植物推荐方法、可读存储介质和电子设备与流程

1.本发明涉及计算机技术领域，特别涉及一种植物推荐方法。


背景技术：

2.推荐植物需要根据用户的偏好和方便用户的角度来考虑，如果随意推荐完全不相关的植物则会引起用户的困扰，或者是无效的推荐也得不到想要达到的效果。


技术实现要素：

3.本发明的目的在于提供一种植物推荐方法，以有效推荐符合用户喜好的植物进行养护，提升用户体验。
4.基于上述思想，本发明提供一种植物推荐方法，包括：
5.获取当前用户拍摄的植物图片，并识别所述植物图片中的植物的属性信息；
6.针对识别到的不同的所述属性信息对所述当前用户所拍摄的植物设置不同的标签；以及，
7.根据设置的所述标签，对所述当前用户进行植物推荐。
8.可选的，在所述的植物推荐方法中，所述属性信息包括种类信息，所述针对识别到的不同的所述属性信息对所述当前用户拍摄的植物设置不同的标签包括：
9.针对识别到的所述种类信息，从预先建立的植物图片库中获取与所述植物图片最接近的标注有多个不同标签的相似图；
10.将获取的所述相似图的标签作为所述植物图片的标签。
11.可选的，在所述的植物推荐方法中，所述多个不同标签包括：养护信息标签、观赏信息标签及色彩标签中的一种或多种。
12.可选的，在所述的植物推荐方法中，通过计算所述植物图片与所述植物图片库中的多个相似图片之间的颜色相似距离，获取最接近的所述相似图。
13.可选的，在所述的植物推荐方法中，所述属性信息包括种类信息，所述针对识别到的不同的所述属性信息对所述当前用户拍摄的植物设置不同的标签包括：
14.根据识别到的所述种类信息确认所述当前用户所拍摄的植物的特征信息，所述特征信息至少包括养护信息及观赏信息的一种；以及，
15.针对确认得到的所述特征信息设置相应的标签。
16.可选的，在所述的植物推荐方法中，针对确认得到的所述特征信息设置相应的标签包括：
17.根据预整理分类的养护方法分类标准设置相应的养护标签。
18.可选的，在所述的植物推荐方法中，所述属性信息包括植物的观赏部位的色彩信息；所述针对识别到的不同的所述属性信息对所述当前用户所拍摄的植物设置不同的标签包括：针对识别到的不同所述色彩信息设置相应的色彩标签。
19.可选的，在所述的植物推荐方法中，所述色彩信息通过直接识别所述植物图片中
的植物的观赏部位的颜色得到，或者，所述色彩信息通过识别所述植物图片中的植物的种类信息，根据所述种类信息判断得到。
20.可选的，在所述的植物推荐方法中，直接识别所述植物图片中的植物的观赏部位的所述色彩信息的方法包括：
21.利用预先训练建立的色彩识别模型来对所述植物图片中的植物的观赏部位进行色彩识别分类，以得到所述植物的色彩信息；或者，
22.判断所述植物图片中的植物的观赏部位的色彩与多种标准色彩的颜色相似度来对所述植物进行色彩识别分类，以得到所述植物的色彩信息。
23.可选的，在所述的植物推荐方法中，直接识别所述植物图片中的观赏部位的所述色彩信息的方法还包括：
24.利用预先训练建立的植物部位识别模型或注意力模型识别出所述植物图片中的植物的观赏部位，以及，
25.将识别出的所述观赏部位划分出来，用于所述植物的观赏部位的色彩信息的识别。
26.可选的，在所述的植物推荐方法中，利用预先训练得到的植物识别模型识别所述种类信息。可选的，在所述的植物推荐方法中，根据设置的所述标签，对所述当前用户进行植物推荐包括：
27.当所述当前用户拍摄的多个植物图片设置有多类标签，且同一类别的标签达到设定数量或设定比例时，依据达到设定数量或设定比例的所述标签对所述当前用户进行植物推荐。
28.可选的，在所述的植物推荐方法中，当多种类别的标签均达到设定数量或设定比例时，依据达到设定数量或设定比例的每个所述标签所推荐的植物对所述当前用户进行植物推荐，或者依据达到设定数量或设定比例的每个所述标签所推荐的植物中相同的植物对所述当前用户进行植物推荐。
29.可选的，在所述的植物推荐方法中，所述植物推荐方法还包括：
30.当所述当前用户所拍摄的多个植物图片，属于某一种类的植物相对较多时，推荐具有相同种类但所述当前用户所拍摄的植物图片中暂未出现的植物。可选的，在所述的植物推荐方法中，当推荐的植物包括多种时，根据其他用户种植较多的植物的数量顺序依次推荐。
31.本发明还提供一种可读存储介质，所述可读存储介质存储有计算机程序，其特征在于，所述计算机程序被执行时，实现如上所述的植物推荐方法。本发明还提供一种电子设备，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被执行时，实现如上所述的植物推荐方法。
