粮情判断方法装置、设备及存储介质

技术领域

本发明涉及粮情检测技术领域，尤其涉及一种粮情判断方法装置、设备及存储介质。

背景技术

随着人民消费水平提高，人民对粮食的安全需求也日益增长。在当前的粮情储存和粮情检测技术中，一般采用将单一传感器作为粮情判断依据信息源的方法。

现有技术的粮情检测方法检测信息量少，对粮情信息预测简单，单一传感器难以获取全面、丰富的粮情信息，以致于获取到的粮情信息不准确。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种粮情判断方法，旨在解决现有技术对粮情的检测和判断不够准确的技术问题。

为实现上述目的，本发明提供了一种粮情判断方法，所述方法包括以下步骤：

获取粮仓的属性状态数据；

将所述属性状态数据通过预设二级数据融合模型进行数据融合，得到融合数据；

基于所述融合数据和标准粮情数据对所述粮仓进行粮情判断，得到粮情判断结果。

可选地，所述融合数据包括第一融合数据和第二融合数据，所述第一融合数据为第一属性状态数据通过预设二级数据融合模型计算得到的第一融合数据，所述第二融合数据为第二属性状态数据通过预设二级数据融合模型计算得到的第二融合数据，所述第一属性状态数据为同一时刻不同采集点的属性状态数据，所述第二属性状态数据为同一采集点不同时刻的属性状态数据；

可选地，所述基于所述融合数据和标准粮情数据对所述粮仓进行粮情判断，得到粮情判断结果，包括：

基于所述第一融合数据和标准粮情数据对所述粮仓进行整体粮情判断，得到整体粮情判断结果；

在所述初始粮情判断结果为异常时，基于所述第二融合数据和标准粮情数据对所述粮仓中各采集点进行精确点粮情判断，得到精确点粮情判断结果。

可选地，所述基于所述第一融合数据和标准粮情数据对所述粮仓进行整体粮情判断，得到整体粮情判断结果，包括：

获取所述粮仓各采集点第一属性状态数据和所述第一属性状态数据值的方差；

根据所述第一属性状态数据计算方差值和所述方差值对应的目标权重；

根据所述第一属性状态数据和所述目标权重生成粮仓整体数据。

对所述粮仓整体数据进行去量纲化，得到粮仓整体参考数列；

根据所述粮仓整体参考数列和标准粮情数据生成灰色关联系数；

根据所述灰色关联系数对所述粮仓进行整体粮情判断，得到整体粮情判断结果。

可选地，所述根据所述粮仓整体参考数列和标准粮情数据生成灰色关联系数，包括：

确定所述标准粮情数据的数值变化范围；

根据所述数值变化范围的最小值生成标准特征向量；

计算所述标准特征向量的标准特征值；

根据所述标准特征值生成所述标准粮情数据对应的比较序列；

根据所述粮仓整体参考数列和所述比较序列生成灰色关联系数。

可选地，所述基于所述第二融合数据和标准粮情数据对所述粮仓中各采集点进行精确点粮情判断，得到精确点粮情判断结果之前，还包括：

对所述第二属性状态数据进行预处理，得到目标第二属性状态数据，所述预处理包括数据筛选和数据去噪；

将所述目标第二属性状态数据通过预设二级数据融合模型进行数据融合，得到第二融合数据。

可选地，所述基于所述第二融合数据和标准粮情数据对所述粮仓中各采集点进行精确点粮情判断，得到精确点粮情判断结果，包括：

获取所述粮仓多个粮情所对应的标准特征向量；

基于所述第二融合数据得到粮仓个体参考数列；

根据所述粮仓个体参考数列和所述粮仓多个粮情标准特征向量进行灰色关联度计算，得到多个灰色关联系数；

将所述多个灰色关联系数进行排序，并根据排序结果确定粮仓个体粮情，所述粮仓个体粮情为最大灰色关联系数对应的粮情。

可选地，所述粮情判断方法，还包括：

当粮情判断结果异常时，根据所述粮情判断结果和所述粮仓的属性状态数据控制通风装置对所述粮仓进行通风和/或控制翻粮装置对所述粮仓内粮堆进行翻粮。

此外，为实现上述目的，本发明还提出一种粮情判断装置，所述粮情判断装置包括：

数据获取模块，获取粮仓的属性状态数据；

数据融合模块，将所述属性状态数据通过预设二级数据融合模型进行数据融合，得到融合数据；

结果判定模块，基于所述融合数据和标准粮情数据对所述粮仓进行粮情判断，得到粮情判断结果。

此外，为实现上述目的，本发明还提出一种粮情判断设备，所述粮情判断设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的粮情判断程序，所述粮情判断程序配置为实现如上文所述的粮情判断方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有粮情判断程序，所述粮情判断程序被处理器执行时实现如上文所述的粮情判断方法的步骤。

