一种刚性汇流排缺陷检测方法及装置与流程

1.本发明涉及图像处理及图像识别的技术领域，具体涉及一种刚性汇流排缺陷检测方法及装置。


背景技术：

2.电气化铁路中，架空式刚性接触网因具有接触线无张力、零部件少、净空要求低，维修量少等优势，目前被广泛应用在各大城市地铁中。其中汇流排作为刚性接触网的重要组成部件，对接触线进行固定，使得受电弓在接触线上自由滑动受电。然而随着地铁运营时间持续增长，汇流排排上的各种故障问题逐渐暴露出来，由于刚性接触网局部弹性较差，导致受电弓与汇流排之间存在磨损现象，导致汇流排擦伤、汇流排中间接头连接板螺纹滑牙、汇流排与接触线脱落造成脱槽等。由于地铁运行过程中间隔时间较短，汇流排发生严重故障时，会直接影响列车的受流质量，因此对汇流排的缺陷进行检测是当前刚性接触网应用和推广亟待解决的问题。
3.目前，对刚性汇流排擦伤的故障检测方法主要通过维修人员进行线路巡视，效率较低，且容易漏检。因此，如何高效和高准确的识别刚性接触网汇流排的缺陷具有非常重要的实际意义。


技术实现要素：

4.为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种刚性汇流排缺陷检测方法及装置，其具有高效、高准确率的对汇流排的弯曲变形及擦伤等异常情况进行识别，对接触网的安全隐患检测，具有重大的安全意义和实际应用价值。
5.本发明的技术方案如下：一种刚性汇流排缺陷检测方法，包括以下步骤：s1、利用深度学习模型，从采集获得的汇流排图像中，定位感兴趣汇流排区域图像；s2、滤除所述感兴趣汇流排区域图像的噪声；s3、对滤除噪声后的感兴趣汇流排区域图像进行预处理，得到特征图，从所述特征图中提取出汇流排特征；s4、根据提取出的所述汇流排特征，进行汇流排缺陷检测，所述汇流排缺陷检测包括汇流排弯曲变形检测和/或汇流排擦伤检测。
6.进一步地，所述步骤s1，包括：s11、对采集获得的汇流排图像进行预处理，并进行yolov4模型训练；s12、验证训练后的yolov4模型，以确定yolov4模型是否需要再训练；s13、利用训练完成的yolov4模型，对汇流排进行定位，选出感兴趣汇流排区域图像，并输出所述感兴趣汇流排区域图像的坐标。其中，所述感兴趣汇流排区域图像的坐标，用以识别汇流排的位置。
7.进一步地，所述步骤s11中，对采集获得的汇流排图像进行预处理，并进行yolov4模型训练，详细步骤为：s111、使用线阵相机或面阵相机采集得到汇流排图像；s112、对采集得到的汇流排图像进行旋转、翻转和放大等处理，以增强汇流排图像数据；s113、使用图片标注工具对汇流排图像进行标注，利用k（k=10）折交叉验证法将标注后的汇流排图像划分为训练集和验证集；s114、对所述训练集进行训练，其中具体训练方式为使用yolov4目标检测算法进行yolov4模型训练，用于汇流排的定位。
8.进一步地，所述步骤s12中，验证训练后的yolov4模型，以确定yolov4模型是否需要再训练，具体为：通过验证集，验证上述步骤s11训练得到的yolov4模型定位准确率；若未达到预期效果，则重复步骤s11；若达到预期效果，则yolov4模型训练完成。
9.进一步地，所述滤除所述感兴趣汇流排区域图像的噪声，包括：通过中值滤波对所述感兴趣汇流排区域图像进行处理，滤除感兴趣区域噪声；其中，所述通过中值滤波对所述感兴趣汇流排区域图像进行处理，包括平滑和滤波处理。
10.进一步地，所述平滑和滤波处理，包括：通过对所述感兴趣汇流排区域图像的局部像素进行排序，计算所述局部像素内每个像素点的灰度值，选取中位数作为当前像素的灰度值。以实现滤除感兴趣汇流排区域图像的噪声，同时很好的保护感兴趣汇流排区域图像内汇流排边界。
