监控预警方法、装置和可读存储介质与流程

本发明涉及监控技术领域，具体而言，涉及一种监控预警方法、装置和可读存储介质。

背景技术：

灯塔工厂无人生产线占地面积大，巡线人员无法做到24小时无死角监控；若外来人员闯入，极有可能造成生命财产损失，需对未授权人员闯入报警，情况严重时立即停止生产线作业。常规做法是，在生产线入口处未安装门禁系统，未授权人员无法进入危险区域。该方法的缺点是，额外增加门禁系统可能会影响灯塔工厂内的物料运输，干扰正常生产。

技术实现要素：

本发明旨在解决上述技术问题的至少之一。

为此，本发明的第一目的在于提供一种监控预警方法。

本发明的第二目的在于提供一种监控预警装置。

本发明的第三目的在于提供一种可读存储介质。

为实现本发明的第一目的，本发明的技术方案提供了一种监控预警方法，包括：通过监控摄像头采集电子围栏内的图像，图像包括入口图像、出口图像和内部图像；对入口图像和出口图像进行人脸识别，获取电子围栏内授权人员个数；对内部图像进行人体检测，获取电子围栏内的人员个数；基于人员个数大于授权人员个数，进行预警。

本技术方案用于灯塔工厂(或其他高度自动化工厂)无人/少人车间生产线(简称灯塔工厂无人生产线或无人生产线)监控。本技术方案不需要增设门禁系统，通过监控摄像头、人脸识别和人体检测实现灯塔工厂无人生产线非法闯入报警的监控，保证监控的准确性和实时性，不会影响灯塔工厂内的物料运输，干扰生产线的正常生产。

另外，本发明提供的技术方案还可以具有如下附加技术特征：

上述技术方案中，执行通过摄像头采集电子围栏内的图像之前，还包括：通过设置在电子围栏入口的入口摄像头，采集入口图像；通过设置在电子围栏出口的出口摄像头，采集出口图像；通过设置在电子围栏两侧的侧墙摄像头，采集内部图像。

本技术方案中，入口与出口处未安装门禁系统，既增加人脸识别的灵活性，也避免加装门禁系统带来的成本增加，以及对灯塔工厂内的物料运输的影响。

上述任一技术方案中，执行通过摄像头采集电子围栏内的图像之前，还包括：采集授权人员的人脸数据。

本技术方案中，针对灯塔工厂无人生产线的授权人员，采集授权人员的人脸数据，通过采集授权人员的人脸数据，为后续进行人脸识别提供了数据支持，使得人脸识别的深度学习算法可以应用，进而提升灯塔工厂无人生产线的安全性。

上述任一技术方案中，对入口图像和出口图像进行人脸识别，获取电子围栏内授权人员个数，具体包括：基于图像为入口图像，对入口图像进行人脸识别，基于人脸识别结果为授权人员，将授权人员的个数增加一个；基于图像为出口图像，对出口图像进行人脸识别，基于人脸识别结果为授权人员，将授权人员的个数减少一个。

本技术方案通过对入口以及出口的图像进行识别，可以有效识别出进入以及出去的授权人员与非授权人员，进而获取准确的电子围栏内授权人员个数和非授权人员个数，识别方式简单，准确率高。

上述任一技术方案中，进行人脸识别，具体包括：采用基于深度学习的卷积神经网络进行人脸检测和人脸对齐；采用深度网络模型进行特征提取和人脸比对。

本技术方案中，通过授权人员的人脸数据库执行人脸识别，人脸识别包括人脸检测、人脸对齐、特征提取、人脸比对，其中，人脸检测、人脸对齐使用基于深度学习的卷积神经网络实现；特征提取、人脸比对采用深度网络模型实现。通过上述步骤进行人脸识别，人脸识别结果的准确率高，可以有效的实时监控。

上述任一技术方案中，进行预警，具体包括：进行现场报警器语音报警；和/或监控平台进行报警；和/或进行远程报警。

本技术方案分情况进行报警，最大限度的对危险情况进行报警，保证灯塔工厂无人生产线的安全，并且提供多种报警方式，在非授权人员进入的情况下，能够更好的进行全方位的报警，最大限度保证灯塔工厂无人生产线的安全。

