一种瓷砖分级分色检测方法、装置、介质及设备与流程

1.本发明涉及瓷砖检测技术领域，更具体地说，涉及一种瓷砖分级分色检测方法、装置、介质及设备。


背景技术：

2.随着装修行业的发展，对瓷砖需求量日渐增加，对瓷砖的品质要求也越来越高。在瓷砖生产的过程中，由于制作工艺的不当与搬运过程引发的碰撞，导致瓷砖出现裂纹、污点、划痕、针孔、空洞和色彩不均匀等表面缺陷与尺寸不合格、表面不平整、崩边等几何缺陷。对生产的瓷砖在线进行分级分色检测，以确保瓷砖几何尺寸的标准、外形的完整和同批瓷砖表面颜色的均衡性，是瓷砖制造过程的重要环节，但目前主要依赖人工完成。
3.瓷砖分级分色目前是依靠人工感官进行主观判断，而人的视觉感官会受自身的其他因素影响，存在较大不确定性；每位检测人员劳动时间长，面对多品种瓷砖30pcs/min甚至更快速的高速生产线，不断比对生产线上瓷砖与标准样品砖，将有表面缺陷或几何缺陷的瓷砖挑选出来，工作强度高、易疲劳，久之会降低人眼敏感度，导致准确率下降。
4.近年来人工智能技术发展突飞猛进，成为科技领域最热点。在目标检测、智能机器人、显著性检测等领域取得了较大进展。基于深度学习在大量数据中的强大学习能力和特征提取能力，已被应用于工业产品检测中。以智能化检测设备代替人工进行瓷砖分级分色检测是行业发展的必然，以人工智能技术代替传统机器视觉技术是瓷砖分级分色检测发展的必然。
5.卷积神经网络模型是近年来深度学习能够在计算机视觉领域取得突破性成果的基石，其在图像识别的问题上有着很高的准确率，目前也已经有应用在瓷砖表面检测领域的方法。例如，中国发明专利《一种基于卷积神经网络模型和主动学习的瓷砖表面缺陷识别方法》(公开号：cn108038853a)，包括以下步骤：获取含缺陷的瓷砖表面图像并预处理；建立训练集；卷积神经网络模型的建立与训练；主动学习；模型迭代；在线检测。该方法基于卷积神经网络模型和主动学习，通过卷积神经网络模型避免了人工选择特征，并结合了主动学习降低样本的人工标注量，实现瓷砖表面缺陷类型的识别。但是该方法只是对瓷砖表面缺陷类型的识别，并未对瓷砖品质进行等级划分，未对瓷砖进行分级分色检测，并不能解决瓷砖分级分色检测自动化的技术问题。


技术实现要素：

6.为克服现有技术中的缺点与不足，本发明的目的在于提供一种瓷砖分级分色检测方法、装置、介质及设备；该方法基于卷积神经网络模型对瓷砖进行分级分色检测，对瓷砖品质进行等级类型划分；可节省人力资源和提高检测效率；运算速度快，可满足高速生产线的响应需求；分类准确度高，可避免人工分类存在误差和失误。
7.为了达到上述目的，本发明通过下述技术方案予以实现：一种瓷砖分级分色检测方法，其特征在于：包括如下步骤：
8.获取待识别的瓷砖图像；对瓷砖图像进行预处理；
9.将预处理后的瓷砖图像输入到瓷砖分级分色检测网络模型中，瓷砖分级分色检测网络模型输出瓷砖等级类型；所述瓷砖分级分色检测网络模型是指对初始卷积神经网络模型进行训练和测试处理得到的瓷砖分级分色检测网络模型；
10.所述对瓷砖图像进行预处理，包括如下步骤：
11.将瓷砖图像进行灰度变换得到初始灰度图像；
12.将初始灰度图像进行中值滤波处理得到滤波灰度图像，以去除噪声；
13.将滤波灰度图像进行直方图均衡化处理得到均衡化图像，以提高对比度，从而增加灰度分布的均匀程度、增加缺陷轮廓与瓷砖背景的对比清晰度和加大瓷砖花纹与瓷砖背景的反差；
14.将均衡化图像采用多尺度形态学边缘检测算法，以使瓷砖花纹和缺陷轮廓与瓷砖背景分离，得到瓷砖花纹和缺陷轮廓完整的边缘图像。
15.本发明基于卷积神经网络模型对瓷砖进行分级分色检测，对瓷砖品质进行等级类型划分；可节省人力资源和提高检测效率；运算速度快，可满足高速生产线的响应需求；分类准确度高，可避免人工分类存在误差和失误。
