基于PCNN与形态学的坑洞图像边缘提取

粟周瑜，兰全祥，袁 泉，曹建秋

(1.贵州省公路局，贵州 贵阳 550003；2.重庆交通大学 信息科学与工程学院，重庆 400074)

基于PCNN与形态学的坑洞图像边缘提取

粟周瑜1，兰全祥2，袁 泉1，曹建秋2

(1.贵州省公路局，贵州 贵阳 550003；2.重庆交通大学 信息科学与工程学院，重庆 400074)

对坑洞图像边缘提取进行了研究，改进了脉冲耦合神经网络模型，提出了一种PCNN和形态学相结合的边缘提取方法。对基本PCNN模型进行优化，简化了原模型参数，并改进了原模型的线性输入项和脉冲输出计算方法。在图像边缘提取过程中，先对图像进行增强，在一定程度上消除坑洞周围环境对坑洞边缘的影响，再利用改进的PCNN模型和形态学的膨胀腐蚀特性对其进行边缘提取。实验结果表明：该方法对路面坑洞图像的边缘提取比传统边缘提取算法更为有效，抗干扰能力强，能有效地抑制路面环境对坑洞边缘的影响，所提取到的边缘更加清晰、可用。

道路工程；PCNN；形态学；坑洞；边缘

0 引 言

PCNN是根据对动物的大脑视觉皮层神经元脉冲串同步振荡现象的研究结果[1-2]进一步分析所得到的神经网络数学模型。E.M.IZHIKEVICH[3]在数学上证明了生物细胞模型与PCNN模型的一致，从生物学角度提供了PCNN应用于图像处理、图像识别的理论依据。PCNN在图像处理过程中可看作为一个单层二维的局部连接网络，图像的每一个像素点相当于一个神经元，神经元在与相应的像素点连接的同时还与相邻的其他神经元相连，现已将PCNN用于图像去噪、图像分割、图像增强、图像边缘检测、图像融合、图像识别、图象编码等方面。在边缘提取方面，现已有的边缘检测技术主要分为经典边缘检测算法(如Sobel、Robert、Prewitt、Laplace、Canny等)，二是基于一些新兴技术的边缘检测算法(如小波变换、形态学、神经网络、遗传算法、分形理论、SVM等)，其中涉及到仿生视觉的PCNN由于具有良好的脉冲传播特性在图像处理领域被广泛应用，如医学图像处理[4]、运动目标处理[5]、缺陷识别[6]以及不同领域的图像边缘检测[7-9]等。在道路建设与维护领域，目前还没有成熟的专门针对路面坑洞的边缘提取技术，由于路面坑洞图像受周边环境影响因素较大，当道路路面不平整或坑洞边缘区域与正常路面区域相近、相似时，现有的边缘检测算法就很难取得较好的检测效果。笔者通过分析PCNN的仿生物视觉特性与路面坑洞图像特征，将PCNN与形态学相结合，提出了一种基于PCNN与形态学的坑洞边缘提取方法。该方法一方面结合坑洞图像特征对原PCNN模型进行改进，使其更好地与实际工程应用相结合；另一方面采用数学形态学对PCNN提取结果进行后续处理，优化边缘提取效果。实验结果表明，在对路面坑洞图像的边缘提取中，该方法与经典边缘检测算法和基本PCNN相比，抗干扰能力强，提取到的坑洞边缘更加清晰、可用。

1 概 述

1.1 PCNN模型

Eckhorn建立了PCNN的基本神经元模型，其内部活动项是收到的输入信号和周围神经元信号的一种非线性调制，其输出是二值脉冲时间序列。但模型中参数较多，具体应用中参数设定非常麻烦。针对这一情况，笔者将以文献[10]的改进脉冲耦合神经元模型(如图1)为基本模型对坑洞图像的边缘提取，该模型的数学方程描述为：

图1 脉冲耦合神经网络元模型Fig.1 Pulse coupled neural network metamodel

(1)

(2)

Uij(n)=Fij(n)[1+βLij(n)]

(3)

(4)

Eij(n)=e-αEEij(n-1)+VEYij(n)

(5)

