本發(fā)明涉及大葉農(nóng)作物葉片分級
技術(shù)領(lǐng)域：
，特別涉及一種多光譜視覺成像大葉農(nóng)作物葉片分級方法及系統(tǒng)。
背景技術(shù)：
：大葉農(nóng)作物是一類重要的經(jīng)濟(jì)作物，在我國的農(nóng)業(yè)生產(chǎn)中占有重要的地位。在大葉農(nóng)作物葉片的收購環(huán)節(jié)，目前大葉農(nóng)作物葉片質(zhì)量分級的手段仍舊以人工為主，存在著勞動強度大、主觀性強、工作效率低、分級標(biāo)準(zhǔn)不易掌握、分級精度不穩(wěn)定等缺點，甚至造成了收購分級專家的灰色利益、農(nóng)民和收購方因分級不同意見引起的質(zhì)量糾紛等問題。并且，大葉農(nóng)作物葉片的分組分級對人工要求很高，分級工人需要進(jìn)行系統(tǒng)的專業(yè)分級培訓(xùn)，并且還要一段時間熟練技能，然后才能在分級時根據(jù)各級別大葉農(nóng)作物葉片的視覺、觸覺、嗅覺反應(yīng)做出綜合判斷。對于一般分級技術(shù)較熟練的工人，分級的效率為60kg/(人·天)左右(以每天工作八個小時計)。分級后的大葉農(nóng)作物葉片由具有大葉農(nóng)作物葉片等級質(zhì)量鑒別檢驗資格的人員對其進(jìn)行復(fù)查，按相關(guān)分級標(biāo)準(zhǔn)進(jìn)行等級質(zhì)量檢驗，合格率為67.55％-91.78％不等。由此可見，人工分級的前期培訓(xùn)較為復(fù)雜，培訓(xùn)時間較長，而分級的效率低下且正確率良莠不齊，對于大葉農(nóng)作物的收購和生產(chǎn)都會帶來明顯的阻礙。技術(shù)實現(xiàn)要素：本發(fā)明旨在至少在一定程度上解決上述相關(guān)技術(shù)中的技術(shù)問題之一。為此，本發(fā)明的一個目的在于提出一種多光譜視覺成像大葉農(nóng)作物葉片分級方法，該方法能夠?qū)崿F(xiàn)大葉農(nóng)作物葉片的自動化分級，節(jié)省了大量人力資源，具有分級效率高，分級客觀、準(zhǔn)確的優(yōu)點。本發(fā)明的第二個目的在于提供一種多光譜視覺成像大葉農(nóng)作物葉片分級系統(tǒng)。為了實現(xiàn)上述目的，本發(fā)明第一方面的實施例提出了一種多光譜視覺成像大葉農(nóng)作物葉片分級方法，包括以下步驟：獲取不同等級的大葉農(nóng)作物葉片訓(xùn)練樣本，其中，所述訓(xùn)練樣本包括不同等級的大葉農(nóng)作物葉片的多光譜圖像；從所述多光譜圖像中提取特征信息，其中，所述特征信息包括顏色特征、形狀特征和紋理特征；根據(jù)所述特征信息訓(xùn)練分類器； 獲取待分類的大葉農(nóng)作物葉片的特征信息；根據(jù)所述分類器對所述待分類的大葉農(nóng)作物葉片的特征信息進(jìn)行分類，以得到所述待分類的大葉農(nóng)作物葉片的等級。根據(jù)本發(fā)明實施例的多光譜視覺成像大葉農(nóng)作物葉片分級方法，從不同等級的大葉農(nóng)作物葉片訓(xùn)練樣本的多光譜圖像中提取特征信息，然后根據(jù)這些特征信息訓(xùn)練分類器，然后將待分類的大葉農(nóng)作物葉片的特征信息輸入分類器，經(jīng)過分類器計算后得到待分類大葉農(nóng)作物葉片的等級。因此，該方法能夠?qū)崿F(xiàn)大葉農(nóng)作物葉片的自動化分級，節(jié)省了大量人力資源，具有分級效率高，分級客觀、準(zhǔn)確的優(yōu)點，同時，該方法操作簡單，易于實現(xiàn)。