摘 要：针对常规以人工检测为主的沥青路面裂缝检测效率较低、费时费力且存在安全隐患等问题，基于数字图像处理技术，对不同路面裂缝采集高度图像进行统计分析，获得了满足图像处理效率和工程精度要求的最佳路面裂缝采集高度，分析了路面裂缝分形特征、裂缝扩展路径特征等细观结构特征。结果表明：路面裂缝最佳图像采集高度为60 cm,可有效提高图像自动化处理效率，且裂缝宽度测量相对误差满足≤10%的工程精度要求；沥青路面裂缝具有良好的分形特征，分形维数在1.1～1.2之间；黏结裂缝占裂缝总长度的50%～60%,是沥青路面裂缝的主要类型，提高沥青胶浆和粗集料的黏结性可有效抑制沥青路面裂缝的扩展。研究结论可为沥青路面裂缝数字化检测提供简单便捷的方法和新的技术途径。
关键词：道路工程;沥青路面;数字图像处理;裂缝;细观结构;
基金：广东省自然科学基金面上项目，项目编号2022A1515010845;佛山市科技计划项目，项目编号1920001001867;广东省企业科技特派员资质项目，项目编号GDKTP2020036600;
沥青路面在车辆荷载、温度和雨水等复杂环境耦合作用下，会逐渐出现裂缝、车辙、坑槽和松散等病害，其中裂缝是公路运营过程中最常见的病害之一。沥青路面病害不但造成道路行车安全隐患，而且如不及时维修会加剧路面损坏，缩短路面的使用寿命。目前，常规的路面裂缝检测是以人工检测为主，采用目测和简单工具丈量的方式，记录路面裂缝具体位置、长度和严重程度等。人工检测虽能得到裂缝的具体特征，但存在检测效率较低、检测人员劳动强度较大和人工成本较高等特点。对于车辆较多的路段，常因检测封闭交通而造成交通拥堵，检测人员也存在一定的安全隐患，传统检测方法基本不能适应高速公路快速发展的需求。随着计算机和无损检测技术的快速发展，作为具有非接触式、快捷方便和智能化等优点的数字图像处理技术，在道路工程领域得到越来越广泛的应用[1]。采用数字图像技术处理和识别裂缝的结构特征，取得了大量的研究成果，具体的裂缝检测算法有深度学习裂缝检测方法[2,3]、膨胀圆裂缝检测算法[4]、自动检测算法[5]、三维图像采集系统和路面裂缝检测算法[6]、Matlab软件平台检测算法[7]、改进遗传规划的路面裂缝检测算法[8]等。对于裂缝检测方法与特征的研究，主要集中在裂缝图像预处理、裂缝长度识别和参数计算[9,10],混凝土表面裂缝和孔洞检测方法[11]、基于智能手机APP检测混凝土表面裂缝的图像法[12]、混凝土桥梁结构表面裂缝宽度检测[13],横断面图像多特征的裂缝检测方法[14],还有基于无人机视觉的桥梁裂缝检测方法[15],对沥青混合料四点弯曲疲劳试验裂缝发展特征进行研究[16]等方面。基于图像处理的裂缝检测算法、检测方法、裂缝特征识别和评价方法提升了裂缝自动化和精细化检测水平，有效推动了裂缝图像检测方法的发展。
沥青路面主要由粗集料、细集料、沥青结合料和外掺剂等材料构成，在高温下拌和碾压形成具有黏弹性的黑色多相复合材料。由于沥青路面颜色较深以及路面纹理特征的原因，目前沥青路面裂缝检测技术较难满足工程精度和处理效率的要求[17],基于数字图像处理技术进行沥青路面裂缝智能化识别与细观结构特征研究的文献相对较少。本文在进行路面裂缝图像自动化处理与识别的基础上，通过对不同路面裂缝采集高度图像进行统计分析，研究便于识别裂缝宽度特征参数，满足图像处理效率和工程精度要求的最佳路面裂缝采集高度；同时对路面裂缝细观结构特征包括分形特征、裂缝扩展路径特征进行深入分析，为沥青路面裂缝的自动化和精细化检测提供简单便捷的方法和新的技术途径。
1 沥青路面裂缝图像采集与处理方法1.1沥青路面裂缝图像采集方法本文基于数字图像处理技术测量沥青路面裂缝的结构特征，首先需获取高清、能准确反映裂缝特征的裂缝图片，制定合理的裂缝图像采集方案。采集的图像越清晰，后续的图像数字化处理会更加精确；相反，若图像出现变形、失真等情况，将会对试验结果造成较大的误差。影响裂缝图像采集效果的因素包括拍摄距离、相机像素、拍摄角度等。沥青路面裂缝图像采集设备如图1所示，通过俯拍支架固定智能手机保持与路面表面平行，智能手机像素为1.2×107。采集图像时，保持支架导杆与地面平行且待设备稳定后进行拍照，以保证图像的清晰度，不会出现图像失真、变形等。设备通过调节俯拍支架中的伸缩模块来改变裂缝采集高度，并且确保采集高度是本试验的唯一变量，使试验结果更具合理性。
