本發(fā)明涉及計(jì)算機(jī)圖形處理技術(shù)領(lǐng)域，尤其涉及陶瓷材質(zhì)三維重建中序列圖像分割方法，具體為改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)的陶瓷材質(zhì)序列圖像分割方法。

背景技術(shù)：

近年來，隨著電商平臺(tái)以及數(shù)字博物館的興起，使得對(duì)三維重建的需求程度越來越高。通過三維重建技術(shù)，將現(xiàn)實(shí)存在的物體以三維立體的方式完全呈現(xiàn)于網(wǎng)絡(luò)平臺(tái)上。

在基于圖像序列的三維重建過程中，對(duì)序列圖像的分割是整個(gè)重建過程中至關(guān)重要的一步，分割的精度直接影響了最終三維模型的品質(zhì)和紋理的準(zhǔn)確性。然而在自然環(huán)境中進(jìn)行多角度圖像系列采集時(shí)，由于圖像數(shù)量多、環(huán)境復(fù)雜、物體材質(zhì)各異、顏色多變等因素導(dǎo)致采集到的圖像質(zhì)量參差不齊。目前，對(duì)圖像的分割多采用傳統(tǒng)的分割方法借助一些工具進(jìn)行，由于圖像復(fù)雜多變等因素，傳統(tǒng)的分割方法很難識(shí)別一些人工視覺特征，特別是處理視覺模糊邊緣，以及反光物體和透明材質(zhì)的分割時(shí)，需要投入大量的時(shí)間和人力，而且分割精確度不高。

現(xiàn)有技術(shù)的不足:

1)對(duì)灰度圖像的取閾值分割就是先確定一個(gè)處于圖像灰度取值范圍之中的灰度閾值，然后將圖像中各個(gè)像素的灰度值與之相比較，灰度值大于閾值的像素為一類，灰度值小于閾值的像素為另一類。這兩類像素一般分屬圖像的兩類區(qū)域，從而達(dá)到分割的目的。對(duì)陶瓷工藝品來說，這種方法只考慮像素本身的灰度值，不考慮空間特征，因而對(duì)噪聲很敏感，因此達(dá)不到需求的分割效果。

2)圖像最基本的特征是邊緣,它是圖像局部特性不連續(xù)(或突變)的結(jié)果。基于邊界的分割方法是利用不同區(qū)域間像素灰度不連續(xù)的特點(diǎn)檢測(cè)出區(qū)域間的邊緣，從而實(shí)現(xiàn)圖像分割。邊緣檢測(cè)是所有基于邊界分割方法的第一步?；谶吘壍姆指罘椒ㄆ潆y點(diǎn)就在于邊緣檢測(cè)時(shí)抗噪性和檢測(cè)精度之間的矛盾。對(duì)于外表光滑拍攝時(shí)帶有反光邊緣的物體來說，提高檢測(cè)精度，則噪聲產(chǎn)生的偽邊緣會(huì)導(dǎo)致不合理的輪廓；若提高抗噪性，則會(huì)產(chǎn)生輪廓漏檢和位置偏差。

3)區(qū)域分割的實(shí)質(zhì)就是把具有某種相似性質(zhì)的像索連通，從而構(gòu)成最終的分割區(qū)域。它利用了圖像的局部空間信息，可有效地克服其他方法存在的圖像分割空間小連續(xù)的缺點(diǎn)。在此類方法中，如果從全圖出發(fā)，按區(qū)域?qū)傩蕴卣饕恢碌臏?zhǔn)則決定每個(gè)像元的區(qū)域歸屬，形成區(qū)域圖常稱之為區(qū)域生長(zhǎng)的分割方法。如果從像元出發(fā)，按區(qū)域?qū)傩蕴卣饕恢碌臏?zhǔn)則，將屬性接近的連通像元聚集為區(qū)域，則是區(qū)域增長(zhǎng)的分割方法。若綜合利用上述兩種方法，就是分裂合并的方法?；趨^(qū)域的分割方法往往會(huì)造成圖像的過度分割，而單純的基于邊緣檢測(cè)方法有時(shí)不能提供較好的區(qū)域結(jié)構(gòu)。