另外，根據(jù)本發(fā)明上述實施例的多光譜視覺成像大葉農(nóng)作物葉片分級方法還可以具有如下附加的技術(shù)特征：在一些示例中，所述獲取待分類的大葉農(nóng)作物葉片的特征信息，進(jìn)一步包括：確定大葉農(nóng)作物葉片區(qū)域，并采集所述大葉農(nóng)作物葉片區(qū)域的偽顏色信息和真實LAB顏色信息，并根據(jù)所述偽顏色信息和真實LAB顏色信息計算所述大葉農(nóng)作物葉片區(qū)域的顏色特征；根據(jù)所述大葉農(nóng)作物葉片區(qū)域的RGB數(shù)據(jù)計算灰度圖像，并根據(jù)所述灰度圖像的灰度共生矩陣計算所述大葉農(nóng)作物葉片區(qū)域的紋理特征；根據(jù)所述大葉農(nóng)作物葉片區(qū)域的輪廓和殘傷率計算所述大葉農(nóng)作物葉片區(qū)域的形狀特征；提取所述大葉農(nóng)作物葉片區(qū)域的多光譜數(shù)據(jù)，并根據(jù)所述多光譜數(shù)據(jù)計算所述大葉農(nóng)作物葉片區(qū)域的多光譜組合特征。在一些示例中，所述灰度圖像可通過如下公式計算：Y＝0.30R+0.59G+0.11B。在一些示例中，所述大葉農(nóng)作物葉片區(qū)域的紋理特征包括：大葉農(nóng)作物葉片區(qū)域的紋理熵、紋理對比度、紋理自相關(guān)、紋理能量、紋理逆矩差。在一些示例中，所述大葉農(nóng)作物葉片區(qū)域的形狀特征包括大葉農(nóng)作物葉片面積、周長、長軸、短軸、圓度、寬長比和葉片殘傷率。本發(fā)明第二方面的實施例還提供了一種多光譜視覺成像大葉農(nóng)作物葉片分級系統(tǒng)，包括：采樣模塊，所述采樣模塊用于獲取不同等級的大葉農(nóng)作物葉片訓(xùn)練樣本，其中，所述訓(xùn)練樣本包括不同等級的大葉農(nóng)作物葉片的多光譜圖像；特征提取模塊，所述特征提取模塊用于從所述多光譜圖像中提取特征信息，其中，所述特征信息包括顏色特征、形狀特征和紋理特征；訓(xùn)練模塊，所述訓(xùn)練模塊用于根據(jù)所述特征信息訓(xùn)練分類器；獲取模塊，所述獲取模塊用于獲取待分類的大葉農(nóng)作物葉片的特征信息；分類模塊，所述分類模塊用于根據(jù)所述分類器對所述待分類的大葉農(nóng)作物葉片的特征信息進(jìn)行分類，以得到所述待分類的大葉農(nóng)作物葉片的等級。根據(jù)本發(fā)明實施例的多光譜視覺成像大葉農(nóng)作物葉片分級系統(tǒng)，從不同等級的大葉農(nóng)作物葉片訓(xùn)練樣本的多光譜圖像中提取特征信息，然后根據(jù)這些特征信息訓(xùn)練分類器，然 后將待分類的大葉農(nóng)作物葉片的特征信息輸入分類器，經(jīng)過分類器計算后得到待分類大葉農(nóng)作物葉片的等級。因此，該系統(tǒng)能夠?qū)崿F(xiàn)大葉農(nóng)作物葉片的自動化分級，節(jié)省了大量人力資源，具有分級效率高，分級客觀、準(zhǔn)確的優(yōu)點，同時，該系統(tǒng)結(jié)構(gòu)簡單，操作方便。另外，根據(jù)本發(fā)明上述實施例的多光譜視覺成像大葉農(nóng)作物葉片分級系統(tǒng)還可以具有如下附加的技術(shù)特征：在一些示例中，所述獲取模塊用于確定大葉農(nóng)作物葉片區(qū)域，并采集所述大葉農(nóng)作物葉片區(qū)域的偽顏色信息和真實LAB顏色信息，并根據(jù)所述偽顏色信息和真實LAB顏色信息計算所述大葉農(nóng)作物葉片區(qū)域的顏色特征，以及根據(jù)所述大葉農(nóng)作物葉片區(qū)域的RGB數(shù)據(jù)計算灰度圖像，并根據(jù)所述灰度圖像的灰度共生矩陣計算所述大葉農(nóng)作物葉片區(qū)域的紋理特征，以及根據(jù)所述大葉農(nóng)作物葉片區(qū)域的輪廓和殘傷率計算所述大葉農(nóng)作物葉片區(qū)域的形狀特征，以及提取所述大葉農(nóng)作物葉片區(qū)域的多光譜數(shù)據(jù)，并根據(jù)所述多光譜數(shù)據(jù)計算所述大葉農(nóng)作物葉片區(qū)域的多光譜組合特征。在一些示例中，所述灰度圖像可通過如下公式計算：Y＝0.30R+0.59G+0.11B。