金属物料的渣点检测方法、装置、设备和存储介质与流程

1.本技术涉及金属含渣量检测技术领域，特别是涉及一种金属物料的渣点检测方法、装置、设备和存储介质。


背景技术：

2.在金属原料的质量检测中，用机器视觉与图像处理来取代人工计数截面渣点数量已是大势所趋。而通过机器视觉与图像处理来进行铝锭截面渣点检测效果的好坏很大程度上取决于检测装置的合理性和检测方法的准确性与响应性。
3.在实现过程中，发明人发现传统技术中至少存在如下问题：传统检测技术无法兼顾成本和检测精度。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够兼顾成本和检测精度的金属物料的渣点检测方法、装置、设备和存储介质。
5.为了实现上述目的，一方面，本发明实施例提供了一种金属物料的渣点检测方法，包括步骤：
6.获取待测金属物料的截面图像；截面图像包括背光源图像和环形光源图像；其中，背光源图像为对置于背光源中待测金属物料进行图像采集得到；环形光源图像为对置于环形光源中的待测金属物料进行图像采集得到；
7.采用大津法对背光源图像进行二值化处理，得到二值化图像；
8.将二值化图像确定为环形光源图像的蒙版图像，并根据蒙版图像对环形光源图像进行图像处理，得到纯背景图像；
9.采用预设神经网络模型处理纯背景图像，并输出渣点检测结果。
10.在其中一个实施例中，根据蒙版图像对环形光源图像进行图像处理，得到纯背景图像的步骤，包括:
11.在环形光源图像上叠加蒙版图像；
12.确定蒙版图像中像素值为第一设定值的像素的叠加位置，将环形光源图像中处于叠加位置的像素的值调整为第二设定值，得到纯背景图像。
13.在其中一个实施例中，采用大津法对背光源图像进行二值化处理的步骤之前，还包括：
14.预处理背光源图像，得到预处理图像；
15.采用大津法对背光源图像进行二值化处理，得到二值化图像的步骤包括：
16.采用大津法确定预处理图像的二值化阈值；
17.将预处理图像中像素值大于二值化阈值的像素点的值设为第二设定值，并将预处理图像中像素值小于或等于二值化阈值的像素点设为第一设定值，得到二值化图像。
18.在其中一个实施例中，预处理背光源图像，得到预处理图像的步骤包括：
19.对背光源图像进行中值滤波处理，得到预处理图像。
20.在其中一个实施例中，还包括步骤：
21.获取多个测试金属物料的测试背光源图像和测试环形光源图像；
22.对各测试背光源图像和各测试环形光源图像进行图像处理，得到多个纯背景测试图像；
23.根据各纯背景测试图像，生成训练集和测试集；
24.采用训练集对第一神经网络模型进行训练，得到第二神经网络模型；
25.将检测准确率大于预设值的第二神经网络模型确定为预设神经网络模型；其中，检测准确率为第二神经网络模型对测试集进行检测得到。
26.在其中一个实施例中，第一神经网络模型的下一训练代数的学习率为根据第一神经网络模型的当前训练代数的学习率、学习衰减率、当前训练代数以及总训练代数得到。
27.在其中一个实施例中，基于以下公式，得到第一神经网络模型的学习率：
[0028][0029]
其中，lr为第一神经网络模型的下一训练代数的学习率；lr
base
为第一神经网络模型的当前训练代数的；α为学习衰减率，学习衰减率的值小于1；epoch为当前训练代数，n_epoch为总的训练代数。
[0030]
一方面，本发明实施例还提供了一种金属物料的渣点检测装置，包括：
[0031]
图像采集模块，用于获取待测金属物料的截面图像；截面图像包括背光源图像和环形光源图像；其中，背光源图像为对置于背光源中待测金属物料进行图像采集得到；环形光源图像为对置于环形光源中的待测金属物料进行图像采集得到；
[0032]
二值化处理模块，用于采用大津法对背光源图像进行二值化处理，得到二值化图像；
[0033]
图像处理模块，用于将二值化图像确定为环形光源图像的蒙版图像，并根据蒙版图像对环形光源图像进行图像处理，得到纯背景图像；
[0034]
结果输出模块，用于采用预设神经网络模型处理纯背景图像，并输出渣点检测结果。
[0035]
一方面，本发明实施例还提供了一种金属物料的渣点检测设备，包括存储器和处理器，存储器存储有计算机程序，还包括图像采集设备、背光源、环形光源和开断设备；开断设备用于控制背光源的打开或关闭，还用于控制环形光源的打开或关闭；处理器连接图像采集设备；背光源设于待测金属物料的下方；环形光源环绕设置在待测金属物料的外围；
[0036]
处理器执行计算机程序时实现上述任一项方法的步骤。
[0037]
另一方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项方法的步骤。