11.其中，所述中值滤波计算公式为：,其中，表示在局部像素的区域内，每个像素点对应的灰度值，表示当前区域内中值滤波后的值, 表示区域内像素点横纵坐标。
12.进一步地，所述步骤s3中，从所述特征图中提取出汇流排特征，包括：从所述特征图中提取出汇流排弯曲变形特征；其中，所述汇流排弯曲变形特征包括汇流排轮廓信息。
13.进一步地，提取所述汇流排轮廓信息，具体包括：使用拉普拉斯边缘检测算法，计算所述输入像素的最大连通区域，得到汇流排边缘轮廓信息。
14.进一步地，所述步骤s3中，从所述特征图中提取出汇流排特征，还包括：从所述特征图中提取出汇流排擦伤特征，其主要特征为汇流排出现一片灰度值变化很大的区域。
15.进一步地，所述从所述特征图中提取出汇流排擦伤特征，包括，以yolov4模型为基础，结合stn空间域注意力机制，训练目标检测模型，对定位后的汇流排区域图像进行二次处理，提取出汇流排擦伤特征。
16.即所述汇流排特征，至少包括汇流排弯曲变形特征和汇流排擦伤特征。
17.进一步地，所述步骤s4中汇流排弯曲变形检测，包括：
s41、根据所述汇流排轮廓信息，计算得到汇流排相关的线条；再对所述汇流排线条进行直线拟合操作，得到汇流排拟合直线；通过所述汇流排线条上的点到所述汇流排拟合直线的最大距离，并与预设距离阈值比较，判断汇流排是否弯曲变形。
18.进一步地，所述步骤s41，包括：s411、使用拉普拉斯边缘检测算法，计算输入像素的最大连通区域，得到汇流排边缘轮廓。
19.进一步地，通过对所述滤除噪声后的感兴趣汇流排区域图像进行二阶偏导数，得到拉普拉斯算子，再通过二阶差分算法，计算得到汇流排边缘信息；其中，所述拉普拉斯边缘检测算法，计算公式为： ，所述拉普拉斯算子，计算公式为：，其中，分别为图像中的横纵坐标，用于表示各个像素值位置信息。
20.进一步地，通过卷积操作，以突出所述汇流排边缘信息，并得到汇流排轮廓信息。
21.其中，所述卷积操作，具体包括：将所述滤除噪声后的感兴趣汇流排区域图像图像与所述拉普拉斯算子进行矩阵乘法运算，以突出所述汇流排边缘信息；从而得到汇流排轮廓信息。
22.s412、使用霍夫曼直线检测算法，从所述汇流排轮廓信息中提取汇流排线条，根据所述汇流排线条长度和角度，筛选干扰线条，得到汇流排直线。
23.其中，所述霍夫曼直线检测算法，计算公式为：，其中，提取到的线条的所有长度的集合，表示通过角度阈值过滤直线,表示阈值的范围。
24.s413、通过加权最小二乘法拟合所述汇流排直线，得到汇流排拟合直线。
25.其中，所述拟合所述汇流排直线，具体步骤为：设直线方程为：，其中，为系数；对权重进行初始化，公式为:，其中值为阈值，表示汇流排上的点到直线的距离。
26.进一步地，根据所述汇流排拟合直线，利用最小二乘法，计算得到汇流排上各点相对于x，y，z三个方向的偏移量，用d
xx
，d
xy
，d
yy
表示；
， ，，其中，表示的均值，表示汇流排线条上点的横纵坐标，表示点个数。
27.进一步地，将所述偏移量通过最小二乘法计算，得到拟合直线方程；具体计算公式为：，，，，。
28.s414、计算汇流排线条上的点到所述汇流排拟合直线的最大距离，并与预设距离阈值比较，判断汇流排是否弯曲变形。
29.进一步地，当所述汇流排线条上的点到所述汇流排拟合直线的最大距离，大于等于预设距离阈值时，判定汇流排弯曲变形；否则，判定汇流排未弯曲变形。
30.其中，距离计算公式为：，其中表示距离阈值，表示汇流排线条上的点到直线的距离，，表示吊弦线长度。
31.进一步地，所述步骤s4中汇流排擦伤检测，包括：s42、对定位后的汇流排区域图像进行二次处理，具体包括：以训练后的yolov4模型为基础，结合stn空间域注意力机制，训练目标检测模型，提取汇流排擦伤特征，通过训练后的目标检测模型，对所述汇流排擦伤特征进行定位和分类，完成对汇流排擦伤缺陷的检测。
