基于人工智能的机械铸件缺陷检测方法及系统与流程

1.本发明涉及机械零部件检测技术领域，具体涉及一种基于人工智能的机械铸件缺陷检测方法及系统。


背景技术：

2.制造行业对于机械铸件的工艺质量的要求十分严格，针对机械铸件缺陷检测的方法也有很多，对于一般铸件的检测大部分还停留人工检测的方式，通过人工肉眼检测不仅消耗人力和物力，并且存在检测效率低以及准确度不高的问题。
3.目前公开了利用神经网络的训练完成机械铸件缺陷的在线检测，但是神经网络的识别过程是对于整个图像进行识别，整个训练过程过于缓慢并且网络参数较多，虽然提高了检测的准确度但仍存在效率较低的问题。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的机械铸件缺陷检测方法及系统，所采用的技术方案具体如下：第一方面，本发明一个实施例提供了一种基于人工智能的机械铸件缺陷检测方法，该方法包括以下步骤：获取至少两个机械铸件初始图像；对所述机械铸件初始图像进行图像分割，获取疑似裂纹缺陷区域图像；对所述疑似裂纹缺陷区域图像进行主成分分析，获取所述疑似裂纹缺陷区域图像的主成分方向，并基于各所述疑似裂纹缺陷区域图像不同的主成分方向，确定各所述疑似裂纹缺陷区域图像不同的卷积核尺寸和滑动步长；将各所述疑似裂纹缺陷区域图像输入卷积神经网络，基于对应的卷积核尺寸和滑动步长，进行图像特征提取，最终输出所述疑似裂纹缺陷区域图像中的各个像素点属于裂纹缺陷的概率；基于训练完成的卷积神经网络，对机械铸件的缺陷进行检测；其中，所述基于各所述疑似裂纹缺陷区域图像不同的主成分方向，确定各所述疑似裂纹缺陷区域图像不同的卷积核尺寸和滑动步长的步骤，包括：设定三个角度范围，所述三个角度范围对应的目标方向分别为水平方向、垂直方向和目标斜度方向，所述目标斜度方向对应的角度为45
o
或135
o
方向；基于各所述疑似裂纹缺陷区域图像不同的主成分方向，获取各所述疑似裂纹缺陷区域图像的主成分方向所处的角度范围，并根据所处的角度范围，确定各所述疑似裂纹缺陷区域图像对应的目标方向；根据各所述疑似裂纹缺陷区域图像对应的目标方向，确定各所述疑似裂纹缺陷区域图像的卷积核尺寸和滑动步长，其中，当所述主成分方向为水平方向时，所述卷积核尺寸为，水平方向滑动步长为1，垂直方向滑动步长为2；当所述主成分方向为垂直方向时，
所述卷积核尺寸为，所述垂直方向滑动步长为1，所述水平方向滑动步长为2；当所述主成分方向为45
o
或135
o
方向时，所述卷积核尺寸为，所述水平方向滑动步长为1，所述垂直方向滑动步长为1。
5.优选的，所述对所述机械铸件初始图像进行图像分割，获取疑似裂纹缺陷区域图像的步骤，包括：获取所述初始图像中每个像素点的灰度级，对每个像素点的灰度级进行统计，以所述灰度级作为横坐标，灰度统计次数作为纵坐标，构成灰度分布曲线；选取灰度次数阈值直线对所述灰度分布曲线分割为上下两部分，获取处于所述会读此书阈值直线下方的各灰度统计次数对应的灰度级，将得到的灰度级对应的各像素点的位置作为疑似裂纹缺陷点，根据所述疑似裂纹缺陷点获取所述疑似裂纹缺陷区域图像。
6.优选的，所述对所述疑似裂纹缺陷区域图像进行主成分分析，获取所述疑似裂纹缺陷区域图像的主成分方向的步骤，包括：对所述疑似裂纹缺陷区域的每个所述像素点进行主成分分析，得到每个所述像素点的特征值；将每个所述像素点的特征值按照从大到小进行排序，并获取前预设个数的特征值，进而获取与所述前预设个数的特征值相对应的特征向量，得到所述疑似裂纹缺陷区域的特征向量；将各所述特征向量进行叠加，得到叠加后的向量方向，将所述叠加后的向量方向作为所述疑似裂纹缺陷区域图像的主成分方向。
