基于深度学习的金属材料断口疲劳条带识别与分割方法与流程

1.本发明涉及金属断口技术领域，尤其涉及一种基于深度学习的金属材料断口疲劳条带识别与分割方法。


背景技术：

2.在工程机构和机械设备中，长期服役在交变应力下的构件很容易出现疲劳断裂现象，造成严重的经济损失，因此，人们对于疲劳断裂的研究力度在不断加大。对于金属断口图的研究则是分析疲劳断裂的一个重要步骤，而其中测定疲劳条带间距以定量分析疲劳寿命和疲劳应力是分析金属断口图的一个重要的指标与环节。然而在构件断裂过程中的所受交变应力的复杂性使得实际构件断口多表现为多样性的混合形态，这使得电镜采集到的疲劳断口图片呈现复杂的多特征形貌，观察分析较为困难。所以将复杂形貌中的条带准确识别并分离出来是很有意义的。
3.早期的识别方法主要依靠材料等领域的研究人员经验，采用人工目测识别。该方法利用专家经验虽然准确率较高，但是识别效率较低，所需时间较长，且浪费人力，现该方法基本不再应用。随着计算机技术的不断发展，如何应用计算机的图像处理以及模式识别技术去进行断口的形貌分析，识别与分割已经成为断口研究领域的一大热门板块。
4.在断口研究领域，灰度共生矩阵作为早期被公认为经典且效果较好的疲劳断口形貌识别与分类的方法，灰度共生矩阵(glcm)是一种经典的二阶纹理统计方法，它不仅反应各个灰度的分布特点，同时也能反映出灰度相同或灰度比较接近的像素之间的位置分布特性。用glcm作纹理分析，纹理识别的特征采用由glcm计算出来的一组统计量，而这些统计量从不同方面描述了图像纹理的统计特性，但相互之间存在一定的相关性，使得信息表达冗余重复，大大增加了计算量，针对这些纹理特征参数求得其相关系数矩阵，从中去除相关系数较大的一些特征参数，可得到相互较为独立的统计量。这在一定程度上用于断口图像分割较为准确，且大大减小了计算量，提高了图像处理效率。
5.但是这种方法用在纹理分割的特定领域上，其效果却很难满足要求，由于条带的分割中，断裂过程的复杂性使得实际断口多表现为复杂的多特征，单一的特征很难准确将疲劳条带分割出来，准确率较低便很难进行下一步的断口形貌分析。
6.基于小波包变换的方式去进行断口图像的识别与分割也是一种比较典型的方法。小波包变换是小波变换的扩展于改进。小波分析的多分辨率理论进一步对小波子空间以二进制将频率精细划分，将频域时段的分辨率进一步的提升。而小波包变换的本质，即是用正交小波包基函数的线性组合去逼近原信号，它是一种更加精细的信号分析方法，可以根据被分析信号的特征，更加自如地选择相应的频带，而由此于信号频谱相匹配，提高了时域分辨率，可以更好的提取相应的特征。
7.然而，小波包变换作为一种时频分析工具，能够处理图像纹理细节中的中频以及中高频率段。但是断口图像的细节部分也包括了非常丰富的条带纹理信息。单独时频分析难以表达该细节部分的特征，从而提取的单一纹理特征难以从复杂的纹理形态中准确分割
出疲劳条带。
8.在科学技术不断发展的今天，传统的机器学习以及特征识别技术逐渐被深度学习所取代。首先，基于深度学习的图像识别于分割在处理复杂冗余的样本方面效果明显好于传统的图像处理方法。由于深度神经网络本身也可被看作是一种“高维特征处理器”，所以在面对复杂的多特征断口图像时，利用深度神经网络，可以非常效率的将断口的特征以高精准度去进行识别与分割。而且，深度学习的方法还具有学习能力强，覆盖范围广，适应力强，可移植性好等非常适合复杂特征断口图像的优点。
9.目前基于深度学习的图像识别方法已在人脸识别领域了卓越的贡献。在对于复杂程度高的图片分割的同时，考虑如何将分割与识别精度提高，如何将分割的效率提高，并提高方法的简易度是问题的重中之重。所以需要迫切开发一种新的准确的，高效的疲劳条带识别与分割方法，满足材料领域研究人员的要求，有效的提高断口图像对于条带的识别精度。


技术实现要素：

