影像识别边缘设备以及方法

技术领域

本揭示有关于一种机器学习技术，且特别是有关于具有节省运算资源功能的机器学习技术。

背景技术

就目前的机器学习(machine learning)技术而言，往往需要大量的时间资源以及运算资源才能完成模型的训练。当要在边缘运算平台上完成机器学习模型的训练以及使用时，边缘运算平台因为运算资源的不足而导致无法执行机器学习模型。因此，要如何解决边缘运算平台因为运算资源的不足而导致无法执行机器学习模型的问题是本领域技术人员急欲解决的问题。

发明内容

本揭示的一态样揭露一种影像识别边缘设备，包括存储器以及处理器。存储器用以储存多个指令。处理器连接存储器，用以执行物件识别模型，物件识别模型包含多个卷积层以及合并全连接层，多个卷积层依序串接，合并全连接层包含第一全连接输出层以及第二全连接输出层，其中处理器存取多个指令以执行以下操作：将输入影像进行下采样处理以产生下采样影像；将下采样影像输入物件识别模型经过多个卷积层依序产生多个特征张量；由多个特征张量选择其中一部分形成第一特征张量金字塔；由多个特征张量选择其中另一部分形成第二特征张量金字塔；以及将第一特征张量金字塔与第二特征张量金字塔输入合并全连接层中，由第一全连接输出层基于第一特征张量金字塔产生第一影像侦测标签，由第二全连接输出层基于第二特征张量金字塔产生第二影像侦测标签。

在一实施例中，处理器更用以：对多个特征张量的其中一部分进行特征金字塔处理以产生第一特征张量金字塔；以及对多个特征张量的其中另一部分进行特征金字塔处理以产生第二特征张量金字塔。

在一实施例中，处理器更用以：对多个特征张量的其中一部分进行特征金字塔处理以产生多个第一金字塔特征张量，并根据由多个第一金字塔特征张量所产生的多个第一损失率从多个第一金字塔特征张量产生第一特征张量金字塔；以及对多个特征张量的其中另一部分进行特征金字塔处理以产生多个第二金字塔特征张量，并根据由多个第二金字塔特征张量所产生的多个第二损失率从多个第二金字塔特征张量产生第二特征张量金字塔。

在一实施例中，多个特征张量的其中一部分包括第一高阶张量以及第一低阶张量，与第一高阶张量对应的卷积层的阶数小于与第一低阶张量对应的卷积层的阶数，其中处理器更用以：对第一高阶张量进行反卷积处理以产生第一上采样张量；对第一低阶张量进行卷积处理以产生第一卷积张量；以及对第一低阶放大张量以及第一低阶卷积张量进行元素与元素处理的加法运算以产生多个第一金字塔特征张量中的一者。

在一实施例中，多个特征张量的其中另一部分包括第二高阶张量以及第二低阶张量，与第二高阶张量对应的卷积层的阶数小于与第二低阶张量对应的卷积层的阶数，其中处理器更用以：对第二高阶张量进行反卷积处理以产生第二上采样张量；对第二低阶张量进行卷积处理以产生第二卷积张量；以及对第二放大张量以及第二卷积张量进行元素与元素处理的加法运算以产生多个第二金字塔特征张量中的一者。

本揭示的另一态样揭露一种影像识别边缘方法，包括：将输入影像进行下采样处理以产生下采样影像；将下采样影像输入物件识别模型经过多个卷积层依序产生多个特征张量，其中物件识别模型包含多个卷积层以及合并全连接层，多个卷积层依序串接，合并全连接层包含第一全连接输出层以及第二全连接输出层；由多个特征张量选择其中一部分形成第一特征张量金字塔；由多个特征张量选择其中另一部分形成第二特征张量金字塔；以及将第一特征张量金字塔与第二特征张量金字塔输入合并全连接层中，由第一全连接输出层基于第一特征张量金字塔产生第一影像侦测标签，由第二全连接输出层基于第二特征张量金字塔产生第二影像侦测标签。

在一实施例中，由多个特征张量选择其中一部分形成第一特征张量金字塔的步骤包括：对多个特征张量的其中一部分进行特征金字塔处理以产生第一特征张量金字塔，其中由多个特征张量选择其中另一部分形成第二特征张量金字塔的步骤包括：对多个特征张量的其中另一部分进行特征金字塔处理以产生第二特征张量金字塔。