式中：Fij(n)为树突的反馈输入；Lij(n)为线性连接输入；Uij(n)为非线性连接调制构成的内部活动项；Yij(n)为PCNN脉冲输出；Eij(n)为神经元内部活动项Uij(n)能否激发脉冲产生所需的动态门限；VF，VL，VE分别为反馈输入域、耦合连接域、动态门限E的放大系数；αF，αL，αE为对应的衰减时间常数；β为内部活动项的连接系数；Iij(n)为神经元外部输入信号(在图像处理中是该图像(i,j)处的像素灰度值)；矩阵Mijkl和Wijkl分别为反馈输入域和耦合连接域的连接矩阵。

1.2 形态学

数学形态学处理图像的基本思想是利用一定形态的结构元素去度量和提取图像中的对应形状，以达到对图像分析和识别的目的。在图像处理过程中，一般有膨胀、腐蚀、开启和闭合4种基本运算[11]，其在数学上的定义为：设X(x,y) 是输入的图像灰度函数，a(x,y)是给定的结构元素，且都定义在R2或Z2上，DX和Da分别是函数X(x,y)和a(x,y)的定义域，则a(x,y)对X(x,y)进行运算。

膨胀运算表示为：

(X⊕a)(s,t)=max{X(s-x,t-y)+

a(x,y) |(s-x),(t-y)⊆DX,(x,y) ⊆Da}

(6)

腐蚀运算表示为：

(X⊖a)(s,t)=max{X(s-x,t-y)-a(x,y)|(s-x),(t-y)⊆DX,(x,y) ⊆Da}

(7)

根据上述膨胀腐蚀的基本变换定义，可以推导出边缘提取的形态学数学表示。设E(x,y)表示图像的边缘函数，则按照形态膨胀构造的图像边缘检测算子为：

Ed(x,y)=X⊕a(x,y)-X(x,y)

(8)

按照形态腐蚀构造的图像边缘检测算子为：

Ee(x,y)=X(x,y)-X⊖a(x,y)

(9)

按照形态膨胀腐蚀构造的边缘检测算子为：

Ede(x,y)=(X⊕a)-(X⊖b)

(10)

数学形态学边缘检测方法简单，且易于硬件实现，但是由于结构元素单一，与结构元素同方向的边缘敏感，而与其不同方向的边缘或噪声会被平滑掉。虽然数学形态学存在以上不足，但由于路面坑洞边缘的提取并不要求十分精确、精准，即使所提取到的坑洞边缘比原边缘粗糙(不能很细致地展现坑洞边缘)，只要能大致描述路面坑洞形状，保证坑洞边缘连续、清晰、可用即可，因此将形态学边缘检测应用在道路养护中的路面坑洞检测上，在实际的工程应用中是可以完全可行的。

2 PCNN模型改进

2.1 模型简化

因道路和环境的不同，所采集到的坑洞图像的差异是很大的，这也就意味着不同图像所设定的PCNN模型参数会有差异，即存在大量PCNN模型的参数处理。然而，在原PCNN模型中涉及到的参数有VF，VL，VE，αF，αL，αE，β，Iij，Mijkl，Wijkl，大量的参数虽然能够更精确地描述脉冲耦合神经网络的特性，但同时也极大地增加了模型中参数设定难度和后续边缘提取的计算量。

根据图1采用简化的PCNN模型，将图像的像素灰度值Iij直接作为返回输入信号，将线性连接输入项的衰减部分e-αLLij(n-1)置为0、固有电势VL置为1，即式(1)、式(2)简化为：

Fij(n)=Iij

(11)

(12)

这样既保留了PCNN的生物视觉基本特征、外部输入刺激和连接域神经元刺激，又减少了参数、降低了运算复杂度。

2.2 线性连接输入项

线性连接输入项是由权值矩阵Wijkl与上一次的PCNN输出Ykl(n-1)进行卷积运算得到，其中权值矩阵Wijkl一般与像素之间的欧氏距离有关。但是这种线性连接输入项的计算仅考虑到像素间空间距离的影响，而没有考虑图像中像素灰度值差异较大所带来的影响。

