沙特国王大学学报医疗系统Koksal Gundogdua，Sumeyye Bayrakdarb，Ibrahim Yucedagba电气和电子工程，Duzce大学工程系，Duzce，土耳其b土耳其Duzce Duzce大学技术系计算机工程阿提奇莱因福奥文章历史记录：2017年1月19日收到2017年4月3日修订2017年4月19日接受2017年4月22日在线发布保留字：语音识别模型语音控制假肢机器人手臂机器人控制正向运动学A B S T R A C T随着技术的发展，各种控制方法也在发展。语音控制系统就是其中的一种控制方式。在这项研究中，在文献中使用的数学模型进行了有效的建模，并开发了语音控制系统，以控制假肢机器人手臂。所开发的控制系统已应用于四关节RRRR机器人在所设计的系统上进行了实施测试。作为测试的结果，已经观察到，在我们的系统中使用的技术实现了约11%的语音识别效率比目前使用的技术在文献中通过改进的数学建模，已经表明语音命令可以有效地用于控制假肢机器人手臂。©2017作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍机器人技术和能够控制机器人技术的系统受到技术发展的影响（ Kubik 和 Sugisaka ， 2001; Stanton 等 人 ， 1990; Gundogdu 和Yucedag，2013; Sabto和Mutib，2013）。在机器人技术领域进行了各种研究（Valente，2016; Cambera和Feliu-Batlle，2017; Yagimli和Varol ， 2008; Gundogdu 和 Calhan ， 2013; Rogowski ， 2013;Cetinkaya，2009）。许多控制系统是可用的，例如语音控制、视觉检查和具有脑电波的控制系统（Pattnaik和Sarraf，2016; Gundogdu和Yucedag，2013; Jayasekara等人，2008; Kim，2013; Ju等人，2007年）。而且，近年来，通过使用具有语音的控制系统已经实现了许多理论和实际应用（Chahuara等人，2017年; Kubik和Sugisaka，*通 讯 作 者 ： DüzceÜniversistesi ， TeknolojiFakültesi ， BilgisayarMühendisligiBölümü，Düzce，Turkey.电子邮件地址：koksalgundogdu@ekargemuhendislik.com（K.Gundogdu ），sumeyyebayrakdar@duzce.edu.tr（S.Bayrakdar），ibrahimyucedag@duzce.edu.tr（I.Yucedag）。沙特国王大学负责同行审查2001; Nishimori等人， 2007; Hanser，1988; Nolan，1998;Reed例如， 1994年）。在文献中，可以使用语音控制系统进行许多研究，例如机器人臂控制、门锁控制、移动车辆系统控制和轮椅控制（Ferrús和Somonte，2016; Izumi等人，2004; Jayasekara等人，2009;Huang和Shi，2012;Phelps等人，2000; Sajkowski，2012; Kuljic等人，2007; Gundogdu和Calhan，2013; Wahyudi等人，二○ ○八年;Liu等人，2005; Shim等人，2010; Kajikawa等人，2003; Lv等人，2008; Zhou等人，1994年）。语音控制系统已经开发了许多方法，这些开发的方法已经通过应用多种机制来使用。这些方法是语音处理方法，例如模糊逻辑、神经网络和马尔可夫模型（Jayasekara等人，2009年; Wahyudi等人，2008;Majdalawieh等人，2004; Alghamdi等人，2008; Chatterjee等人，2005;Phoophuangpairoj，2011）。有许多方法可以将真实环境实现到这些获得的模型。这些方法之一是在计算机上对语音处理进行建模（Izumi等人，2004; Zhou等人，1994年）。与计算机一样，DSP（数字信号处理器）也广泛用于语音处理技术（Qadri和Ahmed，2009年）。在给出命令的同时，语音处理技术中不仅使用诸如英语的通用语言，而且还使用许多不同的语言（Qidwai和Shakir，2012; Izumi等人， 2004年）。