基于深度学习的航空发动机孔探图像损伤智能识别方法与流程
本发明属于航空发动机损伤识别技术领域，特别涉及一种基于深度学习的航空发动机孔探图像损伤智能识别方法。
背景技术：
发动机作为飞机中的核心部件，对于飞行安全具有重要影响。发动机工作时内部温度高、压强大，因此发动机内部结构常会出现多种损伤，如裂缝、烧穿等。如果不能及时发现这些损伤，将会对民航飞行安全造成重大的威胁。因此，民航公司使用多种检测方式，来及时发现发动机结构的安全隐患。
发动机孔探技术是重要的检测手段之一。孔探技术人员使用孔探摄像头伸入发动机中，拍摄发动机内部的照片、视频等，并在对应的照片、视频中寻找裂缝、烧穿等损伤，最终形成孔探报告，为进一步的维修、维护工作提供指导。但是孔探技术往往耗时耗力，对一台发动机的孔探往往要耗费数十小时之久。并且受到孔探人员主观因素的影响，其准确率有限。随着我国经济发展、城市化进程加快，近年来国内、国外航线出现了迅速增长。传统的孔探技术由于效率、精度有限，人力成本高，越发地不能满足当前高涨的发动机孔探需求。
技术实现要素：
为了解决上述问题，本发明提供了一种一种基于深度学习的航空发动机孔探图像损伤智能识别方法，其包括：获取在测试集上达到预设准确率要求的全卷积神经网络的网络权重，所述测试集为多个航空发动机孔探标记图像，所述航空发动机孔探标记图像为经试验人员标记了损伤区域和与所述损伤区域对应损伤类别的航空发动机孔探图像；加载所述网络权重以初始化所述全卷积神经网络；获取航空发动机孔探图像；对所述航空发动机孔探图像进行预处理，得到符合所述全卷积神经网络输入要求的预处理图像；使用初始化后的所述全卷积神经网络对所述预处理图像进行处理，得到所述航空发动机孔探图像的损伤区域和与所述损伤区域对应的损伤类别。
在如上所述的方法中，优选地，所述使用初始化后的所述全卷积神经网络对所述预处理图像进行处理，得到所述航空发动机孔探图像的损伤区域和与所述损伤区域对应的损伤类别，具体包括：使用初始化后的所述全卷积神经网络的卷积结构对所述预处理图像进行特征提取得到图像特征张量；使用初始化后的所述全卷积神经网络的反卷积结构对所述图像特征张量进行升维处理得到所述航空发动机孔探图像中每个像素分别为各种损伤类别的概率；根据每个像素分别为各种损伤类别的概率得到每个像素的损伤类别；根据每个像素的损伤类别得到所述航空发动机孔探图像的损伤区域和与所述损伤区域对应的损伤类别。
在如上所述的方法中，优选地，所述获取在测试集上达到预设准确率要求的全卷积神经网络的网络权重，具体包括：获取多个航空发动机孔探标记图像；将多个所述航空发动机孔探标记图像按比例划分为测试集和训练集，对所述训练集中的航空发动机孔探标记图像进行预处理；构建并初始化全卷积神经网络；使用经预处理后的训练集训练经初始化后的全卷积神经网络，得到训练后的网络权重；使用所述测试集验证用训练后的网络权重更新的所述全卷积神经网络是否有效，如果验证为有效，则所述训练后的网络权重作为在所述测试集上达到所述预设准确率要求的所述全卷积神经网络的网络权重。
在如上所述的方法中，优选地，在所述将多个所述航空发动机孔探标记图像按比例划分为测试集和训练集之后，所述方法还包括：对所述训练集中的各航空发动机孔探标记图像进行数据增强处理，得到航空发动机孔探增强图像；对应地，所述训练集中的图像包括：航空发动机孔探标记图像和与所述航空发动机孔探标记图像对应的航空发动机孔探增强图像。
在如上所述的方法中，优选地，所述构建并初始化全卷积神经网络，具体包括：搭建所述全卷积神经网络中的卷积结构，所述卷积结构用于对接收的所述航空发动机孔探标记图像进行特征提取以得到图像特征张量；搭建所述全卷积神经网络中的反卷积结构，所述反卷积结构用于对接收的所述图像特征张量进行升维处理以得到所述航空发动机孔探标记图像中每个像素分别为各种损伤类别的概率；使用预训练权重对所述卷积结构进行初始化，所述预训练权重由所述卷积结构在公开的图像数据集上经训练得到；初始化反卷积结构。