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)發(fā)展的一個(gè)分支，其動(dòng)機(jī)在于建立模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，通過組合底層也正形成更加抽象的高層特征，模仿人腦的機(jī)制來解釋數(shù)據(jù)，尤其在圖像方面表現(xiàn)優(yōu)異。而其中的卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneuralnetwork,cnn)是人工神經(jīng)網(wǎng)絡(luò)的一種，由于它的權(quán)值共享結(jié)構(gòu)和生物神經(jīng)網(wǎng)絡(luò)更類似，可以減少權(quán)值的數(shù)量，從而降低網(wǎng)絡(luò)模型的復(fù)雜度，現(xiàn)已成為深度學(xué)習(xí)中的一個(gè)研究熱點(diǎn)。目前cnn已經(jīng)成功應(yīng)用到視頻中的人體工作識(shí)別信號(hào)重構(gòu)，人臉等目標(biāo)檢測(cè)識(shí)別，圖像分類，分割等各個(gè)領(lǐng)域。

技術(shù)實(shí)現(xiàn)要素：

全卷積神經(jīng)網(wǎng)絡(luò)(fullyconvolutionalnetworks,fcn)是基于卷積神經(jīng)網(wǎng)絡(luò)(cnn)的一種改進(jìn)結(jié)構(gòu)，將一維的向量轉(zhuǎn)換為二維的卷積，在保持cnn良好的分類性能的基礎(chǔ)上，更好的保持了像素矩陣之間的空間位置關(guān)系，更有利于全局的特征提取。鑒于fcn的優(yōu)點(diǎn)，可以在圖像分割中利用它的優(yōu)點(diǎn)來提高分割精度。

針對(duì)上述不足，本發(fā)明提出了一種改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)的陶瓷材質(zhì)件序列圖像分割方法，包括如下步驟：

s10：對(duì)采集的原始圖像進(jìn)行手工標(biāo)注，將目標(biāo)和背景用不同的類別區(qū)分，得到訓(xùn)練標(biāo)簽(groundtruth)，采用索引模式來表示訓(xùn)練樣本的標(biāo)簽圖；

s20：構(gòu)建改進(jìn)的基于全卷積神經(jīng)網(wǎng)絡(luò)(fullyconvolutionalnetwork)的網(wǎng)絡(luò)模型，進(jìn)行訓(xùn)練；

s30：依據(jù)梯度下降算法(stochasticgradientdescent)計(jì)算損失函數(shù)(lossfunction)和反向傳播計(jì)算損失函數(shù)(lossfunction)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，學(xué)習(xí)速率在驗(yàn)證準(zhǔn)確率停止增加時(shí)減小為原來的十分之一；其中

步驟s10中，所述的對(duì)原始圖像進(jìn)行手工標(biāo)注的過程包括如下步驟：

s11：對(duì)采集的原始圖像(rgb彩色圖像)進(jìn)行手工標(biāo)注，，將目標(biāo)物體和背景分離，并分別用不同的顏色表示；

s12：轉(zhuǎn)為索引模式，只保留兩種顏色，使得對(duì)應(yīng)的每個(gè)像素點(diǎn)都有明確的類別；

s13：原始圖片存儲(chǔ)為jpg格式，標(biāo)簽圖存儲(chǔ)為png格式圖片，顏色模式只保留兩種，并定義為標(biāo)簽圖(groundtruth)；

步驟s20中，所述的搭建全卷積神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行訓(xùn)練，具體包括如下過程：

s21：輸入層設(shè)計(jì)為直接接收jpg、png三維圖像輸入的imagedata類型的數(shù)據(jù)層；

s22：利用反卷積層，將通過池化層降低的維度通過線性插值法恢復(fù)到原來的維度；

s23：激活函數(shù)利用prelu函數(shù)；

s24：輸出層改進(jìn)為二分類，把上一層反卷積層的結(jié)果通過softmax函數(shù)進(jìn)行分類；

步驟s30中，所述的使用梯度下降法和反向傳播算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，網(wǎng)絡(luò)的每一層的權(quán)重由均值為0和方差為0.01的高斯分布來初始化，具體步驟為如下：