10.本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于深度学习的金属材料断口疲劳条带识别与分割方法，精准识别并分割出将断口图像中的疲劳条带。
11.为解决上述技术问题，本发明所采取的技术方案是：基于深度学习的金属材料断口疲劳条带识别与分割方法，包括以下步骤：
12.步骤1：根据金属材料断裂疲劳机理，建立断口疲劳条带数学模型；
13.(1)根据疲劳条带形貌机理，确定疲劳应力幅值与疲劳条带间隔之间的关系；
14.设定应力循环次数为n时疲劳裂纹扩展长度为a，则每一载荷循环下的疲劳裂纹扩展量μ如下公式所示：
15.μ＝
△
s＝da/dn
16.其中，
△
s为疲劳条带间隔；
17.由帕里斯paris公式：得到疲劳应力幅与疲劳条带间隔之间的关系，如下公式所示：
[0018][0019]
其中，c和m为金属材料参数，y为形状因子，δσ为疲劳应力幅；
[0020]
(2)通过平方差累计法求取疲劳条带的弧线方向；
[0021]
根据疲劳条带各个方向的图像灰度差的最小值或者最大值，得到疲劳条带的弧线方向；
[0022]
设定疲劳条带沿0
°
、45
°
、90
°
、135
°
四个方向的图像灰度差分别为d0°
、d
45
°
、d
90
°
、d
135
°
，其中：
[0023]
d0°
(x,y)＝[i(x-1,y)-i(x 1,y)]2[0024]d45
°
(x,y)＝[i(x-1,y 1)-i(x 1,y-1)]2×
0.5
[0025]d90
°
(x,y)＝[i(x,y-1)-i(x,y 1)]2[0026]d45
°
(x,y)＝[i(x-1,y-1)-i(x 1,y 1)]2×
0.5
[0027]
其中，i(x,y)为疲劳条带图上点(x,y)的图像灰度；
[0028]
进而根据疲劳条带沿0
°
、45
°
、90
°
、135
°
四个方向的图像灰度差计算疲劳条带沿这四个方向图像灰度的平方差均值，该四个方向图像灰度的平方差均值即为疲劳条带的弧线方向；
[0029]
步骤2：采用改进rrt算法模拟疲劳条带延伸轨迹，结合断口疲劳条带的数学模型获得疲劳条带的纹理曲线图像；
[0030]
步骤2.1：定义疲劳条带弧线的起始点、终点、采样点数，并设定每个采样点之间的步长为t；将疲劳条带弧线的起始点和终点定义为随机树的根节点和目标节点，并定义障碍位置坐标；
[0031]
步骤2.2：由疲劳条带数学模型求出的疲劳条带的间距及弧度作为约束，设置为rrt算法的障碍，调整rrt算法下一个随机点的延伸方向；
[0032]
步骤2.3：将生成的新随机点作为父亲点，输入约束参数，生成向下的子树枝；
[0033]
步骤2.4：将所有的新随机点加入随机树集合，所有子树枝连成一条轨迹线以获得最终的疲劳条带纹理曲线；
[0034]
步骤3：使用扫描电镜采集断口图像，采用打标签工具对断口图像的条带进行标记，获得标注好的数据样本，再结合采用改进rrt算法得到的疲劳条带纹理曲线图像建立疲劳条带样本数据集，进行数据集增强；
[0035]
步骤4：对疲劳条带样本数据集图片进行去噪及几何变换的预处理；
[0036]
步骤4.1：使用高斯滤波进行图像去噪去除数据集中图像的随机噪声，降低图像中的噪声干扰；
[0037]
步骤4.2：使用最近邻插值法进行图像的几何变换，改正断口图像采集时的仪器自身误差和仪器位置的随机误差；
[0038]
步骤5：搭建基于神经网络的疲劳条带识别分割模型，并使用标记好的疲劳条带样本数据进行模型训练、调整参数及优化；
[0039]
所述疲劳条带识别模型选用u-net网络结构，u-net网络的整体结构采用的是编码-解码结构，包括下采样模块、上采样模块，跳跃链接三部分，能够实现端到端的图像分割；下采样模块包括四层双卷积子块，传入数据经过每个双卷积子块后再进行下采样提取特征，下采样模块的目的是通过不断压缩输入图像提取特征图；上采样模块与下采样模块结构对称，同样包括四层双卷积子块，而在每层双卷积子块后加入一个反卷积用来还原特征图的尺寸；跳跃链接部分是在每次准备进行下采样时，将卷积后得到的特征与上采样模块中经过反卷积得到的特征进行融合，将特征在channel维度拼接在一起；