在如上所述的方法中，优选地，所述卷积结构包括多个卷积块，每个所述卷积块包括配第一种激活函数的卷积层以及池化层；所述反卷积结构包括反卷积层和配第二种激活函数的卷积层；所述第一种激活函数和所述第二种激活函数为不同的激活函数。
在如上所述的方法中，优选地，所述卷积结构包括：5个卷积块，每个所述卷积块为两个连续的配relu激活函数的卷积层加上一个池化层的结构；所述反卷积结构包括：反卷积层和一个配sigmoid激活函数的卷积层。
在如上所述的方法中，优选地，所述对航空发动机孔探图像进行预处理，具体包括：将所述航空发动机孔探图像的尺寸缩放为符合所述全卷积神经网络对尺寸的输入要求；对缩放后的图像进行标准化以将所述缩放后的图像的所有像素的均值变为0和方差变为1。
在如上所述的方法中，优选地，所述使用经预处理后的训练集训练经初始化后的全卷积神经网络，得到训练后的网络权重，具体包括：将训练集分为多批，每批包含n张所述航空发动机孔探标记图像；对初始化后的所述全卷积神经网络重复执行训练步骤以遍历多批，直至目标函数的值符合预设条件，将与符合预设条件的目标函数的值对应的网络权重作为训练后的网络权重；所述训练步骤具体包括：预测每批中各张所述航空发动机孔探标记图像中的各个像素分别为不同损伤类别的概率；根据各个像素分别为不同损伤类别的概率得到每个像素预测的损伤类别；获取表示各像素预测的损伤类别和经试验人员标记的损伤类别差距的值；将每批中所有所述航空发动机孔探标记图像中所有像素预测的损伤类别和经试验人员标记的损伤类别差距的值的平均值，作为目标函数；基于反向传播法，根据目标函数来计算所述全卷积神经网络中各权重变化的梯度，并使用最优化方法，根据计算得到的梯度值来调整所述全卷积神经网络中各权重的值；其中，n为大于等于1的正整数。
在如上所述的方法中，优选地，所述使用测试集验证用训练后的网络权重更新的所述全卷积神经网络是否有效，如果验证为有效，则所述训练后的网络权重作为在所述测试集上达到所述预设准确率要求的所述全卷积神经网络的网络权重，具体包括：预设评价指标：对于一张所述航空发动机孔探标记图像的预测结果，有像素准确率pa和平均重合率miou两个评价指标，pa＝∑inii/∑iti，
本发明实施例提供的技术方案带来的有益效果是：
采用全卷积神经网络对航空发动机孔探图像中的损伤区域进行智能识别，有效地提高了现有基于人力识别方法的工作效率和准确率；在孔探过程中不仅能起到辅助孔探人员定位损伤、提高孔探效率的作用，还能够协助孔探人员发现一些人工较难发现或常被忽略的损伤(即能够辅助人工识别出未发现的损伤区域)，能够进一步提高孔探过程的精度，降低了孔探过程中人为主观因素的影响；能够长期高效地工作，降低了人力的消耗，减少了工作人员在疲劳工作下误判、漏判损伤的概率，提高了识别精度。
附图说明
图1是本发明实施例提供的一种基于深度学习的航空发动机孔探图像损伤智能识别方法的流程示意图。
图2是本发明实施例提供的另一种基于深度学习的航空发动机孔探图像损伤智能识别方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
需要说明的是：下述的损伤类别既包括有损伤的类别，如裂缝、烧穿；又包括无损伤的类别，即无损伤。
参见图1，本发明一实施例提供了一种基于深度学习的航空发动机孔探图像损伤智能识别方法，其包括如下步骤：
步骤101，获取在测试集上达到预设准确率要求的全卷积神经网络的网络权重，其中，测试集为多个航空发动机孔探标记图像，航空发动机孔探标记图像为经试验人员标记了损伤区域和与损伤区域对应损伤类别的航空发动机孔探图像。
步骤102，加载网络权重以初始化全卷积神经网络。
步骤103，获取航空发动机孔探图像。