16.对瓷砖图像预处理有利于消除或降低噪声、提高对比度、图像的平滑或锐化等。其中，瓷砖图像进行灰度变换得到的初始灰度图像具有占用内存少、运算速度快、处理更方便等优点。中值滤波是将范围内的像素值排序，用中间值代替噪声点的像素值，对去除噪声有良好的效果。利用直方图均衡化对图像进行均衡化处理，以此提高图像对比度，使灰度分布更加均匀，缺陷轮廓与背景对比更加清晰，花纹与背景的反差变大。
17.优选地，所述对瓷砖图像进行预处理中，直方图均衡化处理是指：
18.将滤波灰度图像设置成0～255个原始灰度级；
19.计算原始灰度级i的直方图分布概率p(i)：
[0020][0021]
其中，n为滤波灰度图像的像素总数，ni为滤波灰度图像中原始灰度级i的像素总数；
[0022]
计算原始灰度级i的直方图概率累加值s(i)：
[0023][0024]
计算原始灰度级i对应的均衡化图像中的均衡化灰度级ss(i)：
[0025]
ss(i)＝int{[max(pix)-min(pix)]*s(i) 0.5}；
[0026]
其中，pix指滤波灰度图像中的灰度值；
[0027]
根据均衡化灰度级ss(i)与原始灰度级i上一步找到的灰度图像和均衡化图像灰度的的对应关系，将均衡化灰度级ss(i)一一映射到均衡化图像当中，完成均衡化图像的像素映射。
[0028]
优选地，所述多尺度形态学边缘检测算法中，采用形态学膨胀边缘检测算子ed(x，y)和形态学腐蚀边缘检测算子ee(x，y)：
[0029]
ed(x，y)＝(f
·
g)(x，y)-f(x，y)；
[0030]ee
(x，y)＝f(x，y)-(fog)(x，y)；
[0031]
其中，x和y分别表示像素点的横坐标和纵坐标；(f
·
g)(x，y)表示图像形态学闭运算；(fog)(x，y)表示图像形态学开运算；f(x，y)表示输入图像；
[0032]
取一正方形结构元素{gi|i＝1，2，...5}，gi的大小为(2i 1)
×
(2i 1)像素；将形态学膨胀边缘检测算子ed(x，y)和形态学腐蚀边缘检测算子ee(x，y)相结合得到多尺度边缘检测算子：
[0033][0034]
优选地，所述瓷砖分级分色检测网络模型包括依次连接的第一模块、第二模块、第三模块和第四模块；
[0035]
第一模块包括卷积层c1和最大池化层f1；
[0036]
第二模块包括卷积层c21、卷积层c22和最大池化层f2；
[0037]
第三模块包括四条并行路线，分别为：线路一、线路二、线路三和线路四；线路一包括卷积层c31；线路二包括卷积层c32和卷积层c33；线路三包括卷积层c34和卷积层c35；线路四包括最大池化层f31和卷积层c36；将四条并行线路在通道维上连结，并输入到最大池化层f32；
[0038]
第四模块包括卷积层c41、卷积层c42、全局平均池化层f4和全连接层；全局平均池化层f4使每个通道的高宽变成1以将输出变成二维数组；全连接层输出为瓷砖等级类型，记为{y1，y2，...，yd}，d为瓷砖等级类型数量；
[0039]
利用softmax函数将瓷砖等级类型变换为正且和为1的概率分布：
[0040]
其中
[0041]
找出的最大值，将最大值对应的瓷砖等级类型设定为输出的瓷砖等级类型。
[0042]
优选地，所述第一模块中，卷积层c1是输出为64通道的3
×
3卷积层，步幅为2；最大池化层f1是步幅为2的3
×
3最大池化层；
[0043]
第二模块中，卷积层c21是输出为64通道的1
×
1卷积层；卷积层c22是输出为192通道的3
×
3卷积层；最大池化层f2是步幅为2的3
×
3最大池化层；
[0044]
第三模块中，路线一的卷积层c31是输出为128通道的1
×
1卷积层；线路二的卷积层c32是输出为128通道的1
×
1卷积层，卷积层c33是输出为192通道的3
×
3卷积层；线路三的卷积层c34是输出为32通道的1