32.本发明提供的植物推荐方法、可读存储介质和电子设备，包括：获取当前用户拍摄的植物图片，并识别所述植物图片中的植物的属性信息；针对识别到的不同的所述属性信息对所述当前用户所拍摄的植物设置不同的标签；以及，根据设置的所述标签，对所述当前用户进行植物推荐。即，通过识别用户拍摄的植物图片中的植物的属性信息，针对植物的不同的属性相应设置标签，而后对所有标签进行汇总，从而可以了解用户的偏好，使得可以有效推荐符合用户喜好的植物进行养护，提升用户体验。
附图说明
33.图1为本发明实施例提供的植物推荐方法的流程图。
34.图2为本发明实施例中一种标签设置方法的流程图；
35.图3为本发明实施例中另一种标签设置方法的流程图。
具体实施方式
36.为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明作详细说明。需说明的是，附图均采用非常简化的形式且未按比例绘制，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，附图所展示的结构往往是实际结构的一部分。特别的，各附图需要展示的侧重点不同，有时会采用不同的比例。还应当理解的是，除非特别说明或者指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。
37.如图1所示，本发明实施例提供一种植物推荐方法，包括如下步骤：
38.s11，获取当前用户拍摄的植物图片，并识别所述植物图片中的植物的属性信息；
39.s12，针对识别到的不同的所述属性信息对所述当前用户所拍摄的植物设置不同的标签；
40.s13，根据设置的标签，对所述当前用户进行植物推荐。
41.本发明实施例提供的所述植物推荐方法，通过识别用户拍摄的植物图片中的植物的属性信息，针对植物的不同属性设置相应标签，而后对所有标签进行汇总，从而可以了解用户的偏好，使得可以有效推荐符合用户喜好的植物进行养护，提升用户体验。
42.以下对上述步骤s11～s13做进一步详细描述。
43.步骤s11中，对于当前用户，获取拍摄的植物图片的数量可为一张或多张，本实施例中，较佳的，获取用户拍摄的多张植物图片，并识别各所述植物图片中的植物的属性信息。当获取的植物图片为多张时，可以多方面、更加全面地了解用户的喜好，从而使得最终推荐的植物更符合用户预期。
44.本实施例中，所述属性信息包括种类信息，相应的，请参见图2，步骤s12，所述针对识别到的不同的所述属性信息对所述当前用户拍摄的植物设置不同的标签包括如下步骤：
45.s12a，根据识别到的所述种类信息确认所述当前用户所拍摄的植物的特征信息，所述特征信息至少包括养护信息及观赏信息的一种；以及，
46.s12b，针对确认得到的所述特征信息设置相应的标签。
47.例如，按照浇水频率来划分，同样是间隔3天浇水的可以划为相同养护标签。例如，对于花期在4～5月的植物，或者不开花但最佳观赏时间在晚上的植物，则设置具体花期或最佳观赏时间的标签。
48.具体而言，用户在进行植物的选择时，一般优先考虑植物的养护特点以及植物的观赏性，故而本实施例中，优选的，针对养护信息及观赏信息设置标签，而后根据设置的标签进行植物推荐。
49.植物的养护方案可以包括，例如，浇水、喷水、换水、加水、施肥、修剪、除草、转盆、换盆、日照、遮阳、调节温度、调节湿度、过冬防护、以及病虫害防治中的至少一个的执行方
案，而植物的养护方案与植物的生长地、生长周期等有关。故在进行标签的确认时，可根据预整理分类的养护方法分类标准设置相应的养护标签，即，预先针对不同种类的植物，整理出不同的养护方法，不同的养护方法对应不同的养护标签，当识别到植物的种类信息后，根据种类信息获取其养护信息，即可关联相应的标签。
50.本实施例中，所述种类信息包括种信息，还可包括属信息、科信息等。可利用预先训练得到的植物识别模型识别所述种类信息。具体的，可以基于神经网络(例如深度卷积神经网络(cnn)或深度残差网络(resnet)等)来建立植物识别模型。例如，为每个植物的分类获取一定数量的标注有该植物的分类名称的图片样本，即训练样本集，利用这些图片样本对神经网络进行训练，直至神经网络的输出准确率满足要求。在基于图片进行植物识别之前，还可以对图片进行预处理。预处理可以包括归一化、明亮度调整、或降噪等。降噪处理可以凸显对图片中特征部分的描述，使特征更为鲜明。