在这项研究中，语音识别系统已经开发，以控制假肢机器人手臂。系统的总体结构如图所示。1.一、单定义的数学模型http://dx.doi.org/10.1016/j.jksuci.2017.04.0051319-1578/©2017作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comð - Þð - Þð-Þ ð-Þ ð - Þ¼ð Þ ¼ ð-Þþ ð -ÞK. Gundogdu等人 /沙特国王大学学报-计算机与信息科学30（2018）198-205199Fig. 1.系统的总体图对Qidwai提出的语音处理模型进行了改进，并实现了该模型的物理实现。为了评估系统的互操作性，设计了一个四关节RRRR（Rotational-Rotational-Rotational-Rot ational，4-rotary joints）机器人手臂模型，并将该模型转化为实物产品。在机器人手臂和语音处理系统之间建立必要的连接后，将预定义的语音命令应用于系统。最后，观察到有多少应用的语音命令由机器人手臂执行。根据观察到的结果，语音命令的检测率增加了更多，由于开发的系统。所设计的语音控制系统的假肢机器人手臂是更有效的语音识别系统中使用的文献。该系统的流程图如图所示。 二、2. 语音识别系统得到了不同类型语音识别的数学模型物理产品的形成是为了能够测试这些模型。2.1. 语音识别模型在语音处理方法中，Eqs. (1)和（2）通过使用Qidwai使用的数学模型来定义。首先，将使用的语音识别到具有诸如麦克风的任何传感器的系统。当用户说出系统定义的语音时，系统会根据算法决定适当的行为.如何获得所需的定义如图所示的声音模型。3.第三章。下面给出上述模型的数学描述uf1ω nfa-1！ uf1·nfa-1这里，uf1示出了用户在说出语音命令时使用的用户频率，nf a1表示由组合在一起的命令字母组合的自然频率。此外，uf1：nf a1表示由用户频率和基于用户定义的自然频率组成的命令频率。作为示例，对于“right”命令，组合由单词的字母组成的自然频率和在用户说出“right”命令时组成 以这种方式，根据用户定义的命令被建模，如图1所示。 四、下面描述上述模型的数学表达式。ya uf1·nf a-1 uf2·nfa-2. uf n·nf从图中的模型可以看出。 4，在用户uf1的语音中定义的n个词： 一1，uf2：nf一2... uf n：nf 一n 在Eq中给出。（二）、通过将声音放在一起，可以使用句子定义的各种y（a）命令，创造作为一个举例来说，uf1：nfa-1为“left”命令定义，图二. 系统的流程图图三. 语音命令的标识。为模型上的“转弯”命令定义。使用模型中使用的算法，命令“turnthe left ”y a uf 1：nf a1uf5：nf一五是定义。对于该模型，利用以下公式得到如下所示的方程：齐德瓦伊ð - Þ- - Þ二十万Gundogdu等人 /沙特国王大学学报-计算机与信息科学30（2018）198- 205由方程式(3)由c表示的矩阵表示2.2. 通过开发生成的系统识别语音命令一个新的模型开发利用所获得的模型benefiting从文献中。虽然在第一个模型中进行了一次语音识别当检查实验结果时，很容易看出，我们的两次定义的系统比一次定义的系统更好。因为，可以清楚地观察到，通过使用我们开发的模型获得了更高的语音检测率。得到的新模型如图所示。 五、在这里，在Fig. UF1和UF2表示用户在说出期望的相同命令时使用的用户频率。NF a1表示由命令字母组合形成的自然频率，而uf1：nf a1和UF2：NF A2表示用于根据用户定义的相同命令的命令频率，其由命令的用户频率和自然频率组成在系统中，用户频率的数目可以是1、2、4和8。然而，当该系统被应用到机器人手臂，它被观察到，其他语音识别率是效率低于两个。因此，我们倾向于在该系统中使用2个用户频率。作为一个例子，两个独立的不同的语音识别是为“正确”的命令。从方程可以看出，uf1ωnf<$a-1<$！uf1：nfa-1中，为用户定义的语音被建模两次，如在右声道1：nfa-1和右声道2：nfa-1中所见。这样，用户定义的特定命令如图所示. 六、从图6中的模型可以看出，相同的语音被建模两次，分别为uf1 =1：nf a-1和uf1 = 2：nf a-1。