一种基于太赫兹的大米产地鉴别模型的训练及鉴别方法与流程

1.本发明涉及快速检测领域，更具体地，涉及一种基于太赫兹的大米产地鉴别模型的训练及鉴别方法。


背景技术：

2.大米是最重要的谷类作物之一，是一种复杂的食物基质，富含蛋白质、脂肪、淀粉和其它营养素，而其质量受众多因素的影响，如地理位置、遗传、生长条件和加工过程等，因此造就了不同产地的大米具有不同的区域特色以及质量水平。随着人们生活水平的提高，部分特定的地理标志产品因其质量更优、口感更好，相对其他普通品牌大米具有更高的经济效益和消费者青睐度。与此同时，市场上出现张冠李戴或掺假冒充销售的现象，给欺诈者带来不公平的经济利益，以及破坏消费者对生产者的信任度和损害消费者权益。因此，为消费者、生产者、零售商开发可鉴别大米地理来源的有效工具是非常必要的。
3.传统的人工进行大米产地鉴别方法，主要依靠大米色泽、外观、香味、手感及品尝等方式，对鉴别者经验的依赖性重，具备非常大的主观性以及不确定性。
4.而近年来，针对大米产地的区分鉴别，技术方法主要包括稳定同位素、矿物质元素分析、色谱质谱法等，需要事先对大米进行复杂的前处理，同时检测涉及的试剂较多，检测步骤繁琐、周期较长，不宜进行快速分析，检测成本高，不适宜大范围推广，且往往需要结合感官鉴别、生物学鉴别、化学鉴别等多种技术分析手段才能对大米的产地进行区分，无法满足快速鉴别的大米产地的需求。


技术实现要素：

5.本发明旨在克服上述现有技术的至少一种缺陷(不足)，提供一种基于太赫兹的大米产地鉴别模型的训练及鉴别方法，用于解决现有检测技术检测步骤繁琐、周期长、成本高，无法快速有效鉴别大米产地的问题。
6.本发明采取的技术方案是，一种基于太赫兹的大米产地鉴别模型的训练方法，包括以下步骤：
7.获取若干不同产地的大米样品；
8.对所述大米样品进行扫描，得到所有所述大米样品在不同频率下的太赫兹吸收系数谱数据作为总样本集；
9.初始化分类模型；
10.对所述总样本集进行预处理，得到特征训练集以及特征验证集；
11.利用所述特征训练集训练所述分类模型，得到大米产地鉴别模型，并利用所述特征验证集验证所述大米产地鉴别模型的分类精度。
12.太赫兹时域光谱技术以其快速、无损、频带宽、衰减性小、无电离辐射伤害等特性在检测领域已经得到了国内外学者的广泛关注，在人体安全检查、环境监测、病变诊断、农产品质量安全监控等诸多领域取得了阶段性进展,具有广阔的应用前景和发展空间。其中，
太赫兹波通常指频率处于0.1～10.0thz的电磁波，生物大分子以及一些粮食活性成分的振动及转动能级能量差与太赫兹频段的能级匹配，通过分析太赫兹吸收系数谱，往往能够有效反映出粮食成分的细微差异。而大米通常由多种成分组成，不同产地大米由于成长环境不同，导致各自所含具体成分组成不同，因此，通过太赫兹光谱技术获取不同产地大米的太赫兹吸收系数谱数据进行分析，能够快速准确地进行大米产地的鉴别。本发明中，基于太赫兹技术，结合机器学习分类模型，通过获取不同产地大米样品的太赫兹吸收系数谱数据作为样本数据，训练验证分类模型，得到分类精度高的大米产地鉴别模型，从而准确高效的实现大米产地的鉴别，方便快捷，科学准确，有效满足快速鉴别的大米产地的需求。
13.进一步的，对所述总样本集进行预处理，得到特征训练集以及特征验证集，具体包括：
14.利用逐步搜索方法，筛选所述总样本集中的若干个频率下的太赫兹吸收系数谱数据；
15.对所筛选的若干个频率下的太赫兹吸收系数谱数据进行划分，得到特征训练集以及特征验证集。
16.进一步的，利用逐步搜索方法，筛选所述总样本集中的若干个频率下的太赫兹吸收系数谱数据，具体包括：
17.根据频率将所述总样本集划分为若干个子集，并对各所述子集进行划分，得到各所述子集的训练子集以及验证子集，其中，同一个频率下的太赫兹吸收系数谱数据均被划分在同一子集；
18.利用各所述子集的训练子集训练所述分类模型，并利用同一所述子集的验证子集验证所述分类模型的分类精度；