51.另外，较佳的，可根据植物图片的部位识别结果，判断以何种属性类别对植物进行种类识别，例如，若用户拍摄部分较难获取较为准确的种信息，则可仅输出到属或科的信息，而若用户拍摄部分可以获取较为准确的种信息，这时便可输出到种的信息，如此便可提高识别准确性，避免给用户带来误导或引起其困惑。具体的，根据植物图片的部位识别结果，判断以何种属性类别以植物进行识别包括：获取植物图片中的植物的部位识别结果，对所述部位识别结果的类别进行区分，以及，根据区分出的类别，获取所述植物图片中的植物的种类信息。例如，当识别的部位的类别是干、茎、苗等，则会比较难获得较为准确的种信息，故可依据属或科进行识别，当识别的部位的类别是花、果实、叶片等，则较易获得准确的种信息，故可依据种进行识别。
52.进一步的，本实施例中，所述属性信息还可包括植物的观赏部位的色彩信息，相应的，请继续参见图2，所述针对识别到的不同的所述属性信息对所述当前用户所拍摄的植物设置不同的标签还可包括：s12c，针对识别到的不同所述色彩信息设置相应的色彩标签。这里需要说明的是，图2所示，是以在识别植物的种类信息获取养护、观赏信息等标签的同时，识别植物的色彩信息，获取其色彩标签，而后以养护、观赏信息等标签、以及色彩标签进行植物推荐进行示例；当标签越多，所推荐的植物越准确；但应理解，在实际应用本技术时，也可仅识别植物的种类信息，获取养护、观赏信息等标签，基于该类标签进行植物推荐；又或者，仅识别植物的色彩信息，基于色彩信息进行植物推荐。
53.所述色彩信息可通过直接识别所述植物图片中的植物的观赏部位的颜色得到，或者，所述色彩信息通过识别所述植物图片中的植物的观赏部位的种类信息，根据所述种类信息判断得到。因此，步骤s11中，识别所述植物图片中的植物的种类信息和色彩信息可同时进行，可先识别种类信息，而后再识别色彩信息。在此基础上，步骤s12中，步骤s12c可与步骤s12a及步骤s12b同时进行。
54.当图片中植物的物种处于观赏期，例如已开花，可直接识别所述植物图片中的植物的花朵的颜色，当然也可通过识别种类信息而判断其花朵的颜色；当图片中的物种处于非观赏期，即未开花，可通过识别其种类信息，获取其会开的花朵的颜色，例如，通过识别种类信息得到图片中的植物为黄刺玫，即可推断其会开黄色的花朵，而若通过识别种类信息得到图片中的植物为关山樱，即可推断其会开粉色的花朵，等等。
55.上述描述中，观赏部位虽以花朵进行举例，但应了解，本技术所述观赏部位不限于
花朵，还可为叶子等，例如，当植物为天堂鸟时，其色彩信息可直接识别其叶子的颜色得到为绿色，或者，通过识别其种类信息，根据种类信息判断得到为绿色。
56.其中，直接识别所述植物图片中的植物的观赏部位的所述色彩信息的方法包括：利用预先训练建立的色彩识别模型来对所述植物图片中的植物的观赏部位进行色彩识别分类，以得到所述植物的色彩信息；或者，判断所述植物图片中的植物的观赏部位的色彩与多种标准色彩的颜色相似度来对所述植物进行色彩识别分类，以得到所述植物的色彩信息。
57.所述色彩识别模型可采用预先训练得到的神经网络模型。例如，基于深度卷积神经网络(convolutional neural networks，cnn)的模型，所述色彩识别模型可通过神经网络预先对包括不同颜色植物图片样本训练集中的样本进行训练得到。由于本技术中，是对植物的观赏部位的颜色进行识别，故在利用所述色彩识别模型进行色彩识别之前，可利用预先训练的植物部位识别模型或注意力模型对所述植物图片中的植物观赏部位进行识别，而后将识别出的所述观赏部位划分出来，输入至所述色彩识别模型进行色彩识别。这里将所述观赏部分划分出来的方法包括但不限定于切片、标记等。
58.所述植物部位识别模型可通过利用神经网络模型对不同植物的完整图像以及不同植物的各个部位的图像进行训练得到。所述植物部位识别模型的训练步骤可以包括：获取训练样本集，所述训练样本集中的每一样本标注其部位信息(包括干、茎、苗、花、果实、叶片等)；获取测试样本集，所述测试样本集中的每一样本标注有其部位信息，其中，所述测试样本集不同于所述训练样本集；基于所述训练样本集对所述植物部位识别模型进行训练；基于所述测试样本集对所述植物部位识别模型进行测试；若识别准确率不满足要求，则增加训练样本集中的图像样本的数量，并利用更新的训练样本集重新对所述植物部位识别模型进行训练，直到经过训练的所述植物部位识别模型的识别准确率满足要求为止。若识别准确率满足要求，则训练结束。在一个实施例中，可以基于识别准确率是否小于预设准确率来判断训练是否可以结束。如此，输出准确率满足要求的经过训练的所述植物部位识别模型可以用于进行对象类别的识别。