首先，系统根据用户对传感器发出的命令判断给定命令是否为系统中的注册命令在两次定义语音的模型中，由于一个词定义了两次，语音识别率进一步提高以下等式见图4。 根据用户定义的语音命令。图五. 两次定义相同的语音命令。使用Eq.中的模型获得。(3)这是从Qidwai获得的（Qidwai和Shakir，2012年）。由方程式由“c”表示的矩阵表示“用户频率矩阵”，由“b”表示的矩阵表示“自然频率矩阵”，而由“a”表示的矩阵表示由用户定义的命令组成的矩阵2.3. 语音识别系统在我们的工作中，首先设计了语音识别系统。然后，为了使物理实现的系统，印刷电路板图中的开发系统。 7由单片机和语音检测卡组成。首先，在语音识别单元中对传感器检测到的语音进行评估，并将处理后的以这种方式，提供了根据设计的模型将信息存储在微控制器中。当系统用户提示执行命令时，用户将命令告诉麦克风，系统将语音传输到微控制器。最后，微控制器根据所设计的模型进行所需的比较，决定是否应用命令。3. RRRR四关节机器人手臂的设计设计并实现了一个机器人手臂模型，以便对所获得的语音识别模型进行真实环境分析3.1. 机器人手臂在获得图1和图2所示的机器人臂的数学模型的同时，（8a和8b），首先，通过使用Denavit-Hartenberg（D-H）方法获得运动学建模。然后，将正向运动学方程应用于所获得的模型（Ozgur和Mezouar，2016;Kucuk和Binul，2004）。 最后，作为用D-H法测定变量的结果，得到表1如果将表1中所示的D-H参数放置在正向运动学的通用矩阵上，则获得如下所示的矩阵方程（Kucuk和Binul，2004）。4545¼675 45¼2367T¼5454K. Gundogdu等人 /沙特国王大学学报-计算机与信息科学30（2018）198-2052012ch1-sh10030T¼6 sh1ch10071见图6。 两次定义语音命令根据用户。2ch2-sh20 031T¼ 6 00- 1070 0 1小时2sh22000 0 0 12ch3-sh30l132T¼6sh3ch30070 0 0 12ch4-sh40l233T¼6sh4ch4007ð5Þ30 0 1 040 0 0 12100l330 0 1 00 0 0 14T010 0001 0000 1机器人手臂的关节矩阵示于等式中。（五）、当根据正运动学方法将操作05T01T：12T：23T：34T：45T应用于关节矩阵时，获得机器人手臂的正运动学的数学模型CH1：CH234-CH1：SH234SH1CH1：CH234：L3CH1：CH23：L2CH1：CH2：L10SH1：CH234-SH1SH1：CH234：L3CH1：CH23：L2CH1：CH2：L1见图7。 微控制器和语音检测卡。由方程式(6)、CH234<$CH23：CH4-SH23：SH4、SH234<$CH23：SH4-SH23：CH4、CH23<$CH2：CH3-SH2：SH3和SH23<$CH2：SH3-SH2：CH3。sh234ch2340sh234：l3sh23：l2sh3：l1h0 0 0 175ð6Þ4. 机器人手臂为了将所设计的机器人手臂模型应用于实际环境中，546202K Gundogdu等人 /沙特国王大学学报-计算机与信息科学30（2018）198- 205图第8（a）段。机器人手臂和关节变量默认位置。图第8（b）段。机器人手臂和关节变量初始位置。表1D-H参数的确定。轴编号D-H参数I. 关节变量我ai-1ai-1Dihidi或hi100HH1H129000H2H230L10H3H340L20H4H450L3000使用3mm厚的树脂玻璃材料和各种尺寸的螺钉。将有机玻璃材料切割为长度L1= 145 mm、长度L2= 170 mm和宽度24 mm。通过将铝板切割为长度L3 = 50 mm来形成机器人臂的第三长度。此外，形成机器人臂的手指部分使机器人臂左右移动的机构是通过切割具有U = 110 mm的直径和h = 7 mm的长度的部分形成的。第8（a）段。机械臂具有控制板和连接到控制板的系统。图中所示的机械臂。9和语音识别系统通过串行通信路径相互传输数据，通过串行通信将语音识别卡中检测到的命令传输给机器人手臂。所设计的系统框图如图所示。 10个。图10所示的语音识别卡由语音处理板（Gundogdu和Calhan，2013）和2个PIC微处理器组成。