在路面坑洞图像的提取过程中，由于坑洞边缘的像素值和周围路面的像素值差异不是很大，因此边缘和非边缘区域同时点火的可能性本身就很大，如果再按照原PCNN模型的线性连接输入项计算方法，仅考虑像素间空间距离的影响，则可能造成图2(a)和图2(b)的情况，使得边缘和非边缘同时点火。图2中黑色表示边缘神经元，白色表示非边缘神经元，图2(a)的中心的非边缘神经元与多个边缘神经元相连且具有较强的连接关系，当周围边缘神经元点火产生的刺激不断地传递到中心神经元处，则可能造成非边缘神经元点火。同理，图2(b)的中心边缘神经元会因为周围的多个非边缘神经元点火而点火。因此，本就较难提取边缘的坑洞图像经原PCNN模型边缘检测，可能使得提取边缘更加困难，所得边缘更不可用。

利用已有的经典边缘检测算子Dijkl和基本PCNN权值矩阵Wijkl同时对上一次的PCNN输出Ykl(n-1)进行卷积运算，取两者卷积结果的最大值作为线性连接输入项，即式(12)改进为：

(13)

这样既加强了边缘区域神经元之间的联系，使坑洞图像的边缘区域进行二次处理[12]，同时也很好地利用了PCNN的生物特性，使边缘提取效果更好。

2.3 边缘值

利用PCNN模型进行图像边缘检测，如何准确判断边缘点是关键。原PCNN模型一般将图3(该图为二值图像，黑色表示1，白色表示0，灰色表示不考虑)所示的中心神经元视为边缘点，并用Yij[n]表示其激发脉冲输出，其输出只有两种状态，即当神经元内部活动项U大于动态门限E时输出1(激发或点火)，反之输出0(抑制或不点火)。

图3 边缘点类型示意Fig.3 Schematic diagram of the edge pixel types

就路面坑洞图像而言，这种图像受周围环境影响因素较大，易形成椒盐噪声，要求边缘检测算法具有很好的自适应性和抗噪性。笔者采用董继阳[13]提出的局域窗口内边缘值计算方法来计算边缘值，并用其计算结果对脉冲耦合神经网络的脉冲输出进行调制，使脉冲输出Yij[n]在[0,1]之间，即将式(4)改为：

(14)

式中:Eij[n]是第(i,j)个像素的边缘值；maxE(n)是第n次迭代所有象素中的最大边缘值。

Eij[n]=2×(|I1-I5|+|I2-I6|+|I3-I7|+|I4-I8|)-(|I1-I2|+|I2-I3|+|I3-I4|+|I4-I5|+|I5-I6|+|I6-I7|+|I7-I8|+|I8-I1|)

(15)

I1～I8是像素点(i,j)邻域的8个象素点的像素值，如图4。

图4 对邻域像素进行编号Fig.4 Numbering neighborhood pixels

3 IM-PCNN方法

3.1 IM-PCNN

基于改进的形态学脉冲耦合神经网络的边缘提取方法(The edge extraction method based on improved morphological & pulse coupled neural network, IM-PCNN)是以脉冲耦合神经网络和形态学特性为基础的一种边缘检测方法。利用IM-PCNN进行边缘检测，首先对待检测图像进行预处理，然后利用改进的PCNN模型对图像进行分割，最后利用数学形态学的腐蚀膨胀算法对分割后的二值图像进行优化及边缘提取。

3.2 图像增强

通常情况下，路面坑洞图像的质量受周边环境因素的影响很大，坑洞边缘与路面相似度高，即坑洞图像边缘区域与非边缘区域的对比度较小。从理论上讲，边缘检测算法对图像各区域对比度大的图像进行边缘提取，其效果往往要好于对比度小的图像。因此，为了提高路面坑洞图像的边缘提取效果，可以在进行边缘检测之前对坑洞图像各灰度区域进行图像增强。

另外，如果坑洞图像所在路面平整度低、粒度大(如沥青碎石路面、水泥混凝土路面)等，可以在保证坑洞边缘不失真的情况下，采取一定程度的图像平滑、滤波等预处理操作，尽量降低周围环境对路面坑洞边缘的影响。

