钢丝绳损伤检测方法、装置、终端及存储介质与流程

1.本发明涉及无损检测技术领域，尤其涉及一种钢丝绳损伤检测方法、装置、终端及存储介质。


背景技术：

2.钢丝绳在使用过程中，受到交变应力的作用，钢丝经常发生钢丝之间滑动和磨损造成钢丝绳直径减小，在弯曲应力作用下牵引钢丝磨损处产生微裂纹产生断丝，引起生产安全问题。
3.现有技术中，一种预防钢丝绳引起生产安全问题的方法是对钢丝绳质量进行定期检查，如确定钢丝绳是否有起毛、断丝；对钢丝绳运行环境进行定期检查，如确定润滑油油位是否在标准范围内；通过上述操作可以一定程度上避免隐患钢丝绳进一步地使用而严重磨损断裂，最终酿成生产事故。对于一些要求高可靠性的应用场景，除采用人工目测钢丝绳的方法外，还要定期更换钢丝绳。
4.如我们所知，人工目测法可靠性差、效率低；定期更换则造成钢丝绳的巨大浪费。如一项统计表明，更换下来的钢丝绳中70％以上没有强度损耗。
5.因此，研制钢丝绳的无损探伤技术成为了当务之急。


技术实现要素：

6.本发明实施方式提供了一种钢丝绳损伤检测方法、装置、终端及存储介质，用于解决现有技术中钢丝绳损伤检测方法效率低的问题。
7.第一方面，本发明实施方式提供了一种钢丝绳损伤检测方法，包括：
8.获取钢丝绳图像；
9.对所述图像进行清晰化处理，生成预处理图像；
10.根据所述预处理图像确定钢丝绳是否产生了损伤。
11.在一种可能实现的方式中，所述对所述图像进行清晰度处理，生成预处理图像，包括：
12.获取经过训练的deblurgan网络；
13.将所述图像输入所述deblurgan网络，生成所述预处理图像。
14.在一种可能实现的方式中，所述获取经过训练的deblurgan网络，包括：
15.构建生成器和判别器；
16.获取模糊图像以及清晰图像，所述模糊图像与所述清晰图像相对应；
17.将所述模糊图像输入所述生成器，生成预处理模糊图像；
18.判别步骤：将所述预处理模糊图像以及所述清晰图像输入所述判别器，生成判别结果；
19.根据所述判别结果，所述生成器再次生成预处理模糊图像，跳转至所述判别步骤直至达到预定次数。
20.在一种可能实现的方式中，所述获取模糊图像以及清晰图像，包括：
21.将第一图像采集装置以及第二图像采集装置对准钢丝绳的同一部位；
22.启动钢丝绳，使得钢丝绳按工作状态运动；
23.从所述第一图像采集装置获取第一图像，从所述第二图像采集装置获取第二图像，所述第一图像与所述第二图像获取时刻相同，所述第一图像采集装置的快门速度低于所述第二图像采集装置的快门速度；
24.所述第一图像为模糊图像，所述第二图像为清晰图像。
25.在一种可能实现的方式中，所述根据所述预处理图像确定钢丝绳是否产生了损伤，包括：
26.获取经过训练的yolov3网络；
27.将所述预处理图像进行扩容，形成扩容图像集；
28.将所述扩容图像集输入所述yolov3网络，确定钢丝绳是否产生了损伤。
29.在一种可能实现的方式中，所述获取经过训练的yolov3网络，包括：
30.获取钢丝绳损伤图像集；
31.对所述损伤图像集通过翻转和/或旋转的方式进行扩容，获得扩容损伤图像集；
32.将所述扩容损伤图像集输入所述yolov3网络进行训练，形成所述经过训练的yolov3网络。
33.在一种可能实现的方式中，所述将所述预处理图像进行扩容，形成扩容图像集，包括：
34.对所述预处理图像通过翻转和/或旋转的方式进行扩容，形成所述扩容图像集。
35.第二方面，本发明实施方式提供了一种钢丝绳损伤检测装置，包括：
36.图像获取模块，用于获取钢丝绳图像；
37.图像处理模块，用于对所述图像进行清晰化处理，生成预处理图像；以及，
38.损伤确定模块，用于根据所述预处理图像确定钢丝绳是否产生了损伤。
39.第三方面，本发明实施方式提供了一种终端，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，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
40.第四方面，本发明实施方式提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
41.本发明实施方式与现有技术相比存在的有益效果是：
42.本发明实施方式公开了的一种钢丝绳损伤检测方法，其通过将图像进行清晰化处理，能够提升在弱光、机械震动下采集的图像的清晰度，通过清晰化处理的图像进行损伤识别，提高了识别的准确率，减少了误报的可能，实现了检测效率的提升。