图1 裂缝图像采集装置
对于拍摄距离影响因素，拍摄距离越大，获得图像的裂缝越小；拍摄距离越小，获得裂缝的范围也会越小。沥青路面裂缝一般为纵向裂缝、横向裂缝或网裂，裂缝长度较长或范围较大。为确定最佳的拍摄距离，既能反映裂缝的结构特征又能获得更大范围的裂缝图像，本次采取不同的拍摄距离，获得相应的裂缝图像，以研究沥青路面裂缝的最佳采集高度。试验过程中，采集高度分别设置为20 cm、40 cm、60 cm、80 cm和100 cm, 通过分析不同采集高度的裂缝图像特征，获得最佳的路面裂缝采集高度。
1.2沥青路面裂缝图像处理方法沥青路面裂缝图像中的信息包括裂缝、集料、沥青胶浆和孔隙等。为对路面裂缝的结构特征进行分析，最常见的方法是通过二值化处理提取裂缝图像。目前常见的图像处理二值化方法有双峰法、导数法和OTSU法等。研究结果表明，在处理路面裂缝过程中，这些方法均不同程度存在裂缝识别不精确等问题[17]。
为此，本文基于Python程序开发图像处理软件，在快速转换和识别裂缝图像基础上，采用Photoshop软件提取路面裂缝，从而实现裂缝图像的精细二值化处理。在完成裂缝图像二值化处理后，基于Image-Pro 6.0软件，对图像中裂缝的宽度等特征进行测量，并输出测量结果。路面裂缝图像处理与宽度测量具体步骤如图2所示。
步骤一：裂缝图像处理与提取。使用自主开发的图像处理软件，将裂缝原始图像进行初步二值化处理，获取像素为255的黑色裂缝。在去除裂缝区域以外的纹理、噪音等步骤后，使用Photoshop软件清除图像中的干扰因素，将裂缝进行精确提取，最终得到路面裂缝二值化图像。
步骤二：裂缝宽度测量。将不同采集高度下二值化裂缝图像的10个相同位置进行标识，测点分别表示为L1、L2、L3、…、L10,保证试验的唯一变量是采集高度。通过Image-Pro 6.0软件Calibration操作中的Spatial命令，设置不同采集高度的比例尺，保证裂缝测量的精确性；通过Manual measurements命令，测量各测点的裂缝特征，得到各测点的裂缝宽度值参数。
2 试验设计为获取最佳的路面裂缝采集高度，选择5组不同宽度的沥青路面裂缝，且路面表面磨耗层级配和粗细程度也均不同。每组裂缝垂直采集高度分别为20 cm、40 cm、60 cm、80 cm和100 cm,总共获取25张图像。典型的裂缝图片如图3所示。同时，通过卡尺分别测量各组裂缝测点的实际宽度，结果见表1。通过不同采集高度裂缝图像各测点宽度值(B1)与实际宽度值(B)的对比，获得最佳的路面裂缝采集高度。获取最佳采集高度后，本试验将最佳采集高度下5组沥青裂缝进行进一步研究，获取沥青裂缝的分形特征与裂缝扩展路径特性。
图2 路面裂缝图像处理与宽度测量方法
图3 不同采集高度路面裂缝典型图像
3 试验结果分析3.1不同采集高度裂缝宽度变化特征根据图1裂缝图像采集方法，获取不同采集高度裂缝图像并对图像进行二值化处理和宽度测量，将各测点裂缝测量宽度B1与实际宽度B进行对比，获取裂缝宽度测量值与实际宽度值之差的绝对值(ΔB=|B-B1|)的分布特征以及测点相对误差δ的分布情况，如图4所示。
根据图4可得以下结论。
(1)随着采集高度由小到大逐渐变化，沥青路面裂缝的ΔB值有增大的趋势，各测点的ΔB值波动变大。随着采集高度的增加，图像中裂缝宽度变小，导致图像处理与裂缝测量过程中的误差逐渐增加。因此，采集高度是影响图像处理和裂缝识别精度的主要因素之一。
(2)各测点裂缝宽度与ΔB值成反比关系，即测点裂缝宽度较大时ΔB值较小，裂缝宽度较小时ΔB值变大。因此，裂缝宽度是影响图像处理和裂缝识别精度的另一个主要因素。
(3)对于本文分析的5组裂缝，裂缝实际宽度值变化范围为1.4 mm～7.1 mm,这也是大部分沥青路面裂缝的宽度范围。为获取能最大程度上反映沥青路面裂缝的实际特征以及满足工程误差要求的图像采集高度，本文计算得到各测点裂缝宽度测量相对误差δ值，如图4(f)所示。相对误差计算公式见式(1)。
δ=(ΔB/B)×100% (1)
