工件表面瑕疵检测方法及装置

技术领域

本发明涉及工件表面瑕疵检测技术领域，具体地，涉及一种工件表面瑕疵检测方法及装置。

背景技术

钢板的表面质量是钢材质量的主要指标之一。钢板在生产过程中，由于受到原材料、轧制工艺、系统控制等诸多技术因素的影响，表面出现裂纹、结疤、孔洞、表皮分层、色斑、麻点等缺陷的情况时有发生，这些缺陷对钢板的耐磨性、抗疲劳性、抗腐蚀性和电磁特性等主要特性都有不同程度的影响。

生产制造过程中，很长时间以来，钢板表面的缺陷识别完全依靠人工目测的方式完成生产。这种方法劳动强度大、易漏检和误检。随着生产速度的提高，目测已很难实现检测的目的，逐渐演变成了抽检的形式。企业智能制造转型过程中，基于机器视觉的检测方法日渐涌现。

现有的机器视觉检测技术中，针对钢板的表面瑕疵检测，可以分为2D机器视觉和3D机器视觉两种技术途径。其中，2D机器视觉采集图像，以钢板表面的颜色信息为特征进行瑕疵检测，但是，由于钢板表面颜色变化小，瑕疵检测的精度较低。现有的3D机器视觉检测技术采集的坐标信息涉及计算量较大，导致无论是数据处理，还是检测推理，都需要很高的硬件资源投入，才能满足实际生产过程中的实时性。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，提出了一种工件表面瑕疵检测方法及装置，其可以解决现有技术中单独使用图像数据检测精度不高，单独使用点云数据计算量较高的问题。

为实现上述目的，本公开实施例提供一种工件表面瑕疵检测方法，包括：

采集待检测工件的表面的点云数据和平面图像；

选取所述点云数据中的当前检测的位置点周围的m个邻近点构成一点集，并根据所述点集的坐标值拟合形成平面方程，m为大于3的整数；

计算当前检测的所述位置点的坐标值和所述平面方程之间的距离；

在所述距离小于等于预设阈值时，确定当前检测的所述位置点对应所述点集构成的区域为光滑区域；

在所述距离大于所述预设阈值时，截取所述平面图像中以当前检测的所述位置点的坐标值为中心，且对应所述点集构成的区域作为瑕疵潜在区域；

对所述瑕疵潜在区域的表面瑕疵情况进行定位和识别，以获得所述瑕疵潜在区域的瑕疵分布。

可选的，所述选取所述点云数据中的当前检测的位置点周围的m个邻近点构成一点集，并根据所述点集的坐标值拟合形成平面方程，包括：

从所述m个邻近点中选取3个邻近点作为初始点，并将所述3个邻近点的坐标值代入所述平面方程，计算获得第一平面函数；

将所述m个邻近点中除所述3个初始点之外的其余邻近点的坐标值代入所述第一平面函数，计算获得所述m个邻近点中落入所述第一平面函数的邻近点个数，及未落入所述第一平面函数的邻近点的坐标值与所述第一平面函数之间的距离之和；

判断所述m个邻近点是否全部落入所述第一平面函数，若是，则将所述第一平面函数作为所述平面方程；若否，则判断是否所有的邻近点均被选取过，若均被选取过，则选择所述邻近点个数最多，且所述距离之和最小的平面函数作为所述平面方程；若未均被选取过，则返回执行所述从所述m个邻近点中选取3个初始点的步骤，重新选取另外3个邻近点作为初始点。

可选的，所述选取所述点云数据中的当前检测的位置点周围的m个邻近点构成一点集，并根据所述点集的坐标值拟合形成平面方程，包括：

从所述m个邻近点中选取3个邻近点作为初始点，并将所述3个邻近点的坐标值代入对应的所述平面方程，计算获得第一平面函数；

将所述m个邻近点中除所述3个初始点之外的其余邻近点的坐标值代入所述第一平面函数，计算获得所述m个邻近点中落入所述第一平面函数的邻近点个数，及未落入所述第一平面函数的邻近点的坐标值与所述第一平面函数之间的距离之和；