附图说明
43.为了更清楚地说明本发明实施方式中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根
据这些附图获得其他的附图。
44.图1是本发明实施方式提供的钢丝绳损伤检测方法的流程图；
45.图2是本发明实施方式提供deblurgan网络结构图；
46.图3是本发明实施方式提供的yolov3网络结构图；
47.图4是本发明实施方式提供的钢丝绳损伤检测装置功能框图；
48.图5是本发明实施方式提供的终端功能框图。
具体实施方式
49.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施方式。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施方式中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
50.现有技术中，钢丝绳无损检测方法主要分为基于漏磁的检测方法、基于声发射的检测方法巧和基于计算机视觉的检测方法等。基于漏磁的检测方法主要通过漏磁技术来判断断丝、点蚀等局部损伤。基于声发射的检测方法主要是通过测量钢丝绳结构变化引起的弹性波检测钢绳断丝和弹性变形。基于计算机视觉的检测方法主要是利用ccd(charge coupled device，简称ccd)相机拍摄钢丝绳表面光学图像，通过计算机视觉方法提取断丝特征进行断丝检测。
51.基于计算机视觉的检测装置结构简单，同一套装置可以适应不同尺寸钢丝绳相比于漏磁检测，其检测结果基本不受提离值的影响。相比于声发射检测，其装置设计和制造都更为容易。
52.但是计算机视觉检测也有其固有的缺陷，如检测准确率较低，误报常常给正常生产带来困扰等。
53.本发明专利申请人的创造性劳动之一在于，发现由于钢绳的工作环境条件的特殊性，在大型起重设备工作会造成摄像机的轻微振动，以及钢绳运动的不确定性，使得实时采集到的图像产生模糊，质量不能保证。
54.本发明专利申请人的创造性劳动之二在于，一个与检测准确率密切相关的点为：若将图像进行清晰化处理，使得图像质量有保证的前提下，则可以大大降低误报的可能。
55.本发明专利申请人的创造性劳动之三在于，采用何种处理方式对采集到的目标图像进行预处理，保留图像中较清晰的纹理、细节丰富且与真实图像比较接近，最大限度的降低运动对图像采集的影响，从而提高钢绳缺陷识别准确率和判断系统的鲁棒性。
56.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施方式来进行说明。
57.下面对本发明的实施例作详细说明，本实例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
58.图1为本发明实施方式提供的钢丝绳损伤检测方法的流程图。
59.如图1所示，其示出了本发明实施方式提供的钢丝绳损伤检测方法的实现流程图，详述如下：
60.在步骤101中，获取钢丝绳图像。
61.在步骤102中，对所述图像进行清晰化处理，生成预处理图像。
62.在一些实施方式中，步骤102包括：获取经过训练的deblurgan网络。
63.将所述图像输入所述deblurgan网络，生成所述预处理图像。
64.其中，所述获取经过训练的deblurgan网络，包括：
65.构建生成器和判别器。
66.获取模糊图像以及清晰图像，所述模糊图像与所述清晰图像相对应。
67.将所述模糊图像输入所述生成器，生成预处理模糊图像。
68.判别步骤：将所述预处理模糊图像以及所述清晰图像输入所述判别器，生成判别结果。
69.根据所述判别结果，所述生成器再次生成预处理模糊图像，跳转至所述判别步骤直至达到预定次数。
70.其中，所述获取模糊图像以及清晰图像，包括：
71.将第一图像采集装置以及第二图像采集装置对准钢丝绳的同一部位。
72.启动钢丝绳，使得钢丝绳按工作状态运动。
73.从所述第一图像采集装置获取第一图像，从所述第二图像采集装置获取第二图像，所述第一图像与所述第二图像获取时刻相同，所述第一图像采集装置的快门速度低于所述第二图像采集装置的快门速度。
74.所述第一图像为模糊图像，所述第二图像为清晰图像。
75.示例性地，生成对抗网络(generative adversarialnetwork，gan)的理论出自零和(zerosum-game)博弈，从网络本身来看，博弈的双方为生成器(generator,简称g)和判别器(discriminator，简称d)，通过博弈双方g和d的不断博弈，从而使生成网络能生成以假乱真的数据。