19.利用逐步搜索方法，根据各所述子集对应的所述分类模型的分类精度，筛选出所述总样本集中的若干个频率下的太赫兹吸收系数谱数据。
20.进一步的，通过逐步搜索方法，筛选所述总样本集中的若干个频率下的太赫兹吸收系数谱数据，具体包括：
21.s100、预先设定频率最低上界f
up
、上界搜索步长δ
up
、第一移动边界值th1、第一最优分类精度a
best1
、筛选频率上界f
up
，所述第一移动边界值th以及所述筛选频率上界f
up
的初始值为所述频率最低上界f
up
；
22.s200、选择所述总样本集中，频率小于所述第一移动边界值th1下的太赫兹吸收系数谱数据，作为所述总样本集划分的一个第一子集，并对所述第一子集进行划分，得到所述第一子集的训练子集以及验证子集；
23.s300、利用所述第一子集的训练子集训练所述分类模型，并利用所述第一子集的验证子集验证所述分类模型的第一分类精度a1；
24.s400、判断所述第一分类精度a1是否大于或等于所述第一最优分类精度a
best1
，若是，则执行步骤s501，若否，则执行步骤s502；
25.s501、将所述第一最优分类精度a
best1
更新为所述第一分类精度a1，以及将所述筛选频率上界f
up
更新为所述第一移动边界值th1；
26.s502、删除所述总样本集中，频率区间(th
1-δ
up
，th1]内的所有频率下的太赫兹吸收系数谱数据；
27.s600、将所述第一移动边界值th1更新为th1+δ
up
；
28.s700、判断所述第一移动边界值th1是否小于所述总样本集中频率的最大值fd，若是，返回步骤s200，若否，执行步骤s800；
29.s800、将所述总样本集中，介于频率区间(f0，f
up
]内的所有频率下的未被删除的太赫兹吸收系数谱数据，作为筛选出的所述总样本集中的若干个频率下的太赫兹吸收系数谱数据。
30.进一步的，步骤s800具体包括：
31.s810、预先设定频率最高下界f
down
、下界搜索步长δ
down
、第二移动边界值th2、第二最优分类精度a
best2
、筛选频率下界f
down
，所述第二移动边界值th2以及所述筛选频率下界f
down
的初始值为所述频率最高下界f
down
；
32.s820、选择所述总样本集中，频率大于所述第二移动边界值th2且小于所述筛选频率上界f
up
下的太赫兹吸收系数谱数据，作为所述总样本集划分的一个第二子集，并对所述第二子集进行划分，得到所述第二子集的训练子集以及验证子集；
33.s830、利用所述第二子集的训练子集训练所述分类模型，并利用所述第二子集的验证子集验证所述分类模型的第二分类精度a2；
34.s840、判断所述第二分类精度a2是否大于或等于所述第二最优分类精度a
best2
，若是，则执行步骤s851，若否，执行步骤s852；
35.s851、将所述第二最优分类精度a
best2
更新为所述第二分类精度a2，并将所述筛选频率下界f
down
更新为所述第二移动边界值th2；
36.s852、删除所述总样本集中，频率区间[th2，th2+δ
down
)内的所有频率下的太赫兹吸收系数谱数据；
[0037]
s860、将所述第二移动边界值th2更新为th
2-δ
down
；
[0038]
s870、判断所述第二移动边界值th2是否大于所述总样本集中频率的最小值f0，若是，返回步骤s820，若否，执行步骤s880；
[0039]
s880、将所述总样本集中，频率区间[f
down
，f
up
]内的所有频率下的未被删除的太赫兹吸收系数谱数据，作为筛选出的所述总样本集中的若干个频率下的太赫兹吸收系数谱数据。
[0040]
本发明中，利用逐步搜索的方法，分别通过从预设的频率最低上界向上以及从预设的频率最大下界向下两个方向进行搜索，根据各区间数据验证得到的模型分类精度，对所获取的总样本集中的特征数据进行筛选，选择能够使得分类模型分类精度尽可能高的特征，即对输入模型特征数据进行降维，从而进一步提高大米鉴别模型的分类精度，提升模型鉴别准确率。