7.优选的，所述基于训练完成的卷积神经网络，对机械铸件的缺陷进行检测的步骤之前，所述方法还包括如下步骤：基于所述疑似裂纹缺陷区域图像中的各个像素点属于裂纹缺陷的概率，获取属于正常区域的像素点中，属于裂纹缺陷的概率大于或者等于预设概率阈值的像素点，得到初始像素点，所述预设概率阈值小于0.5，且所述预设概率阈值与0.5的误差值小于预设误差值；基于所述初始像素点属于裂纹缺陷的概率，以及所述疑似裂纹缺陷区域图像中与所述初始像素点相邻的像素点属于裂纹缺陷的概率，构建对比损失函数；获取所述初始像素点的饱和度，以及所述疑似裂纹缺陷区域图像中的缺陷区域的饱和度均值，进而构建监督网络损失函数；根据所述对比损失函数和监督网络损失函数，构建目标损失函数；根据所述目标损失函数，对缺陷增长预测网络进行训练；相应地，所述基于训练完成的卷积神经网络，对机械铸件的缺陷进行检测的步骤之后，所述方法还包括：基于训练完成的缺陷增长预测网络，对机械铸件的缺陷区域进行缺陷增长预测。
8.优选的，所述对比损失函数具体为：其中，表示缺陷图像边缘像素点的裂纹缺陷概率；表示相邻缺陷图像边缘的初始像素点的裂纹缺陷概率。
9.优选的，所述监督网络损失函数具体为：其中，表示缺陷图像相邻初始像素点的饱和度；表示缺陷区域的饱和度均值。
10.优选的，所述目标损失函数具体为:其中，表示所述疑似裂纹缺陷区域图像中与所述初始像素点相邻的像素点的裂纹缺陷概率；表示初始像素点的裂纹缺陷概率；表示初始像素点的饱和度；表示所述疑似裂纹缺陷区域图像中的缺陷区域的饱和度均值。
11.第二方面，本发明另一个实施例提供了一种基于人工智能的机械铸件缺陷检测系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述方法的步骤。
12.本发明具有如下有益效果：通过对机械铸件初始图像进行图像分割，获取到疑似裂纹缺陷区域图像，然后对该疑似裂纹缺陷区域图像进行主成分分析获取不同的主成分方向，根据获得的不同的主成分方向制定不同的卷积核尺寸以及滑动步长，能够更好地提取在主成分方向上的缺陷特征之间的对比关系，准确区分出缺陷特征细节，提高卷积核提取有利于缺陷识别的特征的准确性，而且，采用多种不同尺寸以及滑动步长的卷积核能够有效提高图像的卷积速度，更快的提取到图像中的缺陷特征，更加精准的完成缺陷检测；将各个疑似裂纹缺陷区域图像输入卷积神经网络，基于其对应的卷积核尺寸对图像进行特征提取，以此对卷积网络进行训练；最后，基于训练完成的卷积神经网络，对机械铸件的缺陷进行检测，由于网络的参数较少，所以极大地提升了网络训练的速度，并且在提高检测准确度的同时又提升了网络训练效率，进而提升了缺陷识别的效率。
附图说明
13.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
14.图1为本发明一个实施例所提供的一种基于人工智能的机械铸件缺陷检测方法流程图。
具体实施方式
15.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的机械铸件缺陷检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、
结构、或特点可由任何合适形式组合。
