一种输电线路绝缘子绑扎线状态检测方法及系统与流程

1.本技术涉及输电线路故障检测技术领域，尤其涉及一种输电线路绝缘子绑扎线状态检测方法及系统。


背景技术：

2.输电线路上的电力器件稳定运行是保障电力系统稳定的关键，而我国超过80％的输电线路分布在崇山峻岭之中。电力器件长期处在这种恶劣的环境中，会发生短路、损坏等。此外，输电线路附近常有鸟类的活动，杆塔可能成为鸟类的栖息地，鸟类的粪便会侵蚀电力器件或者输电线路绝缘层，如果不能及时发现和维修损坏的电力器件，电力系统的稳定就不能得到保障。因此，定时对输电线路进行巡检成为电网人员的重要工作之一。
3.随着人工智能技术的迅猛发展，其在电路巡检中的应用也愈发广泛。目前，业界针对基于人工智能技术的输电线路巡检，通常采用基于faster-rcnn的目标检测技术，即将输电设备的各种缺陷作为特定的目标进行检测，并且在杆塔鸟巢、杆塔异物、绝缘子破裂、导地线断股、导地线挂空悬浮物、金具缺陷等缺陷智能检测取得了较为理想的效果。然而，这类方法要求缺陷器件相对正常器件具有明显差异，而在电力巡检场景中经常会存在细粒度目标检测问题，例如输电线路中绝缘子绑扎线可能存在正常、未绑紧和脱落三种状态，这三种状态从视觉上来说差异较小。此时如果直接采用传统的基于faster-rcnn的目标检测方法，将无法有效的将绑扎线的这三种状态区分开。


技术实现要素：

4.本技术的目的在于提供一种输电线路绝缘子绑扎线状态检测方法及系统，以解决电力巡检细粒度目标检测场景下，现有的faster-rcnn目标检测方法无法有效区分绝缘子绑扎线不同状态，进而影响故障检测结果的问题。
5.为实现上述目的，本技术提供一种输电线路绝缘子绑扎线状态检测方法，包括：
6.获取待检测的输电线路图像，输入至训练好的目标faster-rcnn-cl网络中；所述目标faster-rcnn-cl网络包括目标骨干网络、目标检测分支和目标对比学习分类分支；
7.利用目标骨干网络提取输电线路图像特征；
8.利用目标检测分支从输电线路图像特征中检测出绑扎线位置信息，并根据所述绑扎线位置信息从所述输电线路图像特征提取出绑扎线特征信息；
9.利用目标对比学习分类分支对所述绑扎线特征信息进行对比学习分类，得到绑扎线状态。
10.进一步地，所述利用目标骨干网络提取输电线路图像特征，包括：
11.利用卷积神经网络作为目标骨干网络提取输电线路图像特征。
12.进一步地，所述利用目标检测分支从输电线路图像特征中检测出绑扎线位置信息，包括：
13.利用目标检测分支中的rpn层生成多个候选框，通过边框回归得到含有绝缘子特
征及绑扎线特征的候选框位置；
14.将所述输电线路图像特征与所述候选框位置输入至目标检测分支中的roialign层，得到大小统一的候选框缩放图并输出至全连接层；
15.通过softmax分类器识别出绝缘子、绝缘子边框坐标、绑扎线及绑扎线边框坐标；
16.根据绑扎线边框坐标所围成的外接矩形是否在绝缘子边框坐标所围成的外接矩形内来剔除错误数据，保留剩余的绑扎线边框坐标。
17.进一步地，所述利用目标对比学习分类分支对所述绑扎线特征信息进行对比学习分类，得到绑扎线状态，包括：
18.将所述绑扎线特征信息通过目标对比学习分类分支转换为256维特征向量；
19.将所述特征向量映射到绑扎线特征空间中，计算特征向量与特征空间各特征的余弦距离；
20.基于余弦距离，利用knn算法判断绑扎线状态的类别。
21.进一步地，在所述得到绑扎线状态之后，还包括：
22.将绑扎线位置信息与绑扎线状态在待检测的输电线路图像中进行标识，将标识结果可视化输出。
23.进一步地，在所述获取待检测的输电线路图像之前，还包括：
24.获取输电线路绝缘子数据集；
25.利用输电线路绝缘子数据集训练faster-rcnn-cl网络，所述faster-rcnn-cl网络包含骨干网络、检测分支和对比学习分类分支，所述对比学习分类分支包含全连接层、批归一化层及激活层。
26.进一步地，所述获取输电线路绝缘子数据集，包括：
27.对原始输电线路图像进行人工标注，生成第一数据；所述第一数据包含绝缘子位置坐标及绑扎线位置坐标。
28.进一步地，所述利用输电线路绝缘子数据集训练faster-rcnn-cl网络，包括：
29.利用所述第一数据对faster-rcnn-cl网络的检测分支进行训练，待训练结束后，获取检测分支输出的绑扎线位置坐标；
30.根据检测分支输出的绑扎线位置坐标，从所述输电线路图像特征中提取绑扎线特征及对应的绑扎线状态，作为第二数据；