从所述m个邻近点中选取除所述3个初始点之外的3个邻近点，作为基准点，代入所述平面方程，计算获得第二平面函数；

计算获得所述m个邻近点中落入所述第二平面函数的邻近点个数，及未落入所述第二平面函数的邻近点的坐标值与所述第二平面函数之间的距离之和；

判断所述m个邻近点是否全部落入所述第二平面函数，若是，则将所述第二平面函数作为所述平面方程；若否，则判断是否所有的邻近点均被选取，若均被选取，则选择所述邻近点个数最多，且所述距离之和最小的平面函数作为所述平面方程；若未均被选取，则返回执行所述从所述m个邻近点中选取3个初始点的步骤，重新选取另外3个邻近点作为初始点。

可选的，所述对所述瑕疵潜在区域的表面瑕疵情况进行定位和识别，以获得所述瑕疵潜在区域的瑕疵分布，包括：

增强所述瑕疵潜在区域与其周边区域之间的对比度；

对增强后的所述瑕疵潜在区域的表面瑕疵情况进行定位和识别，以获得所述瑕疵潜在区域的瑕疵分布。

可选的，所述平面图像中的所述瑕疵潜在区域的边界的四角坐标值分别为：min(x

作为另一个技术方案，本发明还提供一种工件表面瑕疵检测装置，包括：

采集模块，用于采集待检测工件的表面的点云数据和平面图像；

拟合模块，用于选取所述点云数据中的当前检测的位置点周围的m个邻近点构成一点集，并根据所述点集的坐标值拟合形成平面方程，m为大于3的整数；

计算模块，用于计算当前检测的所述位置点的坐标值和所述平面方程之间的距离；

判断模块，用于在所述距离小于等于预设阈值时，确定当前检测的所述位置点对应所述点集构成的区域为光滑区域；在所述距离大于所述预设阈值时，截取所述平面图像中以当前检测的所述位置点的坐标值为中心，且对应所述点集构成的区域作为瑕疵潜在区域；

识别模块，用于对所述瑕疵潜在区域的表面瑕疵情况进行定位和识别，以获得所述瑕疵潜在区域的瑕疵分布。

可选的，所述拟合模块包括：

第一计算单元，用于从所述m个邻近点中选取3个邻近点作为初始点，并代入对应的所述平面方程，计算获得第一平面函数；

第二计算单元，用于将所述m个邻近点中除所述3个初始点之外的其余邻近点代入所述第一平面函数，计算获得所述m个邻近点中落入所述第一平面函数的邻近点个数，及未落入所述第一平面函数的邻近点的坐标值与所述第一平面函数之间的距离之和；

判断单元，用于判断所述m个邻近点是否全部落入所述第一平面函数，若是，则将所述第一平面函数作为所述平面方程；若否，则判断是否所有的邻近点均被选取过，若均被选取过，则选择所述邻近点个数最多，且所述距离之和最小的平面函数作为所述平面方程；若未均被选取过，则返回执行所述从所述m个邻近点中选取3个初始点的步骤，重新选取另外3个邻近点作为初始点。

可选的，所述拟合模块包括：

第一计算单元，用于从所述m个邻近点中选取3个邻近点作为初始点，并代入对应的所述平面方程，计算获得第一平面函数；

第二计算单元，用于将所述m个邻近点中除所述3个初始点之外的其余邻近点代入所述第一平面函数，计算获得所述m个邻近点中落入所述第一平面函数的邻近点个数，及未落入所述第一平面函数的邻近点的坐标值与所述第一平面函数之间的距离之和；

第三计算单元，用于从所述m个邻近点中选取除所述3个初始点之外的3个邻近点，作为基准点，代入所述平面方程，计算获得第二平面函数；

第四计算单元，用于计算获得所述m个邻近点中落入所述第二平面函数的邻近点个数，及未落入所述第二平面函数的邻近点的坐标值与所述第二平面函数之间的距离之和；

判断单元，用于判断所述m个邻近点是否全部落入所述第二平面函数，若是，则将所述第二平面函数作为所述平面方程；若否，则判断是否所有的邻近点均被选取，若均被选取，则选择所述邻近点个数最多，且所述距离之和最小的平面函数作为所述平面方程；若未均被选取，则返回执行所述从所述m个邻近点中选取3个初始点的步骤，重新选取另外3个邻近点作为初始点。