[0040]
所述u-net网络结构使用多层双卷积结构以及多次下采样构成收缩路径，连续不断地下采样提取特征，扩张特征通道，获得特征图；获得特征图后再次使用多层双卷积结构搭配多次上采样，还原特征图尺寸；
[0041]
所述双卷积结构采用两个卷积核加两个线性整流函数的结构组成，在双卷积结构后加入最大池化层进行下采样，保证提取特征的准确度；使用反卷积方法对特征图进行上采样，扩大图像信息；
[0042]
所述u-net网络结构在前三层下采样层和上采样层中加入跳跃连接方式连接特征图，完成下采样深度信息与上采样浅层信息的结合，完成图像缺失信息的弥补，还原图像像素信息；
[0043]
u-net网络结构待特征进行识别过程最后，加入一个softmax函数进行特征分类；
[0044]
所述疲劳条带识别模型选用交叉熵函数作为损失函数；
[0045]
步骤6：将待识别分割的疲劳条带图像输入已训练好的疲劳条带识别模型，对断口疲劳条带图片进行条带识别分割，最终获得端到端的语义分割结果。
[0046]
采用上述技术方案所产生的有益效果在于：本发明提供的基于深度学习的金属材料断口疲劳条带识别与分割方法，通过改进的rrt算法进行数据集增强，有效的解决了分割任务中由于网络可学习数据量过少导致的学习效果不理想的问题，有效扩充了样本数量。通过针对金属断口疲劳条带特征分割的网络模型，能够以较高准确率从复杂的疲劳断口中分割出疲劳条带特征区域。
附图说明
[0047]
图1为本发明实施例提供的基于深度学习的金属材料断口疲劳条带识别与分割方法的流程图；
[0048]
图2为本发明实施例提供的改进rrt算法生成条带轨迹线的示意图；
[0049]
图3为本发明实施例提供的利用扫描电子显微镜及相机采集到的真实断口图像；
[0050]
图4为本发明实施例提供的u-net网络结构示意图；
[0051]
图5为本发明实施例提供的双卷积结构示意图；
[0052]
图6本发明实施例提供的反卷积方法的原理图。
具体实施方式
[0053]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0054]
本实施例中，基于深度学习的金属材料断口疲劳条带识别与分割方法，如图1所示，包括以下步骤：
[0055]
步骤1：根据金属材料断裂疲劳机理，建立断口疲劳条带数学模型；
[0056]
(1)根据疲劳条带形貌机理，确定疲劳应力幅值与疲劳条带间隔之间的关系；
[0057]
设定应力循环次数为n时疲劳裂纹扩展长度为a，则每一载荷循环下的疲劳裂纹扩展量μ如下公式所示：
[0058][0059]
其中，
△
s为疲劳条带间隔；
[0060]
由帕里斯paris公式：得到疲劳应力幅与疲劳条带间隔之间的关系，如下公式所示：
[0061][0062]
其中，c和m为金属材料参数，y为形状因子，δσ为疲劳应力幅；
[0063]
由此公式可知，当设定不同的应力幅值时，可以得到对应的疲劳条带间隔，随着应力幅值设定变化，对应的条带间隔便可用于下一步的轨迹生成工作中。
[0064]
(2)通过平方差累计法求取疲劳条带的弧线方向(也就是疲劳条带的近似方向)；
[0065]
其基本思路：对于疲劳条带图，沿条带切线方向的图像数据差异最小，而沿条带法线方向的图像数据差异最大。因此，根据疲劳条带各个方向的图像灰度差的最小值或者最大值，得到疲劳条带的弧线方向；
[0066]
设定疲劳条带沿0
°
、45
°
、90
°
、135
°
四个方向的图像灰度差分别为d0°
、d
45
°
、d
90
°
、d
135
°
，其中：
[0067]
d0°
(x,y)＝[i(x-1,y)-i(x 1,y)]2[0068]d45
°
(x,y)＝[i(x-1,y 1)-i(x 1,y-1)]2×
0.5
[0069]d90