本发明通过获取粮仓的属性状态数据；将所述属性状态数据通过预设二级数据融合模型进行数据融合，得到融合数据；基于所述融合数据和标准粮情数据对所述粮仓进行粮情判断，得到粮情判断结果。本发明在粮情检测过程中将粮仓的温度、湿度、水分、压力等属性数据通过数据融合方法进行汇总，并且通过多级判断方式对粮情进行精准判断，解决了现有技术中对粮情的检测和判断不够准确的技术问题。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的粮情判断设备的结构示意图；

图2为本发明粮情判断方法第一实施例的流程示意图；

图3为本发明粮情判断方法实现完整系统框图；

图4为本发明粮情判断方法实验仓内部传感器布置图；

图5为本发明粮情判断方法实验仓执行装置示意图；

图6为本发明粮情判断方法第二实施例的流程示意图；

图7为本发明粮情判断方法粗判断两级融合模型框架图；

图8为本发明粮情判断方法整体粮情粗判断融合流程图；

图9为本发明粮情判断方法精确点粮情判断两级融合模型框架图；

图10为本发明粮情判断方法精确点粮情判断模式一级融合流程图；

图11为本发明粮情判断方法精确点粮情判断模式二级融合流程图；

图12为本发明粮情判断装置第一实施例的结构框图。

本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的粮情判断设备结构示意图。

如图1所示，该粮情判断设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对粮情判断设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及粮情判断程序。

在图1所示的粮情判断设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明粮情判断设备中的处理器1001、存储器1005可以设置在粮情判断设备中，所述粮情判断设备通过处理器1001调用存储器1005中存储的粮情判断程序，并执行本发明实施例提供的粮情判断方法。

本发明实施例提供了一种粮情判断方法，参照图2，图2为本发明一种粮情判断方法第一实施例的流程示意图。

本实施例中，所述粮情判断方法包括以下步骤：

步骤S10：获取粮仓的属性状态数据。

需要说明的是，本实施例的执行主体是粮情判断设备，其中，该粮情判断设备具有数据处理，数据通信及程序运行等功能，所述粮情判断设备可以为集成控制器，控制计算机等设备，当然还可以为其他具备对粮仓粮情进行检测和判断的设备，本实施例对此不做限制。

可以理解的是，粮仓的属性状态包括：粮温、气温、粮堆湿度、大气湿度、二氧化碳浓度值、压力、水分等。执行获取粮仓的属性状态数据的是布置在粮仓内和粮仓外部的传感器，在粮仓内部的传感器获取粮温、粮堆湿度二氧化碳浓度值、压力等数据，在粮仓外部的传感器获取大气温度、湿度数据。

参考图3，本实施基于一个粮情判断系统实现，该系统包括三个大模块，分别是多源信息采集模块、多源信息融合模块和控制装置执行模块。其中多源信息模块包括三个小模块，分别为粮仓内温湿度、二氧化碳浓度和压力传感器模块、水分检测仪模块和仓外温湿度传感器模块，用以采集粮仓内外温湿度、二氧化碳、压力以及水分数据；多源信息融合模块包括整体粮情判断模块和精确点粮情判断模块，用以对粮仓粮情进行两级判断；控制装置执行模块包括控制板卡、驱动器、扦样执行器、翻粮执行器和鼓风机，用来对粮仓执行扦样、翻粮或通风动作。

在具体实施中，以实验仓为例，实验仓大小为1×1×1m，仓壁布置有保温板，实验仓外布置有温湿度传感器，在实验仓内部布置温度、湿度、二氧化碳浓度、压力传感器。参考图4，图4为本发明所用实验仓内部传感器布置图。在实验仓的内部温度与湿度传感器、二氧化碳浓度、压力传感器布置为3行3列，共布置4层，距离粮堆最近的一层为第一层，每层间隔200mm，底层传感器与仓底间隔为200mm,每列间隔300mm，首列与实验粮仓间隔为200mm，行间隔方式与列间隔相同。水分数据采集借助架设于实验仓上的扦样器和水分检测仪完成。其中，实验仓的大小、传感器分布方式依据实际情况而定，本实施对此不加以限制。