s31：將使用的超參數(shù)：批量大小(batchsize)、動(dòng)量(moment)、權(quán)重衰減系數(shù)λ、初始學(xué)習(xí)率α分別設(shè)置為：4、0.9、0.005、1e-10；

s32：定義網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)是最小化其整體代價(jià)函數(shù)，并設(shè)定有一組數(shù)量為m的訓(xùn)練樣本集{(x^(l),y^(l)),…,(x^(m),y^(m))}，網(wǎng)絡(luò)整體代價(jià)函數(shù)表示為式3：

其中，hw,b(x)是神經(jīng)網(wǎng)絡(luò)模型，wi,j^(l)是第l層第j單元與第l+1層第i單元之間的連接權(quán)重，b是隱藏層神經(jīng)元的偏置項(xiàng)；λ是一個(gè)減小權(quán)重幅度的規(guī)則化項(xiàng)；求解式(3)最小值采用注明的隨機(jī)梯度下降最優(yōu)化算法，而計(jì)算j(w,b)對(duì)w和b的偏導(dǎo)數(shù)時(shí)，使用反向傳導(dǎo)算法；

s33：批量梯度下降法中的每一次迭代都按照式10和式11對(duì)參數(shù)w和b進(jìn)行更新：

其中，α是學(xué)習(xí)速率；

s34：在訓(xùn)練學(xué)習(xí)的過程中通過觀察式3中的網(wǎng)絡(luò)整體代價(jià)函數(shù)值，如果在驗(yàn)證集上的式3中的網(wǎng)絡(luò)整體代價(jià)函數(shù)值停止增加時(shí)，將學(xué)習(xí)速率α減小為原來值的十分之一，繼續(xù)訓(xùn)練，直到網(wǎng)絡(luò)收斂。

本發(fā)明方法可以獲得如下有益效果為：

1、能夠全面學(xué)習(xí)物體的視覺特征，全面的考慮平滑性，對(duì)比度變化和距離等因素，有比較好的抗干擾性，能夠自動(dòng)將目標(biāo)物體從背景中分割開；

2、在圖像數(shù)量規(guī)模巨大的情況下，智能分割方法能夠減少人工交互的過程。

附圖說明

圖1是本發(fā)明的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)配置圖

圖2是本發(fā)明的訓(xùn)練數(shù)據(jù)格式圖

圖3是本發(fā)明中的分割效果對(duì)比圖

圖4是本發(fā)明中的分割參數(shù)指標(biāo)圖

具體實(shí)施方式

為詳細(xì)說明技術(shù)方案的技術(shù)內(nèi)容、構(gòu)造特征、所實(shí)現(xiàn)目的及效果，以下結(jié)合具體實(shí)施例并配合附圖詳予說明。

本發(fā)明實(shí)施例為基于改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)的陶瓷材質(zhì)工藝品圖像進(jìn)行分割的方法，既在對(duì)陶瓷材質(zhì)工藝品進(jìn)行三維建模過程中，基于對(duì)全卷積神經(jīng)網(wǎng)絡(luò)加以改進(jìn)后對(duì)圖像真值實(shí)現(xiàn)智能分割的方法，下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步的詳細(xì)描述。

本發(fā)明提出的一種改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)的陶瓷材質(zhì)件序列圖像分割方法，是基于全卷積神經(jīng)網(wǎng)絡(luò)的陶瓷材質(zhì)件真值序列圖像分割方法，包括以下步驟：s10：首先對(duì)采集的原始圖像進(jìn)行手工標(biāo)注，將目標(biāo)和背景用不同的類別區(qū)分，得到訓(xùn)練標(biāo)簽(groundtruth)，采用索引模式來表示訓(xùn)練樣本的標(biāo)簽圖；而圖像分割的過程分為兩個(gè)階段，分別是步驟：

s20：構(gòu)建改進(jìn)的基于全卷積神經(jīng)網(wǎng)絡(luò)(fullyconvolutionalnetwork)的網(wǎng)絡(luò)模型并在訓(xùn)練數(shù)據(jù)集上對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

s30：再在測(cè)試集上進(jìn)行測(cè)試效果然后對(duì)網(wǎng)絡(luò)進(jìn)行調(diào)整，具體是依據(jù)梯度下降算法(stochasticgradientdescent)計(jì)算損失函數(shù)(lossfunction)和反向傳播計(jì)算損失函數(shù)(lossfunction)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，學(xué)習(xí)速率在驗(yàn)證準(zhǔn)確率停止增加時(shí)減小為原來的十分之一。