3.3 实施步骤

坑洞图像经过预处理之后，用改进的PCNN模型进行图像分割，然后再用数学形态学对分割后的二值图像进行边缘提取。具体步骤如下：

1)初始化；

2)图像增强等预处理操作；

3)将预处理之后的图像像素值作为外界刺激信号Iij输入改进的PCNN网络；

4)设置PCNN模型参数；

5)由式(11)、式(13)、式(3)、式(14)、式(5)计算每个神经元的内部活动项Uij，并得到脉冲输出结果Y；

6)判断迭代是否已达上限，是否已经得到结果。若是，则输出结果，否则继续步骤5)；

7)用形态学结构元素对PCNN输出结果进行腐蚀膨胀运算以及边缘提取，最终得到坑洞边缘。

4 实验结果与分析

为了验证边缘提取方法的有效性，笔者将分别用经典边缘检测算法 Sobel、Prewitt、Robert、Laplace、Canny、基本PCNN和办法对坑洞图像进行边缘提取，并比较不同提取办法所提取到的坑洞边缘是否清晰、可用。另外，笔者还对原始坑洞图像(模拟非平整路面)和预处理之后的图像(模拟平整路面)进行边缘提取，以此来检验IM-PCNN提取办法对周围环境的抗噪特性。选用的PCNN模型参数为：动态门限Eij的固有电势VE=0.5，耦合连接域Lij的固有电势VL=1，动态门限衰减时间常数αE=0.75，突触之间的连接强度β=0.4，内部连接权值矩阵为：

4.1 边缘检测评价方法

边缘检测的评价方法是对所提出的边缘检测算法以及经过该算法所得到的结果进行评价，一般按照评价过程是否有评价指标分为直观评价和数值评价。

采用直观评价和数值评价两种方法进行边缘检测效果评价。直观评价以相关领域专家的直观判断为依据，将将提取到的边缘效果分为优、良好、一般、差、极差5个等级；数值评价采用磨少清[14]所提出的一种不基于边缘基准图的边缘检测方法评价。该评价方法以重构相似度MSSIM、边缘置信度BIdx和连续性指标CIdx三者的加权和作为评价指标，即：

EIdx=ws×MSSIM+wb×BIdx+wc×CIdx

(16)

式中：ws,wb,wc分别为重构相似度、边缘置信度和连续性指标的权重，且要求ws+wb+wc=1。

EIdx越大，说明边缘检测的质量越好。文中使用的权重为：ws=0.2,wb=0.3,wc=0.5。

4.2 实验结果与分析

实验1 用预处理之后的坑洞图像模拟平整路面的坑洞图像，并用经典边缘检测算子、基本PCNN以及IM-PCNN对其进行边缘提取，边缘提取结果如图5、图6。

图5 经典边缘检测算法下平整路面坑洞的边缘提取结果Fig.5 Edge extraction results of the pothole on the even surface of road by the classical edge detection algorithm

图5(a)为预处理之后的坑洞图像，该图像降低了周围环境对坑洞的影响，并用其模拟平整路面坑洞图像。图5(b)～图5(f)分别是经典边缘检测算子Sobel、Prewitt、Robert、Laplace、Canny下的边缘提取结果。

图6 PCNN和IM-PCNN下平整路面坑洞的边缘提取结果Fig.6 Edge detection results of the pothole on an even road surface by PCNN and IM-PCNN

图6(b)是用PCNN进行提取，图6(c)所示边缘提取结果是用本文IM-PCNN方法进行提取的，其直观评价结果如表1、数值评价结果如表2。

表1 不同方法的边缘提取直观评价结果

从直观评价的角度来看，经典边缘检测算法对路面坑洞图像进行提取效果并不理想，特别是Canny算子，所提取到的坑洞边缘几乎不可用。基本PCNN提取效果比经典边缘检测算法好，与经典边缘检测算法相比较，PCNN能更好地提取出坑洞的边缘，但是由于坑洞边缘的不规则性，部分边缘可能出现断点、不连续、多重边、碎边缘等现象。与基本PCNN相比，加入了数学形态学的IM-PCNN能更好地针对坑洞边缘不规则性，进一步消除了“碎边缘”现象，使提取到的坑洞边缘更加连续、清晰、可用。

表2 不同方法的边缘提取数值评价结果

从表2中可以看出经典边缘检测算法由于提取到的边缘像素点比PCNN和IM-PCNN多，保留了更多的边缘细节，因此重构相似度相对较高，但边缘置信度和边缘连续性却很低，导致最终的提取效果并不理想。IM-PCNN利用形态学特性去除了大量边缘细节，同时最大可能地保证了边缘的连续性，在数值评价结果中效果最好。

