權(quán)利要求書： 1.一種基于礦場環(huán)境感知的堆料面預(yù)測方法，其特征在于，首先進(jìn)行礦場環(huán)境感知，將堆料與墻壁進(jìn)行分類，并在此基礎(chǔ)上完成堆料面預(yù)測，包括以下步驟：第一步，進(jìn)行礦場環(huán)境感知，包括點云預(yù)處理、配準(zhǔn)、融合、水平校準(zhǔn)、地面與堆料上方無用點去除、聚類、分類及提取；具體如下：(1)通過電鏟實驗平臺上安裝的兩個不同位置的激光雷達(dá)掃描采集獲取兩幅礦場環(huán)境點云原始數(shù)據(jù)，命名為源點云與目標(biāo)點云，對兩幅原始點云進(jìn)行數(shù)據(jù)預(yù)處理；所述的數(shù)據(jù)預(yù)處理包括點云NAN點的去除與降采樣；

(2)點云配準(zhǔn)，由初始配準(zhǔn)與精配準(zhǔn)兩個環(huán)節(jié)組成；

2.1)初始配準(zhǔn)方法選用SAC?IA采樣一致性配準(zhǔn)算法，根據(jù)給定點對間距離閾值選取有限個對應(yīng)點對進(jìn)行計算；初始配準(zhǔn)需首先計算源點云與目標(biāo)點云的法向量及表面曲率；搜索點云中各點的K個鄰域點，基于最小二乘的局部表面擬合方法擬合平面S，計算公式如下：式中，為平面S的法線，d為平面S到坐標(biāo)原點的距離，si為各點重心值，K為鄰域點個數(shù)，argmin函數(shù)表示在目標(biāo)函數(shù)最小時，獲取該函數(shù)中自變量的值；

以擬合平面S的切平面法線近似作為各點的法向量；各點的K個鄰域點的重心在擬合平面S上，同時法向量滿足范數(shù)等于1，將求解法向量的問題轉(zhuǎn)換為求解協(xié)方差矩陣P，對協(xié)方差矩陣P進(jìn)行特征值分解，最小的特征值所對應(yīng)的特征向量即為平面S的法向量，計算公式如下：式中，s0為平面S的重心，K為鄰域點個數(shù)；

基于上述計算得到的兩幅點云的法向量來計算FPFH特征，初始配準(zhǔn)將基于FPFH特征進(jìn)行初始剛性變換矩陣計算，其目的是為精配準(zhǔn)提供一個初始迭代值；FPFH特征計算公式如下：式中，pq是查詢點，pk是查詢點pq的各鄰域點，WK為權(quán)重，以pq與各鄰域點之間的距離來表示，K為鄰域點個數(shù)，SPFH(pq)為查詢點pq與其鄰域點間的角度特征；

2.2)精配準(zhǔn)選用ICP迭代最近點算法，該算法分別在兩幅點云中根據(jù)點對間距離閾值，最大迭代次數(shù)、前后兩次剛性變換矩陣最小容差重復(fù)尋找對應(yīng)點對，直至找到最鄰近點(pi，qi)，計算出最優(yōu)的剛性變換矩陣，使得誤差函數(shù)最??；誤差函數(shù)公式如下:式中，n為最鄰近點對的數(shù)量，pi為目標(biāo)點云中的點，qi為源點云中與pi對應(yīng)的最鄰近點，R為旋轉(zhuǎn)矩陣，t為平移向量；

(3)點云融合使用體素柵格法進(jìn)行配準(zhǔn)融合后點云數(shù)據(jù)量的縮減；

(4)在點云分割前首先需要進(jìn)行水平校準(zhǔn)，其中側(cè)傾角誤差角度、俯仰角誤差角度的測量由WK?55電鏟實驗樣機機身的傾角傳感器進(jìn)行讀取，水平校準(zhǔn)公式如下所示：式中，xs、ys、zs為帶有角度誤差的原始點云數(shù)據(jù)，α是沿x軸順時針旋轉(zhuǎn)的側(cè)傾角誤差角度，β是沿y軸順時針旋轉(zhuǎn)的俯仰角誤差角度，x、y、z是修正后的點云數(shù)據(jù)；