在一实施例中，由多个特征张量选择其中一部分形成第一特征张量金字塔的步骤包括：对多个特征张量的其中一部分进行特征金字塔处理以产生多个第一金字塔特征张量，并根据由多个第一金字塔特征张量所产生的多个第一损失率从多个第一金字塔特征张量产生第一特征张量金字塔，其中由多个特征张量选择其中另一部分形成第二特征张量金字塔的步骤包括：对多个特征张量的其中另一部分进行特征金字塔处理以产生多个第二金字塔特征张量，并根据由多个第二金字塔特征张量所产生的多个第二损失率从多个第二金字塔特征张量产生第二特征张量金字塔。

在一实施例中，多个特征张量的其中一部分包括第一高阶张量以及第一低阶张量，与第一高阶张量对应的卷积层的阶数小于与第一低阶张量对应的卷积层的阶数，其中对多个特征张量的其中一部分进行特征金字塔处理以产生多个第一金字塔特征张量的步骤包括：对第一高阶张量进行反卷积处理以产生第一上采样张量；对第一低阶张量进行卷积处理以产生第一卷积张量；以及对第一低阶放大张量以及第一低阶卷积张量进行元素与元素处理的加法运算以产生多个第一金字塔特征张量中的一者。

在一实施例中，多个特征张量的其中另一部分包括第二高阶张量以及第二低阶张量，与第二高阶张量对应的卷积层的阶数小于与第二低阶张量对应的卷积层的阶数，其中对多个特征张量的其中另一部分进行特征金字塔处理以产生多个第二金字塔特征张量的步骤包括：对第二高阶张量进行反卷积处理以产生第二上采样张量；对第二低阶张量进行卷积处理以产生第二卷积张量；以及对第二放大张量以及第二卷积张量进行元素与元素处理的加法运算以产生多个第二金字塔特征张量中的一者。

基于上述，本揭示的影像识别边缘设备以及方法可针对多个不同的识别任务采用单一个主骨干层，且不同的识别任务可从主骨干层提取所需要的特征张量以形成各自的特征张量金字塔。借此，将解决边缘运算平台因为运算资源的不足而导致无法执行机器学习模型的问题。

附图说明

图1是本揭示的影像识别边缘设备的示意图；

图2是根据本揭示一些实施例中的物件识别模型的示意图；

图3是本揭示的影像识别边缘方法的流程图；

图4是根据本揭示一些实施例中的选择特征张量的示意图；

图5是根据本揭示一些实施例中的进行特征金字塔处理的示意图。

【符号说明】

100：影像识别边缘设备

110：存储器

120：处理器

ODM：物件识别模型

img：输入影像

DSL：下采样层

Conv1～Conv13：卷积层

CFCL：合并全连接层

lbl1～lbl3：影像侦测标签

S310～S350：步骤

FM1～FM3：特征张量

P_FM1～P_FM3：金字塔特征张量

CONV：卷积处理

UPP：反卷积处理

EWA：元素与元素处理的加法运算

具体实施方式

针对现行的机器学习技术，因为边缘运算平台的运算力常常较为低下，因此，深度神经网络模型(deep neural networks,DNN)在边缘运算(edge computing)平台的运算力限制下较难同时执行2个以上运算模型(例如，口罩侦测(detection)、行人侦测、人脸侦测等)的需求。有鉴于此，本揭示提出一种结合共用特征提取的主要骨干(backbone)以及多任务(muti-task)全连接层的结构将多个模型合并成一个模型。借此，将大大降低边缘运算平台的运算资源消耗，且在节省运算资源的情况下还能维持极佳的识别的准确度。

请参照图1，图1是本揭示的影像识别边缘设备100的示意图。如图1所示，影像识别边缘设备100包括存储器110以及处理器120。处理器120与存储器110耦接。

在一些实施例中，影像识别边缘设备100可以是由边缘运算设备(edge computingdevice)或边缘云(edge cloud)等具有边缘运算能力的实体或虚拟的设备来实现。在一些实施例中，存储器110可以利用存储单元、快闪存储器、只读存储器、硬盘、任何具相等性的存储组件或其组合来实现。在一些实施例中，处理器120可由处理电路、中央处理单元、计算单元或其组合来实现。