[0041]
进一步的，对所述大米样品进行扫描，得到所有所述大米样品在不同频率下的太赫兹吸收系数谱数据作为总样本集，具体包括：
[0042]
对所述大米样品进行扫描，得到所有所述大米样品在不同频率下的初步太赫兹吸收系数谱数据；
[0043]
对所述不同频率下的初步太赫兹吸收系数谱数据进行平滑去噪处理，得到处理后的不同频率下的太赫兹吸收系数谱数据，并将所述处理后的不同频率下的太赫兹吸收系数谱数据作为总样本集。
[0044]
本发明中，还公开了对大米样品在不同频率下的太赫兹吸收系数谱数据进行平滑降噪处理，有效减少鉴别过程中的噪声干扰，从而进一步提高大米鉴别模型的分类精度，提升模型鉴别准确率。
[0045]
另一方面，本发明采取的另一种技术方案为，一种基于太赫兹的大米产地鉴别方法，包括以下步骤：
[0046]
获取待测大米；
[0047]
对所述待测大米进行扫描，得到所述待测大米在不同频率下的太赫兹吸收系数谱数据；
[0048]
对所述待测大米在不同频率下的太赫兹吸收系数谱数据进行预处理，得到预处理后的太赫兹吸收系数谱数据；
[0049]
将所述预处理后的太赫兹吸收系数谱数据作为输入数据，输入至由上述训练方法得到的大米产地鉴别模型，输出所述待测大米的产地鉴别结果。
[0050]
进一步的，对所述待测大米在不同频率下的太赫兹吸收系数谱数据进行预处理，得到预处理后的太赫兹吸收系数谱数据，具体包括：
[0051]
利用逐步搜索方法，筛选所述待测大米在不同频率下的太赫兹吸收系数谱数据中的若干个频率下的太赫兹吸收系数谱数据，并将所筛选的若干个频率下的太赫兹吸收系数谱数据作为预处理后的太赫兹吸收系数谱数据。
[0052]
另一方面，本发明采取的另一种技术方案为，一种基于太赫兹的大米产地鉴别模型的训练系统，包括：
[0053]
大米样品获取模块，用于获取若干不同产地的大米样品；
[0054]
总样本集获取模块，用于对所述大米样品进行扫描，得到所有所述大米样品在不同频率下的太赫兹吸收系数谱数据作为总样本集；
[0055]
模型初始化模块，用于初始化分类模型；
[0056]
预处理模块，用于对所述总样本集进行预处理，得到特征训练集以及特征验证集；
[0057]
训练验证模块，用于利用所述特征训练集训练所述分类模型，得到大米产地鉴别模型，并利用所述特征验证集验证所述大米产地鉴别模型的分类精度。
[0058]
另一方面，本发明采取的另一种技术方案为，一种基于太赫兹的大米产地鉴别系统，包括：
[0059]
待测大米获取模块，用于获取待测大米；
[0060]
太赫兹数据获取模块，用于对所述待测大米进行扫描，得到所述待测大米在不同频率下的太赫兹吸收系数谱数据；
[0061]
太赫兹数据预处理模块，用于对所述待测大米在不同频率下的太赫兹吸收系数谱数据进行预处理，得到预处理后的太赫兹吸收系数谱数据；
[0062]
鉴别模块，用于将所述预处理后的太赫兹吸收系数谱数据作为输入数据，输入至由上述训练方法得到的大米产地鉴别模型，输出所述待测大米的产地鉴别结果。
[0063]
与现有技术相比，本发明的有益效果为：
[0064]
本发明基于太赫兹技术，结合机器学习，通过获取不同产地大米样品的太赫兹吸收系数谱数据作为样本数据，训练验证分类模型，得到分类精度高的大米产地鉴别模型，从而准确高效的实现未知待测大米产地的鉴别，方便快捷，科学准确，有效满足快速鉴别的大
米产地的需求。
附图说明
[0065]
图1为实施例1中训练方法流程图。
[0066]
图2为实施例1中训练方法步骤s2的具体流程图。
[0067]
图3为实施例1中训练方法步骤s4的具体流程图。
[0068]
图4为实施例1中训练方法步骤s41的具体流程图。
[0069]
图5为实施例1中经步骤s22平滑去噪处理后的总样本集曲线图。
[0070]
图6为实施例1中经步骤s41筛选出的若干个频率下的太赫兹吸收系数谱数据图。
[0071]
图7为实施例2中鉴别方法流程图。
[0072]