根据图4(f)可知，图像采集高度越低，裂缝的ΔB值越小，相对误差δ也越小。对于5组裂缝宽度的所有测点，图像采集高度小于60 cm时相对误差小于10%,满足图像处理效率和工程精度要求。因此，建议沥青路面裂缝图像采集高度取60 cm较为合适。
表1 路面裂缝实际宽度B值
|
分组编号 |
各测点路面裂缝实际宽度/mm | |||||||||
|
L1 |
L2 |
L3 |
L4 |
L5 |
L6 |
L7 |
L8 |
L9 |
L10 | |
|
1 |
3.5 |
2.5 |
2.2 |
3.8 |
2.6 |
4.2 |
3.6 |
4.1 |
2.6 |
4.2 |
|
2 |
6.6 |
1.9 |
2.6 |
3.7 |
1.6 |
3.5 |
3.9 |
3.9 |
1.7 |
3.5 |
|
3 |
3.3 |
4.1 |
4.6 |
1.2 |
3.3 |
2.3 |
4.3 |
2.9 |
7.1 |
2.4 |
|
4 |
2.1 |
3.5 |
2.8 |
2.6 |
2.4 |
2.0 |
1.4 |
3.1 |
5.1 |
2.3 |
|
5 |
2.7 |
2.5 |
3.6 |
4.3 |
3.3 |
3.5 |
4.5 |
7.3 |
4.7 |
2.3 |
图4 不同采集高度ΔB值、相对误差值δ分布
3.2ΔB值分布变异性为评估基于图像处理技术测量裂缝宽度获得的ΔB值的变异性，保证测量结果的稳定性，对不同采集高度下各测点ΔB值平均数、标准差、变异系数、最大值和最小值统计数据进行分析，结果如表2所示。
表2 不同采集高度ΔB值变异性
|
编号 |
采集高度/cm |
平均值/mm |
标准差 |
变异系数 |
最大值/mm |
最小值/mm |
|
1 |
20 |
0.201 |
0.013 |
0.064 |
0.215 |
0.174 |
|
40 |
0.250 |
0.032 |
0.128 |
0.318 |
0.211 | |
|
60 |
0.445 |
0.066 |
0.148 |
0.543 |
0.335 | |
|
80 |
0.645 |
0.103 |
0.159 |
0.759 |
0.522 | |
|
100 |
0.830 |
0.109 |
0.131 |
0.989 |
0.701 | |
|
2 |
20 |
0.185 |
0.029 |
0.155 |
0.226 |
0.140 |
|
40 |
0.278 |
0.044 |
0.158 |
0.337 |
0.217 | |
|
60 |
0.453 |
0.075 |
0.165 |
0.551 |
0.342 | |
|
80 |
0.714 |
0.103 |
0.144 |
0.839 |
0.581 | |
|
100 |
0.779 |
0.074 |
0.095 |
0.895 |
0.686 | |
|
3 |
20 |
0.214 |
0.049 |
0.227 |
0.281 |
0.146 |
|
40 |
0.325 |
0.077 |
0.236 |
0.491 |
0.233 | |
|
60 |
0.460 |
0.113 |
0.245 |
0.682 |
0.308 | |
|
80 |
0.734 |
0.103 |
0.140 |
0.882 |
0.608 | |
|
100 |
0.824 |
0.206 |
0.250 |
1.352 |
0.622 | |
|
4 |
20 |
0.193 |
0.037 |
0.191 |
0.243 |
0.134 |
|
40 |
0.285 |
0.058 |
0.205 |
0.379 |
0.194 | |
|
60 |
0.455 |
0.099 |
0.218 |
0.688 |
0.324 | |
|
80 |
0.675 |
0.115 |
0.170 |
0.831 |
0.507 | |
|
100 |
0.820 |
0.185 |
0.225 |
1.173 |
0.608 | |
|
5 |
20 |
0.318 |
0.053 |
0.167 |
0.398 |
0.231 |
|
40 |
0.408 |
0.069 |
0.169 |
0.488 |