步骤S20：将所述属性状态数据通过预设二级数据融合模型进行数据融合，得到融合数据。

需要说明的是，预设二级数据融合模型的第一级融合为同质传感器的一级数据融合，一级数据融合包括两种情况，分别是同一时间点多个传感器数据融合和单一传感器多个时间点数据融合。同一时间点多个传感器数据融合指的是对粮仓布置的所有同种类型传感器数据某一时间点下的融合。单一传感器多个时间点数据融合指的是对单个传感器多个时间点采集到的数据进行融合。在第二级融合中，首先对一级融合所得到的数据进行去量纲化，基于去量纲化后的数据进行灰色关联度计算，从而对粮情进行判断。

在具体实施中，在同一时间点多个传感器数据融合中即，将获得到的所有粮仓内温度数据进行数据融合，将获得的所有粮仓内二氧化碳浓度数据进行数据融合等。

进一步地，所述融合数据包括第一融合数据和第二融合数据，所述第一融合数据为第一属性状态数据通过预设二级数据融合模型计算得到的第一融合数据，所述第二融合数据为第二属性状态数据通过预设二级数据融合模型计算得到的第二融合数据，所述第一属性状态数据为同一时刻不同采集点的属性状态数据，所述第二属性状态数据为同一采集点不同时刻的属性状态数据。

在具体实施中，在中午12时，对同一时间点多个传感器数据进行融合，分别对粮温、气温、粮堆湿度、大气湿度、二氧化碳浓度值、压力、水分等传感器数据进行同质数据融合；以距离粮堆表面最近层的第一个采集点12时刻的温度传感器为例进行单一传感器多个时间点数据融合，采集12点时刻前后半小时的数据进行处理后对处理后的数据进行融合。其中，具体时刻依据实际情况而定，本实施对此不加以限制。

步骤S30：基于所述融合数据和标准粮情数据对所述粮仓进行粮情判断，得到粮情判断结果。

在具体实施中，粮情判断结果可以是正常、发热、结露或霉变中的任意一种情况。其中，粮情判断结果依据具体情况而定，本实施对此不加以限制。

进一步地，粮情判断方法，还包括：

当粮情判断结果异常时，根据所述粮情判断结果和所述粮仓的属性状态数据控制通风装置对所述粮仓进行通风和/或控制翻粮装置对所述粮仓内粮堆进行翻粮。

在具体实施中，参考图5，图5为实验仓执行装置示意图，在完成对各点的粮情判断后，翻粮器或者通风装置开始作业。在计算机传感器监测界面上检测到某点温度异常数据后，若粮堆各点温度差异大于4℃指挥通风装置进行通风作业，并根据反馈到粮堆各点温度变化情况控制风量大小以及停止作业时间；在传感器监测界面若显示仅粮面层附近传感器采集点的粮温差异过大，其它采集点粮温趋近相同，可指挥翻粮装置对整个粮堆表面进行翻粮作业。在具体实施中，指挥粮仓开始翻粮动作和通风动作的温度差异视具体情况而定，本实施对此不加以限制。

此外，在本实施例中，在完成通风动作或者翻粮动作之后，还可以重新获取处理后的粮仓的属性状态数据，用于对处理后的粮堆进行异常粮情的判断，在存在异常粮情时，执行通风或者翻粮操作，直至粮仓内的所有粮堆粮情正常。

本实施例通过获取粮仓的属性状态数据；将所述属性状态数据通过预设二级数据融合模型进行数据融合，得到融合数据；基于所述融合数据和标准粮情数据对所述粮仓进行粮情判断，得到粮情判断结果。本发明在粮情检测过程中将粮仓的温度、湿度、水分、压力等属性数据通过数据融合方法进行汇总，并且通过多级判断方式对粮情进行精准判断，解决了现有技术中对粮情的检测和判断不够准确的技术问题。