图8为实施例3中训练系统结构图。
[0073]
图9为实施例4中鉴别系统结构图。
[0074]
附图标记说明：大米样品获取模块100，总样本集获取模块200，模型初始化模块300，预处理模块400，训练验证模块500，待测大米获取模块600，太赫兹数据获取模块700，太赫兹数据预处理模块800，鉴别模块900。
具体实施方式
[0075]
本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0076]
实施例1
[0077]
如图1所示，本实施例提供一种基于太赫兹的大米产地鉴别模型的训练方法，包括以下步骤：
[0078]
s1、获取若干不同产地的大米样品；
[0079]
s2、对大米样品进行扫描，得到所有大米样品在不同频率下的太赫兹吸收系数谱数据作为总样本集；
[0080]
进一步的，如图2所示，步骤s2具体包括：
[0081]
s21、对大米样品进行扫描，得到所有大米样品在不同频率下的初步太赫兹吸收系数谱数据；
[0082]
s22、对不同频率下的初步太赫兹吸收系数谱数据进行平滑去噪处理，得到处理后的不同频率下的太赫兹吸收系数谱数据，并将处理后的不同频率下的太赫兹吸收系数谱数据作为总样本集；
[0083]
具体的，本实施例中，步骤s22中使用的平滑去燥方法为savitzky-golay平滑去噪法；
[0084]
s3、初始化分类模型；
[0085]
具体的，本实施例中，选择初始化的分类模型为支持向量机，支持向量机使用的核函数为高斯核函数。
[0086]
s4、对总样本集进行预处理，得到特征训练集以及特征验证集；
[0087]
进一步的，如图3所示，步骤s4具体包括：
[0088]
s41、利用逐步搜索方法，筛选总样本集中的若干个频率下的太赫兹吸收系数谱数据；
[0089]
s42、对所筛选的若干个频率下的太赫兹吸收系数谱数据进行划分，得到特征训练集以及特征验证集。
[0090]
进一步的，步骤s41，具体包括：
[0091]
根据频率将总样本集划分为若干个子集，并对各子集进行划分，得到各子集的训练子集以及验证子集，其中，同一个频率下的太赫兹吸收系数谱数据均被划分在同一子集；
[0092]
利用各子集的训练子集训练分类模型，并利用同一子集的验证子集验证分类模型的分类精度；
[0093]
利用逐步搜索方法，根据各子集对应的分类模型的分类精度，筛选出总样本集中的若干个频率下的太赫兹吸收系数谱数据。
[0094]
更进一步的，如图4所示，步骤s41，具体包括：
[0095]
s100、预先设定频率最低上界f
up
、上界搜索步长δ
up
、第一移动边界值th1、第一最优分类精度a
best1
、筛选频率上界f
up
，第一移动边界值th以及筛选频率上界f
up
的初始值为频率最低上界f
up
；
[0096]
s200、选择总样本集中，频率小于第一移动边界值th1下的太赫兹吸收系数谱数据，作为总样本集划分的一个第一子集，并对第一子集进行划分，得到第一子集的训练子集以及验证子集；
[0097]
s300、利用第一子集的训练子集训练分类模型，并利用第一子集的验证子集验证所述分类模型的第一分类精度a1；
[0098]
s400、判断第一分类精度a1是否大于或等于第一最优分类精度a
best1
，若是，则执行步骤s501，若否，则执行步骤s502；
[0099]
s501、将第一最优分类精度a
best1
更新为第一分类精度a1，以及将筛选频率上界f
up
更新为第一移动边界值th1；
[0100]
s502、删除总样本集中，频率区间(th
1-δ
up
，th1]内的所有频率下的太赫兹吸收系数谱数据；
[0101]
s600、将第一移动边界值th1更新为th1+δ
up
；
[0102]
s700、判断第一移动边界值th1是否小于总样本集中频率的最大值fd，若是，返回步骤s200，若否，执行步骤s800；
[0103]
s800、将总样本集中，介于频率区间(f0，f
up