32.进一步地，所述以yolov4模型为基础，结合stn空间域注意力机制，训练目标检测模型，提取汇流排擦伤特征，包括：s421、利用所述yolov4模型对所述特征图进行卷积和池化处理，生成新的汇流排特征图θ。以实现提取汇流排特征图像，并对图像进行降采样，进而减小图像尺寸。
33.其中，所述卷积和池化处理，具体包括：所述卷积处理计算公式为：，
其中，表示输出的特征图v的图像尺寸，表示输入的特征图u的图像尺寸，表示卷积核的尺寸，表示卷积过程中移动的步长；所述池化处理计算公式为：，其中，表示输出的特征图v的图像尺寸，表示池化的大小，表示池化移动的步长。
34.进一步地，对所述汇流排特征图θ各个像素灰度值数据进行批量归一化处理，使图像像素值分布在[0,1]范围，每层输入特征图u前都加入bn操作，以加快模型的收敛速度。
[0035]
进一步地、通过激活函数relu，使得yolov4模型变得稀疏，减少参数的相互依存关系，以缓解过拟合问题。
[0036]
其中，具体激活函数relu公式为：，当权重z《0时，激活函数relu输出为0。
[0037]
s422、利用仿射变换工具对所述汇流排特征图θ进行再翻转和裁剪处理，以提高训练数据集的丰富度。其中，仿射变换工具为生成器，也可以是其他仿射变换工具。
[0038]
s423、使用双线性插值算法，使整个yolov4模型可以端到端进行反向传播训练，循环迭代模型权重，获得最优解；计算公式为：，其中，分别表示当前图像区域的坐标信息，p（x,y）表示双线性插值后的该点的像素值，p（x0,y0）表示该区域左下角坐标像素值，p（x1,y0）表示该区域右下角坐标像素值，p（x0,y1）表示左上角坐标像素值，p（x1,y1）表示右上角坐标像素值。
[0039]
进一步地，通过标注的训练数据集，训练目标检测模型；利用训练好的目标检测模型对所述汇流排擦伤特征进行定位和分类，已完成汇流排擦伤检测，并获得汇流排擦伤缺陷位置。
[0040]
本发明还提出了一种适用于上述刚性汇流排缺陷检测方法的刚性汇流排缺陷检测装置，所述刚性汇流排缺陷检测装置包括汇流排图像采集模块、汇流排图像处理模块，以及汇流排缺陷检测模块；其中，所述汇流排缺陷检测模块包括汇流排弯曲变形检测模块、汇流排擦伤检测模块；所述汇流排图像采集模块至少包括线阵相机和/或面阵相机，用于采集获取汇流排图像；所述图像处理模块，用于处理和检测汇流排图像，定位汇流排并获得汇流排特征；所述汇流排弯曲变形检测模块，用于根据所述汇流排特征，计算并检测汇流排弯
曲变形；所述汇流排擦伤检测模块，包括所述yolov4 stn目标检测模型，用于根据定位后的汇流排及汇流排特征图，检测汇流排擦伤。
[0041]
与现有技术相比，本发明的有益效果：本发明提供的刚性汇流排弯曲变形和擦伤检测方法，提出了基于深度学习模型yolov4模型训练，对汇流排定位并提取汇流排特证，减少了外部干扰噪声的影响；利用中值滤波进一步滤除汇流排噪声，并对汇流排图像进行平滑处理，能够很好的保护汇流排边界；提出了汇流排缺陷检测方法，能够同时检测汇流排弯曲变形和汇流排擦伤缺陷，能够快速准确的检测并判断汇流排是否弯曲变形，基于yolov4和空间域注意力机制stn，实现汇流排擦伤检测与识别，并判断汇流排擦伤缺陷类型。有效提高汇流排缺陷的检测精度和检测效率，可为列车安全运行提供汇流排故障提示，并为汇流排故障维修提供技术参考。
附图说明
[0042]
图1为本发明的方法流程图。
[0043]
图2为本发明yolov4模型训练流程图。
[0044]
图3为汇流排提取示意图。
[0045]
图4为汇流排直线滤除前示意图。
[0046]
图5为汇流排直线滤除后示意图。
[0047]
图6为基于yolov4的空间域注意力机制stn。
[0048]
图7为基于双线性插值算法实现过程示意图。
具体实施方式