°
(x,y)＝[i(x,y-1)-i(x,y 1)]2[0070]d45
°
(x,y)＝[i(x-1,y-1)-i(x 1,y 1)]2×
0.5
[0071]
其中，i(x,y)为疲劳条带图上点(x,y)的图像灰度；
[0072]
进而根据疲劳条带沿0
°
、45
°
、90
°
、135
°
四个方向的图像灰度差计算疲劳条带沿这四个方向图像灰度的平方差均值，该四个方向图像灰度的平方差均值即为疲劳条带的弧线方向；
[0073]
步骤2：采用改进-rrt算法模拟疲劳条带延伸轨迹，结合断口疲劳条带的数学模型获得疲劳条带的纹理曲线图像；
[0074]
rrt作为比较传统的路径规划方式，其原理简单，而且不管自由度是多少，不管约束多复杂都能用，这就是其在机器人领域流行的主要原因之一。rrt的基本步骤是：
[0075]
1、起点作为一颗种子，从开始生长枝丫；
[0076]
2、在空间中生成一个随机点；
[0077]
3、在树上找到距离最近的那个点，记为new；
[0078]
4、朝着new的方向生长，如果没有碰到障碍物就把生长后的树枝和端点添加到树上。
[0079]
随机点一般是均匀分布的，所以没有障碍物时树枝近似均匀的向各个方向生长，这样可以快速探索空间，如果掌握了最有可能发现路径的区域信息，可以重点探索该区域，这个时候便不满足均匀分布。
[0080]
根据rrt算法的这一系列优良特点，我们可以在其基础上进行改进以进行对应的数据集增强，由于rrt算法规划虽然很有效率，但是过于随机，所以我们需要在树的伸展过程中给予其对应的方向引导使其能够快速，准确的完成起始点到终点的进程，使算法准确收敛。关于rrt的改进应综合随机采样方式，最近点定义方式，树的扩展形式三方面进行综合考虑。这里我们提出改进后的rrt算法。以上问题可以通过疲劳条带数学模型的建立完美解决，当得到疲劳条带数学模型中的各个参数后，可以将对应的参数设定为疲劳条带延伸过程中，也就是rrt算法行进过程中的约束与障碍，通过假定约束的位置而得到路径伸展的方向。再根据算法设定好的步长便可以确定对应的随机点，再继续生成新的枝丫。经过若干步的约束给定，可以得到符合疲劳条带机理规律的一系列随机点，最终将得到疲劳条带的整个路径，也就是疲劳条带的纹理曲线图像，具体实现过程为：
[0081]
步骤2.1：初始化rrt算法工作环境，定义疲劳条带弧线的起始点、终点、采样点数，并设定每个采样点之间的步长为t；将疲劳条带弧线的起始点和终点定义为随机树的根节点和目标节点，并定义障碍位置坐标；
[0082]
步骤2.2：由疲劳条带数学模型求出的疲劳条带的间距及弧度作为约束，设置为
rrt算法的障碍，调整rrt算法下一个随机点的延伸方向；
[0083]
步骤2.3：将生成的新随机点作为父亲点，输入约束参数，生成向下的子树枝；
[0084]
步骤2.4：将所有的新随机点加入随机树集合，所有子树枝连成一条轨迹线以获得最终的疲劳条带纹理曲线；本实施例通过改进rrt算法获得的疲劳条带纹理曲线如图2所示。
[0085]
步骤3：使用扫描电镜采集断口图像，采用打标签工具对断口图像的条带进行标记，获得标注好的数据样本，再结合采用改进rrt算法得到的疲劳条带曲线图像建立疲劳条带样本数据集，进行数据集增强；
[0086]
本实施例中，使用扫描电镜采集断口图像的具体方法为：制备好合适的疲劳拉伸试样，使用疲劳试验机对疲劳拉伸试样进行拉伸试验得到断口试样，而后利用扫描电镜进行断口图像的采集；
[0087]
进行数据集增强也需要断口图片的支持，往往真实的样本与人工数据样本相结合所形成的数据集，进行神经网络的训练时往往效果会更好，所以有必要进行断口图片的采集。本实施例的断口图片采集选用的扫描电子显微镜，由于扫描电子显微镜具有分辨率高，景深大和可以直接观察试样等特点，所以非常适合于对断口的研究。而且扫描电子显微镜的另一个重要特点是放大倍数变化范围比较宽，能采集不同倍数的断口图片。本实施例所得到的疲劳断口图片如图3所示。