上述任一技术方案中，监控预警方法，还包括：基于进行预警，抓拍电子围栏的入口和出口非授权人员的人脸数据，和/或录制电子围栏内部的人员活动视频。

本技术方案中，在进行报警的情况下，及时保存证据，为后续非授权人员的处理等事宜，提供有效的支持。

上述任一技术方案中，监控预警方法，还包括：基于电子围栏内设有生产线设备，当非授权人员与生产线设备的距离小于距离阈值或非授权人员闯入时间超过时间阈值，控制生产线设备停机。

本技术方案中，如果非授权人员非常接近生产线设备，即非授权人员与生产线设备的距离小于距离阈值，或者，非授权人员闯入时间超过时间阈值，可能危及人身安全时，则操控生产线设备停机，避免出现人员伤亡事故。

为实现本发明的第二目的，本发明的技术方案提供了一种监控预警装置，包括：存储器和处理器，存储器存储有程序或指令，处理器执行程序或指令；其中，处理器在执行程序或指令时，实现如本发明任一技术方案的监控预警方法的步骤。

本技术方案提供的监控预警装置实现如本发明任一技术方案的监控预警方法的步骤，因而其具有如本发明任一技术方案的监控预警方法的全部有益效果，在此不再赘述。

为实现本发明的第三目的，本发明的技术方案提供了一种可读存储介质，可读存储介质存储有程序或指令，程序或指令被执行时，实现上述任一技术方案的监控预警方法的步骤。

本技术方案提供的可读存储介质实现如本发明任一技术方案的监控预警方法的步骤，因而其具有如本发明任一技术方案的监控预警方法的全部有益效果，在此不再赘述。

本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明一个实施例的监控预警方法流程示意图之一；

图2为本发明一个实施例的监控预警方法流程示意图之二；

图3为本发明一个实施例的监控预警方法流程示意图之三；

图4为本发明一个实施例的监控预警方法流程示意图之四；

图5为本发明一个实施例的监控预警方法流程示意图之五；

图6为本发明一个实施例的监控预警方法流程示意图之六；

图7为本发明一个实施例的监控预警方法流程示意图之七；

图8为本发明一个实施例的监控预警装置组成示意框图；

图9为本发明一个实施例的监控预警方法流程示意图之八；

图10为本发明一个实施例的划定电子围栏流程示意图；

图11为本发明一个实施例的授权人脸数据录入流程示意图；

图12为本发明一个实施例的监控摄像头示意图；

图13为本发明一个实施例的非授权人员闯入报警流程示意图。

其中，图8和图12中附图标记与部件名称之间的对应关系为：

100：侧墙摄像头，102：出入口摄像头，200：监控预警装置，210：存储器，220：处理器。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面参照图1至图13描述本发明一些实施例的一种监控预警方法、监控预警装置200和可读存储介质。

实施例1：

如图1所示，本实施例提供了一种监控预警方法，包括以下步骤：

步骤s102，通过监控摄像头采集电子围栏内的图像，图像包括入口图像、出口图像和内部图像；

步骤s104，对入口图像和出口图像进行人脸识别，获取电子围栏内授权人员个数；

步骤s106，对内部图像进行人体检测，获取电子围栏内的人员个数；

步骤s108，基于人员个数大于授权人员个数，进行预警。

相关技术的一种基于多摄像机数据融合的入侵检测报警系统及其检测方法，使用多台普通摄像机、云台摄像机、变焦广角多目标追踪系统、pc式硬盘录像机、控制系统、显示器，采用传统图像处理算法，对安全生产要求比较高的场景进行监控和报警，主要用于厂区、隧道、仓库、机场等监控，识别方法采用背景差值法，该方法易受干扰，误检率高。