可选的，所述识别模块包括：

增强单元，用于增强所述瑕疵潜在区域与其周边区域之间的对比度；

识别单元，用于对增强后的所述瑕疵潜在区域的表面瑕疵情况进行定位和识别，以获得所述瑕疵潜在区域的瑕疵分布。

可选的，所述平面图像中的所述瑕疵潜在区域的边界的四角坐标值分别为：min(x

本发明具有以下有益效果：

本发明实施例提供的工件表面瑕疵检测方法及装置的技术方案中，通过采集待检测工件的表面的点云数据和平面图像，并通过选取点云数据中的当前检测的位置点周围的m个邻近点构成一点集，并根据点集的坐标值拟合形成平面方程，计算当前检测的位置点的坐标值和平面方程之间的距离，可以将该距离与预设阈值比较来判断当前检测的位置点对应点集构成的区域为光滑区域还是瑕疵潜在区域，从而可以利用点云数据快速完成瑕疵潜在区域的定标，保证瑕疵区域不会有遗漏，相对于现有技术中单独使用图像数据，可以提高检测精度。同时，通过对平面图像中瑕疵潜在区域的表面瑕疵情况进行定位和识别，以获得瑕疵潜在区域的瑕疵分布，可以减少计算量，相对于现有技术中单独使用点云数据相比，可以避免繁杂的点云数据处理，从而可以提高检测效率。

附图说明

图1为本发明实施例提供的工件表面瑕疵检测方法的流程框图；

图2为本发明实施例提供的工件表面瑕疵检测方法的步骤S2的一种流程框图；

图3为本发明实施例提供的工件表面瑕疵检测方法的步骤S2的另一种流程框图；

图4为本发明实施例提供的工件表面瑕疵检测方法的步骤S6的流程框图；

图5为本发明实施例提供的工件表面瑕疵检测装置的原理框图；

图6为本发明实施例采用的模拟模块的一种原理框图；

图7为本发明实施例采用的模拟模块的另一种原理框图；

图8为本发明实施例采用的识别模块的原理框图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅是本发明的部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

附图中各部件的形状和大小不反映真实比例，目的只是为了便于对本发明实施例的内容的理解。

除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

本公开实施例不限于附图中所示的实施例，而是包括基于制造工艺而形成的配置的修改。因此，附图中例示的区具有示意性属性，并且图中所示区的形状例示了元件的区的具体形状，但并不是旨在限制性的。

请参阅图1，本发明实施例提供的工件表面瑕疵检测方法，包括：

S1、采集待检测工件的表面的点云数据和平面图像；

该点云数据为points(x,y,z)，其中，x值为待检测工件的表面在传送方向上的不同位置对应的坐标值；y值为待检测工件的纵剖面(即，垂直于待检测工件的表面的方向上的剖面)上不同位置对应的坐标值；z值为待检测工件的表面在传送方向上的不同位置对应的高程值(某点沿铅垂线方向到绝对基面的距离)。

上述平面图像为待检测工件的表面的二维图像。

待检测工件例如为钢板或者其他需要检测表面瑕疵的工件。

S2、选取点云数据中的当前检测的位置点周围的m个邻近点构成一点集，并根据该点集的坐标值拟合形成平面方程，m为大于3的整数；

上述当前检测的位置点是从点云数据中所有的位置坐标点中选取的任意一点。在对该位置点进行瑕疵检测完成之后，再重新选取另一位置点，直至点云数据中所有的位置坐标点均完成瑕疵检测。

上述邻近点是指坐标与当前检测的位置点的坐标邻近的位置点，以m＝8为例，当前检测的位置点位于正方形区域的中心，8个邻近点中的4个点位于正方形区域的四个角，其余4个点位于正方形区域的四个边的中点。当然，在实际应用中，m也可以等于4，或者其他数量，本发明实施例对此没有特别的限制。