参考图6，图6为本发明一种粮情判断方法第二实施例的流程示意图。

基于上述第一实施例，本实施例粮情判断方法所述步骤S30，包括：

步骤S301：基于所述第一融合数据和标准粮情数据对所述粮仓进行整体粮情判断，得到整体粮情判断结果。

在具体实施中，第一融合数据为经过了第一级数据融合和第二级数据融合得到的数据，其中第一级数据融合为同一时间点多个传感器数据融合，分别对粮温、气温、粮堆湿度、大气湿度、二氧化碳浓度值、压力、水分等传感器数据进行同质数据融合。

进一步地，将基于所述第一融合数据和标准粮情数据对所述粮仓进行整体粮情判断，得到整体粮情判断结果还包括：

获取所述粮仓各采集点第一属性状态数据和所述第一属性状态数据值的方差；

根据所述第一属性状态数据计算方差值和所述方差值对应的目标权重；

根据所述第一属性状态数据和所述目标权重生成粮仓整体数据。

对所述粮仓整体数据进行去量纲化，得到粮仓整体参考数列；

根据所述粮仓整体参考数列和标准粮情数据生成灰色关联系数；

根据所述灰色关联系数对所述粮仓进行整体粮情判断，得到整体粮情判断结果。

在具体实施中，参照图7和图8分别为整体粮情粗判断两级融合模型框架图和整体粮情粗判断融合流程图。设定采集周期为120s/次，以a表示粮堆内采集点温度、a′表示仓外温度、b表示粮堆内采集点湿度、b′表示仓外湿度；利用二氧化碳传感器采集每天的二氧化碳浓度，以c表示二氧化碳浓度，利用压力传感器采集传感器所在点的压力，以d来表示压力，采集粮堆温度值、湿度值、二氧化碳浓度值、压力值时刻为0时、6时、12时和18时，以采集时刻前后半小时所采集的数据平均值作为对应采集时刻的数据，计算公式如下：

其中

其中公式中

进一步地，将根据所述粮仓整体参考数列和标准粮情数据生成灰色关联系数还包括：

确定所述标准粮情数据的数值变化范围；

根据所述数值变化范围的最小值生成标准特征向量；

计算所述标准特征向量的标准特征值；

根据所述标准特征值生成所述标准粮情数据对应的比较序列；

根据所述粮仓整体参考数列和所述比较序列生成灰色关联系数。

在具体实施中，选取X为粮情特征向量，X＝[X1，X2，X3，X4]，X为4行7列矩阵，X1表示粮堆正常，X2表示粮堆发热，X3表示粮堆结露，X4表示粮堆霉变。根据以上四种粮情下的粮温、气温、粮堆湿度、大气湿度、二氧化碳浓度值、压力、水分这7类值的变化范围，取下限值得到四种粮情的标准特征向量。将第j个时刻获得的粮仓整体的温度数据作为参考数列，

式中ξ

为两级最小差。

为两级最大差。由灰色关联度公式计算出灰色关联程度，所选灰色关联度公式为：

其中r

步骤S302：在所述初始粮情判断结果为异常时，基于所述第二融合数据和标准粮情数据对所述粮仓中各采集点进行精确点粮情判断，得到精确点粮情判断结果。

在具体实施中，粮情判断结果可以是正常、发热、结露或霉变中的任意一种。当初始粮情判断结果为异常时，可以认为粮情判断结果为发热、结露或霉变中的任意一种，此时即认为需要对粮情进行精确判断，从而进入到精判断模式，精判断模式即对每点每时刻的粮情进行判断，第二融合数据为经过了两级融合的数据，其中二级融合数据的第一级融合为单个传感器对多个时间点采集到的数据进行融合。

参照图9，图9为精确点粮情判断两级融合模型框架图，在精确判断模式的第一级融合中，首先是对有异常的数据进行剔除，随后将各采集点多个时间的数据进行融合；第二级融合即将第一级融合后的数据与多种粮情的标准特征向量进行灰色关联度计算，得到灰色关联度系数，根据灰色关联度系数对各点粮情进行精确判断。

进一步地，将基于所述第二融合数据和标准粮情数据对所述粮仓中各采集点进行精确点粮情判断，得到精确点粮情判断结果之前还包括：

对所述第二属性状态数据进行预处理，得到目标第二属性状态数据，所述预处理包括数据筛选和数据去噪；

将所述目标第二属性状态数据通过预设二级数据融合模型进行数据融合，得到第二融合数据。

在具体实施中，参照图10，图10为精确点粮情判断模式下一级融合流程。将一天中各点分别代表的4个时刻的传感器数据绘制于直方图，获取采集时刻前后半小时所采集的数据，设定采集周期为120s/次，以此求取每个采集时刻传感器数据的平均值与标准差，将采集时刻中与平均值差值大于3倍标准差数据删除，保留余下测量数据，以距离粮堆表面最近层的第一个采集点12时刻的温度传感器数据计算方法为例:

对筛选后的数据进行去噪，过程如下，首先设定参数

P

Q＝4e-4

R＝0.25

为对粮堆整体温度的初始估计值，P0为初始误差协方差，Q为过程噪声协方差，R为测量噪声协方差。通过时间更新完成状态先验估计和误差协方差的预估：

式中

令j＝1,借助上式更新36个传感器第1个时刻下的k时间点数据，得到第i个传感器第1个时刻下数据最优估计值为:

其中

进一步地，将基于所述第二融合数据和标准粮情数据对所述粮仓中各采集点进行精确点粮情判断，得到精确点粮情判断结果还包括：

获取所述粮仓多个粮情所对应的标准特征向量；

基于所述第二融合数据得到粮仓个体参考数列；

根据所述粮仓个体参考数列和所述粮仓多个粮情标准特征向量进行灰色关联度计算，得到多个灰色关联系数；

将所述多个灰色关联系数进行排序，并根据排序结果确定粮仓个体粮情，所述粮仓个体粮情为最大灰色关联系数对应的粮情。

在具体实施中，参照图11，对一级融合后的各类数据，按照时刻顺序和传感器编号大小顺序，设置传感器数量为36个，从第一时刻第一个传感器数据开始与四种粮情的标准特征向量进行灰色关联度系数计算，直到第36个传感器第四时刻的数据为止，得到每一个点每个时刻的灰色关联系数，依据该每点的灰色关联系数得到灰色加权关联程度，对该灰色加权关联程度进行大小排序，灰色加权关联程度值最大的所对应的粮情即为该点粮情。

本实施例通过基于所述第一融合数据和标准粮情数据对所述粮仓进行整体粮情判断，得到整体粮情判断结果；在所述初始粮情判断结果为异常时，基于所述第二融合数据和标准粮情数据对所述粮仓中各采集点进行精确点粮情判断，得到精确点粮情判断结果。通过整体判断和精确判断两级判断模式和两级数据融合模式，使得作为判断依据的数据源更加全面准确，同时也提高了判断的准确性。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有粮情判断程序，所述粮情判断程序被处理器执行时实现如上文所述的粮情判断方法的步骤。

参照图4，图12为本发明粮情判断装置第一实施例的结构框图。

如图12所示，本发明实施例提出的粮情判断装置包括：

数据获取模块，获取粮仓的属性状态数据；

数据融合模块，将所述属性状态数据通过预设二级数据融合模型进行数据融合，得到融合数据；

结果判定模块，基于所述融合数据和标准粮情数据对所述粮仓进行粮情判断，得到粮情判断结果。

在一实施例中，所述结果判定模块，还用于基于所述第一融合数据和标准粮情数据对所述粮仓进行整体粮情判断，得到整体粮情判断结果；在所述初始粮情判断结果为异常时，基于所述第二融合数据和标准粮情数据对所述粮仓中各采集点进行精确点粮情判断，得到精确点粮情判断结果。

在一实施例中，所述结果判定模块，还用于获取所述粮仓各采集点第一属性状态数据和所述第一属性状态数据值的方差；根据所述第一属性状态数据计算方差值和所述方差值对应的目标权重；根据所述第一属性状态数据和所述目标权重生成粮仓整体数据；对所述粮仓整体数据进行去量纲化，得到粮仓整体参考数列；根据所述粮仓整体参考数列和标准粮情数据生成灰色关联系数；根据所述灰色关联系数对所述粮仓进行整体粮情判断，得到整体粮情判断结果。

在一实施例中，所述结果判定模块，还用于确定所述标准粮情数据的数值变化范围；根据所述数值变化范围的最小值生成标准特征向量；计算所述标准特征向量的标准特征值；根据所述标准特征值生成所述标准粮情数据对应的比较序列；根据所述粮仓整体参考数列和所述比较序列生成灰色关联系数。

应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。

应该理解的是，虽然本申请实施例中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，其可以以其他的顺序执行。而且，图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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他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。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。