在一些示例中，所述大葉農(nóng)作物葉片區(qū)域的紋理特征包括：大葉農(nóng)作物葉片區(qū)域的紋理熵、紋理對比度、紋理自相關(guān)、紋理能量、紋理逆矩差。在一些示例中，所述大葉農(nóng)作物葉片區(qū)域的形狀特征包括大葉農(nóng)作物葉片面積、周長、長軸、短軸、圓度、寬長比和葉片殘傷率。本發(fā)明的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。附圖說明本發(fā)明的上述和/或附加的方面和優(yōu)點從結(jié)合下面附圖對實施例的描述中將變得明顯和容易理解，其中：圖1是根據(jù)本發(fā)明一個實施例的多光譜視覺成像大葉農(nóng)作物葉片分級方法的流程圖；圖2是根據(jù)本發(fā)明另一個實施例的多光譜視覺成像大葉農(nóng)作物葉片分級方法的流程圖；圖3是根據(jù)本發(fā)明一個實施例的真實顏色特征提取算法的流程圖；以及圖4是根據(jù)本發(fā)明一個實施例的多光譜視覺成像大葉農(nóng)作物葉片分級系統(tǒng)的結(jié)構(gòu)框圖。具體實施方式下面詳細(xì)描述本發(fā)明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。以下結(jié)合附圖描述根據(jù)本發(fā)明實施例的多光譜視覺成像大葉農(nóng)作物葉片分級方法及系統(tǒng)。圖1是根據(jù)本發(fā)明一個實施例的多光譜視覺成像大葉農(nóng)作物葉片分級方法的流程圖。圖2是根據(jù)本發(fā)明另一個實施例的多光譜視覺成像大葉農(nóng)作物葉片分級方法的流程圖。結(jié)合圖1和圖2所示，該方法包括以下步驟：步驟S101，獲取不同等級的大葉農(nóng)作物葉片訓(xùn)練樣本，其中，訓(xùn)練樣本包括不同等級的大葉農(nóng)作物葉片的多光譜圖像。大葉農(nóng)作物葉片訓(xùn)練樣本例如為根據(jù)專業(yè)分級人員挑選的已知級別的樣本大葉農(nóng)作物葉片。步驟S102，從多光譜圖像中提取特征信息，其中，特征信息包括顏色特征、形狀特征和紋理特征。步驟S103，根據(jù)特征信息訓(xùn)練分類器。步驟S104，獲取待分類的大葉農(nóng)作物葉片的特征信息。在本發(fā)明的一個實施例中，步驟S104進(jìn)一步包括：步驟1：確定大葉農(nóng)作物葉片區(qū)域，并采集該大葉農(nóng)作物葉片區(qū)域(正反面分開計算)的偽顏色信息和真實LAB顏色信息，并根據(jù)偽顏色信息和真實LAB顏色信息計算大葉農(nóng)作物葉片區(qū)域的顏色特征。其中，關(guān)于確定大葉農(nóng)作物葉片區(qū)域的描述，具體包括：首先獲取的彩色圖像為線陣相機采集的四通道圖像。并在其中挑選一個最接近實物的通道圖像作基準(zhǔn)(參考圖像)，將目標(biāo)和背景分割，得到單獨的大葉農(nóng)作物葉片區(qū)域，即通過區(qū)分皮帶區(qū)域和光照陰影褶皺區(qū)域，來分割大葉農(nóng)作物葉片區(qū)域，并進(jìn)一步分割大葉農(nóng)作物葉片的正面、反面及其中的青雜色區(qū)域。作為具體的示例，如下表1所示，對于表1中的顏色特征，偽顏色特征都是基于參考圖像。由于通過API接口獲取整幅圖像LAB的時間過長，所以基于參考圖像通過相關(guān)算法得到了顏色分布均勻的圖像塊，并判斷圖像塊位于大葉農(nóng)作物葉片的正面或者反面，在得到上述圖像塊信息的基礎(chǔ)上，獲取圖像塊區(qū)域正反面的真實a、b值，并計算表1中的區(qū)域顏色特征，具體算法流程如圖3所示。