于一些实施例中，影像识别边缘设备100并不限于包含存储器110以及处理器120，影像识别边缘设备100可以进一步包含操作以及应用中所需的其他元件，举例来说，影像识别边缘设备100可以还包含输出界面(例如用于显示信息的显示面板)、输入界面(例如触控面板、键盘、麦克风、扫描器或快闪存储器读取器)以及通信电路(例如WiFi通信模块、蓝芽通信模块、无线电信网络通信模块等)。

在本实施例中，存储器110储存多个指令，其中这些指令可以是预先储存的软件/固件指令程序。处理器120存取这些指令以进行各种操作。

如图1所示，处理器120基于相应的软件/固件指令程序用以运行物件识别模型ODM。在一些实施例中，物件识别模型ODM可以对输入的数据(例如，预先储存的影像数据(例如帧)或从影像识别边缘设备100的外部(例如通过摄影设备，包含但不限于摄影机)所接受的影像数据)进行物件识别。举例而言，物件识别模型ODM可侦测(例如，识别)输入的影像当中具有车辆、人脸、车牌、文字、图腾或是其他影像特征物件。物件识别模型ODM可根据识别的结果产生相应的标签(label)。甚至，物件识别模型ODM可根据识别的结果产生标记框(bounding box)。需特别说明的是，物件识别模型ODM在物件识别处理时可参考本身的物件识别模型参数。在一些实施例中，物件识别模型参数可以是在边缘服务器(edge server)(未绘示)上预先训练以储存于存储器110中的，并不是在影像识别边缘设备100进行训练以产生的。

在本实施例中，物件识别模型ODM包含多个卷积(convolution)层以及合并全连接(fully connection)层，多个卷积层依序串接，多个识别任务可依据其识别应用特征(即，识别任务所需的特征)从多个卷积层中选取指定数个卷积层，而后将这些卷积层所产生的特征张量(tensor)输入至合并全连接层，其中合并全连接层包含第一全连接输出层以及第二全连接输出层(即，可进行2个识别任务)。值得注意的是，这边的合并全连接层包括多个依序串接的全连接层，且此合并全连接层可以具有多任务的全连接层的结构，其中上述这些卷积层所产生的特征张量可经由特征金字塔处理(即，特征金字塔网络(featurepyramid network,FPN))以输入至这些全连接层中串接在最前端的全连接层。此外，在此虽以2个全连接输出层为例，然而，因应不同数量的识别任务，全连接输出层的数量也可以是其他数量。这边的2个全连接输出层仅仅是一个示范性实施例。

以下以实际的例子说明在处理3个识别任务的物件识别模型ODM。一并参照图2，图2是根据本揭示一些实施例中的物件识别模型ODM的示意图。如图2所示，物件识别模型ODM可包括下采样(down-sampling)层DSL、依序串接的多个卷积层Conv1～Conv13以及合并全连接层CFCL。输入影像img可输入下采样层DSL。下采样层DSL连接卷积层Conv1～Conv13。卷积层Conv1～Conv13会依序产生各自的特征张量。

卷积层Conv1、Conv4、Conv7、Conv10以及Conv13所产生的4个特征张量会经由特征金字塔处理以输入至合并全连接层CFCL。卷积层Conv13所产生的1个特征张量也会经由特征金字塔处理以输入至合并全连接层CFCL。由于只提取1个特征张量，在经由特征金字塔处理之后会直接输出此特征张量。卷积层Conv2、Conv4以及Conv8所产生的3个特征张量也会经由特征金字塔处理以输入至合并全连接层CFCL。借此，合并全连接层CFCL可从3个全连接输出层输出3个影像侦测标签lbl1～lbl3(例如，包括侦测出的物件以及物件的位置的识别结果)。

值得注意的是，在此虽以卷积层Conv1～Conv13以及3种提取特征张量的路径为例，然而，在实际应用上，仍可因应不同的识别任务需求调整卷积层的数量以及提取特征张量的路径，并没有对卷积层的数量以及提取特征张量的路径有特别的限制。此外，后续也将以实际的例子，进一步对上述特征金字塔处理进行说明。

请一并参阅图3，图3是本揭示的影像识别边缘方法的流程图。图1所示的影像识别边缘设备100可用以执行图3中的影像识别边缘方法。

如图3所示，影像识别边缘方法包括步骤S310～S350。首先，于步骤S310中，将输入影像进行下采样处理以产生下采样影像。换言之，在将影像输入物件识别模型ODM之前，先将影像的尺寸降低为统一的尺寸，以匹配与物件识别模型ODM对应的影像输入尺寸(因为物件识别模型ODM只能被输入特定大小的影像)。