16.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
17.下面结合附图具体的说明本发明所提供的一种基于人工智能的机械铸件缺陷检测方法及系统的具体方案。
18.请参阅图1，其示出了本发明一个实施例提供的基于人工智能的机械铸件缺陷检测的方法流程图，该方法包括以下步骤：步骤s100，获取至少两个机械铸件初始图像。
19.具体的，在机械铸件质检检测平台上方安装相机用于采集图像，为了能够完整的采集到铸件表面的完整图像，相机为高俯视视角拍摄，将采集到的图像作为第一图像。
20.需要说明的是，在进行图像采集的过程中，相机的位置固定，被采集的机械铸件位置固定，使得每次采集到的第一图像的尺寸大小相同，图像中所包含像素点数量一致。
21.为了使采集到的第一图像更加清晰，本发明实施例中采用高斯去噪对第一图像进行噪声过滤处理，高斯核采用3*3大小的模板，最终得到机械铸件初始图像。获取到的机械铸件初始图像用于后续的网络训练，机械铸件初始图像的数量至少为两个，其具体数量根据实际情况由实施者自行设置。
22.步骤s200，对机械铸件初始图像进行图像分割，获取疑似裂纹缺陷区域图像。
23.由于机械铸件初始图像的范围较大，除存在部分缺陷区域之外，还存在更多的正常区域，因此初步对缺陷区域进行划分识别，有针对的对缺陷区域进行处理，减少后续的计算量。图像分割可以采用现有的图像分割算法对机械铸件初始图像进行分割，本发明实施例中的图像分割过程具体为：获取所述初始图像中像素点的灰度分布曲线，该灰度分布曲线中，横坐标表示灰度级，纵坐标表示灰度统计次数；选取灰度次数阈值直线对灰度分布曲线分割为上下两部分，将灰度次数阈值直线下方灰度图所对应的像素点位置作为疑似裂纹缺陷点，根据疑似裂纹缺陷点获取疑似裂纹缺陷区域图像。
24.具体的，由步骤s100中获取到机械铸件初始图像，首先，对初始图像进行灰度化处理得到灰度图像，获取图像中每一个像素点的灰度值，再对灰度图像的每个像素点的灰度值进行统计，根据每个灰度级出现的次数最终得到灰度分布曲线。对得到的灰度分布曲线进行背景和栅格的去除，得到该初始图像中每个像素点的灰度分布曲线图，灰度分布曲线的横坐标为灰度级，纵坐标为灰度统计次数。
25.然后，选取一个灰度次数阈值直线对得到的灰度分布曲线进行分割，可以将该灰度次数阈值直线理解为分水岭算法中的水平面直线，通过灰度次数阈值直线将灰度分布曲线分为上下两个部分，在水平面直线以下的表示灰度级出现次数较少的像素点，称为低频像素点；在水平面直线以上的表示灰度级出现次数较多的像素点，称为高频像素点。
26.而对于正常的机械铸件初始图像而言，其图像表面的灰度值应该较为平缓，灰度值差异较小，在机械铸件出现裂纹等缺陷时，会出现纹理信息和灰度值变化较大的像素点，但像素点的数量相较于整体初始图像而言，所以在灰度分布曲线中数量较少的低频像素点为缺陷像素点，通过灰度次数阈值直线能够将此类低频像素点从机械铸件的初始图像中分割出来，得到多个疑似裂纹缺陷像素点，进一步获取疑似裂纹缺陷区域，该疑似裂纹缺陷区
域的数量不定，可能只有一个疑似裂纹缺陷区域，也可能有多个疑似裂纹缺陷区域，为了方便后续的网络训练以及卷积核特征的提取，将多个疑似裂纹缺陷区域的非规则边缘补成规则边缘，即选择部分非缺陷区域作为疑似缺陷区域来对边缘进行补齐，最终得到多个矩形规则形状的疑似裂纹缺陷区域图像，可以采用现有的边缘补齐算法进行边缘补齐，也可以采用最小外接矩形算法获取疑似裂纹缺陷区域的最小外接矩形。
