本發(fā)明涉及圖像識別領(lǐng)域，具體地涉及一種基于網(wǎng)格劃分及神經(jīng)網(wǎng)絡(luò)的目標(biāo)物入侵檢測方法及裝置。

背景技術(shù)：

在狹義上目標(biāo)檢測算法統(tǒng)稱為目標(biāo)定位算法，但目標(biāo)檢測算法可以同時定位出不同物體的位置。起重機(jī)檢測屬于目標(biāo)檢測的一種，對于人類來說看到并區(qū)分與其他物體的區(qū)別并不困難，通過對圖片中不同顏色模塊和對比度的分布以及很容易定位并分類出其中目標(biāo)物體。對于計算機(jī)來說，研究人員也研究了大量的目標(biāo)檢測算法，在圖片質(zhì)量足夠清晰、目標(biāo)足夠大時，這些檢測算法勉強(qiáng)能夠讓人滿意。傳統(tǒng)的目標(biāo)檢測一般使用滑動窗口的框架，利用不同尺寸的滑動窗口提取候選區(qū)域，在獲選區(qū)域中根據(jù)經(jīng)驗來提取明顯特征，該特征作為區(qū)分候選區(qū)域中是否存在需要檢測的目標(biāo)。

在目標(biāo)檢測算法領(lǐng)域，最初使用的目標(biāo)檢測算法是利用圖像處理的方法，在二值化的基礎(chǔ)上找到起重機(jī)的大概位置，并把疑似位置的圖片與庫中相比，得到與起重機(jī)的相似度；其次利用傳統(tǒng)目標(biāo)檢測算法，采用的是滑動窗口框架，結(jié)合傳統(tǒng)機(jī)器學(xué)習(xí)方法，檢測效果相比圖像處理的方法有較大的改善；隨著深度學(xué)習(xí)和卷積網(wǎng)絡(luò)的廣泛使用，基于卷積網(wǎng)絡(luò)的目標(biāo)檢測算法也開始逐漸出現(xiàn)，進(jìn)一步提高檢測目標(biāo)在復(fù)雜環(huán)境下的檢測率。

在高壓線下，起重機(jī)升起吊臂時經(jīng)常會威脅到電線安全，引起大面積斷電。但是傳統(tǒng)目標(biāo)檢測算法不能檢測出距離較遠(yuǎn)的起重機(jī)，特別是出現(xiàn)在大量樹木、建筑物、光照較強(qiáng)時大大降低了算法的魯棒性。同時，起重機(jī)車身有不同顏色，吊桿升起前后也有不同形狀，所以使用傳統(tǒng)的單一算法不適合用于起重機(jī)檢測。

技術(shù)實現(xiàn)要素：

本發(fā)明旨在提供一種基于網(wǎng)格劃分及神經(jīng)網(wǎng)絡(luò)的目標(biāo)物入侵檢測方法，以解決目前算法無法在各種環(huán)境下對諸如起重機(jī)的目標(biāo)物實現(xiàn)準(zhǔn)確檢測的問題。為此，本發(fā)明采用的具體技術(shù)方案如下：

基于網(wǎng)格劃分及神經(jīng)網(wǎng)絡(luò)的目標(biāo)物入侵檢測方法，可包括以下步驟：

s1、采集目標(biāo)物圖片樣本并對其進(jìn)行預(yù)處理，記錄目標(biāo)物在圖片樣本中的外接矩形框坐標(biāo)；

s2、將圖片樣本劃分為等分化成w*h個網(wǎng)格，再將其分類為正樣本網(wǎng)格、部分樣本網(wǎng)格和負(fù)樣本網(wǎng)格，其比例記為n1：n2：n3，同時記錄正樣本網(wǎng)格和部分樣本網(wǎng)格中目標(biāo)物的實際外接矩形框坐標(biāo)，其中，n1+n2+n3＝1；