再者，于步骤S320中，将下采样影像输入物件识别模型ODM经过多个卷积层依序产生多个特征张量。换言之，在下采样影像输入至物件识别模型ODM之后，各卷积层都会产生一个特征张量。举例而言，当物件识别模型ODM具有13个卷积层时，这些卷积层都会产生各自的特征张量(即，13个特征张量)。在一些实施例中，特征张量可包含二维特征矩阵(或称为特征图谱(feature map))。

再者，于步骤S330中，由多个特征张量选择其中一部分形成第一特征张量金字塔(feature tensor pyramid)。换言之，就是将多个卷积层其中一部分所输出的特征张量转换为第一特征张量金字塔。在一些实施例中，可根据第一识别任务由多个特征张量选择其中一部分。换言之，所选择的这些特征张量是根据特定的识别任务所产生的。在一些实施例中，经由多次第一识别任务的实验，可从多个特征张量选择其中一部分。换言之，要选择多个特征张量中的哪一部分是经由多次第一识别任务之后所决定的，且基于所选择的这些特征张量可产生第一识别任务的最佳的影像侦测标签(即，准确度最高的识别结果)。

举例而言，当欲进行人脸识别时，经由多次人脸识别的实验，基于由依序串接的多个卷积层中的第1、3、5阶层所产生的特征张量，可产生人脸识别的最佳的影像侦测标签。

在一些实施例中，可对多个特征张量的其中一部分进行特征金字塔处理以产生第一特征张量金字塔。在一些实施例中，可对多个特征张量的其中一部分进行特征金字塔处理以产生多个第一金字塔特征张量，并可根据多个第一金字塔特征张量计算多个第一损失率(loss rate)，损失率可使用均方误差(mean squared error,MSE)、交叉熵(crossentropy)等方法(以上方法不限制)评估模型训练效果。在一些实施例中，可判断根据多个第一金字塔特征张量所产生的多个第一损失率中的任一者是否小于(或等于)损失率阈值。接着，当多个第一损失率中的任一者小于损失率阈值时，可将多个第一金字塔特征张量堆迭成第一特征张量金字塔。当多个第一损失率中的皆不小于损失率阈值时，可选择多个特征张量的其中新的一部分中进行特征金字塔处理以产生新的第一特征张量金字塔。

举例而言，在训练阶段中，当对多个卷积层中的第1、3、5阶层所产生的特征张量进行特征金字塔处理时，可根据第1、3、5阶层所产生的特征张量，通过不断递回(即，反向传递(back propagation)演算法)的损失率计算产生多个损失率。一旦在特定递回次数(例如，预设为1000次)之后发现计算出一个小于损失率阈值的损失率，在使用阶段中，就可将第1、3、5阶层所产生的特征张量进行特征金字塔处理以产生第一特征张量金字塔。

反之，当在特定递回次数发现之后所计算出的所有损失率都不会小于损失率阈值时，可重新选择第1、5阶层所产生的特征张量，以再次进行特定递回次数的损失率计算，且一旦在特定递回次数之后发现从这些特征张量所产生的一个损失率小于损失率阈值，在使用阶段中，就可将第1、5阶层所产生的特征张量进行特征金字塔处理以产生新的第一特征张量金字塔。

在一些实施例中，多个特征张量的其中一部分可包括第一高阶张量以及第一低阶张量，且与第一高阶张量对应的卷积层的阶数(level)可小于与第一低阶张量对应的卷积层的阶数。

在一些实施例中，可对第一高阶张量进行反卷积(deconvolution)处理以产生第一上采样张量。接着，可对第一低阶张量进行卷积处理以产生第一卷积张量。接着，可对第一低阶放大张量以及第一低阶卷积张量进行元素与元素处理(element-wise)的加法运算以产生多个第一金字塔特征张量中的一者。在一些实施例中，在对第一低阶张量进行卷积处理之后更可进行正规化(normaliztion)处理以产生第一卷积张量。