[0038]
上述技术方案中的一个技术方案具有如下优点和有益效果：
[0039]
上述金属物料的渣点检测方法，通过获取待测金属物料的背光源图像和环形光源图像，然后采用大津法对背光源图像进行二值化处理，并将二值化图像作为环形光源图像的蒙版图像，其得到的蒙版图像能够完整的将截面区域分割出来，相较于传统技术而言确定性强。基于蒙版图像和环形光源图像得到纯背景图像。采用预设神经网络模型处理纯背
景图像即可输出渣点检测结果。利用二值化图像作为环形光源图像的蒙版，得到的纯背景图像能够较好的凸出待测金属物料的渣点，减少了干扰因素对检测的干扰，从而提高待测金属物料的渣点检测准确率。相较于传统采用金相组织微观成分来进行检测具有成本低的优势，而通过预设神经网络模型处理该纯背景图像可以有效提高检测效率以及检测准确度。
附图说明
[0040]
通过附图中所示的本技术的优选实施例的更具体说明，本技术的上述及其它目的、特征和优势将变得更加清晰。在全部附图中相同的附图标记指示相同的部分，且并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本技术的主旨。
[0041]
图1为一个实施例中金属物料的渣点检测方法的第一示意性流程示意图；
[0042]
图2为一个实施例中采用大津法对背光源图像进行二值化处理，得到二值化图像的步骤的流程示意图；
[0043]
图3为一个实施例中获取预设神经网络模型的步骤的流程示意图；
[0044]
图4为一个实施例中检测结果性能指标混淆矩阵示意图；
[0045]
图5为一个实施例中金属物料的渣点检测装置的结构框图；
[0046]
图6为一个实施例中金属物料的渣点检测设备的结构图。
具体实施方式
[0047]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0048]
目前用于渣点检测的方法主要有两种方式：第一种是利用金相组织微观成分来进行检测，但是其对于设备的精度要求非常高，且其装置成本高；第二种是利用机器学习进行特征提取然后进行分类，然而因为前期图像处理粗糙以及机器学习模型不佳，导致模型泛化能力差或者过拟合。
[0049]
而本技术提供金属物料的渣点检测方法可以有效解决上述问题。
[0050]
在一个实施例中，如图1所示，提供了一种金属物料的渣点检测方法，包括步骤：
[0051]
s110，获取待测金属物料的截面图像；截面图像包括背光源图像和环形光源图像；其中，背光源图像为对置于背光源中待测金属物料进行图像采集得到；环形光源图像为对置于环形光源中的待测金属物料进行图像采集得到；
[0052]
其中，待测金属物料可以为铝锭等金属物料。待测金属物料的截面图像可以为金属物料的任意一个表面的图像，也可以为将待测金属物料进行切割后形成的截面的图像。截面图像包括背光源图像和环形光源，分别指的是针对于金属物料置于背光源中以及环形光源中采集到的图像。背光源是指为待测金属物料提供背光的光源，环形光源是指为待测金属物料提供环形光的光源。一般地，待测金属物料设于用于采集背光源图像的图像采集设备与背光源之间。环形光源环绕设置在待测金属物料的外围，可以从待测金属物料的四周为待测金属物料提供光线。
[0053]
具体的，可以通过本领域任意一种手段获取待测金属物料的截面图像。在一个示
例中，可以通过工业相机直接对待测金属物料的截面图像进行采集，在本示例中，背光源图像为采用工业相机对置于背光源中的待测金属物料进行拍照得到；环形光源图像为采用工业相机对置于环形光源中的待测金属物料进行拍照得到。在另一个示例中，可以从数据库中直接提取待测金属物料的截面图像。
[0054]
s120，采用大津法对背光源图像进行二值化处理，得到二值化图像；
[0055]
具体而言，大津法也称最大类间差法，是按图像的灰度特性，将图像分成背景和前景两部分。因方差是灰度分布均匀性的一种度量，背景和前景之间的类间方差越大，说明构成图像的两部分的差别越大，而当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此，采用大津法对背光源图像进行二值化处理的错分概率最小。
[0056]
s130，将二值化图像确定为环形光源图像的蒙版图像，并根据蒙版图像对环形光源图像进行图像处理，得到纯背景图像；
[0057]
其中，蒙版图像是选框的外部(选框的内部就是选区)。蒙版图像是对所选区域进行保护，让其免于操作，而对非掩盖的地方进行处理。纯背景图像可以为纯白背景图像。
[0058]