上述平面方程为Ax+By+Cz+D＝0，其中，x，y，z分别为点云数据中各位置点的坐标值，为变量，根据上述点集的坐标值，可以计算获得A、B、C的数值(D在计算过程中可以被消除)，最终获得关于x，y，z的平面函数。

S3、计算当前检测的位置点的坐标值和上述平面方程之间的距离；

上述距离可以通过将当前检测的位置点的坐标值代入上述平面方程Ax+By+Cz+D＝0中而获得，具体地，该距离满足下述关系式：

其中，△d为当前检测的位置点的坐标值和上述平面方程之间的距离；x

S4、在上述距离△d小于等于预设阈值thres时，确定当前检测的位置点对应点集构成的区域为光滑区域。

S5、在上述距离△d大于预设阈值thres时，截取上述平面图像中以当前检测的位置点的坐标值为中心，且对应点集构成的区域作为瑕疵潜在区域；

利用采集的点云数据，可以获得上述瑕疵潜在区域在上述平面图像中的坐标值，即快速完成瑕疵潜在区域的定标，保证瑕疵区域不会有遗漏，相对于现有技术中单独使用图像数据，可以提高检测精度。

以m＝8为例，上述瑕疵潜在区域即为由8个邻近点构成的边界所限定的区域，具体地，当前检测的位置点位于正方形区域的中心，8个邻近点中的4个点位于正方形区域的四个角，其余4个点位于正方形区域的四个边的中点。

可选的，考虑到平面图像的分辨率，上述当前检测的位置点以及8个邻近点的坐标值均乘以分辨率系数，例如，上述当前检测的位置点的x值乘以△x，y值乘以△y。

在一些可选的实施例中，考虑到平面图像的分辨率，平面图像中的上述瑕疵潜在区域的边界的四角坐标值分别为：min(x

S6、对瑕疵潜在区域的表面瑕疵情况进行定位和识别，以获得瑕疵潜在区域的瑕疵分布。

本发明实施例提供的工件表面瑕疵检测方法，通过采集待检测工件的表面的点云数据和平面图像，并通过选取点云数据中的当前检测的位置点周围的m个邻近点构成一点集，并根据点集的坐标值拟合形成平面方程，计算当前检测的位置点的坐标值和平面方程之间的距离，可以将该距离与预设阈值比较来判断当前检测的位置点对应点集构成的区域为光滑区域还是瑕疵潜在区域，从而可以利用点云数据快速完成瑕疵潜在区域的定标，保证瑕疵区域不会有遗漏，相对于现有技术中单独使用图像数据，可以提高检测精度。同时，通过对平面图像中瑕疵潜在区域的表面瑕疵情况进行定位和识别，以获得瑕疵潜在区域的瑕疵分布，可以减少计算量，相对于现有技术中单独使用点云数据相比，可以避免繁杂的点云数据处理，从而可以提高检测效率。

在一些可选的实施例中，请参阅图2，上述步骤S2具体包括：

S21、从m个邻近点中选取3个邻近点作为初始点，并将3个邻近点的坐标值代入上述平面方程，计算获得第一平面函数；

上述3个邻近点的坐标值代入上述平面方程可以得到下述方程组：

对上述方程组进行求解可以得到关于x，y，z的平面函数，即上述第一平面函数。

S22、将m个邻近点中除3个初始点之外的其余邻近点的坐标值代入上述第一平面函数，计算获得m个邻近点中落入上述第一平面函数的邻近点个数，及未落入上述第一平面函数的邻近点的坐标值与第一平面函数之间的距离之和；

上述未落入上述第一平面函数的邻近点的坐标值与第一平面函数之间的距离，可以通过将上述未落入上述第一平面函数的邻近点的坐标值代入上述平面方程Ax+By+Cz+D＝0中而获得，具体地，该距离满足下述关系式：