[0049]
以下结合实施例和附图对本发明的构思、具体实施方式及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。
[0050]
实施例1一种刚性汇流排缺陷检测方法，如图1所示，包括以下步骤：s1、利用深度学习模型，从采集获得的汇流排图像中，定位感兴趣汇流排区域图像；s2、滤除所述感兴趣汇流排区域图像的噪声；进一步地，滤除所述感兴趣汇流排区域的噪声，包括图像平滑滤波，通过对图像质量较差的图像进行平滑滤波，过滤干扰噪声；s3、对滤除噪声后的感兴趣汇流排区域图像进行预处理，得到特征图，从所述特征图中提取出汇流排特征；其中，所述汇流排特征包括汇流排弯曲变形特征和汇流排擦伤特征；s4、分别根据汇流排弯曲变形特征和汇流排擦伤特征，进行汇流排缺陷检测，所述汇流排缺陷检测包括汇流排弯曲变形检测和/或汇流排擦伤检测。
[0051]
所述汇流排弯曲变形检测，包括：对滤除噪声后的感兴趣汇流排区域图像进行预处理，并提取汇流排相关线条，通过拟合直线计算出线条到该直线的最大距离，判断所述汇流排是否弯曲变形。
[0052]
所述汇流排擦伤检测，包括：使用yolov4 stn空间注意力机制组合模型，实现汇流排擦伤缺陷的检测。
[0053]
进一步地，以yolov4模型为基础，结合stn空间域注意力机制，训练目标检测模型，提取汇流排擦伤特征；通过训练后的目标检测模型，对所述汇流排擦伤特征进行定位和分类，完成对汇流排擦伤缺陷的检测。
[0054]
实施例2本实施例在实施例1的基础上，利用深度学习模型，从采集获得的汇流排图像中，定位感兴趣汇流排区域图像。如图2所示，具体处理步骤如下：s11、对采集获得的汇流排图像进行预处理，并进行yolov4模型训练；s12、验证训练后的yolov4模型，确定yolov4模型是否需要再训练；s13、利用训练完成的yolov4模型，对汇流排进行定位，选出感兴趣汇流排区域图像，并输出所述感兴趣汇流排区域图像的坐标。其中，所述感兴趣汇流排区域图像的坐标，用以识别汇流排的位置。
[0055]
进一步地，所述步骤s11中的详细步骤为：s111、使用安装在车顶的线阵相机或面阵相机采集得到汇流排图像；s112、对采集得到的汇流排图像进行旋转、翻转和放大等处理，以增强汇流排图像数据；s113、使用图片标注工具对汇流排图像进行标注，利用k（k=10）折交叉验证法将标注后的汇流排图像划分为训练集和验证集；其中，所述图片标注工具本方案采用labelimg标注工具，也可采用其他标注工具，在此不再详细描述；所述训练集和验证集按照9:1的比例，也可以采用所述训练集和验证集按照8:2的比例；s114、对所述训练集进行训练，其中具体训练方式为使用yolov4目标检测算法进行yolov4模型训练。
[0056]
实施例3在实施例2的基础上，对训练后yolov4模型输出的所述感兴趣汇流排区域图像进行平滑和滤波处理，滤除所述感兴趣区域噪声。如图3所示，具体步骤如下：通过中值滤波对所述感兴趣汇流排区域图像进行处理，滤除感兴趣区域噪声；其中，所述通过中值滤波对所述感兴趣汇流排区域图像进行处理，包括平滑和滤波处理。
[0057]
进一步地，所述平滑和滤波处理，包括：通过对所述感兴趣汇流排区域图像的局部像素进行排序，计算所述局部像素内每个像素点的灰度值，选取中位数作为输入图像像素的灰度值。以实现滤除感兴趣汇流排区域图像的噪声，同时很好的保护感兴趣汇流排区域图像内汇流排边界。
[0058]
其中，所述中值滤波计算公式为：，其中，表示在局部像素的区域内，每个像素点对应的灰度值，
表示当前区域内中值滤波后的值，表示区域内像素点横纵坐标。
[0059]