27.步骤s300，对疑似裂纹缺陷区域图像进行主成分分析，获取疑似裂纹缺陷区域图像的主成分方向，并基于各疑似裂纹缺陷区域图像不同的主成分方向，确定各疑似裂纹缺陷区域图像不同的卷积核尺寸和滑动步长。
28.对疑似裂纹缺陷区域的每个像素点进行主成分分析，得到每个像素点的特征值；将每个像素点的特征值按照从大到小进行排序，并获取前预设个数的特征值，进而获取与前预设个数的特征值相对应的特征向量，得到疑似裂纹缺陷区域的特征向量；将各特征向量进行叠加，得到叠加后的向量方向，将叠加后的向量方向作为疑似裂纹缺陷区域图像的主成分方向。
29.由于对每一个疑似裂纹缺陷区域图像的处理过程相同，所以以任意一个疑似裂纹缺陷图像为例进行详细说明。具体的，对步骤s200中得到的疑似裂纹缺陷区域图像的每个像素点进行主成分分析，得到每个像素点对应的特征值，主成分分析（pca）为公知算法，此处不再详细赘述。将得到的所有特征值进行从大到小的排序。本发明实施例中选取前10个特征值，则该10个特征值为所有特征值中最大的10个特征值，每一个特征值对应一个特征向量，则对应得到10个特征向量，对其对应的10个特征向量进行提取，然后对10个特征向量进行叠加得到新的向量及其方向，将叠加后的向量方向作为该疑似裂纹缺陷区域图像主成分方向，该主成分方向即为该疑似裂纹缺陷区域图像的主要灰度方向。
30.根据疑似裂纹缺陷区域图像的主成分方向设置卷积神经网络中不同的卷积核的尺寸和滑动步长。
31.具体的，设定三个角度范围，三个角度范围对应的目标方向分别为水平方向、垂直方向和目标斜度方向，目标斜度方向对应的角度为45
o
或135
o
方向。
32.需要说明的是，在本发明实施例中，三个角度范围组成角度范围，而且，这三个角度范围之间没有重叠的角度范围或者角度值，也没有中空余的角度范围或者角度值，例如：水平方向对应的角度范围为和,目标斜度方向对应的角度范围为和，垂直方向对应的角度范围为。
33.基于各疑似裂纹缺陷区域图像不同的主成分方向，获取各疑似裂纹缺陷区域图像的主成分方向所处的角度范围，并根据所处的角度范围，确定各疑似裂纹缺陷区域图像对应的目标方向，例如在主成分方向角度为53
°
时，所处的角度范围为，则可以确定该目标方向为目标斜度方向。
34.根据各疑似裂纹缺陷区域图像对应的目标方向，确定各疑似裂纹缺陷区域图像的卷积核尺寸和滑动步长；采用多尺寸的卷积核能够提高图像的卷积速度，更快的提取到图像中的缺陷特征，更加精准的完成缺陷检测和缺陷定位。
35.具体的，当主成分方向为水平方向时，卷积核尺寸为，水平方向滑动步长为1，垂直方向滑动步长为2。
36.需要说明的是，将卷积核尺寸设置为是为了能够更好的提取水平方向上缺陷特征之间的对比关系，区分出缺陷特征细节，提高卷积核提取有利于识别缺陷的特征的能力；水平方向滑动步长设置为1是为了每次滑动都能得到图像主成分方向的细节特征对比，得到更精准的卷积特征图，而垂直方向滑动步长设置为2，可以提高特征提取的效率，提高在非主成分方向上的卷积速度，忽略非主成分方向上的像素点之间的细节特征提取，使得网络快速收敛。
37.当主成分方向为垂直方向时，为了更好的提取垂直方向上缺陷特征之间的对比关系，将卷积核尺寸设置为，垂直方向滑动步长为1，水平方向滑动步长为2。
38.需要说明的是，将卷积核设置为可以更好的提取垂直方向上的缺陷特征细节，在垂直方向滑动步长为1可以在每次滑动时都能得到图像主成分方向的细节，而在水平方向滑动步长为2是为了提高在非主成分方向上的卷积速度。
39.当主成分方向为45
o
或135