其中，△d

S23、判断m个邻近点是否全部落入第一平面函数，若是，则执行步骤S24；若否，则执行步骤S25；

S24、将上述第一平面函数作为平面方程；

S25、判断是否所有的邻近点均被选取过，若均被选取过，则执行步骤S26；若未均被选取过，则返回上述步骤S21，重新选取另外3个邻近点作为初始点。

S26、选择邻近点个数最多，且距离之和最小的平面函数作为上述平面方程。

也就是说，循环执行上述步骤S21至步骤S26，且在执行下一次步骤S21时，重新选取另外3个邻近点作为初始点，以获得新选取的3个邻近点代入平面方程计算获得的新的第一平面函数，即，在循环执行多次上述步骤S21至步骤S26之后，可以获得多个第一平面函数，每个第一平面函数均对应一个邻近点个数及距离之和，选择这些第一平面函数中邻近点个数最多，且距离之和最小的平面函数，作为上述平面方程。当然，如果m个邻近点全部落入第一平面函数，则直接将该第一平面函数作为上述平面方程，而无需继续循环。

在另一些可选的实施例中，请参阅图3，上述步骤S2具体包括：

S21’、从m个邻近点中选取3个邻近点作为初始点，并将3个邻近点的坐标值代入对应的上述平面方程，计算获得第一平面函数；

S22’、将m个邻近点中除3个初始点之外的其余邻近点的坐标值代入第一平面函数，计算获得m个邻近点中落入上述第一平面函数的邻近点个数，及未落入第一平面函数的邻近点的坐标值与第一平面函数之间的距离之和；

S23’、从m个邻近点中选取除3个初始点之外的3个邻近点，作为基准点，代入上述平面方程，计算获得第二平面函数；

S24’、计算获得m个邻近点中落入上述第二平面函数的邻近点个数，及未落入第二平面函数的邻近点的坐标值与第二平面函数之间的距离之和；

S25’、判断m个邻近点是否全部落入第二平面函数，若是，则执行步骤S26’；若否，则执行步骤S27’；

S26’、将第二平面函数作为平面方程；

S27’、判断是否所有的邻近点均被选取，若均被选取，则执行步骤S28’；若未均被选取，则返回执行上述步骤S21’，重新选取另外3个邻近点作为初始点；

S28’、选择邻近点个数最多，且距离之和最小的平面函数作为平面方程。

也就是说，循环执行上述步骤S21’至步骤S28’，且在执行下一次步骤S21’时，重新选取另外3个邻近点作为初始点，以获得新选取的3个邻近点代入平面方程计算获得的新的第一平面函数，即，在循环执行多次上述步骤S21’至步骤S25’之后，可以获得多个第二平面函数，每个第二平面函数均对应一个邻近点个数及距离之和，选择这些第二平面函数中邻近点个数最多，且距离之和最小的平面函数，作为上述平面方程。当然，如果m个邻近点全部落入第二平面函数，则直接将该第二平面函数作为上述平面方程，而无需继续循环。

与上述步骤S21至步骤S26相比，上述步骤S21’至步骤S28’可以通过穷举迭代计算出最优的临近区域平面函数，即该平面函数能够最近似地拟合出当前平面，从而降低因为引入错误/不合适的平面，导致的瑕疵区域误差。这种优势，在一定阈值范围内，临近点数量m越大越明显。

在一些可选的实施例中，请参阅图4，上述步骤S6，具体包括：

S61、增强瑕疵潜在区域与其周边区域之间的对比度；

例如，可以采用直方图增强处理的方式来增强瑕疵潜在区域与其周边区域之间的对比度。直方图增强处理是本领域的公知技术，在此不再赘述。

S62、对增强后的瑕疵潜在区域的表面瑕疵情况进行定位和识别，以获得瑕疵潜在区域的瑕疵分布；

在一些可选的实施例中，可以基于神经网络模型对上述瑕疵潜在区域进行分析，获得待检测工件的表面瑕疵分布。

作为另一个技术方案，请参阅图5，本发明实施例提供一种工件表面瑕疵检测装置，包括：

采集模块1，用于采集待检测工件的表面的点云数据和平面图像；

拟合模块2，用于选取点云数据中的当前检测的位置点周围的m个邻近点构成一点集，并根据点集的坐标值拟合形成平面方程，m为大于3的整数；

计算模块3，用于计算当前检测的位置点的坐标值和平面方程之间的距离；

判断模块4，用于在距离小于等于预设阈值时，确定当前检测的位置点对应点集构成的区域为光滑区域；在距离大于预设阈值时，截取平面图像中以当前检测的位置点的坐标值为中心，且对应点集构成的区域作为瑕疵潜在区域；