全局顏色特征(偽顏色信息)區(qū)域顏色特征(真實顏色信息)正面點的比例顏色均勻區(qū)域面積/總面積正面點的a均值正面顏色均勻區(qū)域的a均值正面點的b均值正面顏色均勻區(qū)域的b均值正面各點到中心點的距離均值反面顏色均勻區(qū)域的a均值反面點的a均值反面顏色均勻區(qū)域的b均值反面點的b均值反面各點到中心點的距離均值表1步驟2：根據(jù)大葉農(nóng)作物葉片區(qū)域(正反面分開計算)的RGB數(shù)據(jù)計算灰度圖像(即Y分量)，并根據(jù)灰度圖像的灰度共生矩陣計算大葉農(nóng)作物葉片區(qū)域的紋理特征。其中，大葉農(nóng)作物葉片區(qū)域的紋理特征包括：大葉農(nóng)作物葉片區(qū)域的紋理熵、紋理對比度、紋理自相關(guān)、紋理能量、紋理逆矩差。其中，在一些示例中，例如，灰度圖像可通過如下公式計算：Y＝0.30R+0.59G+0.11B。進(jìn)一步地，在得到灰度圖像后，計算灰度公式矩陣，生成灰度共生矩陣時，鄰域的方向可以有0度、45度、90度和135度。在該示例中，使用0度方向計算特征數(shù)據(jù)，并且灰度級別之間的灰度差為14。步驟3：根據(jù)大葉農(nóng)作物葉片區(qū)域(正反面合并計算)的輪廓和殘傷率計算大葉農(nóng)作物葉片區(qū)域的形狀特征。在一些示例中，例如，大葉農(nóng)作物葉片區(qū)域的形狀特征包括大葉農(nóng)作物葉片面積、周長、長軸、短軸、圓度、寬長比和葉片殘傷率。更為具體地，殘傷率的計算公式為：殘傷率＝孔洞面積/大葉農(nóng)作物葉片區(qū)域總面積。步驟4：提取大葉農(nóng)作物葉片區(qū)域(正反面分開計算)的多光譜數(shù)據(jù)，并根據(jù)多光譜數(shù)據(jù)計算大葉農(nóng)作物葉片區(qū)域的多光譜組合特征。步驟S105，根據(jù)分類器對待分類的大葉農(nóng)作物葉片的特征信息進(jìn)行分類，以得到待分類的大葉農(nóng)作物葉片的等級。其中，關(guān)于分類器的描述，具體包括：分類器使用的是支持向量機多分類器，對于中桔，上桔，下桔各訓(xùn)練一個分類器，由于使用的訓(xùn)練樣本有限，分類器的訓(xùn)練樣本設(shè)為四個級別，以中桔模型舉例，例如有中桔一，中桔二，中桔三和中桔四這四個等級。以此樣本訓(xùn)練的分類器可以將測試樣本分為對應(yīng)的四個級別。多分類器是通過組合多個二分類器構(gòu)造而成，常見的方法有one-against-one和one-against-all兩種。本發(fā)明的該示例中的多分類器是根據(jù)one-against-one(一對一法)實現(xiàn)的。其做法是在任意兩類樣本之間設(shè)計一個SVM，因此k個類別的樣本就需要設(shè)計k(k-1)/2個SVM。當(dāng)對一個未知樣本進(jìn)行分類時，最后得票最多的類別即為該未知樣本的類別。例如，假設(shè)有A，B，C，D四類分類器。在訓(xùn)練的時候選擇A,B；A,C；A,D；B,C；B,D；C,D所對應(yīng)的向量作為訓(xùn)練集，然后得到六個訓(xùn)練結(jié)果，在測試的時候，把對應(yīng)的向量分別對六個結(jié)果進(jìn)行測試，然后采取投票形式，最后得到一組結(jié)果。投票的規(guī)則如下：A＝B＝C＝D＝0；(A,B)-classifier如果是Awin,則A＝A+1；otherwise,B＝B+1；(A,C)-classifer如果是Awin,則A＝A+1；otherwise,C＝C+1；...(C,D)-classifer如果是Awin,則C＝C+1；otherwise,D＝D+1；ThedecisionistheMax(A,B,C,D)。綜上，本發(fā)明上述是實施例的多光譜視覺成像大葉農(nóng)作物葉片分級方法的原理可概述為：首先，挑選每個級別的大葉農(nóng)作物葉片訓(xùn)練樣本，從其多光譜大葉農(nóng)作物葉片圖像中提取顏色特征、形狀特征、紋理特征，以這些特征為基礎(chǔ)訓(xùn)練對應(yīng)級別的分類器；然后獲取到實時待分類的大葉農(nóng)作物葉片圖像后，計算待分類大葉農(nóng)作物葉片對應(yīng)的特征信息，并將之輸入分類器，分類器自動運算給出其級別。