×
1卷积层，卷积层c35是输出为96通道的5
×
5卷积层；线路四的最大池化层f31是步幅为1的3
×
3最大池化层；卷积层c36是输出为64通道的1
×
1卷积层；最大池化层是步幅为2的3
×
3最大池化层；
[0045]
第四模块中，卷积层c41是输出为512通道的1
×
1卷积层；卷积层c42是输出为1024通道的3
×
3卷积层。
[0046]
优选地，所述对初始卷积神经网络模型进行训练和测试处理，是指，包括如下步骤：
[0047]
采集多张瓷砖图像；根据瓷砖图像中瓷砖色差和缺陷情况来将瓷砖图像分类为m个瓷砖等级；瓷砖等级包括合格品和不合格品，其中合格品包括一等品、二等品、...、m-1等品；将瓷砖等级分别标注到对应的瓷砖图像；
[0048]
对瓷砖图像进行预处理；
[0049]
采用预处理后的瓷砖图像对初始卷积神经网络模型进行训练和测试处理。
[0050]
优选地，在训练过程中，使用交叉熵损失函数进行训练，采用小批量随机梯度下降算法来不断迭代模型参数来优化损失函数。
[0051]
一种瓷砖分级分色检测装置，其特征在于，包括：
[0052]
图像获取模块，用于获取待识别的瓷砖图像；
[0053]
预处理模块，用于对瓷砖图像进行预处理；
[0054]
检测模块，用于将预处理模块输出的瓷砖图像输入到瓷砖分级分色检测网络模型中，瓷砖分级分色检测网络模型输出瓷砖等级类型；所述瓷砖分级分色检测网络模型是指对初始卷积神经网络模型进行训练和测试处理得到的瓷砖分级分色检测网络模型；
[0055]
所述预处理模块中，对瓷砖图像进行预处理，包括如下步骤：
[0056]
将瓷砖图像进行灰度变换得到初始灰度图像；
[0057]
将初始灰度图像进行中值滤波处理得到滤波灰度图像，以去除噪声；
[0058]
将滤波灰度图像进行直方图均衡化处理得到均衡化图像，以提高对比度，从而增加灰度分布的均匀程度、增加缺陷轮廓与瓷砖背景的对比清晰度和加大瓷砖花纹与瓷砖背景的反差；
[0059]
将均衡化图像采用多尺度形态学边缘检测算法，以使瓷砖花纹和缺陷轮廓与瓷砖背景分离，得到瓷砖花纹和缺陷轮廓完整的边缘图像。
[0060]
一种存储介质，其特征在于，其中所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述瓷砖分级分色检测方法。
[0061]
一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现上述瓷砖分级分色检测方法。
[0062]
与现有技术相比，本发明具有如下优点与有益效果：
[0063]
1、本发明基于卷积神经网络模型对瓷砖进行分级分色检测，对瓷砖品质进行等级类型划分；可节省人力资源和提高检测效率；运算速度快，可满足高速生产线的响应需求；分类准确度高，可避免人工分类存在误差和失误；
[0064]
2、本发明对瓷砖图像预处理有利于消除或降低噪声、提高对比度、图像的平滑或锐化等；其中，瓷砖图像进行灰度变换得到的初始灰度图像具有占用内存少、运算速度快、处理更方便等优点；中值滤波是将范围内的像素值排序，用中间值代替噪声点的像素值，对去除噪声有良好的效果；利用直方图均衡化对图像进行均衡化处理，以此提高图像对比度，使灰度分布更加均匀，缺陷轮廓与背景对比更加清晰，花纹与背景的反差变大。
附图说明
[0065]
图1是本发明瓷砖分级分色检测方法的流程图；
[0066]
图2是本发明瓷砖分级分色检测方法中的瓷砖分级分色检测网络模型的结构示意图。
具体实施方式
[0067]
下面结合附图与具体实施方式对本发明作进一步详细的描述。
[0068]
实施例
[0069]
如图1所示，本实施例一种瓷砖分级分色检测方法，包括如下步骤：
[0070]
s1、获取待识别的瓷砖图像；对瓷砖图像进行预处理。