在步驟s10中，所述的對(duì)原始圖像進(jìn)行手工標(biāo)注的過程包括如下數(shù)據(jù)預(yù)處理過程

s11：利用傳統(tǒng)的分割工具對(duì)原始rgb彩色圖像進(jìn)行手工標(biāo)注，將目標(biāo)和背景用不同的類別區(qū)分，并分別用不同的顏色表示，得到訓(xùn)練標(biāo)簽；

s12：將標(biāo)簽圖由rgb模式轉(zhuǎn)換為索引模式，只保留兩種顏色，使得對(duì)應(yīng)的每個(gè)像素點(diǎn)都有明確的類別；

s13：原始圖片存儲(chǔ)為jpg格式，標(biāo)簽圖存儲(chǔ)為png格式；并采用數(shù)據(jù)增強(qiáng)(dataaugmentation)變換方法對(duì)兩種格式的圖片進(jìn)行增強(qiáng)，本實(shí)施例中具體采用以下兩種方法:一種是旋轉(zhuǎn)/反射變換(rotation/reflection):隨機(jī)旋轉(zhuǎn)圖像一定角度，改變圖像內(nèi)容的朝向，具體實(shí)施例為采用90°、180°、270°三種角度對(duì)圖片進(jìn)行旋轉(zhuǎn)變換；另一種是翻轉(zhuǎn)變換：按照一定的比例方法或者縮小圖像，本實(shí)施例進(jìn)一步采用將圖像縮小為1/10。

本實(shí)施例依據(jù)的網(wǎng)絡(luò)需要將數(shù)據(jù)分成兩部分?jǐn)?shù)據(jù)集：訓(xùn)練集和測(cè)試集，根據(jù)大量文獻(xiàn)與實(shí)驗(yàn)得出訓(xùn)練集與測(cè)試集之間的比例為4:1時(shí)，實(shí)驗(yàn)結(jié)果最佳，因此按照此比例將數(shù)據(jù)集隨機(jī)分成兩部分。

s20:搭建改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)

首先介紹全卷積神經(jīng)網(wǎng)絡(luò)相關(guān)理論基礎(chǔ)：全卷積神經(jīng)網(wǎng)絡(luò)的搭建是基于開源caffe框架中的prototxt語(yǔ)言，通過該語(yǔ)言中的name參數(shù)指定層的名稱，type參數(shù)指定層的類型，top指定連接的下一層，bottom指定連接的上一層的結(jié)構(gòu)搭建，并從此建立整個(gè)網(wǎng)絡(luò)中層與層之間的關(guān)聯(lián)。網(wǎng)絡(luò)的設(shè)計(jì)通過對(duì)卷積層，池化層，帶參數(shù)的線性修正單元的反復(fù)組合，實(shí)現(xiàn)對(duì)特征的提取，其中相同類型的層通過參數(shù)設(shè)置的不同來區(qū)分；不同的卷積層能夠提取出不同反向的特征，池化層能夠降低特征的維度，減少數(shù)據(jù)量，單參數(shù)的線性修正單元起到激活函數(shù)的作用。

在softmax分類中，假設(shè)是一個(gè){(x^(l),y^(l)),…,(x^(m),y^(m))}由m個(gè)標(biāo)簽的樣本數(shù)據(jù)構(gòu)成的訓(xùn)練集，y(i)∈{0,1,…,k}是類別標(biāo)簽，可以取k個(gè)不同的值，本實(shí)施例中由2個(gè)類別組成，故k＝2。給定一個(gè)測(cè)試輸入x，用假設(shè)函數(shù)hθ(x)估計(jì)其被劃分歸類到每一個(gè)類別j的概率p(y＝j(luò)|x)，所以假設(shè)函數(shù)會(huì)輸出一個(gè)k維的向量來代表k個(gè)類別估算的概率大小，具體的假設(shè)函數(shù)hθ(x)如1式下：