实施例4本实施例在实施例3的基础上，从所述特征图中提取出汇流排特征，包括：从所述特征图中提取出汇流排弯曲变形特征；其中，所述汇流排弯曲变形特征包括汇流排轮廓信息；进一步地，提取所述汇流排轮廓信息，具体包括：使用拉普拉斯边缘检测算法，计算所述输入像素的最大连通区域，得到汇流排边缘轮廓信息。
[0060]
进一步地，所述步骤s3中，从所述特征图中提取出汇流排特征，还包括：从所述特征图中提取出汇流排擦伤特征，其主要特征为汇流排出现一片灰度值变化很大的区域；进一步地，所述从所述特征图中提取出汇流排擦伤特征，包括，以yolov4模型为基础，结合stn空间域注意力机制，训练目标检测模型，对定位后的汇流排区域图像进行二次处理，提取出汇流排擦伤特征。
[0061]
即所述汇流排特征，至少包括汇流排弯曲变形特征和汇流排擦伤特征。
[0062]
实施例5本实施例在实施例4的基础上，提出了一种刚性汇流排弯曲变形检测方法，具体包括以下步骤：s41、根据所述汇流排轮廓信息，计算得到汇流排相关线条；再对所述汇流排进行直线拟合操作，得到汇流排的直线方程；通过提取得到的汇流排线条上的点到所述汇流排直线方程的最大距离，并与预设距离阈值比较，判断汇流排是否弯曲变形。
[0063]
进一步地，所述步骤s41，包括：s411、使用拉普拉斯边缘检测算法，计算输入图像像素的最大连通区域，得到汇流排边缘轮廓；进一步地，通过对所述滤除噪声后的感兴趣汇流排区域图像图像进行二阶偏导数，得到拉普拉斯算子，再通过二阶差分算法，计算得到汇流排边缘信息；其中，所述拉普拉斯边缘检测算法，计算公式为：，所述拉普拉斯算子，计算公式为：，其中，分别为图像中的横纵坐标，用于表示各个像素值位置信息。
[0064]
进一步地，通过卷积操作，以突出所述汇流排边缘信息，并得到汇流排轮廓信息；其中，所述卷积操作，具体包括：将所述滤除噪声后的感兴趣汇流排区域图像图像与所述拉普拉斯算子进行矩阵乘法运算，以突出所述汇流排边缘信息；从而得到汇流排轮廓信息。
[0065]
s412、使用霍夫曼直线检测算法，从所述汇流排轮廓信息中提取汇流排线条；根据所述汇流排线条长度和角度，筛选干扰线条，得到汇流排直线，如汇流排直线滤除前示意图4和汇流排直线滤除后示意图5所示。
[0066]
其中，所述霍夫曼直线检测算法，计算公式为：，其中，表表示提取到的线条的所有长度的集合，表示通过角度阈值过滤直线，表示阈值的范围。
[0067]
s413、使用加权最小二乘法拟合所述汇流排直线，得到汇流排拟合直线。
[0068]
其中，所述拟合所述汇流排直线，具体步骤为：设直线方程为：，其中，，为系数；对权重进行初始化，公式为：，其中，值为阈值，表示汇流排上的点到直线的距离。
[0069]
进一步地，根据所述汇流排拟合直线，利用最小二乘法，计算得到汇流排上各点相对x，y，z三个方向的偏移量，用d
xx
，d
xy
，d
yy
表示；具体公式为：，，，其中，表示的均值，表示汇流排线条上点的横纵坐标，表示点个数。
[0070]
进一步地，将所述偏移量通过最小二乘法计算，得到拟合直线方程；具体计算公式为：，，，，。
[0071]
s414、计算提取到的汇流排线条上的点到所述汇流排拟合直线的最大距离，并与预设距离阈值比较，判断汇流排是否弯曲变形。
[0072]
进一步地，当所述汇流排线条上的点到所述汇流排拟合直线的最大距离，大于等于预设距离阈值时，判定汇流排弯曲变形；
否则，判定汇流排未弯曲变形。
[0073]
进一步地，所述汇流排线条上的点到所述汇流排拟合直线的距离计算公式为：，其中，表示距离阈值，表示汇流排线条上的点到直线的距离，，表示吊弦线长度。
[0074]
实施例6本实施例在实施例4的基础上，提出了一种刚性汇流排擦伤检测方法，具体包括以下步骤：s42、对定位后的汇流排区域图像进行二次处理，如图6所示示意图，具体包括：以yolov4模型为基础，结合stn空间域注意力机制，训练目标检测模型，提取汇流排擦伤特征；通过训练后的目标检测模型，对所述汇流排擦伤特征进行定位和分类，完成对汇流排擦伤缺陷的检测。