31.利用所述第二数据对faster-rcnn-cl网络的对比学习分类分支进行训练。
32.进一步地，对所述faster-rcnn-cl网络的对比学习分类分支训练采用的损失函数为triplet loss损失函数。
33.本技术还提供一种输电线路绝缘子绑扎线状态检测系统，包括：
34.输入单元，用于获取待检测的输电线路图像，输入至训练好的目标faster-rcnn-cl网络中；所述目标faster-rcnn-cl网络包括目标骨干网络、目标检测分支和目标对比学习分类分支；
35.输电线路特征提取单元，用于利用目标骨干网络提取输电线路图像特征；
36.绑扎线特征提取单元，用于利用目标检测分支从输电线路图像特征中检测出绑扎线位置信息，并根据所述绑扎线位置信息从所述输电线路图像特征提取出绑扎线特征信息；
37.绑扎线状态分类单元，用于利用目标对比学习分类分支对所述绑扎线特征信息进行对比学习分类，得到绑扎线状态。
38.相对于现有技术，本技术的有益效果在于：
39.本技术公开了一种输电线路绝缘子绑扎线状态检测方法及系统，包括：获取待检测的输电线路图像，输入至训练好的目标faster-rcnn-cl网络中；该网络包括目标骨干网络、目标检测分支和目标对比学习分类分支；利用目标骨干网络提取输电线路图像特征；利用目标检测分支从输电线路图像特征中检测出绑扎线位置信息，并根据绑扎线位置信息从所述输电线路图像特征提取出绑扎线特征信息；利用目标对比学习分类分支对所述绑扎线特征信息进行对比学习分类，得到绑扎线状态。
40.本技术通过使用目标检测结合对比学习的方法来进行输电线路小差异性对象检测，包括首先利用faster-rcnn目标检测方法对待检测电力器件进行目标检测，然后再使用对比学习方法来对目标对象差异不显著的不同状态进行判别。该发明有效解决了传统的基于faster-rcnn方法难以分辨较小差异对象的问题，有效提升了电力巡检中对小差异缺陷的识别精度。
附图说明
41.为了更清楚地说明本技术的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1是本技术某一实施例提供的输电线路绝缘子绑扎线状态检测方法的流程示意图；
43.图2是图1中步骤s10收集的输电线路绝缘子图像数据的示意图；
44.图3是本技术某一实施例提供的利用目标faster-rcnn-cl网络识别绝缘子绑扎线状态的流程示意图；
45.图4是本技术某一实施例提供的利用目标faster-rcnn-cl网络的检测分支检测绝缘子及绑扎线的流程示意图；
46.图5是本技术某一实施例提供的利用目标faster-rcnn-cl网络的对比学习分类分支识别绑扎线状态的流程示意图；
47.图6是本技术某一实施例提供的识别效果图；
48.图7是本技术某一实施例提供的输电线路绝缘子绑扎线状态检测系统的结构示意图。
具体实施方式
49.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
50.应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
51.应当理解，在本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
52.术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
53.术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
54.请参阅图1，本技术某一实施例提供一种输电线路绝缘子绑扎线状态检测方法。如图1所示，该输电线路绝缘子绑扎线状态检测方法包括步骤s10至步骤s40。各步骤具体如下：
55.s10、获取待检测的输电线路图像，输入至训练好的目标faster-rcnn-cl网络中；所述目标faster-rcnn-cl网络包括目标骨干网络、目标检测分支和目标对比学习分类分支；
56.s20、利用目标骨干网络提取输电线路图像特征；
57.s30、利用目标检测分支从输电线路图像特征中检测出绑扎线位置信息，并根据所述绑扎线位置信息从所述输电线路图像特征提取出绑扎线特征信息；
58.s40、利用目标对比学习分类分支对所述绑扎线特征信息进行对比学习分类，得到绑扎线状态。
59.需要说明的是，针对电力巡检的细粒度场景，现有的基于faster-rcnn的目标检测方法很难对输电线路中差异不显著的对象进行识别，例如绝缘子绑扎线常见的状态包括正常、未绑紧及脱落，这几种状态属于差异较小的情况，此时利用传统faster-rcnn方法并不能有效区别。