59.所述注意力模型可被配置为获取植物图片中的每个图像单元的受关注程度，且图像单元的热力值随着受关注程度的增大而增大，每个图像单元可包括一个或多个像素。植物的观赏部位所在区域相较于其它区域通常具有更高的受关注度，因此具有更高热力值，从而可以根据植物图片中的热力值分布情况，识别出观赏部位。在判断所述植物图片中的植物的识别部位的色彩与多种标准色彩的颜色相似度来对所述植物进行色彩识别分类时，以得到所述植物的色彩信息之前，同样的，也可利用预先训练的植物部位识别模型或注意力模型将图片中的植物的观赏部位识别出来，而后进行颜色的比对。
60.所述多种标准色彩例如可选择12种色彩(红,橙,黄,绿,青,蓝,紫,灰,粉,黑,白,棕)的图片作为判断基准，当然也可以选择其他数量的标准色彩。其判断过程可如下：获取植物图片中的植物的第一热力值；获取各基准图片的第二热力值；以及，将所述第二热力值与所述第一热力值差值最小的基准图片作为颜色相似度最高的图片，因此，将该基准图片的颜色作为所述植物图片中植物的颜色。
61.在另外一些实施例中，在识别植物的观赏部位的颜色时，也可不事先划分出植物的观赏部位，而直接通过当前图片与参考图片的比对，获取当前图片中植物的观赏部位的
颜色。具体的，当识别到植物的种类信息后，根据植物的种类信息设置养护、观赏等标签，并根据设置的标签获取标签相匹配的多个参考图片，而后将当前图片与获取的多个参考图片进行比较，从而找到颜色相似距离最小的参考图片，并根据参考图片的观赏部位的颜色确认当前参考图片的观赏部位的颜色。比较当前图片与参考图片的颜色相似距离的具体实施方式可参阅本发明人申请的公开号为cn 111881994 a的发明，其全部内容通过引用并入本技术。
62.例如，若当前图片识别的物种信息为蔷薇，基于该物种信息，设置标签：浇水每半个月一浇、花期在3月等，而后基于设置的多个标签，获取标签相匹配的蔷薇的图片，包括各品种的红蔷薇，黄蔷薇等，若某一品种的红蔷薇的图片与当前图片之间的颜色相似距离最小，则确认当前参考图片的观赏部位的颜色为红色。
63.在另外一些实施例中，还可一次性获取植物图片的所有标签，具体的，步骤s11中，所述属性信息包括种类信息，在此基础上，请参见图3，步骤s12，所述针对识别到的不同的所述种类信息对所述当前用户拍摄的植物设置不同的标签包括如下步骤：
64.s12a，针对识别到的所述种类信息，从预先建立的植物图片库中获取与所述植物图片最接近的标注有多个不同标签的相似图；
65.s12b，将获取的所述相似图的标签作为所述植物图片的标签。
66.步骤s12a中，所述多个不同标签包括养护信息标签、观赏信息标签及色彩标签中的一种或多种。
67.另外，步骤s12a中，可通过计算所述植物图片与所述植物图片库中的多个相似图片之间的颜色相似距离，获取最接近的所述相似图。同样的，比较当前图片与植物图片库中的多个图片之间的颜色相似距离的具体实施方式可参阅本发明人申请的公开号为cn 111881994 a的发明。
68.需要说明的是，本技术针对植物的各种属性均可设置标签，除前文所述针对养护信息、观赏信息、色彩等一般用户比较看中的方面设置标签以外，还可设置例如，植物类型(花草树木灌木等)、生存环境(土载水培、盆栽、野外、园林、室内等)、对特种宠物或人是否有毒等等的标签，该类标签均可通过识别物种信息得到，具体标签类型的选择不构成对于本技术的限制。
69.步骤s13中，根据设置的所述标签，对所述当前用户进行植物推荐具体可包括：当所述当前用户拍摄的多个植物图片设置有多类标签，且同一类别的所述标签达到设定数量或设定比例时，依据达到设定数量或设定比例的所述标签对所述当前用户进行植物推荐。
70.可选的，当多种类别的标签均达到设定数量或设定比例时，依据达到设定数量或设定比例的每个所述标签所推荐的植物对所述当前用户进行植物推荐，或者依据达到设定数量或设定比例的每个所述标签所推荐的植物中相同的植物对所述当前用户进行植物推荐。
71.例如，当显示具有多个相同的某一养护(如浇水频率)标签时，则推荐其他具有相同养护方法的植物。因为种类较多，可以按照其他用户种植较多的数量顺序来依次推荐。其中，在进行养护方法的匹配时，具体养护方法可根据植物的类别、种植地点及当前时间进行调整，还可根据植物的生长阶段进行调整。
72.例如，当用户拥有的植物的开花时间或者最佳观赏时间缺少某段时间的植物，那
么可以向用户推荐此类标签的植物，若用户所拥有的所有植物中缺少了11月
‑
12月之间开花或者观赏的植物，那么就推荐其这段时间标签的植物，也可以按照其他用户种植较多的数量顺序来依次进行推荐。
73.例如，当用户拥有的植物中某种色彩具有较多数量，那么可以认为其较偏好这类色彩的植物，那么可以向用户推荐具有此类色彩标签的植物，可以按照其他用户种植较多的数量顺序来依次进行推荐。