76.deblurgan是一种基于gan方法进行盲运动模糊移除的方法，其将图像模糊移除视为一种特殊的image2image任务，deblurgan基于wgan以及内容损失进行训练学习，在ssim与视觉效果方面，取得了优异性能。
77.其基本原理为：清晰图像和模糊图像是训练数据集中的一对数据，当模糊图像送入生成器中，生成器会重建一幅生成的图像，每一次训练会计算数据集中清晰图像和生成器生成的图像之间的对抗损失和内容损失，对抗损失用来约束生成的图像清晰度高、真实性好；内容损失用于制约生成图像和数据集中的清晰图像在内容上一致。判别器输出重建的清晰图像为真实图像的概率值，根据wassertein距离来决定继续训练生成器或判别器，wassertein距离是度量两个概率分布之间的距离，直观上来说就是两个分布在最优路径下的最小消耗，这个数值越小，就代表网络的泛化性能更好，由生成器输出的图像质量就更加真实，训练完成后，生成网络g就可以生成逼真的图片。
78.如图2所示，deblurgan的具体组成，其中生成器主体采用残差网络的结构，网络内部由卷积神经网络的基本单元卷积模块、归一化模块和激活函数模块组成，判别器由卷积神经网络基本单元卷积模块、归一化模块和激活函数模块组成。
79.具体地，生成器网络结构包括卷积模块、上采样下采样模块、残差模块、输出模块；输入模糊图片im经过1层卷积(7*7conv)，实例归一化层(instancenorm)和激活层(relu)后，保持输入数据的尺寸不变；然后，进行2次上采样(upsampling)，将图像特征层增至256
个；再经过9层残差卷积(每个残差卷积包含一个3*3卷积层3*3conv、实例归一化层instancenorm和relu激活层)；随后，进行2次下采样(downsampling)、1层卷积(7*7)以及激活函数(tanh)后输出；判别器网络结构包括卷积模块、下采样模块、输出模块；由1个卷积(4*4conv)、4个下采样(upsampling)、1个卷积(1*1conv)以及激活函数(sigmoid)组成；判别器网络d的输入为：与模糊图片im相对应的清晰图片iq以及模糊图片im经过生成器g后得到钢绳生成图片om；判别器网络d对输入的两种图片进行相似程度判断。
80.就本发明专利申请而言，一种可以实施的技术方案中，采用模糊图像以及清晰图像分别对生成器以及判别器进行训练，直到最终判别器输出的损失收敛趋于0。固定生成器以及判别器的参数，即为经过训练的deblurgan网络。
81.一种获取模糊图像以及清晰图像的方法为，采用两个图像采集装置，如摄像头或相机对准钢丝绳的同一部位，使得两个图像采集装置捕获的图像区域完全一致。
82.然后，启动设备，使得钢丝绳按其工作状态运动。接着，分别调整两个图像采集装置，使得其中一个的快门速度低于另一个图像采集装置的快门速度，且使得，快门速度低的图像采集装置采集的图像为视觉模糊图像，而快门速度高的图像采集装置采集的图像为视觉清晰图像。
83.最后，同一时刻，分别从两个图像采集装置获取两幅图像，其中快门速度慢的图像采集装置获取的图像为模糊图像，快门速度快的图像采集装置获取的图像为清晰图像。统一时刻获取的两幅图像为相对应的图像。
84.重复上述步骤，获取多组图像，形成两个数据集，其中一个数据集为模糊图像数据集，另一个为清晰图像数据集。
85.将一幅模糊图像以及一幅与之相对应的清晰图像，分别输入生成器和判别器。生成器根据初始参数对模糊图像进行处理，生成预处理模糊图像，该预处理模糊图像经过判别器与清晰图像对比，输出判别结果，该结果作为生成器的参数依据，生成器再次生成预处理模糊图像，再次输入判别器与清晰图像对比。如此往复，直至达到预定的往复次数。
86.预定的往复次数，一种可以实施的确定方式为，通过观察判别器的损失值进行确定。如，一种可能性为，损失值初期下降较快，后期逐步趋于稳定，当损失收敛趋于0时，共计重复了n次，则预定的往复次数确定为n。
87.在步骤103中，根据所述预处理图像确定钢丝绳是否产生了损伤。
88.在一些实施方式中，步骤103包括：
89.获取经过训练的yolov3网络。
90.将所述预处理图像进行扩容，形成扩容图像集。
91.将所述扩容图像集输入所述yolov3网络，确定钢丝绳是否产生了损伤。
92.其中，所述获取经过训练的yolov3网络，包括：