s3、通過線性加權(quán)求和以及非線性降維分別提取正樣本網(wǎng)格、部分樣本網(wǎng)格、負(fù)樣本網(wǎng)格的特征熱圖譜并通過外接矩形框得到目標(biāo)物在網(wǎng)格中的初始位置，將得到的初始位置、s2中的實際外接矩形框坐標(biāo)以及相對應(yīng)的特征熱圖譜作為輸入，通過神經(jīng)網(wǎng)絡(luò)對每個網(wǎng)格中目標(biāo)物的外接矩形框做回歸運算，得到每個網(wǎng)格中目標(biāo)物的預(yù)測外接矩形框坐標(biāo)，其中，特征熱圖譜每個位置的數(shù)值表示每個像素屬于目標(biāo)物的概率，用于區(qū)分每個網(wǎng)格中是否包含目標(biāo)物；

s4、選擇最佳網(wǎng)格比例作為樣本訓(xùn)練模型并將其作為最終運用模型，具體地，包括：

s41、計算分類誤差closs，框誤差rloss以及損失loss，其中，分類誤差closs表示每個網(wǎng)格被分類正確與否的值，框誤差表示目標(biāo)物的外接矩形框的實際外接矩形框坐標(biāo)與預(yù)測外接矩形框坐標(biāo)之間的歐式距離，損失loss＝0.5*closs+0.5*rloss；

s42、將n1、n2、n3的比例范圍從0.01逐漸增大到0.99，重復(fù)步驟s2-s41，每選取一種比例，得到一個損失loss，選取所有損失loss中最小損失loss所對應(yīng)的網(wǎng)格比例作為樣本訓(xùn)練模型并將其作為最終運用模型；

s5、將樣本訓(xùn)練模型的網(wǎng)格中的小于預(yù)定閾值的矩形框刪除，然后將剩余矩形框根據(jù)屬于目標(biāo)物的概率從大到小排序，利用nms算法融合出少量的矩形框和對應(yīng)的概率；如果這些矩形框之間沒有疊加，則保留所有的矩形框；如果有疊加，則根據(jù)iou再次做框融合；當(dāng)所有的網(wǎng)格融合成原圖片大小時，剩下的矩形框就是目標(biāo)物所在位置。

進(jìn)一步的，所述步驟s5中的框融合具體為：將經(jīng)過nms方法融合后的矩形框根據(jù)屬于目標(biāo)物的概率從大到小排序，遍歷取出概率較大的兩個矩形框，如果這兩個矩形框的iou大于0.2，則融合這兩個矩形框，并根據(jù)疊加區(qū)域的大小以加權(quán)求和的方式更新概率，直到所有的矩形框之間的iou小于等于0.2。

進(jìn)一步的，所述神經(jīng)網(wǎng)絡(luò)包括輸入層、4個線性加權(quán)求和層、3個非線性降維層和2個全連接層。

進(jìn)一步的，線性加權(quán)求和的核大小為3，并采用xavier均勻分布來初始化權(quán)重；非線性降維采用局部最大值方法，核大小為2，步長為2，在每次非線性運算后，特征熱圖譜大小減少到原來的一半，以達(dá)到降維目的。

進(jìn)一步的，所述線性加權(quán)求和的層數(shù)為2個；所述非線性降維的層數(shù)為2個。

進(jìn)一步的，所述分類誤差loss采用softmaxloss進(jìn)行計算。

進(jìn)一步的，所述目標(biāo)物圖片樣本的采集包括從網(wǎng)絡(luò)圖庫下載目標(biāo)圖片、實際拍攝目標(biāo)圖片以及人工合成目標(biāo)圖片。

進(jìn)一步的，所述目標(biāo)物為起重機(jī)。

進(jìn)一步的，本發(fā)明還提出了一種基于網(wǎng)格劃分及神經(jīng)網(wǎng)絡(luò)的目標(biāo)物入侵檢測裝置，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機(jī)程序，其中，所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)如上所述的方法的步驟。

進(jìn)一步的，本發(fā)明還提出了一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)程序，其中，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)如上所述的方法的步驟。

本發(fā)明采用上述技術(shù)方案，具有的有益效果是，本發(fā)明可以有效檢測出起重機(jī)的位置，框出在其圖片中的坐標(biāo)點，準(zhǔn)確率高。因此在監(jiān)控起重機(jī)等的危險車輛方面具有極大的應(yīng)用價值。