60.对比学习是一种相似度学习，其通过空间映射方法，将所有数据都转化为特征向量并映射到类间差异大及类内差异小的特征空间，进而对数据进行区分，常用于处理人脸识别、人脸验证等差异较小的分类问题。因此，本实施例为了解决现有方法无法区别小差异目标状态的问题，提供了一种基于对比学习的细粒度目标检测方法，该方法先通过基于faster-rcnn的目标检测方法对绝缘子绑扎线进行检测，然后再利用对比方法进行绑扎线进行细粒度分类，从而准确的判断出绑扎线状态。需要指出的是，本技术为了便于理解主要以识别绑扎线状态为例，该方法实际不仅限于对输电线路中绑扎线的状态进行检测，其同样适用于输电线路中其他小差异对象的状态检测，此处不进行任何限定。
61.在某一实施例中，在执行步骤s10之前，首先需要训练生成目标faster-rcnn-cl网络，具体地包括以下步骤：
62.1.1)获取输电线路绝缘子数据集。
63.1.2)利用输电线路绝缘子数据集训练faster-rcnn-cl网络，所述faster-rcnn-cl网络包含骨干网络、检测分支和对比学习分类分支，所述对比学习分类分支包含全连接层、批归一化层及激活层。
64.步骤1.1)中，主要收集和处理训练模型所需要的输电线路绝缘子数据集，由于目前并没有针对输电线路小差异对象的开源数据集，所以首先需要准备训练数据，主要为通过获取实际场景下的输电线路图像然后进行人工标注以生成训练数据。其中，标注方式及
生成的数据集如图2所示
65.具体地，步骤1.1)中对原始输电线路图像进行人工标注，生成第一数据；所述第一数据包含绝缘子位置坐标及绑扎线位置坐标。作为优选地，本实施例还可以在输电线路图像中标注出不同绑扎线位置坐标所对应的绑扎线状态。
66.进一步地，步骤1.2)中利用所述第一数据对faster-rcnn-cl网络的检测分支进行训练，待训练结束后，获取检测分支输出的绑扎线位置坐标；
67.根据检测分支输出的绑扎线位置坐标，从所述输电线路图像特征中提取绑扎线特征及对应的绑扎线状态，作为第二数据；
68.利用所述第二数据对faster-rcnn-cl网络的对比学习分类分支进行训练。
69.在某一个具体地实施方式中，提供了利用输电线路绝缘子数据集训练faster-rcnn-cl网络的具体过程。请参阅图3，图3中包含了该faster-rcnn-cl网络的结构。如图3所示，该网络结构包括：用于输电线路图像特征提取的骨干网络、用于检测出绝缘子位置及绑扎线位置的检测分支以及用于识别绑扎线状态类别的对比学习分类分支。其中，检测分支和对比学习分类分支这两个分支共用一个骨干网络，检测分支与普通的faster-rcnn结构相同；而对比学习分类分支则由几组的全连接层、批归一化层以及激活层组成。
70.基于该网络结构，本实施例训练faster-rcnn-cl网络生成目标faster-rcnn-cl网络的过程具体如下：
71.1.2.1)使用步骤1.1)中得到的输电线路图像以及包含绝缘子位置坐标及绑扎线位置坐标的第一数据对faster-rcnn-cl的检测分支进行较为常规的faster-rcnn网络训练，直至检测分支能够在输电线路图像中检测出绝缘子和绑扎线的位置后终止训练，以此来获得绑扎线在输电图像中的坐标；
72.1.2.2)待检测分支训练稳定后，利用检测分支回归出来的绑扎线位置坐标从骨干网络输出的输电线路特征图中提取出绑扎线特征以及绑扎线状态标签，并保存下来，将其作为第二数据；
73.1.2.3)将1.2.2)中得到的第二数据用于训练faster-rcnn-cl对比学习分类分支，具体为：将绑扎线特征通过分类分支网络转换成256维的特征空间；使用triplet loss损失函数，最终将所有输入的训练样本通过网络映射到类内差异小以及类间差异大的特征空间中，作为新样本分类的依据。
74.作为优选地的实施方式，步骤1.2.3)中对比学习网络训练主要使用的损失函数为triplet loss，它是通过一个三元组(triplet)计算而来的损失，旨在让负样本对之间的距离大于正样本对之间的距离。每个三元组《a,n,p》由一个anchor(a)，一个negative(n,与a不同类别的样本)和一个positive(p,与a相同类别的样本)组成，其中a和p为一个正样本对，a和n为一个负样本对。在特征空间中，triplet loss公式如下：
75.l({d
ij
})＝∑
(i,j,k)
max(d
ij-d