0.320 | |
|
60 |
0.603 |
0.072 |
0.120 |
0.787 |
0.542 | |
|
80 |
0.863 |
0.146 |
0.170 |
1.099 |
0.679 | |
|
100 |
0.964 |
0.166 |
0.172 |
1.192 |
0.800 |
由表2可得结论如下。
随着沥青路面裂缝图像采集高度由20 cm增加至100 cm, ΔB值的平均值、标准差和变异系数均呈现上升趋势，表明基于数字图像测得的裂缝宽度的误差、离散程度、变异性逐渐增大，图像处理的精确度逐渐降低。结合上述3.1节中，图像采集高度小于60 cm时满足相对误差小于10%的工程精度要求的结论，可认为在垂直地面60 cm高度时采集较为合理，一方面避免采集高度过低导致图像裂缝范围较小、无法反映裂缝实际特征的问题；一方面可增加裂缝图像处理范围，提高图像自动化处理效率且满足工程精度相对误差小于10%的要求。
3.3路面裂缝分形特征目前常见的分形维数计算方法有：计盒维数法、面积-周长法、毯子覆盖法、多尺度分数维法等。由于计盒维数法便于计算机识别与分析，本文使用计盒维数法对路面裂缝进行分形维数的计算。计算方法为：以边长为ξ的网格覆盖路面裂缝图像，计算图像边界曲线内与网格的交汇量N(ξ)。当网格的边长ξ不断地成倍减小时，可获得交汇网格数N(ξ)与网格边长ξ之间的幂律关系，如式(2)所示。
N(ξ)=kξ-D (2)
式中：k为尺度常数；D为分形维数。
对式(2)两边同时取对数可得：
lgN(ξ)=lgk-Dlgξ (3)
由式(3)可知，在双对数坐标中对ξ和N(ξ)进行线性回归，得到回归方程的斜率K,则分形维数D=-K。根据上述原理，本文基于图像处理技术结合计盒维数法基本原理，对沥青路面裂缝的分形特性进行研究，具体步骤如下：
(1)采用边长为ξ的网格对经图像处理过的5组裂缝图像进行分割；
(2)统计图像中与裂缝有交汇的网格(盒子)数N1;
(3)不断改变ξ值的大小，将ξ值缩小至原来的1/2,并重复步骤(2)得到Nn,得到一组(ξ,Nn)数据；
(4)利用最小二乘法求出lgNn相对lgξ的斜率K,得到分形维数D值。
采用计盒维数法计算图5(b)各裂缝二值化图像的分形维数，得到合维数数据，如表3所示。将表3中的lg(1/ξ)和lgN(ξ)数据进行线性回归分析，结果如图6所示。
图5 盒维数网格划分与计算
表3 路面裂缝合维数计算结果
|
编号 |
参数 |
各网格尺寸ξ对应的计算结果 | ||||||||
|
1/1 |
1/2 |
1/4 |
1/8 |
1/16 |
1/32 |
1/64 |
1/128 |
1/256 | ||
|
1 |
格子数N(ξ) |
1 |
4 |
6 |
10 |
24 |
57 |
130 |
326 |
636 |
|
lg(1/ξ) |
0.000 |
0.301 |
0.602 |
0.903 |
1.204 |
1.505 |
1.806 |
2.107 |
2.408 | |
|
lgN(ξ) |
0.000 |
0.602 |
0.778 |
1.000 |
1.380 |
1.756 |
2.114 |
2.513 |
2.803 | |
|
2 |
格子数N(ξ) |
1 |
4 |
5 |
12 |
26 |
67 |
169 |
359 |
653 |
|
lg(1/ξ) |
0.000 |
0.301 |
0.602 |
0.903 |
1.204 |
1.505 |
1.806 |
2.107 |
2.408 | |
|
lgN(ξ) |
0.000 |
0.602 |
0.699 |
1.079 |
1.415 |
1.826 |
2.228 |
2.555 |
2.815 | |
|
3 |
格子数N(ξ) |
1 |
4 |
6 |
11 |
29 |
62 |
174 |
368 |
674 |
|
lg(1/ξ) |
0.000 |
0.301 |
0.602 |
0.903 |
1.204 |
1.505 |
1.806 |
2.107 |
2.408 | |
|
lgN(ξ) |
0.000 |
0.602 |
0.778 |