本实施例用于灯塔工厂(或其他高度自动化工厂)无人/少人车间生产线(简称灯塔工厂无人生产线或无人生产线)监控，采用深度学习算法，误检率低。

灯塔工厂无人生产线占地面积大，巡线人员无法做到24小时无死角监控；若外来人员闯入，极有可能造成生命财产损失，需对未授权人员闯入报警，情况严重时立即停止生产线作业。常规做法是，在生产线入口处未安装门禁系统，未授权人员无法进入危险区域。该方法的缺点是，额外增加门禁系统可能会影响灯塔工厂内的物料运输，干扰正常生产。

本实施例中，首先，通过监控摄像头采集电子围栏内的图像，然后，对图像进行识别，如果图像为入口图像和出口图像，则采用深度学习算法，对图像进行人脸识别，进而得到电子围栏内的授权人数个数，如果图像为内部图像，则采用深度学习算法，对图像进行人体检测，进而得到电子围栏内的人员个数，最后，通过电子围栏内的人员个数与电子围栏内的授权人数个数进行对比，当人员个数大于授权人员个数，进行预警。本实施例不需要增设门禁系统，通过普通摄像头和深度学习算法实现灯塔工厂无人生产线非法闯入报警的监控，保证监控的准确性和实时性，不会影响灯塔工厂内的物料运输，干扰生产线的正常生产，并且不会大量增加成本。本实施例通过采用深度学习算法，进行人脸识别与人体检测，算法的准确率高，进而，降低误检率。

本实施例中，根据实际需求，将需要进行监控的位置设置为电子围栏，举例而言，可以将无人生产线加少量扩展区域的边界设置为电子围栏，电子围栏内部为需要监控的危险区域，并且，电子围栏的数据可以保存至数据库。

本实施例中，对入口图像和出口图像进行人脸识别时，可以识别到非授权人员，针对非授权人员的进出，可以进行预警，提高灯塔工厂无人生产线的安全性。

本实施例中，对于内部图像，采用深度学习算法执行人体检测，得到电子围栏内的人员个数，深度学习算法可以为fastercnn(fasterconvolutionalneuralnetwork，更快速卷积神经网络)、ssd(singleshotmultiboxdetector，单次命中多盒检测器)、yolo(youonlylookonce，你只需看一次)系列等深度学习算法，算法识别的准确率高，能够有效降低误检率。

本实施例中，在后台增加一台服务器，监控摄像头采集电子围栏内的图像保存至服务器中，服务器上运行深度学习算法，进行实时处理视频监控数据，人脸识别和人体检测等深度学习算法过程，均在服务器上实现。本实施例的监控摄像头采用普通摄像头，通过普通摄像头和服务器实现灯塔工厂无人生产线的全流程、全方位监控，保证无人生产线的安全生产，有效降低成本。

实施例2：

如图2所示，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

执行通过摄像头采集电子围栏内的图像之前，还包括以下步骤：

步骤s202，通过设置在电子围栏入口的入口摄像头，采集入口图像；

步骤s204，通过设置在电子围栏出口的出口摄像头，采集出口图像；

步骤s206，通过设置在电子围栏两侧的侧墙摄像头，采集内部图像。

本实施例中，在无人生产线两侧墙上安装若干个普通摄像头，称为侧墙摄像头，确保无人生产线电子围栏内部危险区域全部能被监控。另外在无人生产线的所有入口和出口，加装支柱安装普通摄像头，入口处的普通摄像头称为入口摄像头，出口处的普通摄像头称为出口摄像头，入口摄像头和出口摄像头采集的图像用于识别人脸。本实施例中，入口与出口处未安装门禁系统，既增加人脸识别的灵活性，也避免加装门禁系统带来的成本增加，以及对灯塔工厂内的物料运输的影响。

本实施例中，通过设置普通摄像头，不需要加装门禁系统，仅使用普通摄像头和深度学习算法实现灯塔工厂无人生产线非法闯入报警的监控系统，既能保证监控的准确性和实时性，也不会干扰正常作业，同时不会大量增加成本。

实施例3：

如图3所示，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

执行通过摄像头采集电子围栏内的图像之前，还包括以下步骤：

步骤s302，采集授权人员的人脸数据。

本实施例中，针对灯塔工厂无人生产线的授权人员，采集授权人员的人脸数据，将数据形成数据库，数据库存储在服务器内，在进行人脸识别时，调用数据库的数据，通过采集授权人员的人脸数据，为后续进行人脸识别提供了数据支持，使得人脸识别的深度学习算法可以应用，进而提升灯塔工厂无人生产线的安全性。