附圖說明

圖1是本發(fā)明實施例的流程圖。

具體實施方式

為進(jìn)一步說明各實施例，本發(fā)明提供有附圖。這些附圖為本發(fā)明揭露內(nèi)容的一部分，其主要用以說明實施例，并可配合說明書的相關(guān)描述來解釋實施例的運作原理。配合參考這些內(nèi)容，本領(lǐng)域普通技術(shù)人員應(yīng)能理解其他可能的實施方式以及本發(fā)明的優(yōu)點。

現(xiàn)結(jié)合附圖和具體實施方式對本發(fā)明進(jìn)一步說明。

圖1示出了本發(fā)明實施例的流程圖。下面以起重機(jī)為例，對本發(fā)明的基于網(wǎng)格劃分及神經(jīng)網(wǎng)絡(luò)的目標(biāo)物入侵檢測方法進(jìn)行說明。但應(yīng)該理解，本發(fā)明不限于此。

s1、圖片樣本采集及預(yù)處理

(1)采集起重機(jī)圖片樣本。起重機(jī)圖片樣本由三部分組成，第一部分來自于網(wǎng)絡(luò)圖庫下載的一些不同種類、不同顏色、不同尺寸的起重機(jī)。第二部分是在現(xiàn)實生活中拍攝的起重機(jī)照片。第三部分為人工合成，現(xiàn)實中，不包含起重機(jī)的圖片遠(yuǎn)比包含起重機(jī)的圖片多，所以為了能夠充分利用不包含起重機(jī)的圖片，采用人工將起重機(jī)拼接到其他圖片當(dāng)中。例如添加了海邊、小區(qū)、森林、天空、道路、不同天氣、不同光照的起重機(jī)圖片樣本，從遠(yuǎn)到近、從模糊到清晰的起重機(jī)圖片樣本，以及添加了隨機(jī)干擾噪聲的起重機(jī)圖片樣本。其中第一部分占總樣本容量的20％，第二部分占20％，第三部分占60％?？倶颖敬蟾?0000張圖片。同時準(zhǔn)備不同環(huán)境下的起重機(jī)圖片作為測試樣本，總量在8000張。

(2)起重機(jī)樣本預(yù)處理。為了學(xué)習(xí)起重機(jī)與其他目標(biāo)的區(qū)別和精確定位出起重機(jī)的位置，不僅要把起重機(jī)樣本與非起重機(jī)樣本分開，同時還需要用外接矩形框框出起重機(jī)并記錄該外接矩形框的坐標(biāo)點，把起重機(jī)的圖譜特征和位置點作為訓(xùn)練輸入，找到圖譜特征與坐標(biāo)點的聯(lián)系。

s2、圖片樣本網(wǎng)格劃分

為了保持原圖片盡量不丟失細(xì)節(jié)，將圖片按寬高比例劃分成w*h個小網(wǎng)格，每個小網(wǎng)格的大小與網(wǎng)絡(luò)輸入近似。網(wǎng)格的大小與起重機(jī)有如下關(guān)系：有些網(wǎng)格包含整個起重機(jī)、有些網(wǎng)格包含起重機(jī)的一部分、有些網(wǎng)格不包含起重機(jī)，所以將網(wǎng)格分成三類，分別為正樣本網(wǎng)格、部分樣本網(wǎng)格、負(fù)樣本網(wǎng)格，對于包含起重機(jī)的一部分的網(wǎng)格，將比例小于0.2時分為負(fù)樣本網(wǎng)格，否則分成部分樣本網(wǎng)格，這三類用于訓(xùn)練圖譜生成(分類)網(wǎng)絡(luò)。當(dāng)然，應(yīng)該理解，本發(fā)明的部分樣本網(wǎng)格與負(fù)樣本網(wǎng)格的分類不限于比例小于0.2。將正樣本網(wǎng)格、部分樣本網(wǎng)格、負(fù)樣本網(wǎng)格的比例記為n1：n2：n3，滿足n1+n2+n3＝1。同時記錄正樣本網(wǎng)格和部分樣本網(wǎng)格中起重機(jī)的實際外接矩形框坐標(biāo)，形式為(xmin、ymin、xmax、ymax)，用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

s3、對網(wǎng)格提取特征熱圖譜并預(yù)測外接矩形框坐標(biāo)