实验2 对原始坑洞图像(即非平整路面的坑洞图像)进行边缘提取，对比经典边缘检测算子、基本PCNN以及IM-PCNN对环境的抗噪能力。

图7(a)为非平整路面的坑洞图像，路面环境对坑洞存在一定程度的影响。图7(b)～图7(f)分别是经典边缘检测算子Sobel、Prewitt、Robert、Laplace、Canny下的边缘提取结果。

图7 经典边缘检测算法下非平整路面坑洞的边缘提取结果Fig.7 Edge extraction results of the pothole on the uneven surface of road by the classical edge detection algorithm

图8是用PCNN和IM-PCNN对非平整路面坑洞进行边缘提取所得结果。实验2的直观评价结果如表3，数值评价如表4。

图8 PCNN和IM-PCNN下非平整路面坑洞的边缘提取结果Fig.8 Edge extraction results of the pothole on the uneven surface of road by PCNN and IM-PCNN

表3 不同方法的边缘提取直观评价结果

从直观评价角度来看，对于非平整路面的坑洞边缘提取，经典边缘检测算法所提取到的坑洞边缘不连续、难以识别，并存在大量的噪声，在实际的工程应用中几乎不可用。利用了生物视觉特性的PCNN对于噪声抑制能力明显比经典边缘检测算法强，但是所提取到的边缘仍然存在很多噪声、部分边缘不连续。而IM-PCNN所提取到的边缘效果却很好，不仅能有效地抑制周围环境对坑洞边缘的影响，还能清晰、连续、有效的将坑洞边缘提取出来。

表4 不同方法的边缘提取数值评价结果

从表4中可以看出对于非平整路面来说，经典的边缘检测算法不仅将坑洞边缘像素点尽量多地保留下来，同时也将大量的噪声保留了下来。大量的不规则噪声使其提取到的边缘散乱、不连续，并且可信度差，因此边缘置信度和连续性指标都很低。IM-PCNN与基本PCNN相比，由于加入了数学形态学，经过图像预处理和形态学特性，消除了大量的环境噪声，保留了坑洞图像的关键边缘，因此IM-PCNN的连续性和边缘置信度指标数值更大，边缘提取效果更好。

5 结 语

提出了一种基于改进的PCNN与形态学的坑洞边缘提取方法，对基本PCNN模型进行改进，并利用数学形态学特性对坑洞边缘进行优化。文中IM-PCNN边缘提取方法主要应用于道路养护领域，由于在实际工程应用中，路面坑洞的边缘不需要很精确，但一定要连续、完整、可用，因此PCNN仿生物视觉和数学形态学膨胀腐蚀特性相结合，既能保证所提取边缘的完整、可用，又不会影响到实际的工程应用。实验结果表明，IM-PCNN边缘提取能够有效地抑制周围路面环境对坑洞边缘的影响，无论是平整路面、还是非平整路面，在边缘提取的能力和抗噪能力都优于经典边缘检测算法和基本PCNN算法，所提取到的边缘更加完整、清晰、可用。

[1] ECKJOM R,REITBOECK H J,ARNDT M,et al.Feature linking via synchronization among distributed assemblies:simulation of results from cat cortex [J].NeuralComputer,1990,2(3):293-307.

[2] ECKHOM R,FRIEN A,BAUER R,et al.High frequency oscillations in primary visual cortex of awake monkey [J].NeuroRep,1993,4(3):243-246.

[3] IZHIKEVICH E M.Class I Neural Excitability,Conventional Synapses,Weakly Connected Networks [J].IEEETransactionsNeuralNetwork,1999,10(3):499-507.

[4] 张宝华,刘鹤,侯贺.基于多聚类中心和PCNN的医学图像融合算法[J].激光与红外,2014(4):452-456. ZHANG Baohua,LIU He,HOU He.Medical image fusion based on multi-cluster centers and PCNN [J].Laser&Infrared,2014(4):452-456.

[5] 王慧斌,沈俊雷,王鑫,等.基于脉冲耦合神经网络融合的压缩域运动目标分割方法[J].光子学报,2014,41(8):914-921. WANG Huibin,SHEN Junlei,WANG Xin,et al.Moving object segmentation based on fusion-PCNN in compressed domain[J].ActaPhotonicaSinica,2014,41(8):914-921.