ik
+m，0)；
76.其中，d
ij
为正样本对的距离，d
ik
为负样本对的距离，m为人为设置的边界(margin)值。通过上述公式可以看出，当负样本对之间的距离比正样本对之间的距离大于m时，loss值为0。
77.需要说明的是，在计算d
ij
时使用的距离公式可以包括欧式距离、余弦距离以及lp距离这三种，本实施例中优选为余弦距离，公式如下：
[0078][0079]
其中，ir，jr为样本i，j通过卷积层提取出的特征向量的第r维的值，||i||和||j||为样本i，j通过卷积层提取出的特征向量的长度。
[0080]
在某一具体的实施例中，训练faster-rcnn-cl网络的对比学习分类分支时采用了基于训练样本存储队列的方法，以此来提升对比学习分类分支的训练效果。即待对比学习网络训练若干轮后，使用一个存储队列开始存储一定数量的训练样本，当存储队列存满之后，将存储队列里存储的所有训练样本与当前mini batch中的数据一起训练(存储队列的训练数据不参与反向传播过程)，从而达到以增大mini batch来提升对比学习网络的训练效果，将当前mini batch中的训练样本通过队列更新的方式更新到存储队列中。
[0081]
通过上述训练，即可生成用于识别输电线路绝缘子绑扎线的目标faster-rcnn-cl网络。请参阅图3-5，图3提供了输电线路绝缘子绑扎线状态检测的整体流程，图4为图3中检测分支检测绝缘子及绑扎线得到绑扎线边框坐标的流程图，图5为图3中对比学习分类分支识别绑扎线状态的流程图。下面将结合图1、图3-5对绑扎线状态检测过程进行详细说明：
[0082]
首先，参阅图1和图3，该检测过程包括：
[0083]
s10、获取待检测的输电线路图像，输入至训练好的目标faster-rcnn-cl网络中；所述目标faster-rcnn-cl网络包括目标骨干网络、目标检测分支和目标对比学习分类分支。
[0084]
本步骤中，将待检测的输电线路图像输入到目标faster-rcnn-cl网络中。
[0085]
s20、利用目标骨干网络提取输电线路图像特征。
[0086]
本步骤中，通过faster-rcnn-cl的骨干网络提取出输电线路图像的特征图。作为优选地，利用卷积神经网络作为目标骨干网络提取输电线路图像特征。
[0087]
s30、利用目标检测分支从输电线路图像特征中检测出绑扎线位置信息，并根据所述绑扎线位置信息从所述输电线路图像特征提取出绑扎线特征信息；
[0088]
本步骤中，将特征图输入至目标faster-rcnn-cl网络的目标检测分支中，该检测分支会输出绝缘子、绝缘子边框坐标、绑扎线及绑扎线边框坐标等信息，然后通过剔除误检，将筛选过后的绑扎线边框坐标保留下来，然后根据绑扎线位置坐标在步骤s10的输电线路图像的特征图中提取出对应的绑扎线特征。
[0089]
作为一个优选地实施方式，剔除误检主要是根据判断绑扎线坐标围成的外接矩形是否在绝缘子坐标围成的外接矩形内来进行筛选。
[0090]
s40、利用目标对比学习分类分支对所述绑扎线特征信息进行对比学习分类，得到绑扎线状态。
[0091]
本步骤中，将绑扎线特征信息输入到目标对比学习分类分支中，输出256维的特征向量；然后将得到的256维特征向量映射到用对比学习训练好的特征空间中，根据k最近邻(knn)算法得出该绑扎线的状态。
[0092]
在某一具体实施例中，在执行s40后，还包括：
[0093]
将绑扎线位置信息与绑扎线状态在待检测的输电线路图像中进行标识，将标识结果可视化输出。
[0094]
本步骤中，根据绑扎线状态及绑扎线边框坐标，在步骤s10的输电线路图像中将其
标识出来，对检测的最终结果进行可视化输出。
[0095]
在某一个实施例中，步骤s30又包括以下步骤：
[0096]
利用目标检测分支中的rpn层生成多个候选框，通过边框回归得到含有绝缘子特征及绑扎线特征的候选框位置；
[0097]
将所述输电线路图像特征与所述候选框位置输入至目标检测分支中的roialign层，得到大小统一的候选框缩放图并输出至全连接层；
[0098]
通过softmax分类器识别出绝缘子、绝缘子边框坐标、绑扎线及绑扎线边框坐标；
[0099]
根据绑扎线边框坐标所围成的外接矩形是否在绝缘子边框坐标所围成的外接矩形内来剔除错误数据，保留剩余的绑扎线边框坐标。
[0100]
请参阅图4，图4提供了该检测分支内部网络的结构，并对检测分支检测出绑扎线边框坐标的流程图进行了说明，具体为：
[0101]