93.获取钢丝绳损伤图像集；
94.对所述损伤图像集通过翻转和/或旋转的方式进行扩容，获得扩容损伤图像集；
95.将所述扩容损伤图像集输入所述yolov3网络进行训练，形成所述经过训练的yolov3网络。
96.其中，所述将所述预处理图像进行扩容，形成扩容图像集，包括：
97.对所述预处理图像通过翻转和/或旋转的方式进行扩容，形成所述扩容图像集。
98.示例性地，yolov3模型基于yolov1和yolov2提出，如图3所示，该模型将特征提取网络由darknet-19层增加至darknet-53层，在此基础上，引入了多尺度检测的思想，在网络中增加了多特征融合的金字塔(fpn)结构，提高了对小目标的检测水平。
99.在yolov3网络模型中，darknet-53特征提取网络利用了深度残差网络将网络深度加至53层，在保证能对特征有效表达的同时又避免了网络加深带来的梯度爆炸问题。
100.darknet-53特征提取网络如图3左边虚线框所示，包括5个不同的残差模块，每个残差块中间有一个卷积操作，图中convolutional代表卷积；图中残差块下的倍数表示此残差块重复了几次，如(x4)表示该模块重复4次出现；darknet-53网络对输入图片进行卷积核尺寸为3x3x32的卷积操作后，再进行卷积核尺寸为3x3x64，移动跨步为2的卷积计算，接着分别经过1个残差块、2个残差块、8个残差块、8个残差块、4个残差块操作，共对输入图像进行了53次卷积操作，这也是darknet-53网络名字的由来。
101.多特征金字塔的网络结构将最低层的特征图进行上采样后与高层特征图进行信息融合，利用不同层级的特征图对待测目标进行预测。信息融合一般是将低层特征图利用双线性插值算法进行特征图进行上采样操作，然后将该上采样的特征与上一级特征进行融合，该方法是利用一个像素周围的4个像素点确定要插入的值，因而融合后的特征图质量高，上采样后的特征图轮廓更加平滑。
102.就本发明专利申请而言，首先，获取钢丝绳的损伤图像，损伤图像包括断丝、磨损以及变形的钢丝绳，这些图像构成了损伤图像集。对这些图像进行旋转、翻转的方式，进一步获得数倍与损伤图像集的图像集，实现对损伤图像的扩容。然后，对每个图像分别进行标注，重点用于标注图像中缺陷的坐标、缺陷的类型。最后将标注后的图像输入构建好的yolov3网络，对网络进行训练，训练步骤前，应当选择合适的模型训练参数，以达到用尽可能少的训练时间，达到尽可能最佳的收敛效果。
103.当yolov3网络训练完成后，还可以通过获取一个验证集对训练后的效果进行验证，如一种可以实施的方式中，验证集中有m张图像，其中n张为损伤钢丝绳图像，使用训练后的yolov3网络进行识别，若准确率达到目标值，如98％，则认定训练成功，否则重新进行训练。
104.将训练好的yolov3网络投入使用时，获取的图像若通过翻转和/或旋转的方式生成多个图像，实现对获取的图像进行扩容，然后将扩容后的图像输入训练好的yolov3网络，则可提高识别的准确率。
105.本发明钢丝绳损伤识别检测方法实施方式，其通过将图像进行清晰化处理，能够提升在弱光、机械震动下采集的图像的清晰度，通过清晰化处理的图像进行损伤识别，提高了识别的准确率，减少了误报的可能，实现了检测效率的提升。
106.本发明钢丝绳损伤识别检测方法实施方式，采用经过训练deblurgan网络对图像进行清晰度处理，该方法处理速度快，效果好，尤其适用于某种特定原因为主因导致图像模糊的图像处理方式。
107.本发明钢丝绳损伤识别检测方法实施方式，采用从图像采集装置模拟产生接近真实应用场景的模糊图像，以此作为训练集对deblurgan网络进行训练，便于获取较多数量的图像，且相比于通过软件处理出的模糊图像，训练效果更好。
108.本发明钢丝绳损伤识别检测方法实施方式，采用yolov3网络识别钢丝绳缺陷，通
过翻转和/或旋转的方式对训练集图像进行扩容，使得训练集样本数更多，训练效果更好。通过翻转和/或旋转的方式，对采用图像进行扩容，提升了识别的准确性。
109.应理解，上述实施方式中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施方式的实施过程构成任何限定。
110.以下为本发明的装置实施方式，对于其中未详尽描述的细节，可以参考上述对应的方法实施方式。
111.图4是本发明实施方式提供的钢丝绳损伤检测装置功能框图，参照图4，钢丝绳损伤检测装置4包括：图像获取模块401、图像处理模块402以及损伤确定模块403；