]内的所有频率下的未被删除的太赫兹吸收系数谱数据，作为筛选出的总样本集中的若干个频率下的太赫兹吸收系数谱数据。
[0104]
进一步的，步骤s800，具体包括：
[0105]
s810、预先设定频率最高下界f
down
、下界搜索步长δ
down
、第二移动边界值th2、第二最优分类精度a
best2
、筛选频率下界f
down
，第二移动边界值th2以及筛选频率下界f
down
的初始值为频率最高下界f
down
；
[0106]
s820、选择总样本集中，频率大于第二移动边界值th2且小于筛选频率上界f
up
下的太赫兹吸收系数谱数据，作为总样本集划分的一个第二子集，并对第二子集进行划分，得到第二子集的训练子集以及验证子集；
[0107]
s830、利用第二子集的训练子集训练分类模型，并利用第二子集的验证子集验证
分类模型的第二分类精度a2；
[0108]
s840、判断第二分类精度a2是否大于或等于第二最优分类精度a
best2
，若是，则执行步骤s851，若否，执行步骤s852；
[0109]
s851、将第二最优分类精度a
best2
更新为第二分类精度a2，并将筛选频率下界f
down
更新为第二移动边界值th2；
[0110]
s852、删除总样本集中，频率区间[th2，th2+δ
down
)内的所有频率下的太赫兹吸收系数谱数据；
[0111]
s860、将第二移动边界值th2更新为th
2-δ
down
；
[0112]
s870、判断第二移动边界值th2是否大于总样本集中频率的最小值f0，若是，返回步骤s820，若否，执行步骤s880；
[0113]
s880、将总样本集中，频率区间[f
down
，f
up
]内的所有频率下的未被删除的太赫兹吸收系数谱数据，作为筛选出的总样本集中的若干个频率下的太赫兹吸收系数谱数据；
[0114]
s5、利用特征训练集训练所述分类模型，得到大米产地鉴别模型，并利用特征验证集验证所述大米产地鉴别模型的分类精度。
[0115]
具体的，本实施例实施过程如下，其中使用的仪器及样品信息如下表1、2所示：
[0116]
表1仪器信息表
[0117]
名称型号/编号太赫兹时域光谱仪cct-1800万分之一天平lab 214i压片机hy-2粉碎机bj-200电热鼓风干燥箱dhg-9070a氮气15mpa/40l
[0118]
表2样品信息表
[0119]
编号样品名称品牌产地信息类型生产日期来源2泰国茉莉香米金拿利泰国籼米2020.11.20中检提供4柬埔寨茉莉香米高得莱柬埔寨籼米2021.02.20中检提供6珍香丝苗米珍香广东台山籼米2021.07.30自购8乌汶府茉莉香米明大金马泰国吴汶府籼米2021.02.03中检提供10东北大米金睿来黑龙江粳米/自购12柬埔寨香米sko/柬埔寨籼米/中检提供14柬埔寨茉莉香米/柬埔寨籼米/中检提供16柬埔寨白米om/柬埔寨籼米/中检提供
[0120]
具体的，本实施例中，步骤s1中，上述不同产地的大米样品获取，具体实施过程为：
[0121]
取各产地大米样品约300g～500g，置粉碎机内，振摇粉碎3min，过200目筛；
[0122]
精密称定粉末0.195g～0.205g，置压片模具上，用24mpa压1min，压成直径为13mm的圆形薄片，记录压片后样品片的厚度，每片样品片的厚度范围1.10mm～1.30mm。
[0123]
步骤s2中，对大米样品进行扫描，具体实施过程为：
[0124]
开启太赫兹时域光谱仪，放上样品架，通入氮气除去样品仓的水汽后，获取氮气参
考谱线，把制备的样品放置样品架上进行扫描测定，每个样品片测定5次，平均次数100。
[0125]
具体的，本实施例实施过程中，步骤s21得到的所有大米样品在不同频率下的初步太赫兹吸收系数谱数据为x∈r
800*2185
，其中x的每一行表示一个样本数据，800为样本总数，2185为样本维数，x
ij
表示第i个样本在频率fj处的太赫兹吸收系数谱数据，0.0046thz＝f1《