具体而言，根据蒙版图像对环形光源图像进行图像处理，得到纯背景图像；图像处理方法可以为本领域任意一种，只要能够根据蒙版图像得到纯背景图像即可。在一个具体示例中，可以为在环形光源图像上叠加蒙版图像，然后确定蒙版图像中像素值为第一设定值的像素的叠加位置，将环形光源图像中处于叠加位置的像素的值调整为第二设定值。进一步的，还可以再完成调整上述像素值后，还可以进行其他如图像分割、抠图处理、曝光补偿去噪、调整图像大小等，第一设定值可以为0或255。
[0059]
s140，采用预设神经网络模型处理纯背景图像，并输出渣点检测结果。
[0060]
其中，预设神经网络模型可以为任意一种神经网络模型，如bp神经网络模型。需要说明的是，该神经网络模型是已经训练好的。
[0061]
具体的，将纯背景图像输入至预设神经网络模型中，该预设神经网络模型即可输出渣点检测结果。渣点检测结果包括存在渣点、不存在渣点。
[0062]
上述金属物料的渣点检测方法，通过获取待测金属物料的背光源图像和环形光源图像，然后采用大津法对背光源图像进行二值化处理，并将二值化图像作为环形光源图像的蒙版图像，其得到的蒙版图像能够完整的将截面区域分割出来，相较于传统技术而言确定性强。基于蒙版图像和环形光源图像得到纯背景图像。采用预设神经网络模型处理纯背景图像即可输出渣点检测结果。利用背光源图像作为环形光源图像的蒙版，得到的纯背景图像能够较好的凸出待测金属物料的渣点，减少了干扰因素对检测的干扰，从而提高待测金属物料的渣点检测准确率。相较于传统采用金相组织微观成分来进行检测具有成本低的优势，而通过预设神经网络模型处理该纯背景图像可以有效提高检测效率以及检测准确度。
[0063]
在一个实施例中，根据蒙版图像对环形光源图像进行图像处理，得到纯背景图像的步骤，包括:
[0064]
在环形光源图像上叠加蒙版图像；
[0065]
确定所述蒙版图像中像素值为第一设定值的像素的叠加位置，将所述环形光源图像中处于所述叠加位置的像素的值调整为第二设定值，得到纯背景图像。
[0066]
具体而言，蒙版图像实际为二值化图像。二值化图像包括像素值为0和255的像素
点。在一个具体示例中，第一设定值为255，第二设定值为0。确定蒙版图像中像素值为255的像素所处的叠加位置，将环形光源图像中处于该叠加位置的像素的值调整为0，而其他位置的像素的值维持不变，从而得到纯白背景的图像。
[0067]
在一个实施例中，采用大津法对背光源图像进行二值化处理的步骤之前，还包括：
[0068]
预处理背光源图像，得到预处理图像；
[0069]
其中，预处理可以采用本领域任意一种预处理手段，如曝光补偿、去噪、调整图像大小等。预处理图像是指对背光源进行预处理之后得到的图像。
[0070]
在一个具体示例中，对背光源图像进行中值滤波处理，得到该预处理图像。
[0071]
如图2所示，采用大津法对背光源图像进行二值化处理，得到二值化图像的步骤包括：
[0072]
s210，采用大津法确定预处理图像的二值化阈值；
[0073]
s220，将预处理图像中像素值大于二值化阈值的像素点的值设为第二设定值，并将预处理图像中像素值小于或等于二值化阈值的像素点设为第一设定值，得到二值化图像。
[0074]
其中，第一设定值和第二设定值为不同的像素值。在一个具体示例中，第二设定值可以为0，第一设定值可以为255。
[0075]
具体的，将预处理图像中像素值大于二值化阈值的像素点的像素值设置为0，将预处理图像中像素值小于二值化阈值的像素点像素值设置为255，即可得到二值化图像。
[0076]
在其中一个实施例中，如图3所示，提供了获取预设神经网络模型的步骤，包括步骤：
[0077]
s310，获取多个测试金属物料的测试背光源图像和测试环形光源图像；
[0078]
s320，对各测试背光源图像和各测试环形光源图像进行图像处理，得到多个纯背景测试图像；
[0079]
具体的，可以如上述记载的任意一种方式得到纯背景图像的方式，得到多个测试金属物料对应的纯背景测试图像。
[0080]
s330，根据各纯背景测试图像，生成训练集和测试集；
[0081]
具体而言，可以将纯背景测试图像以7:3的比例分为训练集和测试集。
[0082]
s340，采用训练集对第一神经网络模型进行训练，得到第二神经网络模型；
[0083]
具体的，将训练集输入第一神经网络模型进行训练，并得到训练好的第二神经网络模型。
[0084]
s350，将检测准确率大于预设值的第二神经网络模型确定为预设神经网络模型；其中，检测准确率为第二神经网络模型对测试集进行检测得到。
[0085]
其中，检测准确率为评估性能指标准确率。
[0086]