步骤104，对航空发动机孔探图像进行预处理，得到符合全卷积神经网络输入要求的预处理图像。
步骤105，使用初始化后的全卷积神经网络对预处理图像进行处理，得到航空发动机孔探图像的损伤区域和与损伤区域对应的损伤类别。
本实施例通过采用全卷积神经网络对航空发动机孔探图像中的损伤区域及损伤区域对应的损伤类别进行智能识别，有效地提高了现有基于人力识别方法的工作效率和准确率。在孔探过程中不仅能起到辅助孔探人员定位损伤、提高孔探效率的作用，还能够协助孔探人员发现一些人工较难发现或常被忽略的损伤(即能够辅助人工识别出未发现的损伤区域)，能够进一步提高孔探过程的精度，降低了孔探过程中人为主观因素的影响；它能够长期高效地工作，降低了人力的消耗，减少了工作人员在疲劳工作下误判、漏判损伤的概率，提高了识别精度。
参见图2，本发明另一实施例提供了一种基于深度学习的航空发动机孔探图像损伤智能识别方法，其包括如下步骤：
步骤201，获取测试集和训练集，对训练集中图像进行预处理，得到符合全卷积神经网络输入要求的图像。
具体地，首先，获得多个航空发动机孔探图像，标记损伤区域及其对应的损伤类别，此时将标记后的图像称为航空发动机孔探标记图像。例如：试验人员通过现场拍摄或收集历史图像的方法获得多个航空发动机孔探图像，在每个图像中使用几何形状标记出损伤区域及其对应的损伤类别，几何形状可以为多边形，还可以为其他形状。标记时试验人员(或称孔探技术专业人员或称航空发动机孔探图像损伤识别领域的专家人员)通过逐个标记多边形的顶点，首尾顺次连接各顶点得到多边形的损伤区域。标记的损伤区域，其类别可能为裂缝或者烧穿。需要说明的是，在一张图像中，可能出现多个损伤区域，还可能同时出现不同种类损伤区域。一般损伤区域不会有重合；如有重合，则将重合区域标记为裂缝损伤。在标记过程中，试验人员只会标记有损伤的区域，未标记的图像区域则被默认设置为无损伤区域。
然后，将多个航空发动机孔探标记图像按比例划分为测试集和训练集，即由多个航空发动机孔探标记图像的一部分形成测试集，由多个航空发动机孔探图像的另一部分形成训练集，比例可以为80％和20％的比例，还可以为其他的比例，本实施例对此不进行限定。
再次，对训练集中各图像进行预处理，得到符合下述全卷积神经网络输入要求的图像，其包括：首先将航空发动机孔探标记图像的尺寸缩放为符合全卷积神经网络对尺寸的输入要求。以全卷积神经网络对图像尺寸的输入要求为32的倍数为例进行说明，例如：以高×宽表示的尺寸为576×768。然后对缩放后的图像进行标准化以将缩放后的图像的所有像素的均值变为0和方差变为1。例如：采用公式x′＝x/127.5-1调整图像像素值，其中，x为图像中各点像素值(即标准化前各点像素值)，x′为处理后图像各点像素值(即标准化后各点像素值)。
为了优化全卷积神经网络的训练结果，所述方法还包括：对训练集中的各航空发动机孔探标记图像进行数据增强处理，得到航空发动机孔探增强图像，数据增强处理后，训练集中包括：航空发动机孔探标记图像和与航空发动机孔探标记图像对应的航空发动机孔探增强图像。数据增强处理的方法可以为：对航空发动机标记图像进行翻转处理，例如：水平方向翻转和/或竖直方向翻转和/或水平竖直方向翻转，水平竖直方向翻转表示既进行水平方向翻转又进行竖直方向翻转。在其他的实施例中，还可以为旋转处理，本实施例对此不进行限定。
步骤202，构建并初始化全卷积神经网络。
具体地，首先，搭建全卷积神经网络中的卷积结构，卷积结构用于对航空发动机孔探标记图像进行特征提取以得到图像特征张量。卷积结构包括：多个卷积块，每个卷积块包括：配第一种激活函数的卷积层以及池化层。下面以卷积块数量为5，卷积层数量为2为例对卷积结构进行说明。卷积结构包括：5个卷积块，每个卷积块为conv+relu+conv+relu+pooling结构，即两个连续的配relu激活函数的卷积层加上一个池化层的结构。卷积层的核大小和步长分别为3×3及1，池化层的核大小和步长分别为2×2和2，第一种激活函数为relu激活函数。5个卷积块将输入图像尺寸缩小了32倍。需要说明的是，卷积结构的具体构成可以根据实际情况进行调整，本实施例不对卷积块的数量进行限制，也不对卷积块的具体结构进行限制。