控制器。第一个微控制器控制声音处理- ING板，将传入的语音信号转换为数字。它还负责以数字方式存储这些声音，见图9。 机械臂。K. Gundogdu等人 /沙特国王大学学报-计算机与信息科学30（2018）198-205203见图10。 所设计系统的框图。表2机器人手臂执行的语音命令和动作语音命令机械臂h1（i +1）h2（i +1）h3（i +1）h4（i +1）转动右侧机器人手臂向右h1㈠ +90h2（i）h3㈠h4㈠向左转初始职位机械臂向左机器人臂到达图8中的位置（a）机器人臂到达图8中的位置。8 （b）h1（i）-9000h2（i）1400h3㈠-1200h4㈠-600打开关闭机器人手臂打开它的手指机器人手臂关闭它的手指h1（i）h1（i）h2（i）h2（i）h3㈠h3㈠h4㈠h4㈠应8000样本/秒 以来人类语音是小于见图11。 “默认位置”命令波形的框图系统的数学模型。此外，在我们的系统中，一个物理噪声消除器是用来防止噪声的语音信号从麦克风。（Gundogdu和Calhan，2013年）。根据奈奎斯特定理，语音4000 Hz（Qidwai和Shakir，2012年）。我们使用的采样率为每秒32，000个样本，所有录音均采样5秒。语音识别卡上的第二微控制器安排与机械臂控制卡的数据交换图10所示的机械臂控制卡由8051单片机组成. 8051微控制器接收来自语音识别卡的数据，并通过生成该数据所需的PWM（脉宽调制）输出将机械臂移动到所需位置。5. 结果和讨论根据图9所示的数学模型生产机器人手臂。如图10所示，语音识别系统和控制卡集成到机器人手臂上。机器人手臂用于观察为语音命令设计的系统的工作效率。为了测试系统，定义了各种语音命令。给出了机器人手臂执行的指令及其操作表2中 默认位置的波形如图所示。 十一岁见图12。 系统在实际环境中的测试结果。204K Gundogdu等人 /沙特国王大学学报-计算机与信息科学30（2018）198- 205图十三. 系统生产率的比较。首先，根据方程中的单定义系统，得到定义语音命令的数学模型。(3)和双定义系统在方程。（四）、然后，将这些模型依次加载到语音识别卡中进行测试。此外，为了更好地理解系统效率，使用四定义系统和八定义系统观察语音命令的行为。每个命令重复10次。这些命令应用于1、2、4和8个定义的系统。结果如图12所示。例如，“默认位置”应用于1，2，4和8个定义的声音，重复十次。我们的系统的感知率的观察结果如下：对于一个定义的命令9/10，对于两个定义的系统10/10，对于四个定义的系统8/10，和对于八个定义的系统7/10。在图13中，为了获得系统效率，获取每个系统的检测到的命令的平均数量并将其定义为百分比。例如，命令的平均值为0.7667，用于一次定义的语音，其百分比为76.67%6. 结论在这项研究中，语音控制系统的开发控制假肢机器人手臂。开发的语音控制系统应用于我们自己设计的，四关节RRRR机器人手臂。从所获得的结果，它被观察到，开发的语音识别系统的假肢机器人手臂是更有效的比目前使用的语音识别系统在文献中。测试结果表明，所用处理器的速度对数据的存储和调用非常重要。根据所获得的数学模型，数据处理和存储为矩阵导致处理器上的工作负荷。因此，处理器的速度应选择得尽可能高，相应地，高速缓存应选择得尽可能大本文的主要贡献是，从测试结果来看(4)比其他模式更有效数学模型中的双定义系统比单定义系统的效率高约11%，比四定义系统的效率高约3%，比八定义系统的效率高约13%从实验结果可以清楚地看出，对于长词和多词句子，具有两次定义的语音识别率的系统是更有效的。由于在比较过程中所采取的样本数量非常多，因此获得了有效的结果。设计和实现的系统可以有效地用于生物医学和其他行业的许多领域。示例性地：医疗系统;⬛ 有效地控制假肢机器人手臂⬛ 对不能用手的卧床病人的医疗病床位置进行控制，⬛ 为颈部以下瘫痪的病人使用带有语音命令的电动轮椅，⬛ 利用可附着在床上的机器人手臂来满足不能用手的卧床病人的需要，例如当卧床病人对机器人手臂说“给我拿水”的命令时工业;⬛ 在服务部门工作的非手臂患者，例如没有手臂的患者，可以观察应该被监测的系统遵守道德标准伦理批准：本文不包含任何作者对人类参与者或动物进行的任何研究。引用Alghamdi ， M. ， Alhargan ， F. ， Alkanhal ， M. ， Alkhairy ， A. ， Eldesouki ， M. ，Alenazi，A.