(5)使用基于傳統(tǒng)的幾何特征?高度對地面及堆料上方的無用點進(jìn)行去除，基于激光雷達(dá)安裝在實驗樣機的位置高度，設(shè)置最小及最大高度閾值，對小于最小高度閾值判斷為地面點進(jìn)行去除，對大于最大高度閾值判斷為堆料上方無用點進(jìn)行去除，在兩個閾值范圍內(nèi)的點則進(jìn)行數(shù)據(jù)存儲及保留；

(6)點云聚類選用區(qū)域生長算法，根據(jù)點云的基本特征將具有類似特征的點進(jìn)行合并，并將各聚類點集區(qū)域進(jìn)行分離，且確保每一區(qū)域帶有較好的邊緣信息；該算法通過選取初始種子點，在該點鄰域內(nèi)搜索與其有類似特征的點，將滿足曲率與法線夾角閾值的點合并到種子點中繼續(xù)向外搜索，直至沒有點可進(jìn)行合并，算法停止；

(7)設(shè)置點云數(shù)據(jù)量閾值與法向量閾值進(jìn)行類別判斷，將堆料與墻壁進(jìn)行分類；因礦場環(huán)境中經(jīng)過地面及堆料上方無用點去除后，所保留數(shù)據(jù)量較大的聚類點集僅為墻壁與堆料，故將存儲的各聚類點云依次進(jìn)行點云數(shù)據(jù)量閾值判斷；因激光雷達(dá)安裝及每次掃描位置固定，礦場左右墻壁各點沿x方向的法向量值基本相同，所以連續(xù)隨機選取三個點進(jìn)行法向量閾值判斷，以此區(qū)分堆料與墻壁，得到真實堆料點云數(shù)據(jù)和真實墻壁點云數(shù)據(jù)；

第二步，基于礦場環(huán)境感知進(jìn)行堆料面預(yù)測，堆料面預(yù)測包括二維KD樹建立、K最鄰近搜索物料點建立堆料面預(yù)測模型與計算挖掘體積；

(1)使用第一步步驟(7)分離出的真實堆料點云數(shù)據(jù)的x、y坐標(biāo)建立二維的KD樹數(shù)據(jù)結(jié)構(gòu)；

(2)利用K最鄰近搜索方法在已建立的KD樹數(shù)據(jù)結(jié)構(gòu)中搜索已規(guī)劃成功的挖掘軌跡每一時刻下鏟斗齒尖的x、y坐標(biāo)所對應(yīng)的堆料點云數(shù)據(jù)中最鄰近的某一堆料點的x、y坐標(biāo)值，將此堆料點在空間點云中的Zf值近似替代為這一時刻下挖掘齒尖點正上方所對應(yīng)的真實堆料點的Ztr值；堆料面預(yù)測模型M(x，y)如下式所示：Ztr≈Zf＝M(x，y)

(3)使用建立的堆料面預(yù)測模型計算挖掘體積，通過二重積分實現(xiàn)，已知堆料面預(yù)測模型M(x，y)與軌跡規(guī)劃曲線T(x，y)，將積分區(qū)域Dxy通過網(wǎng)格劃分成n個封閉區(qū)域Δδi；挖掘體積計算公式如下所示：h(x，y)＝M(x，y)?T(x，y)

式中，點(λi，μi)為當(dāng)Δδi足夠小時，積分區(qū)域Dxy中任意一點；以 為高，Δδi為底面計算每個立方體體積，并進(jìn)行累加計算得到挖掘體積。