识别模块5，用于对瑕疵潜在区域的表面瑕疵情况进行定位和识别，以获得瑕疵潜在区域的瑕疵分布。

在一些可选的实施例中，请参阅图6，拟合模块2包括：

第一计算单元21，用于从m个邻近点中选取3个邻近点作为初始点，并代入对应的平面方程，计算获得第一平面函数；

第二计算单元22，用于将m个邻近点中除3个初始点之外的其余邻近点代入第一平面函数，计算获得m个邻近点中落入第一平面函数的邻近点个数，及未落入第一平面函数的邻近点的坐标值与第一平面函数之间的距离之和；

判断单元23，用于判断m个邻近点是否全部落入第一平面函数，若是，则将第一平面函数作为平面方程；若否，则判断是否所有的邻近点均被选取过，若均被选取过，则选择邻近点个数最多，且距离之和最小的平面函数作为平面方程；若未均被选取过，则返回执行从m个邻近点中选取3个初始点的步骤，重新选取另外3个邻近点作为初始点。

在一些可选的实施例中，请参阅图7，拟合模块2包括：

第一计算单元21，用于从m个邻近点中选取3个邻近点作为初始点，并代入对应的平面方程，计算获得第一平面函数；

第二计算单元22，用于将m个邻近点中除3个初始点之外的其余邻近点代入第一平面函数，计算获得m个邻近点中落入第一平面函数的邻近点个数，及未落入第一平面函数的邻近点的坐标值与第一平面函数之间的距离之和；

第三计算单元23，用于从m个邻近点中选取除3个初始点之外的3个邻近点，作为基准点，代入平面方程，计算获得第二平面函数；

第四计算单元24，用于计算获得m个邻近点中落入第二平面函数的邻近点个数，及未落入第二平面函数的邻近点的坐标值与第二平面函数之间的距离之和；

判断单元25，用于判断m个邻近点是否全部落入第二平面函数，若是，则将第二平面函数作为平面方程；若否，则判断是否所有的邻近点均被选取，若均被选取，则选择邻近点个数最多，且距离之和最小的平面函数作为平面方程；若未均被选取，则返回执行从m个邻近点中选取3个初始点的步骤，重新选取另外3个邻近点作为初始点。

在一些可选的实施例中，请参阅图8，识别模块5包括：

增强单元51，用于增强瑕疵潜在区域与其周边区域之间的对比度；

识别单元52，用于对增强后的瑕疵潜在区域的表面瑕疵情况进行定位和识别，以获得瑕疵潜在区域的瑕疵分布。

在一些可选的实施例中，平面图像中的瑕疵潜在区域的边界的四角坐标值分别为：min(x

综上所述，本发明实施例提供的工件表面瑕疵检测方法及装置的技术方案中，通过采集待检测工件的表面的点云数据和平面图像，并通过选取点云数据中的当前检测的位置点周围的m个邻近点构成一点集，并根据点集的坐标值拟合形成平面方程，计算当前检测的位置点的坐标值和平面方程之间的距离，可以将该距离与预设阈值比较来判断当前检测的位置点对应点集构成的区域为光滑区域还是瑕疵潜在区域，从而可以利用点云数据快速完成瑕疵潜在区域的定标，保证瑕疵区域不会有遗漏，相对于现有技术中单独使用图像数据，可以提高检测精度。同时，通过对平面图像中瑕疵潜在区域的表面瑕疵情况进行定位和识别，以获得瑕疵潜在区域的瑕疵分布，可以减少计算量，相对于现有技术中单独使用点云数据相比，可以避免繁杂的点云数据处理，从而可以提高检测效率。

可以解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。