3.1)将待检测的输电线路图像输入到faster-rcnn-cl网络中，通过faster-rcnn-cl的骨干网络提取出输电线路图像的特征图，该特征图作为faster-rcnn-cl检测分支的rpn层和roialign层的输入；
[0102]
3.2)由rpn层生成若干个候选框，通过边框回归得到含有绝缘子和绑扎线的候选框位置，与输电线路图像的特征图共同作为roialign层的输入；
[0103]
3.3)roialign层对含有绝缘子和绑扎线特征的候选框进行综合缩放为统一大小，得到候选框特征提取缩放图，然后输入到全连接层，通过softmax分类器识别出绝缘子、绑扎线和通过边框回归得到绝缘子、绑扎线的位置坐标；
[0104]
3.4)通过判断绑扎线位置坐标围成的外接矩形是否在绝缘子位置坐标所围成的外接矩形内来剔除误检，得到最终的绑扎线边框坐标。
[0105]
在某一个实施例中，步骤s40又包括以下步骤：
[0106]
将所述绑扎线特征信息通过目标对比学习分类分支转换为256维特征向量；
[0107]
将所述特征向量映射到绑扎线特征空间中，计算特征向量与特征空间各特征的余弦距离；
[0108]
基于余弦距离，利用knn算法判断绑扎线状态的类别。
[0109]
请参阅图5，图5为利用对比学习分类分支识别绑扎线状态的流程图示。由图5可知，该流程主要包括：
[0110]
4.1)基于训练时保存的绑扎线特征和绑扎线状态标注数据，利用对比学习，使用triplet loss损失函数训练原始特征空间，并最终得到类内差异小及类间差异大的特征空间。
[0111]
4.2)将提取的绑扎线特征输送到faster-rcnn-cl对比学习分类分支得到256维特征向量。然后将特征向量映射到4.1)训练后的特征空间，计算该特征向量与特征空间中其他训练样本特征向量的余弦距离，通过k最近邻(knn)算法统计距离最小的k个训练样本，将这k个样本中出现次数最多的类别作为输入绑扎线的状态类别。其中，识别出的效果图如图6所示。
[0112]
综上所述，本技术实施例通过使用目标检测结合对比学习的方法来进行输电线路小差异性对象检测，包括首先利用faster-rcnn目标检测方法对待检测电力器件进行目标检测，然后再使用对比学习方法来对目标对象差异不显著的不同状态进行判别。能够有效
解决电力巡检中存在的小目标问题和细差异对象检测的问题，相比于单步的经典目标检测算法有效提升了小差异性对象检测的精度。
[0113]
请参阅图7，本技术某一实施例还提供一种输电线路绝缘子绑扎线状态检测系统，包括：
[0114]
输入单元01，用于获取待检测的输电线路图像，输入至训练好的目标faster-rcnn-cl网络中；所述目标faster-rcnn-cl网络包括目标骨干网络、目标检测分支和目标对比学习分类分支；
[0115]
输电线路特征提取单元02，用于利用目标骨干网络提取输电线路图像特征；
[0116]
绑扎线特征提取单元03，用于利用目标检测分支从输电线路图像特征中检测出绑扎线位置信息，并根据所述绑扎线位置信息从所述输电线路图像特征提取出绑扎线特征信息；
[0117]
绑扎线状态分类单元04，用于利用目标对比学习分类分支对所述绑扎线特征信息进行对比学习分类，得到绑扎线状态。
[0118]
可以理解的是，本实施例提供的输电线路绝缘子绑扎线状态检测系统用于执行如上述任一项实施例所述的输电线路绝缘子绑扎线状态检测方法，并实现与其相同的效果，在此不再进一步赘述。
[0119]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分仅仅为一种逻辑功能划分，在实际应用中对其实现时可以有另外的划分方式，例如多个单元或页面组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
[0120]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0121]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0122]
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本技术各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0123]
最后应说明的是，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和
范围。