2.根據(jù)權(quán)利要求1所述的一種基于礦場環(huán)境感知的堆料面預(yù)測方法，其特征在于，所述第一步步驟(1)中，降采樣采用體素柵格降采樣方法，其是通過構(gòu)建三維體素柵格，計算每一個三維柵格內(nèi)全部點的重心，近似以一個點Pc代替柵格內(nèi)的其余點：其中，n為每個三維柵格內(nèi)的數(shù)據(jù)點個數(shù)，xi、yi、zi分別為柵格內(nèi)各點的坐標(biāo)值。

說明書： 一種基于礦場環(huán)境感知的堆料面預(yù)測方法技術(shù)領(lǐng)域[0001] 本發(fā)明屬于智能挖掘機研究領(lǐng)域的環(huán)境感知技術(shù)領(lǐng)域，提出了一種基于礦場感知的堆料面預(yù)測方法。背景技術(shù)[0002] 礦用挖掘機是礦山開采系統(tǒng)中的核心設(shè)備，傳統(tǒng)挖掘機需手動操作進(jìn)行挖掘，但由于設(shè)備尺寸巨大，操作人員的視線可能會被挖掘機的鏟斗、動臂等組件遮擋，或露天環(huán)境常伴有惡劣天氣，也會使視線受阻，無法了解到礦場及堆料的實時情況，在挖掘過程中可能造成挖掘碰撞，動臂傾覆等問題，極易產(chǎn)生意外事故。[0003] 另外，智能挖掘機在挖掘軌跡優(yōu)化中需計算挖掘體積，來驗證算法的有效性，目前，多數(shù)挖掘體積的計算還停留在二維層面，無法實現(xiàn)基于真實堆料點云的挖掘體積計算，這對智能挖掘機的后續(xù)研究造成了很大的影響。發(fā)明內(nèi)容[0004] 為了解決現(xiàn)有技術(shù)存在的上述問題，本發(fā)明要設(shè)計一種基于礦場環(huán)境的點云處理方法，使點云配準(zhǔn)與點云分割方法有效融合，將堆料點進(jìn)行提取與有效利用。并且設(shè)計了一種基于KD樹與K最鄰近搜索的堆料面預(yù)測模型，可實現(xiàn)三維下挖掘體積的計算。[0005] 為了實現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：[0006] 一種基于礦場環(huán)境感知的堆料面預(yù)測方法，首先進(jìn)行礦場環(huán)境感知，將堆料與墻壁進(jìn)行分類，并在此基礎(chǔ)上完成堆料面預(yù)測。包括以下步驟：[0007] 第一步，進(jìn)行礦場環(huán)境感知，包括點云預(yù)處理、配準(zhǔn)、融合、水平校準(zhǔn)、地面與堆料上方無用點去除、聚類、分類及提取。具體包括以下步驟：[0008] (1)首先，通過電鏟實驗平臺上安裝的兩個不同位置的激光雷達(dá)掃描采集獲取兩幅礦場環(huán)境點云原始數(shù)據(jù)，命名為源點云與目標(biāo)點云，對兩幅原始點云進(jìn)行數(shù)據(jù)預(yù)處理。[0009] 所述的預(yù)處理包括點云NAN點(非數(shù)據(jù)點)的去除與降采樣，降采樣的目的是為了降低點云數(shù)據(jù)量，以此提升計算效率。體素柵格降采樣方法是通過構(gòu)建三維體素柵格，計算每一個三維柵格內(nèi)全部點的重心，近似以一個點Pc代替柵格內(nèi)的其余點：[0010][0011] 其中，n為每個三維柵格內(nèi)的數(shù)據(jù)點個數(shù)，xi、yi、zi分別為柵格內(nèi)各點的坐標(biāo)值。[0012] (2)點云配準(zhǔn)，由初始配準(zhǔn)與精配準(zhǔn)兩個環(huán)節(jié)組成。