(1)網(wǎng)絡(luò)設(shè)計。第一網(wǎng)絡(luò)生成特征熱圖譜的分類網(wǎng)絡(luò)，由于原圖片被分成了w*h個網(wǎng)格，所以為了減少每個網(wǎng)格的運算量，我們只采用了兩層的線性加權(quán)求和以及兩層非線性降維。線性加權(quán)求和的核大小為3，并采用xavier均勻分布來初始化權(quán)重；在非線性降維層中，采用局部最大值方法，核大小為2，步長為2，在每次非線性運算后，特征熱圖譜大小減少到原來的一半，以達(dá)到降維目的；偏置初始化為常量0。當(dāng)然，應(yīng)當(dāng)理解，本發(fā)明的分類網(wǎng)絡(luò)不限于上述構(gòu)造。

第二個網(wǎng)絡(luò)為神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)由輸入層、4個線性加權(quán)求和層、3個非線性降維層、2個全連接層組成，采用xavier均勻分布來初始化權(quán)重。由于起重機(jī)在畫面中所占的比例較小，所以需要減小網(wǎng)絡(luò)的核，以便能夠提取更細(xì)節(jié)的特征，同時增大網(wǎng)絡(luò)的輸入圖片，圖片寬高為512*512，考慮到檢測起重機(jī)屬于二分類問題，所以可以減少每層輸出的特征熱圖譜，減少每層運算量，提高了效率。當(dāng)然，應(yīng)當(dāng)理解，本發(fā)明的神經(jīng)網(wǎng)絡(luò)不限于上述構(gòu)造。

(2)正樣本網(wǎng)格、部分樣本網(wǎng)格、負(fù)樣本網(wǎng)格中的每個網(wǎng)格通過第一個網(wǎng)絡(luò)的線性加權(quán)求和以及非線性降維生成特征熱圖譜，并通過外接矩形框得到起重機(jī)在網(wǎng)格中的初始位置。在第二個網(wǎng)絡(luò)中，把第一個網(wǎng)絡(luò)得到的初始位置、s2中的實際外接矩形框坐標(biāo)以及相對應(yīng)的特征熱圖譜作為輸入，通過神經(jīng)網(wǎng)絡(luò)對每個網(wǎng)格中起重機(jī)的外接矩形框做回歸運算，得到每個網(wǎng)格中起重機(jī)的預(yù)測外接矩形框坐標(biāo)。其中，特征熱圖譜每個位置的數(shù)值表示每個像素屬于起重機(jī)的概率，用于區(qū)分每個網(wǎng)格中是否包含起重機(jī)。

s4、選擇最佳網(wǎng)格比例作為樣本訓(xùn)練模型并將其作為最終運用模型

(1)誤差函數(shù)設(shè)計

誤差函數(shù)由分類誤差closs和坐標(biāo)數(shù)據(jù)之間的框誤差rloss的加權(quán)求和得到，對于不同的網(wǎng)格個數(shù)和樣本，使損失loss最小化：

loss＝0.5*closs+0.5*rloss

(a)計算分類誤差closs。分別提取正樣本網(wǎng)格、部分樣本網(wǎng)格、負(fù)樣本網(wǎng)格的特征熱圖譜，計算每個網(wǎng)格被分類正確與否作為loss值。優(yōu)選地，該分類loss值使用了最基本的softmaxloss進(jìn)行計算。

(b)框誤差rloss?？蛘`差也稱為坐標(biāo)誤差，計算預(yù)測四點坐標(biāo)與實際四點坐標(biāo)之間的歐式距離，距離越大誤差越大。假設(shè)預(yù)測四點坐標(biāo)分別為：(x0_min,y0_min,x0_max,y0_max)，實際四點坐標(biāo)為(x1_min,y1_min,x1_max,y1_max)，rloss＝[(x0_min-x1_min)^2+(y0_min-y1_min)^2+(x0_max-x1_max)^2+(y0_max-y1_max)^2]