具体的，采用测试集对第二神经网络模型进行测试，用于测试模型的泛化能力以及正确性，重复步骤s340直至检测准确率大于预设值。在一个具体示例中，预设值为90％。检测结果性能指标混淆矩阵示意图如图4所示。
[0087]
在一个具体示例中，第一神经网络模型的下一训练代数的学习率为根据第一神经网络模型的当前训练代数的学习率、学习衰减率、当前训练代数以及总训练代数得到。具体而言，基于以下公式，得到第一神经网络模型的学习率：
[0088][0089]
其中，lr为第一神经网络模型的下一训练代数的学习率；lr
base
为第一神经网络模型的当前训练代数的当前学习率；α为学习衰减率，学习衰减率的值小于1；epoch为当前训练代数，n_epoch为总的训练代数。
[0090]
通过上述步骤，按照指数衰减来调整学习率来代替原先的固定学习率，使得权重参数随着代数的增加而更新地更缓慢，训练更细化，避免了过拟合，提高了模型的泛化能力。
[0091]
应该理解的是，虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0092]
在一个实施例中，如图5所示，提供了一种金属物料的渣点检测装置，包括：
[0093]
图像采集模块，用于获取待测金属物料的截面图像；截面图像包括背光源图像和环形光源图像；其中，背光源图像为对置于背光源中待测金属物料进行图像采集得到；环形光源图像为对置于环形光源中的待测金属物料进行图像采集得到；
[0094]
二值化处理模块，用于采用大津法对背光源图像进行二值化处理，得到二值化图像；
[0095]
图像处理模块，用于将二值化图像确定为环形光源图像的蒙版图像，并根据蒙版图像对环形光源图像进行图像处理，得到纯背景图像；
[0096]
结果输出模块，用于采用预设神经网络模型处理纯背景图像，并输出渣点检测结果。
[0097]
在其中一个实施例中，图像处理模块还用于在环形光源图像上叠加蒙版图像；确定蒙版图像中像素值为第一设定值的像素的叠加位置，将环形光源图像中处于叠加位置的像素的值调整为第二设定值，得到纯背景图像。
[0098]
在其中一个实施例中，金属物料的渣点检测装置还包括：
[0099]
预处理模块，用于预处理背光源图像，得到预处理图像；
[0100]
二值化处理模块还用于采用大津法确定预处理图像的二值化阈值；将预处理图像中像素值大于二值化阈值的像素点的值设为第二设定值，并将预处理图像中像素值小于或等于二值化阈值的像素点设为第一设定值，得到二值化图像。
[0101]
在其中一个实施例中，预处理模块还用于对背光源图像进行中值滤波处理，得到预处理图像。
[0102]
关于金属物料的渣点检测装置的具体限定可以参见上文中对于金属物料的渣点检测方法的限定，在此不再赘述。上述金属物料的渣点检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执
行以上各个模块对应的操作。
[0103]
在一个实施例中，如图6所示，提供了一种金属物料的渣点检测设备，包括存储器和处理器，存储器存储有计算机程序，还包括图像采集设备、背光源、环形光源和开断设备；开断设备用于控制背光源的打开或关闭，还用于控制环形光源的打开或关闭；处理器连接图像采集设备；背光源设于待测金属物料的下方；环形光源环绕设置在待测金属物料的外围；
[0104]
其中，图像采集设备可以为本领域任意一种能够进行图像获取的设备，如摄像机和录像机等。背光源是指为待测金属物料提供背光的光源，环形光源是指为待测金属物料提供环形光的光源。开断设备可以为本领域任意一种具有开断能力的设备。
[0105]
具体的，背光源设于待测金属物料的下方，用于为待测金属物料提供背光。环形光源环绕设置在待测金属物料的外围，用于为待测金属物料提供环形光。开断设备可以连接处理器，处理器根据实际情况控制背光源和环形光源的开启。开断设备也可以通过人为进行按动，以实现背光源和环形光源的开启或关闭。
[0106]
进一步的，处理器执行计算机程序时实现以下步骤：
[0107]
获取待测金属物料的截面图像；截面图像包括背光源图像和环形光源图像；其中，背光源图像为对置于背光源中待测金属物料进行图像采集得到；环形光源图像为对置于环形光源中的待测金属物料进行图像采集得到；
[0108]
采用大津法对背光源图像进行二值化处理，得到二值化图像；
[0109]
将二值化图像确定为环形光源图像的蒙版图像，并根据蒙版图像对环形光源图像进行图像处理，得到纯背景图像；
[0110]
采用预设神经网络模型处理纯背景图像，并输出渣点检测结果。
[0111]
在其中一个实施例中，处理器执行根据蒙版图像对环形光源图像进行图像处理，得到纯背景图像的步骤时还实现以下步骤：