根據(jù)本發(fā)明實施例的多光譜視覺成像大葉農(nóng)作物葉片分級方法，從不同等級的大葉農(nóng)作物葉片訓(xùn)練樣本的多光譜圖像中提取特征信息，然后根據(jù)這些特征信息訓(xùn)練分類器，然后將待分類的大葉農(nóng)作物葉片的特征信息輸入分類器，經(jīng)過分類器計算后得到待分類大葉農(nóng)作物葉片的等級。因此，該方法能夠?qū)崿F(xiàn)大葉農(nóng)作物葉片的自動化分級，節(jié)省了大量人力資源，具有分級效率高，分級客觀、準(zhǔn)確的優(yōu)點，同時，該方法操作簡單，易于實現(xiàn)。本發(fā)明的進(jìn)一步實施例還提供了一種多光譜視覺成像大葉農(nóng)作物葉片分級系統(tǒng)。圖4是根據(jù)本發(fā)明一個實施例的多光譜視覺成像大葉農(nóng)作物葉片分級系統(tǒng)的結(jié)構(gòu)框圖。如圖4所示，該系統(tǒng)100包括：采樣模塊110、特征提取模塊120、訓(xùn)練模塊130、獲取模塊140和分類模塊150。其中，采樣模塊110用于獲取不同等級的大葉農(nóng)作物葉片訓(xùn)練樣本，其中，訓(xùn)練樣本包括不同等級的大葉農(nóng)作物葉片的多光譜圖像。大葉農(nóng)作物葉片訓(xùn)練樣本例如為根據(jù)專業(yè)分級人員挑選的已知級別的樣本大葉農(nóng)作物葉片。特征提取模塊120用于從多光譜圖像中提取特征信息，其中，特征信息包括顏色特征、形狀特征和紋理特征。訓(xùn)練模塊130用于根據(jù)特征信息訓(xùn)練分類器。獲取模塊140用于獲取待分類的大葉農(nóng)作物葉片的特征信息。在本發(fā)明的一個實施例中，具體地說，獲取模塊140用于確定大葉農(nóng)作物葉片區(qū)域， 并采集大葉農(nóng)作物葉片區(qū)域(正反面分開計算)的偽顏色信息和真實LAB顏色信息，并根據(jù)偽顏色信息和真實LAB顏色信息計算大葉農(nóng)作物葉片區(qū)域的顏色特征，以及根據(jù)大葉農(nóng)作物葉片區(qū)域(正反面分開計算)的RGB數(shù)據(jù)計算灰度圖像，并根據(jù)灰度圖像的灰度共生矩陣計算大葉農(nóng)作物葉片區(qū)域的紋理特征，以及根據(jù)大葉農(nóng)作物葉片區(qū)域(正反面合并計算)的輪廓和殘傷率計算大葉農(nóng)作物葉片區(qū)域的形狀特征，以及提取大葉農(nóng)作物葉片區(qū)域(正反面分開計算)的多光譜數(shù)據(jù)，并根據(jù)多光譜數(shù)據(jù)計算大葉農(nóng)作物葉片區(qū)域的多光譜組合特征。其中，大葉農(nóng)作物葉片區(qū)域的紋理特征包括：大葉農(nóng)作物葉片區(qū)域的紋理熵、紋理對比度、紋理自相關(guān)、紋理能量、紋理逆矩差。其中，在上述示例中，灰度圖像可通過如下公式計算：Y＝0.30R+0.59G+0.11B。進(jìn)一步地，在得到灰度圖像后，計算灰度公式矩陣，生成灰度共生矩陣時，鄰域的方向可以有0度、45度、90度和135度。在該示例中，使用0度方向計算特征數(shù)據(jù)，并且灰度級別之間的灰度差為14。其中，在上述示例中，例如，大葉農(nóng)作物葉片區(qū)域的形狀特征包括大葉農(nóng)作物葉片面積、周長、長軸、短軸、圓度、寬長比和葉片殘傷率。更為具體地，殘傷率的計算公式為：殘傷率＝孔洞面積/大葉農(nóng)作物葉片區(qū)域總面積。分類模塊150用于根據(jù)分類器對待分類的大葉農(nóng)作物葉片的特征信息進(jìn)行分類，以得到待分類的大葉農(nóng)作物葉片的等級。對于本發(fā)明上述實施例的多光譜視覺成像大葉農(nóng)作物葉片分級系統(tǒng)100的具體示例性描述請參見上述對本發(fā)明實施例的方法的描述部分，為減少冗余，此處不再贅述。