再者，于步骤S340中，由多个特征张量选择其中另一部分形成第二特征张量金字塔。换言之，就是将多个卷积层其中另一部分所输出的特征张量转换为第二特征张量金字塔。换言之，就是将多个卷积层其中另一部分所输出的特征张量转换为第二特征张量金字塔。在一些实施例中，可根据第二识别任务由多个特征张量选择其中另一部分。换言之，所选择的这些特征张量是根据特定的另一个识别任务所产生的。在一些实施例中，经由多次第二识别任务的实验，可从由多个特征张量选择其中另一部分。换言之，要选择多个特征张量中的哪一部分是经由多次第二识别任务之后所决定的，且基于所选择的这些特征张量可产生第二识别任务的最佳的识别标签。

举例而言，当欲进行行人识别时，经由多次行人识别的实验，基于由依序串接的多个卷积层中的第2、6、7层所产生的特征张量，可产生行人识别的最佳的识别标签。

在一些实施例中，可对多个特征张量的其中另一部分进行特征金字塔处理以产生第二特征张量金字塔。在一些实施例中，可对多个特征张量的其中另一部分进行特征金字塔处理以产生多个第二金字塔特征张量，并可根据多个第二金字塔特征张量计算多个第二损失率。在一些实施例中，可判断根据多个第二金字塔特征张量所产生的多个第二损失率中的任一者是否小于(或等于)损失率阈值。接着，当多个第二损失率中的任一者小于损失率阈值时，可将多个第二金字塔特征张量堆迭成第二特征张量金字塔。当多个第二损失率中的皆不小于损失率阈值时，可选择多个特征张量的其中新的一部分进行特征金字塔处理以产生新的第二特征张量金字塔。

举例而言，在训练阶段中，当对多个卷积层中的第2、6、7阶层所产生的特征张量进行特征金字塔处理时，可根据第2、6、7阶层所产生的特征张量通过不断递回的损失率计算产生多个损失率。一旦在特定递回次数之后发现计算出一个小于损失率阈值的损失率，在使用阶段中，就可将第2、6、7阶层所产生的特征张量进行特征金字塔处理以产生第一特征张量金字塔。

反之，当在特定递回次数之后发现计算出的所有损失率都不会小于损失率阈值时，可重新选择第1、6阶层所产生的特征张量，以再次进行特定递回次数的损失率计算，且一旦在特定递回次数之后发现从这些特征张量所产生的一个损失率小于损失率阈值，在使用阶段中，就可将第1、6阶层所产生的特征张量进行特征金字塔处理以产生新的第二特征张量金字塔。

在一些实施例中，多个特征张量的另其中一部分可包括第二高阶张量以及第二低阶张量，且与第二高阶张量对应的卷积层的阶数可小于与第二低阶张量对应的卷积层的阶数。

在一些实施例中，可对第二高阶张量进行反卷积处理以产生第二上采样张量。接着，可对第二低阶张量进行卷积处理以产生第二卷积张量。接着，可对第二低阶放大张量以及第二低阶卷积张量进行元素与元素处理的加法运算以产生多个第二金字塔特征张量中的一者。在一些实施例中，在对第二低阶张量进行卷积处理之后更可进行正规化处理以产生第二卷积张量。

换言之，产生多个第二金字塔特征张量的方法相似于产生多个第一金字塔特征张量的方法，差别在两者会根据不同的特征张量群组产生。举例而言，可根据多个卷积层中的第2、6、7阶层所产生的特征张量产生多个第二金字塔特征张量，并可根据多个卷积层中的第1、3、5阶层所产生的特征张量产生多个第一金字塔特征张量。

以下以实际的例子说明这些金字塔特征张量(即，上述第一金字塔特征张量以及第二金字塔特征张量)是怎么产生的。请一并参照图4以及图5，图4是根据本揭示一些实施例中的选择特征张量FM1～FM3的示意图，且图5是根据本揭示一些实施例中的进行特征金字塔处理的示意图。如图4以及图5所示，针对图2中件识别模型ODM的其中一个识别任务，基于输入影像img，可由图2中的物件识别模型ODM中的卷积层Conv2、Conv4、Conv8提取出特征张量FM1～FM3。当对所提取的特征张量FM1～FM3进行特征金字塔处理时，可对卷积层Conv8所产生的特征张量进行反卷积处理UPP以产生一个上采样张量，并可对卷积层Conv4所产生的特征张量进行卷积处理(例如，尺寸1x1的卷积核进行卷积)CONV以及正规化处理以产生一个卷积张量。这边的上采样会将卷积层Conv8所产生的特征张量的尺寸扩大为相同于此卷积张量的尺寸。接着，可将上采样张量与卷积张量进行元素与元素处理的加法运算EWA以产生一个金字塔特征张量P_FM2。

