代最优解S“。,并根据S 嘶判断S 6,是否需要更新,然后按r(可f)=P r(口)+A r(口i)(3)进行全局信息素更新其中,A r(v i)(v i:丽耶S 击b S i,口t s
23、 h r;=J(1+I,I l。I)一”。;【0。o t h e r w i s eP 称为信息素持续率,且p 1 全局信息素的更新过程可以分为信息素蒸发阶段和信息素加强阶段信息素蒸发阶段是模拟现实世界中信息素的蒸发,现实世界中蚂蚁在往返于巢穴和食物源之间的路径上会释放信息素,同时释放的这些信息素会随着时间的流逝不断地蒸发,这就避免了信息素的无限制积累信息素增强阶段的目的是增加那些属于本次迭代最优解的顶点上的信息素的数量,使得在下一次迭代过程中蚂蚁们能够朝向本次迭代产生的最优解的邻近区域进行搜索在局部信息素更新和全局信息素更新过程中,信息素的值是在区间 r m I。,l r m。中的,因此当顶
24、点上的信息素的数量改变后,要判断改变之后的值是否越界如果某个顶点上信息素的值小于信息素下界,则给其赋值r m I。;若某个顶点上信息素的值大于信息素上界,则给其赋值Z r a n。全局信息素更新完成后继续迭代,直到找到最优解或算法达到最大迭代次数由于C A D 模型的特征或局部结构一般是由多个面组成,因此本文设置最大团的顶点个数至少为3 当最大团的顶点个数满足条件时,将当前最大团S 缸存入一个集合;然后将当前最大团中的顶点从关联图中删除并重新构造关联图,继续查找重新构造的关联图的最大团,直到将所有的极大团查找出来,算法结束2 3 相似度计算查找出的团对应于2 个C A D 模型上相似的特征或局
25、部结构,采用所有团的顶点个数除以2 个C A D 模型面的个数之和的一半所得值来描述2 个模型相似性大小,即s 一志(4)其中,S 表示2 个模型之间的相似度,N。表示所有团顶点的个数,和N:表示2 个C A D 模型中面的个数S 越大,表示2 个C A D 模型之间的相似性越大,它们所包含的相似的特征或局部结构就越多3 算法验证与讨论为了验证本文算法的有效性,本文以M i c r o s o f tV i s u a l S t u d i o2 0 0 8 为集成开发环境,O p e nC A S C A D E L l 0 3 为几何平台构建了一个三维C A D 模型测试库,该库中包含2
26、 0 0 个常见的C A D 模型在实验中,蚁群算法的参数设置如下:0 t=1,p=0 9 9,最大迭代次数m a x i t e r=3 0 0 0,r m i。一0 0 1,r。,=6 0,蚁群中蚂蚁数目m 一1 0 表1 所示为6 种C A D模型之间的相似性比较结果,从比较结果可以看出,2 个模型之间包含的相似特征或局部结构数目越多,相似值越高万方数据第4 期张开必等:基于蚁群算法的一维C A D 模型检索表16 种C A D 模型之间的比较结果表2 所示为本文算法与文献 9 葬法对6 个C A D模型检索值的比较与排序从比较值大小分析,由于本文算法能检索出C A D 模型所包含的所有
27、相似的特征或局部结构,而文献 9 算法只能检索出C A D模型中面数最多的一个特征或局部结构,用此本文算法得到的模型之间的相似值更太,检索结果更符合人的相似性感知同时,由于本文算法对信息索模型进行了全局更新和局部更新,检索结果更加准确例如,文献 9 算法中排在第6 位的模型与检索模型的相似度值应该排在第4 位和第5 位模型之前,但由于文献 9 算法没有进行信息素模型局部更新搜索过程陷人局部最优投有搜索小全局最优解表22 种算法对6 个C A D 模型检索值的比较与排序万方数据计算机辅助设计与图形学学报弟2 3 卷丧3 4 所示为本文算法与通用领域的典制算法形状分布算弦”一和球面谐波算法”埘2
28、个C A D 模制的检索实验结果表3 所水为以一个外八角螺钉为检索模型测试库中存4 个这种类型的模型3 种算法检索结果排列在前6 位的模型巾形状分布苒法检索H 】个其他3 个分别排列在第9,2 0和3 8 位;球面谐波算法检索m1 个,其他3 个分别排列在第1 1 1 8 和2 4 位;本文算法检索出4 个分别排在第1 2,4 和5 位表4 所示为以一个叉形结构的C A D 模型作为椅索模划,测试库巾含有这种叉形结构的C A D 模型共有3 个3 种算法检索结果排列在前6 位的模型中形状分布算法检索出1 个,其他2 个分别排列在第5 9 和8 4 位,球面谐波算法检索m2 个排在第1 和4 位
29、第3 个模型排列在13位;本文算法检索出3 个分别排在前3 位从检索结果可以看m 形状分布算法平球面谐波算法更侧重整体外形的相似性,无法比较模型更为精确的细节特征,而本文算法可以将包含检索模型细节特征的所有模型检索出来,可更好地指导企业参考并重用已有模型为r 充分对比3 种算法的性能本文对模型库中的C A D 模型进行统计测试获得了一个平均查全率-查准率曲线,如图3 所示,可以看m,本文算法的检索性能明显地高于其他2种算法裹3 检索实倒万方数据第4 期张开兴,等:基于蚁群算法的三维C A D 模型检索6 3 91 O0 8糯0 6磐 蛔O 40 2O00 20 40 60 81 0查全率图33
30、 种算法的查全一查准率曲线本文算法的时间复杂度主要集中在利用蚁群算法查找最大团,其时间复杂度是O(n 2),其中n 是关联图顶点的个数本文实验采用为I n t e r P e n t i u m D u a l1 8 0G H zC P U,2 o oG B 内存的P C 机表5统计了3 种算法对单个模型的平均处理速度,包括特征提取速度和特征比较速度,可以看出,本文算法的时间效率明显高于其他2 种算法表53 种算法执行时问对比s算法时间本文算法形状分布算法球面谐波算法0 2 3 81 6 4 90 7 8 44 结语本文提出一种面向重用的三维C A D 模型的检索算法首先将C A D 模型用属
31、性邻接图来表示,然后利用蚁群优化算法来检测C A D 模型中所包含的相似的特征或局部结构,最后根据相似特征或局部结构实现C A D 模型的相似性评价该算法的最大特点在于充分考虑企业在设计和制造过程中更注重模型局部细节特征相似性,只有达到局部细节特征的检索才能更好地实现C A D 模型的重用实验结果表明,本文算法的综合性能要明显地高于形状分布算法和球面谐波算法参考文献(R e f e r e n c e s):1 l y e rN,J a y a n t iS,L o uKY,e ta 1 T h r e e d i m e n s i o n a ls h a p es e a r c h i