然后，搭建全卷积神经网络中的反卷积结构，反卷积结构用于对图像特征张量进行升维处理以得到航空发动机孔探标记图像中每个像素分别为各种损伤类别的概率。反卷积结构包括：反卷积层和配第二种激活函数的卷积层；第二种激活函数和第一种激活函数为不同的激活函数。下面以卷积层的数量为1为例对反卷积结构进行说明。反卷积结构包括：反卷积层和一个配sigmoid激活函数的卷积层。反卷积层的核大小和步长分别为64×64和32，卷积层的核大小和步长分别为1×1及1，第二种激活函数为sigmoid激活函数。该反卷积结构将输入图像尺寸扩大了32倍。需要说明的是，反卷积结构的具体构成可以根据实际情况进行调整，本实施例不对卷积块的数量进行限制，也不对卷积块的具体结构进行限制。
再次，初始化全卷积神经网络，其包括：初始化全卷积神经网络的卷积结构和初始化全卷积神经网络的反卷积结构。初始化卷积结构可以通过使用随机噪声来初始化卷积结构的各权重实现，初始化反卷积结构的反卷积层可以通过使用双线性插值变换矩阵来初始化反卷积层的权重来实现，初始化反卷积结构的卷积层可以通过使用随机噪声来初始换该卷积层的权重来实现。随机噪声可以采用正态分布的随机噪声。
为了使得全卷积神经网络更快地收敛，使用预训练权重对卷积结构的各权重进行初始化。预训练权重由卷积结构在公开的图像数据集上经训练得到。公开的图像数据集例如可以为imagenet图像数据，其是一个用于视觉对象识别算法研究的大型图像数据集。
步骤203，使用经预处理后的训练集训练经初始化后的全卷积神经网络，得到训练后的网络权重。
具体的，首先，将经预处理后的训练集中所有航空发动机标记图像分为多批，每批包含n张图像，即将经预处理后的训练集分为大小为n的批，n为大于等于1的自然数。当n＝1时，由于包含1张图像，可以不对处理后的训练集进行批划分。
然后，执行训练步骤，其包括：预测一批中各张航空发动机孔探标记图像中的每个像素分别为不同损伤类别的概率。根据每个像素分别为不同损伤类别的概率得到每个像素的损伤类别，此时得到的损伤类别为预测损伤类别，例如：选取概率最大的损伤类别作为该像素的损伤类别。获取表示各像素的预测损伤类别和标记损伤类别差距的值。应用中，可以通过交叉熵来计算得到该值，标记损伤类别为由试验人员标记的损伤类别。将该批中所有航空发动机孔探标记图像中所有像素表示预测损伤类别和标记损伤类别差距的值的平均值，作为目标函数，当采用交叉熵来计算得到该值时，此时的目标函数可称之为交叉熵函数。基于反向传播法，根据目标函数来计算全卷积神经网络中各权重变化的梯度，即基于目标函数，使用反向传播法来计算全卷积神经网络中各权重变化的梯度值，并使用最优化方法，根据计算得到的梯度值来更新(即修改或调整)全卷积神经网络中各权重的值。最优化方法为机器学习中的优化方法，其可以为随机梯度下降法或rmsprop方法或adam方法。
其中，目标函数l可以表示为：
再次，依次对多批中的一个批执行上述训练步骤，直至目标函数的值符合预设条件，将与符合预设条件的目标函数的值对应的网络权重作为训练后的网络权重。预设条件可以为目标函数的值不再降低或目标函数的值小余预设目标函数值，如10-5、10-6。
步骤204，使用训练集验证用训练后的网络权重更新的全卷积神经网络是否有效，如果验证为有效，则训练后的网络权重作为在测试集上达到预设准确率要求的全卷积神经网络的网络权重。