本实施例中的授权人员可以根据实际情况进行设定，举例而言，可以为无人生产线巡检人员等。

实施例4：

如图4所示，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

对入口图像和出口图像进行人脸识别，获取电子围栏内授权人员个数，具体包括以下步骤：

步骤s402，基于图像为入口图像，对入口图像进行人脸识别，基于人脸识别结果为授权人员，将授权人员的个数增加一个；

步骤s404，基于图像为出口图像，对出口图像进行人脸识别，基于人脸识别结果为授权人员，将授权人员的个数减少一个。

本实施例中，如果采集的图像为入口图像，则基于授权人员的人脸数据库，进行人脸识别，如果人脸识别为授权人员，将授权人员的个数增加一个，如果人脸识别为非授权人员，将非授权人员的个数增加一个。如果采集的图像为出口图像，则基于授权人员的人脸数据库，进行人脸识别，如果人脸识别为授权人员，将授权人员的个数减少一个，如果人脸识别为非授权人员，将非授权人员的个数减少一个。针对同一个授权人员，如果入口图像检测到两次或两次以上，出口图像未检测到，则授权人员数量只增加一个，举例而言，采集入口图像和出口图像，对入口图像和出口图像分别进行人脸识别，如果入口检测到某个授权人员两次，而出口未检测到该授权人员的人脸，则授权人员的个数仅增加一个。在遇到进入人员低头，无法进行人脸识别时，则语音提示进入人员抬头配合，若不配合则认定为非授权人员。通过上述过程，可以得到电子围栏内授权人员个数和非授权人员个数，针对有非授权人员的情况，可以进行预警。本实施例通过对入口以及出口的图像进行识别，可以有效识别出进入以及出去的授权人员与非授权人员，进而获取准确的电子围栏内授权人员个数和非授权人员个数，识别方式简单，准确率高。

实施例5：

如图5所示，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

进行人脸识别，具体包括以下步骤：

步骤s502，采用基于深度学习的卷积神经网络进行人脸检测和人脸对齐；

步骤s504，采用深度网络模型进行特征提取和人脸比对。

本实施例中，通过授权人员的人脸数据库执行人脸识别，人脸识别包括人脸检测、人脸对齐、特征提取、人脸比对，其中，人脸检测、人脸对齐使用基于深度学习的卷积神经网络实现，卷积神经网络可以采用mtcnn(multi-taskconvolutionalneuralnetwork，多任务卷积神经网络)等；特征提取、人脸比对采用深度网络模型实现，深度网络模型可以采用deepid(deepidentification，深度身份鉴别)、deepface(deepface，深度人脸识别)等。通过上述步骤进行人脸识别，人脸识别结果的准确率高，可以有效的实时监控。

实施例6：

除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

进行预警，具体包括：进行现场报警器语音报警；和/或监控平台进行报警；和/或进行远程报警。

本实施例中，当无人生产线正在工作时，只要电子围栏内有人都会进行报警。在无人生产线停止工作时，若电子围栏内人员个数小于等于授权人员个数，则不报警，否则进行报警。本实施例分情况进行报警，最大限度的对危险情况进行报警，保证灯塔工厂无人生产线的安全。

本实施例中，报警可以采用多种方式，第一，现场报警器语音报警，可以在无人生产线两侧墙上可以安装若干报警器，进行现场报警器语音报警，用于警示非法闯入人员(非授权人员进入)，第二，监控平台进行报警，可以在后台监控平台报警，用于对后台监控人员进行提示，第三，进行远程报警，可以对报警信息进行远程推送，举例而言，可以给相关领导手机进行短信报警等。