，2008年沙特口音的阿拉伯语音银行。J. King Saud Univ. Comp. Inf. Sci.20，45-64。坎贝拉，J.C.，Feliu-Batlle，V.，2017.重力及关节摩擦下单连杆柔性机械臂之输入状态回授线性化控制。机器人 奥顿系统88，24-36。切廷卡亚岛2009.机器人手臂，它有四个旋转关节，遵循手臂的运动，概念和实验研究（硕士论文）。Trakya University，Edirne.Chahuara，P.，波特，F.，Vacher，M.，2017.不确定环境下智能家居语音控制决策。专家系统应用75，63-79。Chatterjee，A.，Pulasinghe，K.，Watanabe，K.，Izumi，K.，2005.一种用于语音控制机器人系统的粒子群优化模糊神经网络。IEEETrans.Ind.Electron.52（6），1478Ferrus，R.M.，Somonte，医学博士，2016.根据家用机器人客户的声音进行机器人设计。机器人奥顿System. 79，99-107.Gundogdu，K.， Calhan，A.， 2013. 声控残疾人专用车设计。杜斯策大学 J. Sci. Technol. 1（1），24 -31（土耳其文）。Gundogdu，K.，Calhan，A.，2013年。无人驾驶军用地面车辆设计。 J. Adv.技术科学2（1），36-45（土耳其文）。Gundogdu，K.，尤塞达格岛，2013.移动机器人手臂的设计，可以通过音频或接口进行控制。Düzce Univ. J. Sci. Technol. 1（1），24 -31（土耳其文）。K. Gundogdu等人 /沙特国王大学学报-计算机与信息科学30（2018）198-205205Hanser，P.K.，1988.发明人; Position Orientation Systems Inc，受让人。语音控制系统。美国专利US 4，776，016。黄河，巴西-地Shi，G，2012.基于语音识别的混合驱动双臂机器人控制系统设计。IEEE10th International Conference on Industrial Informatics（INDIN）1：602Izumi，K.，Watanabe，K.，Tamano，Y.，2004.用于控制机器人操作器的日本彩色图像语音接口系统。在：IEEE工业电子学会（IECON）第30届年会1：1779Jayasekara，B.，Watanabe，K.，Izumi，K.，2008年用视觉运动协调学习引导的模糊语音命令控制机器人操作器。SICEAnnual Conference，vol. 1，pp.2540-2544Jayasekara，B.P.，Watanabe，K.，Izumi，K.，2009.评价模糊语音命令的内部排练控制机器人机械手。IEEE ICROS-SICE国际联合会议，第1卷，pp. 3130- 3135Ju，D.，Zhong，R.，高桥，M.，2007.基于虚拟手机自主移动机器人远程监控系统开发。第二届创新计算、信息和控制国际会议（ICICIC'07），第1卷，第110页。 291-294.Kajikawa，S.，Hiratsuka，S.，石原，T.，Inooka，H.，2003.机器人位置控制通过语音指令，包括模糊表达的程度。在：IEEE机器人与人类交互通信国际研讨会，pp。223-228.金博士，2013.基于模糊规则的情感机器人用户需求语音生成语音情感控制。IEEE计算机应用技术国际会议（ICCAT），第1卷，第110页。 一比四Kubik，T.，和Sugisaka，M.，2001.手机在移动机器人语音控制中的应用。在：第40届SICE年会的会议记录;国际会议论文，pp。106-111Kucuk，S.，宾格尔，Z.，2004.机器人系统运动学模型的比较。J. 理工科。7（2），107-117（土耳其文）。Kuljic，B.，Janos，S.，Tibor，S.，2007.语音控制的移动机器人。在：IEEE第五届国际研讨会对智能系统和信息学，pp. 189-192.Liu，P.X.，陈，华盛顿，陈，R.，Wang，K.，Zhu，Y.，中国科学院，2005年机器人语音控制 IEEEInternational Conference on Information Acquisition（ICIA），第一卷。