[0112]
在环形光源图像上叠加蒙版图像；
[0113]
确定蒙版图像中像素值为第一设定值的像素的叠加位置，将环形光源图像中处于叠加位置的像素的值调整为第二设定值，得到纯背景图像。
[0114]
在一个实施例中，处理器执行采用大津法对背光源图像进行二值化处理的步骤之前还实现以下步骤：
[0115]
预处理背光源图像，得到预处理图像；
[0116]
在一个实施例中，处理器执行采用大津法对背光源图像进行二值化处理，得到二值化图像的步骤还实现以下步骤：
[0117]
采用大津法确定预处理图像的二值化阈值；
[0118]
将预处理图像中像素值大于二值化阈值的像素点的值设为第二设定值，并将预处理图像中像素值小于或等于二值化阈值的像素点设为第一设定值，得到二值化图像。
[0119]
在一个实施例中，处理器执行预处理背光源图像，得到预处理图像的步骤时还实现以下步骤：
[0120]
对背光源图像进行中值滤波处理，得到预处理图像。
[0121]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0122]
获取多个测试金属物料的测试背光源图像和测试环形光源图像；
[0123]
对各测试背光源图像和各测试环形光源图像进行图像处理，得到多个纯背景测试图像；
[0124]
根据各纯背景测试图像，生成训练集和测试集；
[0125]
采用训练集对第一神经网络模型进行训练，得到第二神经网络模型；
[0126]
将检测准确率大于预设值的第二神经网络模型确定为预设神经网络模型；其中，检测准确率为第二神经网络模型对测试集进行检测得到。
[0127]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0128]
获取待测金属物料的截面图像；截面图像包括背光源图像和环形光源图像；其中，背光源图像为对置于背光源中待测金属物料进行图像采集得到；环形光源图像为对置于环形光源中的待测金属物料进行图像采集得到；
[0129]
采用大津法对背光源图像进行二值化处理，得到二值化图像；
[0130]
将二值化图像确定为环形光源图像的蒙版图像，并根据蒙版图像对环形光源图像进行图像处理，得到纯背景图像；
[0131]
采用预设神经网络模型处理纯背景图像，并输出渣点检测结果。
[0132]
在一个实施例中，根据蒙版图像对环形光源图像进行图像处理，得到纯背景图像的步骤被处理器执行时还实现以下步骤：
[0133]
在环形光源图像上叠加蒙版图像；
[0134]
确定所述蒙版图像中像素值为第一设定值的像素的叠加位置，将所述环形光源图像中处于所述叠加位置的像素的值调整为第二设定值，得到纯背景图像。
[0135]
在一个实施例中，采用大津法对背光源图像进行二值化处理的步骤之前被处理器执行时还实现以下步骤：
[0136]
预处理背光源图像，得到预处理图像；
[0137]
在一个实施例中，采用大津法对背光源图像进行二值化处理，得到二值化图像的步骤被处理器执行时还实现以下步骤：
[0138]
采用大津法确定预处理图像的二值化阈值；
[0139]
将预处理图像中像素值大于二值化阈值的像素点的值设为第二设定值，并将预处理图像中像素值小于或等于二值化阈值的像素点设为第一设定值，得到二值化图像。
[0140]
在一个实施例中，预处理背光源图像，得到预处理图像的步骤被处理器执行时还实现以下步骤：
[0141]
对背光源图像进行中值滤波处理，得到预处理图像。
[0142]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0143]
获取多个测试金属物料的测试背光源图像和测试环形光源图像；
[0144]
对各测试背光源图像和各测试环形光源图像进行图像处理，得到多个纯背景测试图像；
[0145]
根据各纯背景测试图像，生成训练集和测试集；
[0146]
采用训练集对第一神经网络模型进行训练，得到第二神经网络模型；
[0147]
将检测准确率大于预设值的第二神经网络模型确定为预设神经网络模型；其中，检测准确率为第二神经网络模型对测试集进行检测得到。
[0148]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线式动态随机存储器(rambus dram，简称rdram)、以及接口动态随机存储器(drdram)等。
[0149]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0150]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。