o
方向时，由于缺陷方向相对于图像是在对角线方向，所以为了提取完整的缺陷特征，需要利用规则的卷积核尺寸完成特征提取，以使卷积核内部能够每次包含更多的缺陷图像，更好的提取到缺陷特征之间的对比关系，将卷积核尺寸设置为，水平方向滑动步长为1，垂直方向滑动步长为1。
40.步骤s400，将各疑似裂纹缺陷区域图像输入卷积神经网络，基于对应的卷积核尺寸和滑动步长，进行图像特征提取，最终输出疑似裂纹缺陷区域图像中的各个像素点属于裂纹缺陷的概率。
41.具体的，卷积神经网络的训练过程为：（1）卷积神经网络的输入为获取到的多个疑似裂纹缺陷区域图像，卷积神经网络的结构为编码器
‑
全连接网络层；（2）在卷积神经网络进行训练中的损失函数为交叉熵损失函数；（3）对于任意一个疑似裂纹缺陷区域图像，根据确定得到的该疑似裂纹缺陷区域图像的卷积核尺寸以及滑动步长，进行编码器特征的提取，输出为疑似裂纹缺陷区域图像的特征图。
42.将获取到的疑似裂纹缺陷区域图像的特征图经过全连接网络层，通过softmax激活函数输出每个像素点的裂纹缺陷概率p，根据每一个像素点的裂纹缺陷概率获取疑似裂纹缺陷区域图像所有像素点中的真实裂纹缺陷像素点，真实裂纹缺陷像素点构成缺陷区域。
43.需要说明的是，本发明实施例中设置当缺陷概率p大于等于0.5时，即为缺陷点；相应地，小于0.5，为正常点。
44.由于在上述缺陷检测方法中将裂纹缺陷概率p大于等于0.5的点作为真实裂纹缺陷像素点，因此在裂纹缺陷概率p为0.4时，有可能为缺陷像素点或者为缺陷可能存在增长趋势的像素点，因此本发明实施例中对机械铸件缺陷增长的区域进行预测。
45.基于所述疑似裂纹缺陷区域图像中的各个像素点属于裂纹缺陷的概率，获取属于正常区域的像素点中，属于裂纹缺陷的概率大于或者等于预设概率阈值的像素点，得到初
始像素点，所述预设概率阈值小于0.5，且所述预设概率阈值与0.5的误差值小于预设误差值；因此，预设概率阈值是一个小于0.5，且与0.5差距不大的概率值，比如0.4，因为在这一范围内，正常区域的像素点有可能因为检测误差等原因，误判为正常像素点，其本质有可能为缺陷像素点或者为缺陷可能存在增长趋势的像素点。
46.基于所述初始像素点属于裂纹缺陷的概率，以及所述疑似裂纹缺陷区域图像中与所述初始像素点相邻的像素点属于裂纹缺陷的概率，构建对比损失函数；获取所述初始像素点的饱和度，以及所述疑似裂纹缺陷区域图像中的缺陷区域的饱和度均值，进而构建监督网络损失函数；根据所述对比损失函数和监督网络损失函数，构建目标损失函数；首先，基于初始像素点属于裂纹缺陷的概率，以及疑似裂纹缺陷区域图像中与初始像素点相邻的像素点属于裂纹缺陷的概率，构建对比损失函数，进行缺陷增长方向像素点的预测，对比损失函数具体为： 其中，表示疑似裂纹缺陷区域图像中与初始像素点相邻的像素点的裂纹缺陷概率；表示初始像素点的裂纹缺陷概率。
47.需要说明的是，当初始像素点不同时，其相邻像素点不同，相应的，疑似裂纹缺陷区域图像中与初始像素点相邻的像素点的裂纹缺陷概率也不同。
48.然后，为了提高缺陷预测的精度，对识别到的缺陷图像进行灰度反变换得到原图像，利用rgb
‑
hsi图像颜色空间转换得到缺陷图像的相邻图像区域的饱和度变化。由于正常的机械铸件图像表面颜色一致，图像色调一致，颜色均匀且各个像素点的饱和度基本不变，所以如果机械铸件图像表面存在颜色分布不均匀，色差较大以及饱和度变化较大的情况，可以认为该图像区域存在裂纹缺陷。同样的，真实裂纹缺陷像素点的相邻像素点也会存在饱和度的变化，将存在饱和度变化的像素点位置判断为可能发生裂纹缺陷增长的位置。