綜上，根據(jù)本發(fā)明實施例的多光譜視覺成像大葉農(nóng)作物葉片分級系統(tǒng)，從不同等級的大葉農(nóng)作物葉片訓(xùn)練樣本的多光譜圖像中提取特征信息，然后根據(jù)這些特征信息訓(xùn)練分類器，然后將待分類的大葉農(nóng)作物葉片的特征信息輸入分類器，經(jīng)過分類器計算后得到待分類大葉農(nóng)作物葉片的等級。因此，該系統(tǒng)能夠?qū)崿F(xiàn)大葉農(nóng)作物葉片的自動化分級，節(jié)省了大量人力資源，具有分級效率高，分級客觀、準(zhǔn)確的優(yōu)點，同時，該系統(tǒng)結(jié)構(gòu)簡單，操作方便。在本發(fā)明的描述中，需要理解的是，術(shù)語“中心”、“縱向”、“橫向”、“長度”、“寬度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“豎直”、“水平”、“頂”、“底”“內(nèi)”、“外”、“順時針”、“逆時針”、“軸向”、“徑向”、“周向”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對本發(fā)明的限制。此外，術(shù)語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對重要性或 者隱含指明所指示的技術(shù)特征的數(shù)量。由此，限定有“第一”、“第二”的特征可以明示或者隱含地包括至少一個該特征。在本發(fā)明的描述中，“多個”的含義是至少兩個，例如兩個，三個等，除非另有明確具體的限定。在本發(fā)明中，除非另有明確的規(guī)定和限定，術(shù)語“安裝”、“相連”、“連接”、“固定”等術(shù)語應(yīng)做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或成一體；可以是機械連接，也可以是電連接；可以是直接相連，也可以通過中間媒介間接相連，可以是兩個元件內(nèi)部的連通或兩個元件的相互作用關(guān)系，除非另有明確的限定。對于本領(lǐng)域的普通技術(shù)人員而言，可以根據(jù)具體情況理解上述術(shù)語在本發(fā)明中的具體含義。在本發(fā)明中，除非另有明確的規(guī)定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接觸，或第一和第二特征通過中間媒介間接接觸。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或僅僅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或僅僅表示第一特征水平高度小于第二特征。在本說明書的描述中，參考術(shù)語“一個實施例”、“一些實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點包含于本發(fā)明的至少一個實施例或示例中。在本說明書中，對上述術(shù)語的示意性表述不必須針對的是相同的實施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點可以在任一個或多個實施例或示例中以合適的方式結(jié)合。此外，在不相互矛盾的情況下，本領(lǐng)域的技術(shù)人員可以將本說明書中描述的不同實施例或示例以及不同實施例或示例的特征進(jìn)行結(jié)合和組合。盡管上面已經(jīng)示出和描述了本發(fā)明的實施例，可以理解的是，上述實施例是示例性的，不能理解為對本發(fā)明的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的范圍內(nèi)可以對上述實施例進(jìn)行變化、修改、替換和變型。當(dāng)前第1頁1 2 3