1.041 |
1.462 |
1.792 |
2.241 |
2.566 |
2.829 | |
|
4 |
格子数N(ξ) |
1 |
4 |
6 |
11 |
26 |
58 |
140 |
349 |
646 |
|
lg(1/ξ) |
0.000 |
0.301 |
0.602 |
0.903 |
1.204 |
1.505 |
1.806 |
2.107 |
2.408 | |
|
lgN(ξ) |
0.000 |
0.602 |
0.778 |
1.041 |
1.415 |
1.763 |
2.146 |
2.543 |
2.810 | |
|
5 |
格子数N(ξ) |
1 |
4 |
8 |
14 |
26 |
62 |
154 |
398 |
698 |
|
lg(1/ξ) |
0.000 |
0.301 |
0.602 |
0.903 |
1.204 |
1.505 |
1.806 |
2.107 |
2.408 | |
|
lgN(ξ) |
0.000 |
0.602 |
0.903 |
1.146 |
1.415 |
1.792 |
2.188 |
2.600 |
2.844 | |
图6 沥青路面裂缝分形特征
由图6可知，lg(1/ξ)和lgN(ξ)呈良好的相关关系，相关系数达到0.99以上。图6中，沥青路面裂缝分形维数分别为D1=1.128、D2=1.136、D3=1.140、D4=1.158、D5=1.156,分形维数在1.1～1.2之间，表明沥青路面裂缝具有良好的分形特征。
3.4路面裂缝扩展路径分析沥青路面裂缝扩展路径呈曲线状，一般沿着沥青与粗集料界面发展的裂缝称为黏结裂缝，沿着沥青胶浆发展的裂缝称为基体裂缝。为研究沥青路面裂缝扩展路径特征，基于Image-Pro 6.0软件对5组不同沥青路面裂缝进行分析。路面裂缝图像采集高度为60 cm, 具体通过Image-Pro 6.0软件Calibration操作中的Spatial命令进行比例尺设置，通过Measurements中的Create trace feature命令测量裂缝的左右边缘长度、集料总长度参数，结果如表4所示。
表4 黏结裂缝长度与裂缝总长的关系
|
编号 |
位置 |
裂缝总长度cm裂缝总长度cm |
黏结裂缝长度cm黏结裂缝长度cm |
黏结裂缝占比%黏结裂缝占比% |
|
1 |
左边缘 |
162.42 |
78.33 |
48.22 |
|
右边缘 |
167.50 |
86.15 |
51.43 | |
|
2 |
左边缘 |
139.02 |
70.07 |
50.41 |
|
右边缘 |
147.23 |
81.16 |
55.12 | |
|
3 |
左边缘 |
114.33 |
59.69 |
52.21 |
|
右边缘 |
108.78 |
60.00 |
55.15 | |
|
4 |
左边缘 |
365.65 |
178.72 |
48.87 |
|
右边缘 |
369.93 |
186.27 |
50.35 | |
|
5 |
左边缘 |
308.36 |
161.70 |
52.44 |
|
右边缘 |
304.82 |
154.18 |
50.58 |
由表4可知，沥青路面裂缝主要为黏结裂缝，其长度占裂缝总长度的50%～60%。从材料设计角度出发，提高沥青胶浆和粗集料的黏结性可有效抑制沥青路面裂缝的扩展。沥青混合料中的粗集料刚性较大，细集料和沥青构成的沥青胶浆表现为黏弹性。集料与沥青结合处为沥青混合料力学性能的薄弱面，导致裂缝扩展过程中遇到相对较粗的集料时，会改变其扩展路径沿着粗集料之间的沥青胶浆扩展形成黏结裂缝。当绕过较粗集料后，裂缝路径会返回原有的扩展趋势方向继续发展。
4 结语本文基于数字图像处理技术对不同路面裂缝采集高度图像进行统计分析，获得了满足图像处理效率和工程精度要求的最佳路面裂缝采集高度，并对路面裂缝细观结构特征包括分形特征、裂缝扩展路径特征进行了深入分析，主要结论如下：
(1)路面裂缝最佳图像采集高度为60 cm, 可有效提高图像自动化处理效率，基于图像处理的裂缝宽度测量相对误差满足小于10%的工程精度要求；
(2)沥青路面裂缝具有良好的分形特征，分形维数在1.1～1.2之间；