[0071]
预处理具体包括如下步骤：
[0072]
s11、将瓷砖图像进行灰度变换得到初始灰度图像；灰度值的范围可以设定为0-255；
[0073]
瓷砖图像进行灰度变换得到的初始灰度图像具有占用内存少、运算速度快、处理更方便等优点；
[0074]
s12、将初始灰度图像进行中值滤波处理得到滤波灰度图像，以去除噪声；中值滤波处理模板优选选用3
×
3；将邻域内的9个像素点进行排序后，取中值，用中值替换掉核中心的像素值；
[0075]
检测方法需要辨识度高的缺陷及轮廓由于缺陷与背景灰度相差较小或者光线反射不均、裂缝退化等原因，使得不能准确提取轮廓信息，在后续的对带有噪声的图片提取轮廓时，高频率的噪声连同边缘信息一同被保留，干扰结果的判断，因此对噪声去除尤为重要；中值滤波是将范围内的像素值排序，用中间值代替噪声点的像素值，对去除噪声有良好的效果；
[0076]
s13、将滤波灰度图像进行直方图均衡化处理得到均衡化图像，以提高对比度，从而增加灰度分布的均匀程度、增加缺陷轮廓与瓷砖背景的对比清晰度和加大瓷砖花纹与瓷砖背景的反差；
[0077]
具体地说，直方图均衡化处理是指：
[0078]
将滤波灰度图像设置成0～255个原始灰度级；
[0079]
计算原始灰度级i的直方图分布概率p(i)：
[0080][0081]
其中，n为滤波灰度图像的像素总数，ni为滤波灰度图像中原始灰度级i的像素总数；
[0082]
计算原始灰度级i的直方图概率累加值s(i)：
[0083][0084]
计算原始灰度级i对应的均衡化图像中的均衡化灰度级ss(i)：
[0085]
ss(i)＝int{[max(pix)-min(pix)]*s(i) 0.5}；
[0086]
其中，pix指滤波灰度图像中的灰度值；
[0087]
根据均衡化灰度级ss(i)与原始灰度级i的对应关系，将均衡化灰度级ss(i)一一映射到均衡化图像第i个像素中，完成均衡化图像的像素映射。
[0088]
由于砖面缺陷、花纹与背景颜色相近，灰度也相差不大，瓷砖的图像集中在一小段
灰度内，整体或明或暗，对比度较低。利用直方图均衡化对图像进行均衡化处理，以此提高图像对比度，使灰度分布更加均匀，缺陷轮廓与背景对比更加清晰，花纹与背景的反差变大。
[0089]
s14、将均衡化图像采用多尺度形态学边缘检测算法，以使瓷砖花纹和缺陷轮廓与瓷砖背景分离，得到瓷砖花纹和缺陷轮廓完整的边缘图像；
[0090]
多尺度形态学边缘检测算法中，采用形态学膨胀边缘检测算子ed(x，y)和形态学腐蚀边缘检测算子ee(x，y)：
[0091]
ed(x，y)＝(f
·
g)(x，y)-f(x，y)；
[0092]ee
(x，y)＝f(x，y)-(fog)(x，y)；
[0093]
其中，x和y分别表示像素点的横坐标和纵坐标；(f
·
g)(x，y)表示图像形态学闭运算；(fog)(x，y)表示图像形态学开运算；f(x，y)表示输入图像；
[0094]
取一正方形结构元素{gi|i＝1，2，...5}，gi的大小为(2i 1)
×
(2i 1)像素；将形态学膨胀边缘检测算子ed(x，y)和形态学腐蚀边缘检测算子ee(x，y)相结合得到多尺度边缘检测算子：
[0095][0096]
s2、将预处理后的瓷砖图像输入到瓷砖分级分色检测网络模型中，瓷砖分级分色检测网络模型输出瓷砖等级类型；瓷砖分级分色检测网络模型是指对初始卷积神经网络模型进行训练和测试处理得到的瓷砖分级分色检测网络模型。
[0097]
瓷砖分级分色检测网络模型如图2所示，包括依次连接的第一模块、第二模块、第三模块和第四模块；
[0098]
第一模块包括卷积层c1和最大池化层f1；卷积层c1是输出为64通道的3
×
3卷积层，步幅为2；最大池化层f1是步幅为2的3
×
3最大池化层；
[0099]