本实施例提供多种报警方式，在非授权人员进入的情况下，能够更好的进行全方位的报警，最大限度保证灯塔工厂无人生产线的安全。

实施例7：

如图6所示，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

监控预警方法，还包括以下步骤：

步骤s602，基于进行预警，抓拍电子围栏的入口和出口非授权人员的人脸数据，和/或录制电子围栏内部的人员活动视频。

本实施例中，基于进行预警，还可以保存非授权人员进入的证据，方式可以包括：抓拍入口和出口非授权人员的人脸数据信息、录制危险区域(电子围栏)内人员活动视频等。在进行报警的情况下，及时保存证据，为后续非授权人员的处理等事宜，提供有效的支持。

实施例8：

如图7所示，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

监控预警方法，还包括以下步骤：

步骤s702，基于电子围栏内设有生产线设备，当非授权人员与生产线设备的距离小于距离阈值或非授权人员闯入时间超过时间阈值，控制生产线设备停机。

本实施例中，如果非授权人员非常接近生产线设备，即非授权人员与生产线设备的距离小于距离阈值，或者，非授权人员闯入时间超过时间阈值(例如5分钟)，可能危及人身安全时，则操控生产线设备停机，避免出现人员伤亡事故。

实施例9：

如图8所示，本实施例提供了一种监控预警装置200，包括：存储器210和处理器220，存储器210存储有程序或指令，处理器220执行程序或指令；其中，处理器220在执行程序或指令时，实现如本发明任一实施例的监控预警方法的步骤。

实施例10：

本实施例提供了一种可读存储介质，可读存储介质存储有程序或指令，程序或指令被处理器220执行时，实现上述任一实施例的监控预警方法的步骤。

具体实施例：

本实施例提出一种不加装门禁系统，仅使用普通摄像头和深度学习算法实现灯塔工厂无人生产线非法闯入报警的监控系统，即一种监控预警方法，既能保证监控的准确性和实时性，也不会干扰正常作业，同时不会大量增加成本。

为了实现上述技术目的，本实施例在无人生产线两侧墙上安装若干个普通摄像头(称为侧墙摄像头)，确保无人生产线电子围栏内部危险区域全部能被监控。另外在无人生产线的所有入口和出口加装支柱安装普通摄像头(称为出入口摄像头)，用于识别人脸。另外，在无人生产线两侧墙上安装若干报警器用于警示非法闯入人员，在后台增加一台处理服务器运行深度学习算法实时处理视频监控数据。

具体步骤如图9所示，包括以下步骤：

步骤s802，划定电子围栏；

如图10所示，包括：

步骤s8022，设定电子围栏；

将无人生产线加少量扩展区域的边界设置为电子围栏，电子围栏内部为需要监控的危险区域；

步骤s8024，保存到数据库；

将电子围栏区域保存到数据库；

步骤s804，授权人脸数据录入；

如图11所示，包括：

步骤s8042，人脸采集；

采集无人生产线巡检人员的脸部图像；

步骤s8044，保存到数据库；

将授权人员人脸数据存储到数据库；

步骤s806，安装监控摄像头；

如图12所示，在无人生产线两侧墙上安装若干个普通摄像头，称为侧墙摄像头100，确保无人生产线电子围栏内部危险区域全部能被监控；在无人生产线的所有入口和出口加装支柱，安装普通摄像头，称为出入口摄像头102，用于识别人脸，出入口摄像头102通过在出入口加装一根支柱安装，支柱不影响生产线安全和巡检人员进出，本实施例中，入口处未安装门禁系统，既增加人脸识别的灵活性，也避免加装门禁系统带来的成本增加；

步骤s808，非授权人员闯入报警；

使用摄像头采集电子围栏内图像，分两种情形，如图13，包括以下步骤：

步骤s8082，电子围栏内图像采集；

如果为出入口图像，进入步骤s8084，如果为危险区域(电子围栏内部)图像，进入步骤s8094；

步骤s8084，人脸识别；

若是出入口摄像头采集的是出入口图像(入口图像和出口图像)，则借助步骤s804收集到的人脸数据库执行人脸识别。人脸识别包括人脸检测、人脸对齐、特征提取、人脸比对几个环节，人脸检测、人脸对齐使用基于深度学习的卷积神经网络(如mtcnn)实现；特征提取、人脸比对采用深度网络模型(如deepid、deepface等)实现。如果人员进入时低头无法识别人脸，则语音提示人员抬头配合，若不配合则认定为非授权人员。