第1页。 543- 547吕，X.，张，M.，Li，H.，2008.基于语音命令的机器人控制。 IEEE自动化与物流国际会议论文集（ICAL），第1卷，第110页。 2490- 2494Majdalawieh，O.，顾，J.，Meng，M.，2004年HTK开发的用于语音控制机器人系统的隐马尔可夫在：IEEE/RSJ智能机器人和系统国际会议，pp。4050-4055Nishimori，M.，Saitoh，T.，小西河，2007年语音控制智能轮椅。在：SICE年度会议的会议记录，pp。336-340地方检察官诺兰1998.发明人; Tracer Round Associaties Ltd，受让人。轮椅语音控制装置。美国专利US 5，812，978。Ozgur，E.，Mezouar，Y.，2016年。 利用单位对偶四元数之机械手臂运动学建模与控制。机器人奥顿系统77，66-73。Pattnaik，P.K.，Sarraf，J.，2016.脑机接口问题的手的运动。J. King Saud Univ. Comp.Inform. Sci.（已接受-2016年10月1日在线提供）。菲尔普斯，E.，Pruehsner，W.R.，Enderle，J.D.，两千Soni-key语音控制门锁。在：IEEE第26届东北年会论文集165Phoophuangpairoj，R.，2011.使用多个HMM识别器和最大精度方法来改进语音控制机器人。IEEE 2011 International Symposium on Intelligent Signal Processingand Communication Systems（ISPACS）1：1Qadri ， M. ， Ahmed ， S.A. ， 2009. 语 音 控 制 轮 椅 使 用 DSK TMS320C6711 。 IEEEInternational Conference on Signal Acquisition and Processing，pp. 217- 220Qidwai，U.，Shakir，M.，2012.无处不在的阿拉伯语语音控制设备，以帮助残疾人。IEEE第四届智能与先进系统国际会议（ICIAS），第1卷，第110页。 333- 338Reed，J.D.，哈里森，R.M.，Rozanski，W.J.，一九九四年发明人;摩托罗拉公司，受让人。远程语音控制系统。美国专利US 5，371，901。Rogowski，A.，2013年。基于网络的远程语音控制自动化单元。机器人Comput.积分 制造29（4），77-89。Sabto，N.A.，Mutib，K.A.，2013.自主移动机器人定位基于RSSI测量使用RFID传感器和神经网络BPANN。J.沙特国王大学Comp. 并告知。Sci. 25（2），137-143。Sajkowski，M.，2012.双驱动移动机器人的语音控制-算法综述。在：IEEE第三届机器人运动与控制国际研讨会，pp。387-392.Shim，B.K.，Kang，K.W.，李，W.S.，Won，J.B.，汉，S.H.，2010年。 一种基于语音指令的移动机器人智能控制。控制自动化和系统国际会议（ICCAS），1，页。 2107-2110斯坦顿，K.B.，谢尔曼，公共关系，Rohwedder，M.L.，Fleskes，C.P.，格雷，D.R.，Minh，D. T.，埃斯皮诺萨角，Mayui，D.，Ishaque，M.，Perkowski，文学硕士1990. PSUBOT-一种语音控制的残疾人轮椅。在：第33届中西部电路与系统研讨会的会议记录。669-672.Valente，A.，2016.可重构工业机器人：设计和装配机械臂的随机规划方法。机器人补偿积分制造41，115-126。Wahyudi，Astuti W.，Mohamed，S.，2008.高斯混合模型与人工神经网络模型于楼宇安全门禁系统之 比 较 。信息技术国际研讨会（ITSim），1，pp。 1-8号。Yagimli，M.，Varol，H.S.，2008.低成本目标识别与追踪感测系统行动机器人。 J. 导航Sci. Eng. 4（1），17-26.周，R.，Ng，K.P.，Ng，Y.S.，一九九四年一种基于神经网络的语音控制机器人在：1994年第二届澳大利亚和新西兰智能信息系统会议的会议记录。130-134
我的内容管理
展开