第二模块包括卷积层c21、卷积层c22和最大池化层f2；卷积层c21是输出为64通道的1
×
1卷积层；卷积层c22是输出为192通道的3
×
3卷积层；最大池化层f2是步幅为2的3
×
3最大池化层；
[0100]
第三模块包括四条并行路线，分别为：线路一、线路二、线路三和线路四；线路一包括卷积层c31；线路二包括卷积层c32和卷积层c33；线路三包括卷积层c34和卷积层c35；线路四包括最大池化层f31和卷积层c36；将四条并行线路在通道维上连结，并输入到最大池化层f32；
[0101]
路线一的卷积层c31是输出为128通道的1
×
1卷积层；线路二的卷积层c32是输出为128通道的1
×
1卷积层，卷积层c33是输出为192通道的3
×
3卷积层；线路三的卷积层c34是输出为32通道的1
×
1卷积层，卷积层c35是输出为96通道的5
×
5卷积层；线路四的最大池化层f31是步幅为1的3
×
3最大池化层；卷积层c36是输出为64通道的1
×
1卷积层；最大池化层是步幅为2的3
×
3最大池化层；第三模块输出通道数为128 192 96 64＝480；
[0102]
第三模块采用不同大小的卷积核能是神经网络感受不同大小的野，最后拼接在一
起将不同尺度特征进行融合；在3
×
3和5
×
5的卷积核路线上添加1
×
1卷积核来进行降维以减少计算量；
[0103]
第四模块包括卷积层c41、卷积层c42、全局平均池化层f4和全连接层；卷积层c41是输出为512通道的1
×
1卷积层；卷积层c42是输出为1024通道的3
×
3卷积层。全局平均池化层f4使每个通道的高宽变成1以将输出变成二维数组；全连接层输出为瓷砖等级类型，记为{y1，y2，...，yd}，d为瓷砖等级类型数量；
[0104]
所有模块的各个卷积层都使用relu函数作为激活函数；使用relu激活函数是因为relu计算更加简单，不用进行求幂运算，relu激活函数还在不同的参数初始化方法下使模型更加容易训练；
[0105]
每个模块之间都使用步幅为2的3
×
3最大池化层是用来减小输出的宽高；利用softmax函数将瓷砖等级类型变换为正且和为1的概率分布：
[0106]
其中
[0107]
找出的最大值，将最大值对应的瓷砖等级类型设定为输出的瓷砖等级类型。
[0108]
对初始卷积神经网络模型进行训练和测试处理，是指，包括如下步骤：
[0109]
x1、采集多张瓷砖图像作为数据集，根据瓷砖图像中瓷砖色差和缺陷情况来将瓷砖图像分类为m个瓷砖等级；瓷砖等级包括合格品和不合格品，其中合格品包括一等品、二等品、...、m-1等品；将瓷砖等级分别标注到对应的瓷砖图像；例如：使用超高分辨率的工业相机获取人为检测出的一等品、二等品、不合格品的瓷砖图像各1000张；将所有瓷砖图像均进行顺时针旋转90
°
、180
°
、270
°
的操作、上下翻转操作和左右翻转操作来生成新的瓷砖图像，并跟原始瓷砖图像的瓷砖等级类型保持一致，以此扩大数据集；
[0110]
扩大数据集的操作能够在后续神经网络模型的训练时候有更多的数据量训练，能够更好的降低过拟合，使训练的神经网络模型更加健壮；
[0111]
x2、对瓷砖图像进行预处理；
[0112]
x3、采用预处理后的瓷砖图像对初始卷积神经网络模型进行训练和测试处理：
[0113]
x31、确定每次读取训练数据集的样本数batch_size，迭代周期数num_epochs，学习率lr和k折交叉验证中的参数k四个超参数；
[0114]
x32、将预处理后的瓷砖图像进行随机打乱；
[0115]
x33、采用k折交叉验证的方法进行卷积神经网络模型的训练；使用k折交叉验证可以做到训练集的所有样本都必然会成为训练数据同时也必然有机会成为一次测试集，可以更好的利用训练数据集；
[0116]