[0088]
关于疲劳断口试样的制备，一般选用国际通用的三点弯曲试样制备方式，在试件断裂后形成断口时，若断口上残留各种润滑油，氧化层及腐蚀产物都可能干扰图片的效果，所以有必要进行处理，为了减少他们带来的影响，可以先在有机溶剂中进行超声波清洗，然后反复撕揭复型。若遇见难以清除的断口氧化层，可用化学配方进行除锈操作。在断口试样制备后，通过扫描电子显微镜扫描并进行图片采集，得到断口图片。
[0089]
由于神经网络的训练需要突出的特征才会使训练效果更加优良，所以需要将断口图片进行打标签的预处理。利用打标签方式将断口中的条带形貌划分出来。本实施例利用via进行图像标注，首先将需要打标签的断口图片导入，在了解疲劳条带的机理基础上进行条带区域的打标签操作，用一系列的多段线在条带的边缘区域将条带特征与其他的特征区分开来，做好标记。获得精准标注的断口图片。再将带标注的断口图片导入通过改进rrt方法得到的疲劳条带曲线图，将两者融合获得增强后的数据集。
[0090]
步骤4：对疲劳条带样本数据集图片进行去噪及几何变换的预处理；
[0091]
步骤4.1：使用高斯滤波进行图像去噪去除数据集中图像的随机噪声，降低图像中的噪声干扰，获得识别度高的样本图像；在疲劳断口图像的采集过程中，由于不可抗原因，图片难免会受到噪声干扰。首先要对断口图像进行预处理，主要是使用高斯滤波法消除图像中的随机噪声，使得图像的辨识度更高。
[0092]
步骤4.2：图像几何变换又称为图像空间变换，通过平移、转置、镜像、旋转、缩放等几何变换对采集的图像进行处理，本发明使用最近邻插值法进行图像的几何变换，改正断口图像采集时的仪器自身误差和仪器位置(成像角度、透视关系乃至镜头自身原因)的随机误差；
[0093]
步骤5：搭建基于神经网络的疲劳条带识别分割模型，并使用标记好的疲劳条带样本数据进行模型训练、调整参数及优化；
[0094]
所述疲劳条带识别模型选用u-net网络结构，u-net网络的整体结构采用的是编码-解码结构，包括下采样模块、上采样模块，跳跃链接三部分，能够实现端到端的图像分割；下采样模块包括四层双卷积子块，传入数据经过每个双卷积子块后再进行下采样提取特征，下采样模块的目的是通过不断压缩输入图像提取特征图(featuremap)；上采样模块与下采样模块结构对称，同样包括四层双卷积子块，而在每层双卷积子块后加入一个反卷积用来还原feature map的尺寸，整个上采样模块的设计意义是将featuremap还原回原图的大小。跳跃链接部分是在每次准备进行下采样时，会将卷积后得到的特征与上采样模块中经过反卷积得到的feature进行融合，将特征在channel维度拼接在一起，从而更好地结合全局特征与局部特征，提高了分割准确率；
[0095]
所述u-net网络基于全卷积神经网络(fcn)进行修改与拓展，相对于fcn对常规的扩张网络进行改进，其具体网络结构如图4所示，其中池化操作被上采样操作替代，从而提高了输出的解析度。为了更好的弥补图像缺失信息，将从收缩网络中得到的深度特征与上采样中的浅层特征相结合，这样连续的卷积层就能更加准确的输出。在u-net网络中，含有大量的特征通道，允许网络将范围信息传播到高分辨率层。
[0096]
所述u-net网络结构使用多层双卷积结构以及多次下采样构成收缩路径，连续不断地下采样提取特征，扩张特征通道，获得特征图；获得特征图后再次使用多层双卷积结构搭配多次上采样，还原特征图尺寸，最终输出图像与原输入图像尺寸就相同；所述双卷积结构如图5所示，采用两个卷积核加两个线性整流函数的结构组成，在双卷积结构后加入最大池化层进行下采样，保证提取特征的准确度；使用反卷积方法对特征图进行上采样，扩大图像信息；
[0097]
本实施例中，收缩路径包含2个3
×
3卷积，每次卷积后都要连接一个relu，一个最大池化层(步长为2)用来下采样，每次的下采样都将特征通道数目减半。扩展路径包括若干次上采样(2
×