(3)在沥青路面中黏结裂缝长度占裂缝总长度的50%～60%,是沥青路面裂缝的主要类型，提高沥青胶浆和粗集料的黏结性可有效抑制沥青路面裂缝的扩展。
参考文献[1] 石立万，王端宜.基于数字图像处理的沥青混合料主骨架评价标准[J].中国公路学报，2017,30(5):52-58.
[2] 韩晓健，赵志成.基于计算机视觉技术的结构表面裂缝检测方法研究[J].建筑结构学报，2018,39(S1):418-427.
[3] Nhat-Duc Hoang,Quoc-Lam Nguyen.A novel method for asphalt pavement crack classification based on image processing and machine learning[J].Springer London,2019,35(2):487-498.
[4] 吴玉龙，岳大森，丁勇，等.基于图像处理的膨胀圆裂缝检测算法[J].无损检测，2020,42(3):9-13.
[5] 王鑫，冯登超，李万军.路面裂缝检测算法研究与实现[J].北华航天工业学院学报，2017,27(5):9-10 13.
[6] Wei Li,Ranran Deng,Yingjie Zhang,et al.Three-dimensional asphalt pavement crack detection based on fruit fly optimization density peak clustering[C]//中国科学技术协会，中华人民共和国交通运输部，中国工程院.2019世界交通运输大会论文集(下).中国公路学会，2019:17.
[7] 魏海斌，武少威，张启帆，等.基于图像处理的沥青路面裂缝识别算法研究[J].中外公路，2020,40(4):73-78.
[8] 瞿中，陈宇翔.改进遗传规划的混凝土路面裂缝检测算法[J].计算机工程与设计，2019,40(6):1660-1664.
[9] 刘宇飞，樊健生，聂建国，等.结构表面裂缝数字图像法识别研究综述与前景展望[J].土木工程学报，2021,54(6):79-98.
[10] Zheng Tong,Jie Gao,Zhenqiang Han,et.al.Recognition of asphalt pavement crack length using deepconvolutional neural networks[J].Road Materials and Pavement Design,2018,19(6):1334-1349.
[11] 李琛，骆汉宾，魏威，等.基于图像的混凝土表面裂缝和孔洞检测[J].土木工程与管理学报，2020,37(6):118-123.
[12] 倪彤元，周若虚，杨杨，等.基于智能手机APP的图像法检测混凝土表面裂缝研究[J].计量学报，2021,42(2):163-170.
[13] 方志，彭海涛.基于图像分析技术的混凝土桥梁结构表面裂缝宽度检测[J].湖南大学学报：自然科学版，2012,39(1):7-12.
[14] Lili He,Han Zhu,Zhanxu Gao.A novel asphalt pavement crack detection algorithm based on multi-feature test of cross-section image[J].IIETA,2018,35(3-4):289-302.
[15] 陶晓力，武建，杨坤.基于无人机视觉的桥梁裂缝检测[J].计算机技术与发展，2018,28(3):174-177.
[16] 石立万，王端宜，吴志勇.沥青混合料疲劳裂缝分布特性研究[J].公路，2016,61(7):260-264.
[17] Wu Yangxu,Yang Wanting,Pan Jinxiao,et.al.Asphalt pavement crack detection based on multi-scale full convolutional network[J].Journal of Intelligent & Fuzzy Systems,2021,40(1):1495-1508.
,