将数据集分割成k个不重合的子数据集，然后做k次模型训练和验证；每一次使用k-1数据集来训练模型，使用剩下的一个子数据集来验证模型，在这k次训练和验证中，每次用来验证模型的子数据集都不同；
[0117]
x34、使用xavier随机初始化的方法，初始化卷积神经网络模型的参数；
[0118]
假设某全连接层的输入个数为a，输出个数为b，xavier随机初始化将使该层中权
重参数的每个元素都随机采样于均匀分布考虑到，模型参数初始化后，每层输出的方差不该受该层输入个数影响，且每层梯度的方差也不该受该层输出个数影响；
[0119]
x35、将训练集和验证集，输入到已经完成初始化的卷积神经网络模型进行训练；对k次训练误差和验证误差分别求平均；
[0120]
x36、进行多次修改batch_size，num_epochs，lr和k四个超参数，循环执行步骤x32～步骤x35；根据计算的训练误差和验证误差确定最优的模型参数；
[0121]
x37、测试已经训练好的卷积神经网络模型的效果：再次利用超高分辨率的工业相机获取任意的300张瓷砖图像，不进行瓷砖等级类型标注；对瓷砖图像进行预处理，将得到预处理之后得到的瓷砖图像输入给已经训练好的卷积神经网络模型，得到分级分色检测结果，查看分级分色检测结果的准确率是否理想；不理想情况下，重新执行步骤x36，再次进行参数调优，直到训练出,效果理想的卷积神经网络模型。
[0122]
训练使用交叉熵损失函数进行训练，训练目标是预测瓷砖等级的概率分布尽可能的接近真实的瓷砖等级标签的概率分布y(i)，交叉熵，交叉熵(其中带下标的是向量y(i)中非0即1的元素)常用衡量两个概率分布差异的测量函数；假设训练数据集的样本数为n，交叉熵损失函数定义为：(其中θ代表模型参数)；
[0123]
训练过程中采用小批量随机梯度下降算法来不断迭代模型参数来优化损失函数。
[0124]
本发明基于卷积神经网络模型对瓷砖进行分级分色检测，对瓷砖品质进行等级类型划分；可节省人力资源和提高检测效率；运算速度快，可满足高速生产线的响应需求；分类准确度高，可避免人工分类存在误差和失误。
[0125]
为实现上述瓷砖分级分色检测方法，本实施例还提供一种瓷砖分级分色检测装置，包括：
[0126]
图像获取模块，用于获取待识别的瓷砖图像；
[0127]
预处理模块，用于对瓷砖图像进行预处理；
[0128]
检测模块，用于将预处理模块输出的瓷砖图像输入到瓷砖分级分色检测网络模型中，瓷砖分级分色检测网络模型输出瓷砖等级类型；所述瓷砖分级分色检测网络模型是指对初始卷积神经网络模型进行训练和测试处理得到的瓷砖分级分色检测网络模型；
[0129]
所述预处理模块中，对瓷砖图像进行预处理，包括如下步骤：
[0130]
将瓷砖图像进行灰度变换得到初始灰度图像；
[0131]
将初始灰度图像进行中值滤波处理得到滤波灰度图像，以去除噪声；
[0132]
将滤波灰度图像进行直方图均衡化处理得到均衡化图像，以提高对比度，从而增加灰度分布的均匀程度、增加缺陷轮廓与瓷砖背景的对比清晰度和加大瓷砖花纹与瓷砖背景的反差；
[0133]
将均衡化图像采用多尺度形态学边缘检测算法，以使瓷砖花纹和缺陷轮廓与瓷砖背景分离，得到瓷砖花纹和缺陷轮廓完整的边缘图像。
[0134]
实施例二
[0135]
本实施例一种存储介质，其中所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行实施例一所述的瓷砖分级分色检测方法。
[0136]
实施例三
[0137]
本实施例一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现实施例一所述的瓷砖分级分色检测方法。
[0138]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。