步骤s8086，判断是否为授权人员；

根据人脸识别结果，可以判断是否为授权人员，若是进入步骤s8088，否则进入步骤s8090；

步骤s8088，判断是否为进入；

授权人员进入，则将电子围栏内授权人数加上1，若是授权人员出去，则将电子围栏内授权人数减去1；

步骤s8090，判断是否为进入；

如果是非授权人员进入，则将电子围栏内非授权人数加上1，若是非授权人员出去，则将电子围栏内非授权人数减去1；

步骤s8092，统计授权人数；

步骤s8094，人体检测；

若是侧墙摄像头采集的电子围栏内危险区域图像(电子围栏的内部图像)，则执行人体检测，可借助fastercnn、ssd、yolo系列等深度学习算法完成；

步骤s8096，统计危险区域人数；

根据检测结果统计危险区域人数；

步骤s810，非法闯入报警；

如图13所示，包括：

步骤s8100，判断区域人数是否大于授权人数；

当无人生产线正在工作时，只要危险区域有人都会报警。在无人生产线停止工作时，若危险区域(电子围栏)人数大于授权人数，则进入步骤s8104，否则进入步骤s8102。

步骤s8102，取消报警；

进入步骤s8082；

步骤s8104，报警且保存证据；

进行非法闯入报警并且保存证据，报警方式包括：现场报警器语音报警、后台监控平台报警以及相关领导手机短信报警；保存证据方式包括：抓拍出入口非授权人员人脸信息、录制危险区域内人员活动视频；

步骤s812，生产线设备停机；

如图13所示，包括：

步骤s8120，判断是否危及人身安全；

如果是，进入步骤s8122，否则，进入步骤s8082。

步骤s8122，设备停机；

若非授权人员非常接近生产线设备(非授权人员与生产线设备的距离小于距离阈值)或闯入时间超过指定时长(非授权人员闯入时间超过时间阈值)，例如5分钟，可能危及人身安全时，由系统操控生产线设备停机，避免出现人员伤亡事故。

本实施例的灯塔工厂无人生产线基于普通视觉摄像头和深度学习算法的监控方法，不加装门禁系统，仅使用出入口摄像头完成人脸识别，使用侧墙摄像头完成人体检测，判断危险区域内人数是否大于授权人数，来决定是否报警甚至让设备停机。

本实施例使用普通摄像头和服务器实现灯塔工厂无人生产线的全流程、全方位监控，可保证无人生产线的安全生产。

举例而言，还可以使用出入口加装门禁系统或使用鹰眼摄像头进行人脸抓拍的方法来实现本实施例。但是，使用实体门禁系统的方法会增加成本并有可能影响生产线生产，使用鹰眼摄像头抓拍方案同样能达到目的，但成本更高。

综上，本发明实施例的有益效果为：

1.本实施例不需要增设门禁系统，通过普通摄像头和深度学习算法实现灯塔工厂无人生产线非法闯入报警的监控，保证监控的准确性和实时性，不会影响灯塔工厂内的物料运输，干扰生产线的正常生产，并且不会大量增加成本。本实施例通过采用深度学习算法，进行人脸识别与人体检测，算法的准确率高，进而，降低误检率。

2.本实施例中，对入口图像和出口图像进行人脸识别时，可以识别到非授权人员，针对非授权人员的进出，可以进行预警，提高灯塔工厂无人生产线的安全性。

3.本实施例中，在后台增加一台服务器，监控摄像头采集电子围栏内的图像保存至服务器中，服务器上运行深度学习算法，进行实时处理视频监控数据，人脸识别和人体检测等深度学习算法过程，均在服务器上实现。本实施例的监控摄像头采用普通摄像头，通过普通摄像头和服务器实现灯塔工厂无人生产线的全流程、全方位监控，保证无人生产线的安全生产，有效降低成本。

在本发明中，术语“第一”、“第二”、“第三”仅用于描述的目的，而不能理解为指示或暗示相对重要性；术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明的限制。

在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。