具体地，使用测试集和预设的评价指标验证用训练后的网络权重更新的全卷积神经网络是否有效。评价指标用来验证全卷积神经网络是否有效，其可以为下述的像素准确率pa和平均重合率miou，还可以根据不同的应用需求，使用其他的评价指标来衡量全卷积神经网络的有效性，例如根据各个像素的预测结果，计算得到的查准率(precision)或查全率(recall)。下面以像素准确率pa和平均重合率miou为例对验证过程进行具体说明。
首先，预设评价指标：像素准确率和平均重合率。像素准确率pa(pixelaccuracy)＝∑inii/∑iti，平均重合率miou(meanintersectionoverunion)表示所有损伤类别的预测的损伤区域以及实际标记(即试验人员标记)的损伤区域重合度的平均值，
然后，对测试集中各航空发动机孔探标记图像进行预处理，得到符合全卷积神经网络输入要求的预处理图像，用训练后的网络权重进行网络权重更新的全卷积神经网络对预处理图像进行预测得到航空发动机孔探标记图像中每个像素为各种损伤类别的概率，进而得到每个像素预测的损伤类别。关于该步骤的具体描述内容可参见上述步骤201～203的相关内容，此处不再一一赘述。
再次，根据航空发动机孔探标记图像中每个像素标记的损伤类别和预测的损伤类别，计算航空发动机孔探标记图像的pa和miou，判断测试集中所有图像平均的pa和miou是否符合各自的预设阈值要求，该预设阈值通常由试验人员设定；若判断为符合，则将全卷积神经网络网络此时的权重作为在测试集上达到预设准确率要求的全卷积神经网络的网络权重，即认为全卷积神经网络可用。
若判断为不符合，则重新选择超参数，重新训练，即依次对多批中的一个批执行上述训练步骤，直至目标函数的值符合预设条件，将与符合预设条件的目标函数的值对应的网络权重作为训练后的网络权重，然后执行步骤204。超参数包括批的大小、最优化方法的选择、以及最优化方法对应的参数。如将n由2调整为3，将最优化方法由随机梯度下降法调整为adam方法，并对应的修改最优化方法对应的参数。如果通过调整超参数仍然无法得到在所述测试集上达到预设准确率要求的全卷积神经网络的网络权重，则在原有训练集的基础上，再收集更多训练数据，即再收集多个航空发动机孔探图像，然后再进行训练，即执行步骤203～204。
步骤205，加载网络权重以初始化全卷积神经网络。
步骤206，获取航空发动机孔探图像，对航空发动机孔探图像进行预处理，得到符合全卷积神经网络输入要求的预处理图像。关于该步骤的具体描述内容可参见上述步骤201～203的相关内容，此处不再一一赘述。
步骤207，使用初始化后的全卷积神经网络对预处理图像进行处理，得到航空发动机孔探图像的损伤区域和与损伤区域对应的损伤类别。
具体地，首先，使用初始化后的全卷积神经网络的卷积结构对预处理图像进行特征提取得到图像特征张量；使用初始化后的全卷积神经网络的反卷积结构对图像特征张量进行升维处理得到航空发动机孔探图像中每个像素分别为各种损伤类别的概率；根据每个像素分别为各种损伤类别的概率得到每个像素的损伤类别。关于该步骤的具体描述内容可参见上述步骤201～203的相关内容，此处不再一一赘述。
其次，根据每个像素的损伤类别得到航空发动机孔探图像的损伤区域和与损伤区域对应的损伤类别。例如：根据每个像素的损伤类别，得到一张航空发动机孔探标记图像上各种损伤类别的分布，将相同损伤类别的像素提取出来，则得到该损伤类别对应的区域。
本实施例通过采用全卷积神经网络对航空发动机孔探图像中的损伤区域及损伤区域对应的损伤类别进行智能识别，有效地提高了现有基于人力识别方法的工作效率和准确率。在孔探过程中不仅能起到辅助孔探人员定位损伤、提高孔探效率的作用，还能够协助孔探人员发现一些人工较难发现或常被忽略的损伤(即能够辅助人工识别出未发现的损伤区域)，能够进一步提高孔探过程的精度，降低了孔探过程中人为主观因素的影响。能够长期高效地工作，降低了人力的消耗，减少了工作人员在疲劳工作下误判、漏判损伤的概率，提高了识别精度。