(2)誤差最小化和選取最佳網(wǎng)格比例

不同的網(wǎng)格比例得出不同的loss值，通過調(diào)整網(wǎng)格比例，選取最小loss，得到最佳網(wǎng)格比例并將其作為樣本訓(xùn)練模型。具體地，將n1、n2、n3的比例范圍從0.01逐漸增大到0.99，并且n1+n2+n3＝1，每選取一種比例，得到一個最小平均loss，選取所有損失loss中最小損失loss所對應(yīng)的網(wǎng)格比例作為樣本訓(xùn)練模型并將其作為最終運用模型。

s5、網(wǎng)格融合以得到目標(biāo)物位置

每個網(wǎng)格都包含此網(wǎng)格中有起重機(jī)的概率以及起重機(jī)的外接矩形框，將訓(xùn)練模型的網(wǎng)格中的概率小于預(yù)定閾值的矩形框刪除，其中，預(yù)定閾值根據(jù)實際需要范圍在0.35至0.75之間；然后將剩余的矩形框按概率從大到小排序，利用nms(非極大值抑制)算法融合出少量的矩形框和對應(yīng)的概率。如果這些矩形框之間沒有疊加，則保留所有的矩形框；如果有疊加，則根據(jù)疊加比例(iou)再次做框融合：具體地，按概率從大到小排序，遍歷取出較大的兩個矩形框，如果這兩個矩形框的iou大于預(yù)定值(例如，優(yōu)選地0.2)，則融合這兩個矩形框，并根據(jù)區(qū)域的大小加權(quán)求和的方式更新概率，直到所有的矩形框之間的iou小于等于該預(yù)定值。當(dāng)將所有的網(wǎng)格融合成原圖片大小時，剩下的矩形框就是起重機(jī)所在位置。

本發(fā)明利用30000張起重機(jī)圖片作為樣本進(jìn)行訓(xùn)練，8000張起重機(jī)圖片作為測試，其中測試的8000張測試樣本不在30000張訓(xùn)練樣本中。利用訓(xùn)練后的起重機(jī)檢測模型測試新錄制視頻或者圖片，其中檢測準(zhǔn)確率達(dá)到了97％以上，誤檢率在1％左右。后續(xù)如果通過增加訓(xùn)練樣本，還可以繼續(xù)提高檢測準(zhǔn)確率和降低誤檢率。

此外，本發(fā)明一實施例提供了一種基于網(wǎng)格劃分及神經(jīng)網(wǎng)絡(luò)的目標(biāo)物入侵檢測裝置。該實施例的基于網(wǎng)格劃分及神經(jīng)網(wǎng)絡(luò)的目標(biāo)物入侵檢測裝置包括：處理器、存儲器以及存儲在所述存儲器中并可在所述處理器上運行的計算機(jī)程序，例如目標(biāo)物入侵檢測程序。所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)上述基于網(wǎng)格劃分及神經(jīng)網(wǎng)絡(luò)的目標(biāo)物入侵檢測方法實施例中的步驟，例如圖1所示的步驟s1-s5。

示例性的，所述計算機(jī)程序可以被分割成一個或多個模塊/單元，所述一個或者多個模塊/單元被存儲在所述存儲器中，并由所述處理器執(zhí)行，以完成本發(fā)明。所述一個或多個模塊/單元可以是能夠完成特定功能的一系列計算機(jī)程序指令段，該指令段用于描述所述計算機(jī)程序在基于網(wǎng)格劃分及神經(jīng)網(wǎng)絡(luò)的目標(biāo)物入侵檢測裝置中的執(zhí)行過程。

基于網(wǎng)格劃分及神經(jīng)網(wǎng)絡(luò)的目標(biāo)物入侵檢測裝置可以是桌上型計算機(jī)、筆記本、掌上電腦及云端服務(wù)器等計算設(shè)備?；诰W(wǎng)格劃分及神經(jīng)網(wǎng)絡(luò)的目標(biāo)物入侵檢測裝置可包括但不僅限于，處理器、存儲器。例如其還可以包括輸入輸出設(shè)備、網(wǎng)絡(luò)接入設(shè)備、總線等。