[6] 周新星,王典洪,孙林,等.基于非下采样Contourlet变换和PCNN的表面缺陷自动识别方法[J].应用基础与工程科学学报,2013,21(1):174-184. ZHOU Xinxing,WANG Dianhong,SUN Lin,et al.Automatic recognition method of surface defects based on Non-subsampled Contourlet transform and PCNN [J].JournalofBasicScienceandEngineering,2013,21(1):174-184.

[7] 薛锦树,聂仁灿,周冬明,等Unit-Linking PCNN中的彩色图像边缘检测[J].计算机工程与应用,2011,47(17):188-191. XUE Jinshu,NIE Rencan,ZHOU Dongming,et al.Color image edge detection using Unit-Linking PCNN [J].ComputerEngineeringandApplications,2011,47(17):188-191.

[8] 亢伉.基于改进PCNN与矢量法的输送带边缘检测[J].计算机系统应用,2014,23(7):165-169. KANG Kang.Conveyor belt edge detection algorithm based on the improved PCNN model and vector method [J].ComputerSystems&Applications,2014,23(7):165-169.

[9] 李志强,程飞燕,安黎哲,等.基于多维PCNN的彩色枸杞细胞显微图像的边缘检测[J].兰州大学学报(自然科学版),2009,45(5):130-134. LI Zhiqiang,CHENG Feiyan,AN Lizhe,et al.Edge detection of color images based on the improved multi-dimensional PCNN [J].JournalofLanzhouUniversity(NaturalScience),2009,45(5):130-134.

[10] JCAULFIELD H,KINSER J M.Finding the shortest path in the shortest time using PCNN’s [J].IEEETransactionsNeuralNetwork,1999,10(3):604-606.

[11] 孙燮华.数字图象处理——原理与算法[M].北京:北京大学出版社,2012. SUN Xiehua.DigitalImageProcessing-PrinciplesandAlgorithms[M].Beijing:Peking University Press,2012.

[12] 李建锋,辛国江.一种基于PCNN的医学图像边缘提取方法[J].计算机应用研究,2010,27(11):4389-4393. LI Jian feng,XIN Guojiang.PCNN-based medical image edge extraction [J].ApplicationResearchofComputers,2010,27(11):4389-4393.

[13] 董继扬.基于脉冲耦合神经网络的灰度图像边缘提取[J].计算机应用,2003,23(9):50-52. DONG Jiyang.Grayscale image edge detection based on pulse-coupled neural network [J].ComputerApplications,2003,23(9):50-52.

[14] 磨少清.边缘检测及其评价方法的研究[D].天津：天津大学,2011. MO Shaoqing.ResearchonEdgeDetectionanditsEvaluation[D].Tianjin:Tianjin University,2011.

Potholes Image Edge Extraction Based on PCNN and Morphology

SU Zhouyu1, LAN Quanxiang2, YUAN Quan1, CAO Jianqiu2

(1. Guizhou Highway Bureau, Guiyang 550003, Guizhou, P.R.China; 2. School of Information Science & Engineering, Chongqing Jiaotong University, Chongqing 400074, P.R.China)

The potholes image edge extraction was studied, the pulse coupled neural network model was improved, and an image edge extraction method based on PCNN and morphology was proposed. The basic PCNN model was optimized and the original model parameters were simplified. Furthermore, the linear input and the calculation method of the output pulse of the original model were improved. First of all, the image was enhanced to eliminate the influence of potholes surrounding environment on the potholes edges to some extent in the process of image edge extraction. And then, the improved PCNN model as well as the dilation and erosion characteristics of morphology was used to carry out the edge extraction. The experimental results show that: the proposed method is more effective than the traditional edge extraction method in the road potholes image edge extraction and has stronger anti-interference ability, which can effectively restrain the influence of the road surrounding environment on the potholes edge. And the extracted edges are clearer and more available.

highway engineering; PCNN; morphology; potholes; edge

2014-11-15；

2015-04-08

重庆市科委攻关项目(CSTC 2011AC6102)；重庆高校创新团队建议计划项目(KJTD201306)

粟周瑜(1959—)，男(侗族)，贵州三穗人，高级工程师，主要从事公路建设管理工作。E-mail：23978258@qq.com。

兰全祥(1990—)，男，四川攀枝花人，硕士，主要从事图像处理方面的研究。E-mail：15123213773@qq.com。

10.3969/j.issn.1674-0696.2016.01.12

TP391.41；U416.2

A

1674-0696(2016)01-060-06