32、 n g:s t a t e o f t h e a r tr e v i e wa n df u t u r e t r e n d sE J C o m p u t e r A i d e dD e s i g n,2 0 0 5,3 7(5):5 0 9 5 3 0 2 O s a d aR。F u n k h o u s e rT,C h a z e l l eB,e ta 1 S h a p ed i s t r i b u t i o n s J A C MT r a n s a c t i o n so nG r a p h i c s,2 0 0 2,2 1(4):8 0 7-
33、8 3 2 3 K a z h d a nM,F u n k o u s e rT,R u s i n k i e w i e zS R o t a t i o ni n v a r i a n ts p h e r i c a lh a r m o n i cr e p r e s e n t a t i o no f3 Ds h a p ed e s c r i p t o r s c P r o c e e d i n g so fE u r o g r a p h i c sS y m p o s i u mo nG e o m e t r yP r o c e s s i n g A
34、 i r e l a V i N e:E u r o g r a p h i c sA s s o c i a t i o nP r e s s,2 0 0 3:1 5 6-1 6 4 4 W a n gY u,M aH a o j u n,H eW e i,e ta 1 C l u s t e r i n g&r e t r i e v a lo fm e c h a n i c a l3 DC A Dm o d e l s J C o m p u t e rI n t e g r a t e dM a n u f a c t u r i n gS y s t e m s,2 0 0 6,1
35、 2(6):9 2 4 9 2 8(i nC h i n e s e)(王玉,马浩军,何玮,等机械3 维C A D 模型的聚类和检索 J 计算机集成制造系统,2 0 0 6,1 2(6):9 2 4-9 2 8)5 M aL u j i e。H u a n gZ h e n g d o n g,w uQ i n g s o n g R e t r i e v a lo fC A Dm o d e l sb a s e do ns h a p e l o c a t i o nc o d e so ff a c e s 口 J o u r n a lo fC o m p u t e r A i
36、d e dD e s i g n C o m p u t e rG r a p h i c s。2 0 0 8 2 0(1):1 9-2 5(i nC h i n e s e)(马露杰,黄正东,吴青松基于面形位编码的C A D 模型检索E J 计算机辅助设计与图形学学报,2 0 0 8,2 0(1):1 9-2 5)6 W a n gH o n g s h e n。Z h a n gS h u s h e n g,B a iX i a o l i a n g O p t i m a l m a t c h i n g b a s e d3 DC A Dm o d e ls i m i l a
37、r i t ya s s e s s m e n ta l g o r i t h m J C o m p u t e rI n t e g r a t e dM a n u f a c t u r i n gS y s t e m s,2 0 0 7,1 3(1 0):1 9 2 1-1 9 2 7(i nC h i n e s e)(王洪申,张树生,白晓亮基于最优匹配的三维C A D 模型相似性评价算法 J 计算机集成制造系统。2 0 0 7 1 3(1 0);1 9 2 1-1 9 2 7)7 B i a s o t t iS。M a r i n iS,S p a g n u o|oM,
38、e ta 1 S u b p a r tc o r r e s p o n d e n c e b ys t r u c t u r a ld e s c r i p t o r so f3 Ds h a p e s 口 C o m p u t e r A i d e dD e s i g n,2 0 0 6,3 8(9):1 0 0 2 1 0 1 9 8 G a oW,G a oSM,L i uYS,e t a l M u h i r e s o l u t i o n a ls i m i l a r i t ya s s e s s m e n ta n dr e t r i e v
39、a lo fs o l i dm o d e l sb a s e do nD B M S J C o m p u t e r-A i d e dD e s i g n,2 0 0 6 3 8(9):9 8 5 1 0 0 1 9 F e n e tS。S o l n o nC S e a r c h i n gf o rm a x i m u mc l i q u e sw i t ha n tc o l o n yo p t i m i z a t i o n M L e c t u r eN o t e si nC o m p u t e rS c i e n c e H e i d e l b e r g:S p r i n g e r,2 0 0 3 t2 6 1 1:2 3 6 2 4 5 1 0 3O p e nC A S C A D ESAS O p e nC A S C A D Et e c h n o l o g y,3 Dm o d e l i n g&n u m e r i c a ls i m u l a t i o n O L E2 0 1 0-0 7 0 7 h t t p:w w w o p e n c a s c a d e o r g 万方数据
限制150内