式中，θ1,θ2,...,θk∈rⁿ⁺¹是softmax回歸模型中的參數(shù)，把輸入x分類到j(luò)類別的概率時(shí)是對(duì)輸入x的分類概率分布的歸一化操作，因此這些概率的和是1。

s21：輸入層設(shè)計(jì)為直接接收jpg、png三維圖像輸入的imagedata類型的數(shù)據(jù)層。突破了caffe自身的數(shù)據(jù)接收層只能接收l(shuí)mdb數(shù)據(jù)格式的局限；

s22：利用反卷積層，將通過池化層降低的維度通過線性插值法恢復(fù)到原來的維度；

s23：激活函數(shù)設(shè)置為帶參數(shù)的線性修正單元(prelu)。由于以往的線性修正單元(relu)在優(yōu)化過程中存在潛在的問題：relu的飽和性會(huì)使得梯度為0的神經(jīng)元存在，導(dǎo)致神經(jīng)網(wǎng)絡(luò)中的某些神經(jīng)元永遠(yuǎn)不會(huì)被激活，從而一些像素點(diǎn)根本就不會(huì)被網(wǎng)絡(luò)學(xué)習(xí)。而prelu很好的解決了這個(gè)問題；

s24：輸出層改進(jìn)為二分類，把上一層反卷積層的結(jié)果通過softmax函數(shù)進(jìn)行分類。

訓(xùn)練調(diào)整網(wǎng)絡(luò)中，在步驟s30中，所述的使用梯度下降法和反向傳播算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，網(wǎng)絡(luò)的每一層的權(quán)重由均值為0和方差為0.01的高斯分布來初始化，具體步驟為如下：

s31：將使用的超參數(shù)：批量大小(batchsize)、動(dòng)量(moment)、權(quán)重衰減系數(shù)λ、初始學(xué)習(xí)率α分別設(shè)置為：4、0.9、0.005、1e-10；

s32：定義網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)是最小化其整體代價(jià)函數(shù)，并設(shè)定有一組數(shù)量為m的訓(xùn)練樣本集{(x^(l),y^(l)),…,(x^(m),y^(m))}，對(duì)于單個(gè)樣例(x,y)來說，其代價(jià)函數(shù)為式2：

對(duì)于整體樣本，網(wǎng)絡(luò)整體代價(jià)函數(shù)表示為式3：

其中，hw,b(x)是神經(jīng)網(wǎng)絡(luò)模型，wi,j^(l)是第l層第j單元與第l+1層第i單元之間的連接權(quán)重，b是隱藏層神經(jīng)元的偏置項(xiàng)；λ是一個(gè)減小權(quán)重幅度的規(guī)則化項(xiàng)。求解式(3)最小值采用注明的隨機(jī)梯度下降最優(yōu)化算法，而計(jì)算j(w,b)對(duì)w和b的偏導(dǎo)數(shù)時(shí)，使用反向傳導(dǎo)算法；

進(jìn)行前饋傳導(dǎo)計(jì)算，利用前向傳導(dǎo)公式，得到l2,l3，…直到輸出層lnl的激活值；

對(duì)輸出層(第nl層)的每個(gè)輸出單元i，根據(jù)公式4計(jì)算殘差：

對(duì)于l＝nl-1,nl-2,nl-3,...,2的各層，采用公式5計(jì)算第l層的第i個(gè)節(jié)點(diǎn)的殘差：

采用式6和式7計(jì)算最終需要的偏導(dǎo)數(shù)值：

式6和式7中，表示第nl層第i個(gè)單元的輸入，表示第nl層第i個(gè)單元的輸出；

由單個(gè)樣例的代價(jià)函數(shù)j(w,b；x,y)求整體樣本的代價(jià)函數(shù)j(w,b)的偏導(dǎo)數(shù)公式如式8和式9：