…
《f
2185
＝10.0021thz。
[0126]
具体的，步骤s22中，使用savitzky-golay平滑去噪法对x进行平滑去噪，savitzky-golay的平滑窗口大小和阶数分别设置为145和2。
[0127]
具体的，步骤s42中，对所筛选的若干个频率下的太赫兹吸收系数谱数据进行划分，得到特征训练集以及特征验证集，将所筛选的若干个频率下的太赫兹吸收系数谱数据的60％随机划分为特征训练集，剩余的40％划分为特征验证集，即特征训练集中样本数为480，特征验证集中样本数为320。
[0128]
具体的，步骤s100中，预先设定频率最低上界f
up
＝1thz、上界搜索步长δ
up
＝0.1thz、第一最优分类精度a
best1
＝0，
[0129]
具体的，步骤s810中，预先设定频率最高下界f
down
＝4thz、下界搜索步长δ
down
＝0.1thz、第二最优分类精度a
best2
＝0。
[0130]
具体的，本实施例中，经步骤s22平滑去噪处理后的总样本集曲线图如图5所示，以及经步骤s41筛选出的总样本集中的若干个频率下的太赫兹吸收系数谱数据如图6所示。
[0131]
利用步骤s41所筛选出的若干个频率下的太赫兹吸收系数谱数据，进行十次随机实验，实验所得到的大米分类平均精度为96％，因此，该实验结果表明，本实施例所提供的基于太赫兹的大米产地鉴别模型的训练方法，训练得到的大米产地鉴别模型，具有较高的分类精度，可以准确有效实现大米产地的鉴别。
[0132]
实施例2
[0133]
如图7所示，本实施例提供一种基于太赫兹的大米产地鉴别方法，包括以下步骤：
[0134]
s10、获取待测大米；
[0135]
s20、对待测大米进行扫描，得到待测大米在不同频率下的太赫兹吸收系数谱数据；
[0136]
s30、对待测大米在不同频率下的太赫兹吸收系数谱数据进行预处理，得到预处理后的太赫兹吸收系数谱数据；
[0137]
s40、将预处理后的太赫兹吸收系数谱数据作为输入数据，输入至由实施例1中方法得到的大米产地鉴别模型，输出待测大米的产地鉴别结果。
[0138]
进一步的，步骤s30，具体包括：
[0139]
利用逐步搜索方法，筛选待测大米在不同频率下的太赫兹吸收系数谱数据中的若干个频率下的太赫兹吸收系数谱数据，并将所筛选的若干个频率下的太赫兹吸收系数谱数据作为预处理后的太赫兹吸收系数谱数据。
[0140]
实施例3
[0141]
如图8所示，本实施例提供一种基于太赫兹的大米产地鉴别模型的训练系统，包括：
[0142]
大米样品获取模块100，用于获取若干不同产地的大米样品；
[0143]
总样本集获取模块200，用于对所述大米样品进行扫描，得到所有所述大米样品在
不同频率下的太赫兹吸收系数谱数据作为总样本集；
[0144]
模型初始化模块300，用于初始化分类模型；
[0145]
预处理模块400，用于对所述总样本集进行预处理，得到特征训练集以及特征验证集；
[0146]
训练验证模块500，用于利用所述特征训练集训练所述分类模型，得到大米产地鉴别模型，并利用所述特征验证集验证所述大米产地鉴别模型的分类精度。
[0147]
实施例4
[0148]
如图9所示，本实施例提供一种基于太赫兹的大米产地鉴别系统，包括：
[0149]
待测大米获取模块600，用于获取待测大米；
[0150]
太赫兹数据获取模块700，用于对所述待测大米进行扫描，得到所述待测大米在不同频率下的太赫兹吸收系数谱数据；
[0151]
太赫兹数据预处理模块800，用于对所述待测大米在不同频率下的太赫兹吸收系数谱数据进行预处理，得到预处理后的太赫兹吸收系数谱数据；
[0152]
鉴别模块900，用于将所述预处理后的太赫兹吸收系数谱数据作为输入数据，输入至由上述训练方法得到的大米产地鉴别模型，输出所述待测大米的产地鉴别结果。
[0153]
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。