接着，可对此金字塔特征张量P_FM2进行反卷积处理UPP以产生另一个上采样张量，并可对卷积层Conv2所产生的特征张量进行卷积处理CONV以及正规化处理以产生另一个卷积张量。这边的上采样也会将卷积层Conv2所产生的特征张量的尺寸扩大为相同于另一个卷积张量的尺寸。接着，可将另一个上采样张量与另一个卷积张量进行元素与元素处理的加法运算EWA以产生金字塔特征张量P_FM1。也就是说，通过高阶到低阶的方式，将高阶的特征张量回头上采样后与低阶的特征张量进行加法运算，即将特征张量FM1～FM3做强关联特征，以获得金字塔特征张量P_FM1。

最后，可将卷积层Conv8所产生的特征张量做为金字塔特征张量P_FM3。假设由金字塔特征张量P_FM3、P_FM2以及P_FM1所产生的损失率会大于损失率阈值，可依序将金字塔特征张量P_FM3、P_FM2以及P_FM1由上至下堆迭为一个特征张量金字塔，进而将这个特征张量金字塔输入合并全连接层CFCL以进行此识别任务。

再者，于步骤S350中，将第一特征张量金字塔与第二特征张量金字塔输入合并全连接层中，由第一全连接输出层基于第一特征张量金字塔产生第一影像侦测标签，由第二全连接输出层基于第二特征张量金字塔产生第二影像侦测标签。在一些实施例中，第一影像侦测标签以及第二影像侦测标签分别对应于不同的识别任务。

在一些实施例中，合并全连接层可将第一特征张量金字塔与第二特征张量金字塔转换为一个扩增向量(即，对多个特征张量进行拉伸以及串接)，并可根据扩增向量经由第一全连接输出层以及第二全连接输出层分别产生第一影像侦测标签以及第二影像侦测标签。换言之，多任务的合并全连接层可直接基于这些特征张量金字塔进行多任务的识别。

值得注意的是，上述影像识别边缘方法虽是以2个识别任务为例，然而，在实际应用中，可扩增为其他数量(例如大于2)的识别任务。针对其他数量的识别任务，差异仅在于会从多个特征张量选择更多的群组以产生更多的特征张量金字塔以及更多的影像侦测标签。

通过上述步骤，本揭示可将多识别任务的主骨干层(或特征萃取层)合并起来，并采用多任务的全连接层直接产生多个预测结果。借此，将大大节省整个影像识别边缘设备的运算资源。

于应用层面上，本揭示文件的影像识别边缘设备以及方法可以用在各种具有机器视觉、图像分类或是数据分类的领域，举例来说，此影像识别边缘方法可以用在医疗影像的物件分类以及物件定位，像是可以分辨正常状态、患有肺炎、患有支气管炎、患有心脏疾病的X光影像，或是可以分辨正常胎儿、胎位不正的超音波影像。另一方面，此影像识别边缘方法也可以用在自动驾驶收集的影像的分类，像是可以分辨正常路面、有障碍物的路面及其他车辆的路况影像。还有其他与此类似的机器学习领域，举例来说，本揭示文件的影像识别边缘设备以及方法也可以用在音谱识别、光谱识别、大数据分析、数据特征识别等其他有关机器学习的范畴当中。

综上所述，本揭示影像识别边缘设备以及方法可针对多个不同的识别任务采用单一个主骨干层，且不同的识别任务可从主骨干层提取所需要的特征张量以形成各自的特征张量金字塔。借此，可将这些特征张量金字塔直接输入一个大型的多任务的全连接层以进行多个识别任务。如此一来，这些识别任务都会共用相同的模型参数，且不再需要为不同的识别任务设计不同的模型架构。这将解决边缘运算平台因为运算资源的不足而导致无法执行机器学习模型的问题。

虽然本揭示的特定实施例已经揭露有关上述实施例，此些实施例不意欲限制本揭示。各种替代及改良可通过相关领域中的一般技术人员在本揭示中执行而没有从本揭示的原理及精神背离。因此，本揭示的保护范围由所附权利要求书确定。