s33:批量梯度下降法中的每一次迭代都按照公式10和式11對(duì)參數(shù)和進(jìn)行更新：

其中，α是學(xué)習(xí)速率；

s34：在訓(xùn)練學(xué)習(xí)的過程中通過觀察式3中的網(wǎng)絡(luò)整體代價(jià)函數(shù)值，如果在驗(yàn)證集上的式3中的網(wǎng)絡(luò)整體代價(jià)函數(shù)值停止增加時(shí)，將學(xué)習(xí)速率α減小為原來值的十分之一,繼續(xù)訓(xùn)練，直到網(wǎng)絡(luò)收斂。

現(xiàn)在通過性能分析來說明本實(shí)施例方法產(chǎn)生的技術(shù)效果

參照附圖1、2、3和4，圖1是本發(fā)明方法中的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)配置，采用了卷積層和池化層和激活函數(shù)組合使用的方法，可以在每個(gè)階段都能對(duì)像素進(jìn)行激活，最后網(wǎng)絡(luò)采用了反卷積層，用上采樣的方式使得圖像恢復(fù)到和原始圖像尺寸一樣大小。中間采用全連接層fc6、fc7層，使得網(wǎng)絡(luò)能夠確保圖像像素之間的位置空間關(guān)系，最后能夠?qū)崿F(xiàn)端對(duì)端的效果。

圖2是輸入網(wǎng)絡(luò)的訓(xùn)練樣本格式，原始圖片是jpg格式，模式為rgb模式，標(biāo)簽圖是利用分割工具手工進(jìn)行分割的標(biāo)簽圖，格式為png，模式為索引圖，使得每個(gè)像素均有一個(gè)固定的類別與之對(duì)應(yīng)。

圖3是分割效果對(duì)比圖，3a是原始圖片，3b是手工分割圖(groundtruth)，3c是實(shí)驗(yàn)結(jié)果圖。選取三組比較具有代表性的圖片，從上至下分別是俯視角度、斜上方、平視角度拍攝的三組圖，而且這三組圖均有不同的底座代表整體的樣本，通過對(duì)比手工分割圖,本實(shí)施例所采用的改進(jìn)全卷積神經(jīng)網(wǎng)絡(luò)陶瓷材質(zhì)件圖像分割方法均能正確的區(qū)分前景和背景，將物體從背景中提取出來，而且兼顧了整體物體輪廓和邊緣的光滑性。

圖4是實(shí)驗(yàn)中的四個(gè)分割參數(shù)指標(biāo)，分別是：meaniu、loss、overallaccuracy、fwavacc，計(jì)算公式分別如下：

overallaccuracy：∑inii/∑iti

fwavacc：(∑ktk)^-1∑inii/(ti+∑jnji-nii)

其中，nij為類別為i的像素被預(yù)測(cè)為類別j，ncl為類別總數(shù)，ti＝∑jnij為類別i的像素總數(shù)。從圖4中可以看出：meaniu一直升高，最后穩(wěn)定在0.933左右；overallaccuracy一直升高，最后穩(wěn)定在0.98左右；loss一直下降，最后穩(wěn)定在9200左右；fwavacc一直在上升，最后未定在0.967附近。

目前圖像分割領(lǐng)域分割最好的網(wǎng)絡(luò)pspnet中bottle類別meaniu最高0.844

(http://host.robots.ox.ac.uk:8080/leaderboard/displaylb.php？cls＝bottle&challengeid＝11&compid＝6&submid＝10392),而該實(shí)施例中最高達(dá)到0.933.

盡管已經(jīng)對(duì)上述各實(shí)施例進(jìn)行了描述，但本領(lǐng)域內(nèi)的技術(shù)人員一旦得知了基本創(chuàng)造性概念，則可對(duì)這些實(shí)施例做出另外的變更和修改，所以以上所述僅為本發(fā)明的實(shí)施例，并非因此限制本發(fā)明的專利保護(hù)范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運(yùn)用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護(hù)范圍之內(nèi)。