74.此外，当用户所拍摄的多个植物图片，属于某一种类的植物相对较多时，推荐具有相同种类但所述当前用户所拍摄的植物图片中暂未出现的植物。
75.例如，当用户拥有的相同种信息的植物较多时，推荐其具有相同种信息但是目前用户还没有的植物。因为种类较多，可以按照其他用户种植较多的数量顺序来依次推荐。
76.例如，用户拥有较多蔷薇科蔷薇属的植物，如不同种的月季或玫瑰，同时都是偏黄色的植物，养护标签中浇水频率也是基本一致或者差距在一天以内的，那么可以给其推荐浇水频率一致的，其他属于蔷薇科蔷薇属的植物，例如黄刺玫或其他黄色蔷薇。蔷薇属共有大约317种植物，可以根据其他用户种植较多的数量顺序来依次进行推荐。
77.本实施例还提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被执行时，实现如本实施例所述的植物推荐方法。
78.所述可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备，例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd
‑
rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备以及上述的任意合适的组合。这里所描述的计算机程序可以从可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。另外，用于执行本发明操作的计算机程序可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码。所述计算机程序可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在一些实施例中，通过利用计算机程序的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
79.本实施例还提供一种电子设备，所述电子设备包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如本实施例所述的植物推荐方法。
80.所述存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non
‑
volatile memory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离所述处理器的存储装置。
81.所述处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路
(application specific integrated circuit，asic)、现成可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。所述处理器是所述电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
82.所述电子设备可以包括用于捕获静态图像或记录视频流的一个或多个相机、以及用于将这些元件彼此连接的所有组件。虽然所述电子设备可以包括全尺寸的个人计算装置，但是它们可能可选地包括能够通过诸如互联网等网络与服务器无线地交换数据的移动计算装置。举例来说，所述电子设备可以是智能手机，或者是诸如带无线支持的pda、平板pc或能够经由互联网获得信息的上网本等装置。在另一个示例中，所述电子设备可以是可穿戴式计算系统。
83.所述电子设备还可包括通信接口和通信总线，其中所述处理器、所述通信接口、所述存储器通过通信总线完成相互间的通信。所述通信总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。所述通信接口用于上述电子设备与其他设备之间的通信。
84.综上所述，本发明提供的植物推荐方法、可读存储介质和电子设备，包括：获取当前用户拍摄的植物图片，并识别所述植物图片中的植物的属性信息；针对识别到的不同的所述属性信息对所述当前用户所拍摄的植物设置不同的标签；以及，根据设置的所述标签，对所述当前用户进行植物推荐。即，通过识别用户拍摄的植物图片中的植物的属性信息，针对植物的不同的属性相应设置标签，而后对所有标签进行汇总，从而可以了解用户的偏好，使得可以有效推荐符合用户喜好的植物进行养护，提升用户体验。
85.此外还应该认识到，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围。