本发明一实施例还提供了一种基于深度学习的航空发动机孔探图像损伤智能识别装置，用于执行上述智能识别方法，其具体包括：
第一获取模块，用于获取在测试集上达到预设准确率要求的全卷积神经网络的网络权重，其中，测试集为多个航空发动机孔探标记图像，航空发动机孔探标记图像为经试验人员标记了损伤区域和与损伤区域对应损伤类别的航空发动机孔探图像。
第二获取模块，用于获取航空发动机孔探图像。
预处理模块，用于对航空发动机孔探图像进行预处理，得到符合全卷积神经网络输入要求的预处理图像。
全卷积神经网络模块，用于加载网络权重以初始化全卷积神经网络，使用初始化后的全卷积神经网络对预处理图像进行处理，得到航空发动机孔探图像的损伤区域和与损伤区域对应的损伤类别。
优选地，全卷积神经网络模块用于使用初始化后的全卷积神经网络对预处理图像进行处理，得到航空发动机孔探图像的损伤区域和与损伤区域对应的损伤类别，具体用于：使用初始化后的全卷积神经网络的卷积结构对预处理图像进行特征提取得到图像特征张量；使用初始化后的全卷积神经网络的反卷积结构对图像特征张量进行升维处理得到航空发动机孔探图像中每个像素分别为各种损伤类别的概率；根据每个像素分别为各种损伤类别的概率得到每个像素的损伤类别；根据每个像素的损伤类别得到航空发动机孔探图像的损伤区域和与损伤区域对应的损伤类别。
关于第一获取模块、第二获取模块、预处理模块和全卷积神经网络模块的实施方式可参见上述实施例中的步骤101～105以及步骤201～207的相关描述，此处不再一一赘述。
本发明实施例通过采用全卷积神经网络对航空发动机孔探图像中的损伤区域进行智能识别，有效地提高了现有基于人力识别方法的工作效率和准确率；在孔探过程中不仅能起到辅助孔探人员定位损伤、提高孔探效率的作用，还能够协助孔探人员发现一些人工较难发现或常被忽略的损伤(即能够辅助人工识别出未发现的损伤区域)，能够进一步提高孔探过程的精度，降低了孔探过程中人为主观因素的影响；能够长期高效地工作，降低了人力的消耗，减少了工作人员在疲劳工作下误判、漏判损伤的概率，提高了识别精度。需要说明的是：上述实施例提供的智能识别装置在识别时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，如将预处理模块和全卷积神经网络模块划分为全卷积神经网络模块。另外，上述实施例提供的智能识别装置和智能识别方法属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本发明一实施例还提供了一种基于深度学习的航空发动机孔探图像损伤智能识别装置，其具体包括：图像采集装置、处理器和用于存储处理器的可执行指令的存储器。
处理器被配置为获取在测试集上达到预设准确率要求的全卷积神经网络的网络权重，其中，测试集为多个航空发动机孔探标记图像，航空发动机孔探标记图像为经试验人员标记了损伤区域和与损伤区域对应损伤类别的航空发动机孔探图像；加载网络权重以初始化全卷积神经网络；通过图像采集装置获取航空发动机孔探图像；对航空发动机孔探图像进行预处理，得到符合全卷积神经网络输入要求的预处理图像；使用初始化后的全卷积神经网络对预处理图像进行处理，得到航空发动机孔探图像的损伤区域和与损伤区域对应的损伤类别。图像采集装置可以为摄像头。
关于图像采集装置和处理器的具体描述可参见上述实施例中步骤101～105和201～207的相关内容，此处不再一一赘述。
本发明一实施例还提供了一种存储介质，当存储介质中的指令由基于深度学习的航空发动机孔探图像损伤智能识别装置的处理组件执行时，使得本智能识别直至能够执行上述基于深度学习的航空发动机孔探图像损伤智能识别方法。处理组件包括处理器。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
- 还没有人留言评论。精彩留言会获得点赞！