112.图像获取模块401，用于获取钢丝绳图像；
113.图像处理模块402，用于对所述图像进行清晰化处理，生成预处理图像；
114.损伤确定模块403，用于根据所述预处理图像确定钢丝绳是否产生了损伤。
115.图5是本发明实施方式提供的终端的功能框图。如图5所示，该实施方式的终端5包括：处理器500、存储器501以及存储在所述存储器501中并可在所述处理器500上运行的计算机程序502。所述处理器500执行所述计算机程序502时实现上述各个钢丝绳损伤检测方法及钢丝绳损伤检测方法实施方式中的步骤，例如图1所示的步骤101至步骤103。
116.示例性的，所述计算机程序502可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器501中，并由所述处理器500执行，以完成本发明。
117.所述终端5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端5可包括，但不仅限于，处理器500、存储器501。本领域技术人员可以理解，图5仅仅是终端5的示例，并不构成对终端5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
118.所称处理器500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)、现场可编程门阵列(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。
119.所述存储器501可以是所述终端5的内部存储单元，例如终端5的硬盘或内存。所述存储器501也可以是所述终端5的外部存储设备，例如所述终端5上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器501还可以既包括所述终端5的内部存储单元也包括外部存储设备。所述存储器501用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器501还可以用于暂时地存储已经输出或者将要输出的数据。
120.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成
的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施方式中的对应过程，在此不再赘述。
121.在上述实施方式中，对各个实施方式的描述都各有侧重，某个实施方式中没有详述或记载的部分，可以参见其它实施方式的相关描述。
122.本领域普通技术人员可以意识到，结合本文中所公开的实施方式描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
123.在本发明所提供的实施方式中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施方式仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
124.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
125.另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
126.所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施方式方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个钢丝绳损伤检测方法及电钢丝绳损伤检测装置实施方式的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
127.以上所述实施方式仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施方式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：其依然可以对前述各实施方式所记载的技术方案进行修改，或者对其中部分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各实施方式技术方案的精神和范
围，均应包含在本发明的保护范围之内。