[0075]
进一步地，所述以yolov4模型为基础，结合stn空间域注意力机制，训练目标检测模型，提取汇流排擦伤特征，包括：s421、利用所述yolov4模型对所述特征图进行卷积和池化处理，生成新的汇流排特征图θ。以实现提取汇流排特征图像，并对图像进行降采样，进而减小图像尺寸。
[0076]
所述卷积处理，计算公式为：，其中表示输出的特征图v的图像尺寸，表示输入的特征图u的图像尺寸，表示卷积核的尺寸，表示卷积过程中移动的步长。
[0077]
所述池化处理，计算公式为：，表示输出的特征图v的图像尺寸，表示池化的大小，表示池化移动的步长。
[0078]
进一步地，对所述汇流排特征图θ各个像素灰度值数据进行批量归一化处理，使图像像素值分布在[0,1]范围，每层输入特征图u前都加入bn操作，以加快模型的收敛速度。
[0079]
进一步地、通过激活函数relu，使得yolov4模型变得稀疏，减少参数的相互依存关系，以缓解过拟合问题。
[0080]
其中，具体激活函数relu公式为：，当权重z《0时，激活函数relu输出为0。
[0081]
s422、利用仿射变换工具对所述汇流排特征图θ进行再翻转和裁剪处理，以提高训
练数据集的丰富度。其中，仿射变换工具为生成器，也可以是其他仿射变换工具。
[0082]
s423、使用双线性插值算法，使整个yolov4模型可以端到端进行反向传播训练，循环迭代模型权重，获得最优解，如图7所示，具体公式为：，其中分别当前图像区域的坐标信息，p（x,y）表示双线性插值后的该点的像素值，p（x0,y0）表示该区域左下角坐标像素值，p（x1,y0）表示该区域右下角坐标像素值，p（x0,y1）表示左上角坐标像素值，p（x1,y1）表示右上角坐标像素值。
[0083]
进一步地，通过标注的训练数据集，训练目标检测模型；利用训练好的目标检测模型对所述汇流排擦伤特征进行定位和分类，已完成汇流排擦伤检测，并获得汇流排擦伤缺陷位置。
[0084]
实施例7本实施例提出了一种适用于上述刚性汇流排缺陷检测方法的刚性汇流排缺陷检测装置，所述刚性汇流排缺陷检测装置包括汇流排图像采集模块、汇流排图像处理模块，以及汇流排缺陷检测模块；其中，所述汇流排缺陷检测模块包括汇流排弯曲变形检测模块、汇流排擦伤检测模块；所述汇流排图像采集模块至少包括线阵相机和/或面阵相机，用于采集获取汇流排图像；所述图像处理模块，用于处理和检测汇流排图像，定位汇流排并获得汇流排特征；所述汇流排弯曲变形检测模块，用于根据所述汇流排特征，计算并检测汇流排弯曲变形；所述汇流排擦伤检测模块，包括所述yolov4 stn目标检测模型，用于根据定位后的汇流排及汇流排特征图，检测汇流排擦伤。
[0085]
本发明提供的刚性汇流排弯曲变形和擦伤检测方法，提出了基于深度学习模型yolov4模型训练，对汇流排定位并提取汇流排特证，减少了外部干扰噪声的影响；利用中值滤波进一步滤除汇流排噪声，并对汇流排图像进行平滑处理，能够很好的保护汇流排边界；提出了汇流排缺陷检测方法，能够同时检测汇流排弯曲变形和汇流排擦伤缺陷，能够快速准确的检测并判断汇流排是否弯曲变形，基于yolov4和空间域注意力机制stn，实现汇流排擦伤检测与识别，并判断汇流排擦伤缺陷类型。有效提高汇流排缺陷的检测精度和检测效率，可为列车安全运行提供汇流排故障提示，并为汇流排故障维修提供技术参考。具有重大安全意义和实际应用价值。
[0086]
以上对本发明的实施方式进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下，还可作出种种等同变型或替换，这些等同或替换均包含在本发明权利要求所限定的范围内。