49.获取每个初始像素点的饱和度，以及疑似裂纹缺陷区域图像中的缺陷区域中像素点的饱和度均值，以此构建监督网络损失函数，作为缺陷增长预测模块的分支监督，监督网络损失函数具体为： 其中，表示初始像素点的饱和度；表示疑似裂纹缺陷区域图像中的缺陷区域的饱和度均值。
50.具体的，根据对比损失函数以及监督网络损失函数构建目标损失函数，该目标损失函数具体为：其中，表示疑似裂纹缺陷区域图像中与初始像素点相邻的像素点的裂纹缺陷概率；表示初始像素点的裂纹缺陷概率；表示初始像素点的饱和度；表示疑似裂纹缺陷区域图像中的缺陷区域的饱和度均值。
51.构建缺陷增长预测网络，利用目标损失函数对缺陷增长预测网络进行训练，具体过程为：
（1）网络的输入为疑似裂纹缺陷区域图像，该疑似裂纹缺陷区域图像中包含已经确定的缺陷图像；（2）网络的结构为编码器
‑
解码器，通过编码器提取疑似裂纹缺陷区域图像中像素点的缺陷概率以及饱和度，以此进行损失函数的计算，将满足损失函数收敛的像素点提取出来，通过解码器输出缺陷图像以及可能进行缺陷增长的像素点；（3）损失函数利用上述构建的目标损失函数，目标损失函数满足收敛，网络训练完成，网络的输出为缺陷图像以及可能进行缺陷增长的像素点。
52.基于训练完成的缺陷增长预测网络，用于进行后续缺陷增长趋势的预测。
53.步骤s500，基于训练完成的卷积神经网络，对机械铸件的缺陷进行检测。
54.当需要进行缺陷检测时，采集机械铸件图像，获取其中的疑似裂纹缺陷区域图像，然后，将疑似裂纹缺陷区域图像输入至训练完成的卷积神经网络进行检测，得到真实裂纹缺陷像素点进而得到缺陷区域。
55.基于训练完成的缺陷增长预测网络，将疑似裂纹缺陷区域图像输入到训练完成后的缺陷增长预测网络中，获取缺陷图像可能进行缺陷增长的像素点，根据获取到的可能进行缺陷增长的像素点获取缺陷增长的方向，从而获得缺陷增长趋势图像。综上所述，本发明实施例通过对机械铸件初始图像进行图像分割，获取到疑似裂纹缺陷区域图像，然后对该疑似裂纹缺陷区域图像进行主成分分析获取不同的主成分方向，根据获得的不同的主成分方向制定不同的卷积核尺寸以及滑动步长，将各个疑似裂纹缺陷区域图像输入卷积神经网络，基于其对应的卷积核尺寸对图像进行特征提取，以此对卷积网络进行训练；最后，基于训练完成的卷积神经网络，对机械铸件的缺陷进行检测，由于网络的参数较少，所以极大地提升了网络训练的速度，并且在提高网络训练过程特征对比的细节的同时又提升了检测的准确度，进而提升了缺陷识别的效率。
56.基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种基于人工智能的机械铸件缺陷检测系统，该系统包括：处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于人工智能的机械铸件缺陷检测方法实施例中的步骤，例如图1所示的步骤。该一种基于人工智能的机械铸件缺陷检测方法在上述实施例中已经详细说明，不再赘述。
57.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
58.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
59.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。