處理器可以是中央處理單元(centralprocessingunit，cpu)，還可以是其他通用處理器、數(shù)字信號處理器(digitalsignalprocessor，dsp)、專用集成電路(applicationspecificintegratedcircuit，asic)、現(xiàn)成可編程門陣列(field-programmablegatearray，fpga)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件等。通用處理器可以是微處理器或者該處理器也可以是任何常規(guī)的處理器等，所述處理器是所述基于網(wǎng)格劃分及神經(jīng)網(wǎng)絡(luò)的目標(biāo)物入侵檢測裝置的控制中心，利用各種接口和線路連接整個基于網(wǎng)格劃分及神經(jīng)網(wǎng)絡(luò)的目標(biāo)物入侵檢測裝置的各個部分。

所述存儲器可用于存儲所述計算機(jī)程序和/或模塊，所述處理器通過運行或執(zhí)行存儲在所述存儲器內(nèi)的計算機(jī)程序和/或模塊，以及調(diào)用存儲在存儲器內(nèi)的數(shù)據(jù)，實現(xiàn)所述基于網(wǎng)格劃分及神經(jīng)網(wǎng)絡(luò)的目標(biāo)物入侵檢測裝置的各種功能。所述存儲器可主要包括存儲程序區(qū)和存儲數(shù)據(jù)區(qū)，其中，存儲程序區(qū)可存儲操作系統(tǒng)、至少一個功能所需的應(yīng)用程序(比如聲音播放功能、圖像播放功能等)等；存儲數(shù)據(jù)區(qū)可存儲根據(jù)手機(jī)的使用所創(chuàng)建的數(shù)據(jù)(比如音頻數(shù)據(jù)、電話本等)等。此外，存儲器可以包括高速隨機(jī)存取存儲器，還可以包括非易失性存儲器，例如硬盤、內(nèi)存、插接式硬盤，智能存儲卡(smartmediacard,smc)，安全數(shù)字(securedigital,sd)卡，閃存卡(flashcard)、至少一個磁盤存儲器件、閃存器件、或其他易失性固態(tài)存儲器件。

此外，本發(fā)明還提出了一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)程序，其中，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)如上所述的方法的步驟，例如圖1所示的步驟s1-s5。

所述基于網(wǎng)格劃分及神經(jīng)網(wǎng)絡(luò)的目標(biāo)物入侵檢測裝置集成的模塊/單元如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機(jī)可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明實現(xiàn)上述實施例方法中的全部或部分流程，也可以通過計算機(jī)程序來指令相關(guān)的硬件來完成，所述的計算機(jī)程序可存儲于一計算機(jī)可讀存儲介質(zhì)中，該計算機(jī)程序在被處理器執(zhí)行時，可實現(xiàn)上述各個方法實施例的步驟。其中，所述計算機(jī)程序包括計算機(jī)程序代碼，所述計算機(jī)程序代碼可以為源代碼形式、對象代碼形式、可執(zhí)行文件或某些中間形式等。所述計算機(jī)可讀介質(zhì)可以包括：能夠攜帶所述計算機(jī)程序代碼的任何實體或裝置、記錄介質(zhì)、u盤、移動硬盤、磁碟、光盤、計算機(jī)存儲器、只讀存儲器(rom，read-onlymemory)、隨機(jī)存取存儲器(ram，randomaccessmemory)、電載波信號、電信信號以及軟件分發(fā)介質(zhì)等。需要說明的是，所述計算機(jī)可讀介質(zhì)包含的內(nèi)容可以根據(jù)司法管轄區(qū)內(nèi)立法和專利實踐的要求進(jìn)行適當(dāng)?shù)脑鰷p，例如在某些司法管轄區(qū)，根據(jù)立法和專利實踐，計算機(jī)可讀介質(zhì)不包括電載波信號和電信信號。

盡管結(jié)合優(yōu)選實施方案具體展示和介紹了本發(fā)明，但所屬領(lǐng)域的技術(shù)人員應(yīng)該明白，在不脫離所附權(quán)利要求書所限定的本發(fā)明的精神和范圍內(nèi)，在形式上和細(xì)節(jié)上可以對本發(fā)明做出各種變化，均為本發(fā)明的保護(hù)范圍。