2反卷积)，反卷积的示意图如图6所示，它的主要作用是减半特征通道数目同时还原图像的尺寸。输出图像经过一个1
×
1卷积，用来将有64个元素的特征向量映射到一个类标签。
[0098]
所述u-net网络结构在前三层下采样层和上采样层中加入跳跃连接方式连接特征图，完成下采样深度信息与上采样浅层信息的结合，完成图像缺失信息的弥补，还原图像像素信息；
[0099]
u-net网络结构待特征进行识别过程最后，加入一个softmax函数进行特征分类；
[0100]
softmax函数公式如下：
[0101][0102]
其中，ak(x)表示每一像素点(x)对应特征通道(k)的得分，k是类的数量，pk(x)是类k的对像素点x的分类结果。
[0103]
所述疲劳条带识别模型选用交叉熵函数作为损失函数，定义式如下：
[0104]
e＝∑
x∈ω
ω(x)log(p
l(x)
(x))
[0105]
其中，e表示损失函数，ω(x)表示权值映射(根据经验引入的权重评分)，l(x)表示图像上像素x的真实标签，ω为整个图像的像素位置集合，p
l
(x)是对像素点x的分类结果，最终目的是使分割的精度达到最大化同时控制其他类别特征的概率，即损失达到最小；
[0106]
本实施例中，预先计算每个真实样本的权重，以补偿训练数据集中某个类的像素的不同频率，引导网络学习我们在条带区域引入的分离边界。
[0107][0108]
其中，ω(x)表示上文提到的权值映射，ωc(x)是平衡类别比例的权值，ω0表示初始经验权值，d1是某像素点到距离其最近的条带的距离，d2是它到距离其第二近的条带的距离，σ2表示d1与d2两变量的方差。
[0109]
权重初始化相当重要，这里使用高斯分布初始化权重，标准差为其中n表示一个神经元的输入节点数量，例如对于一个3
×
3的卷积，前一层有64个特征通道，那么n＝3
×3×
64＝576。
[0110]
u-net是在众多网络中比较简单的一个网络，容易在实际使用中进行应用和改进，有很大的改进空间，可以根据不同的需求来进行架构中的变换，所以在图像分割上实用性很大。
[0111]
步骤6：将待识别分割的疲劳条带图像输入已训练好的疲劳条带识别模型，对断口疲劳条带图片进行条带识别分割，最终获得端到端的语义分割结果。获得端到端的语义分割结果也就是网络输入是一张完整图片，输出也是一张完整的可视化图片而不是一个特征图，即输入与输出保持一致。
[0112]
在疲劳条带识别模型训练完毕之后，u-net网络便可以根据所学习的特征进行条带的识别。更具体的，选用部分断口图片作为测试集输入神经网络进行图片分割，在计算机完成函数收敛过程后，u-net网络可以准确地将条带特征识别出来并将条带区域精准分割。
[0113]
u-net适用于完成语义分割任务，标准的语义分割又称为全像素语义分割，它是将每个像素分类为属于对象类的过程。在断口图像中，根据像素级的分类，可将条带特征跟孔洞，韧窝，撕裂棱等形貌区分开来，得到对应的不同种类形貌的划分。
[0114]
语义分割比较适合复杂形貌中提取目标特征。更具体的，语义分割类似于处理分类标签数据，对预测分类目标采用像素级的onehot编码，即为每个分类类别创建一个输出的通道。
[0115]
总结来说，语义分割的任务就是输入图像经过深度学习算法处理得到带有语义标签的同样尺寸的输出图像。
[0116]
设输入图像尺寸为w
×
w，卷积核尺寸为f
×
f，步幅为s，卷积层最外围添加p层，经过卷积层后输出的图像尺寸为n
×
n，有如下公式：
[0117][0118]
对于池化操作，设输入图像尺寸为w
×
h，卷积核尺寸为f
×
f，s为步长，池化后输出图像大小：
[0119][0120]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可
以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。