[0013] 2.1)初始配準(zhǔn)方法選用SAC?IA采樣一致性配準(zhǔn)算法，可根據(jù)給定點對間距離閾值選取有限個對應(yīng)點對進(jìn)行計算。初始配準(zhǔn)需首先計算源點云與目標(biāo)點云的法向量及表面曲率。搜索點云中各點的K個鄰域點，基于最小二乘的局部表面擬合方法擬合平面S，計算公式如下：[0014][0015] 式中，為平面S的法線，d為平面S到坐標(biāo)原點的距離，si為各點重心值，K為鄰域點個數(shù)，argmin函數(shù)表示在目標(biāo)函數(shù)最小時，獲取該函數(shù)中自變量的值。[0016] 以擬合平面S的切平面法線近似作為各點的法向量。各點的K個鄰域點的重心在擬合平面S上，同時法向量滿足范數(shù)等于1，故將求解法向量的問題轉(zhuǎn)換為求解協(xié)方差矩陣P，對協(xié)方差矩陣P進(jìn)行特征值分解，最小的特征值所對應(yīng)的特征向量即為平面S的法向量，計算公式如下：[0017][0018] 式中，s0為平面S的重心，K為鄰域點個數(shù)。[0019] 基于上述計算得到的兩幅點云的法向量來計算FPFH特征，F(xiàn)PFH(快速點特征直方圖)是一種基于點與其鄰域點之間法向量夾角、點間連線夾角關(guān)系的特征，是一種由PFH改進(jìn)的特征描述子，在保留了點云主要幾何屬性的基礎(chǔ)上，降低了計算復(fù)雜度，初始配準(zhǔn)將基于FPFH特征進(jìn)行初始剛性變換矩陣計算，其目的是為精配準(zhǔn)提供一個初始迭代值。FPFH特征計算公式如下：[0020][0021] 式中，pq是查詢點，pk是查詢點pq的各鄰域點，WK為權(quán)重，以pq與各鄰域點之間的距離來表示，K為鄰域點個數(shù)，SPFH為查詢點與鄰域點間的角度特征。[0022] 2.2)精配準(zhǔn)選用ICP迭代最近點算法，該算法分別在兩幅點云中根據(jù)點對間距離閾值，最大迭代次數(shù)、前后兩次剛性變換矩陣最小容差重復(fù)尋找對應(yīng)點對，直至找到最鄰近點(pi，qi)，計算出最優(yōu)的剛性變換矩陣，使得誤差函數(shù)最小。誤差函數(shù)公式如下:[0023][0024] 式中，n為最鄰近點對的數(shù)量，pi為目標(biāo)點云中的點，qi為源點云中與pi對應(yīng)的最鄰近點，R為旋轉(zhuǎn)矩陣，t為平移向量。[0025] (3)點云融合仍使用體素柵格法進(jìn)行配準(zhǔn)融合后點云數(shù)據(jù)量的縮減，可提升程序運行速度，滿足實際要求。[0026] (4)因為3D激光雷達(dá)進(jìn)行掃描時，地面的凹凸不平會使掃描的數(shù)據(jù)相對于地面帶有一個側(cè)傾角與俯仰角誤差，所以在點云分割前首先需要進(jìn)行水平校準(zhǔn)步驟，兩個角度的測量由WK?55電鏟實驗樣機機身的傾角傳感器進(jìn)行讀取，水平校準(zhǔn)公式如下所示：[0027][0028] 式中，xs、ys、zs為帶有角度誤差的原始點云數(shù)據(jù)，α是沿x軸順時針旋轉(zhuǎn)的側(cè)傾角誤差角度，β是沿y軸順時針旋轉(zhuǎn)的俯仰角誤差角度，x、y、z是修正后的點云數(shù)據(jù)。[0029] (5)因為消除了水平面角度誤差，所以使用基于傳統(tǒng)的幾何特征?高度對地面及堆料上方的無用點進(jìn)行去除，基于激光雷達(dá)安裝在實驗樣機的位置高度，設(shè)置最小及最大高度閾值，小于最小高度閾值判斷為地面點進(jìn)行去除，大于最大高度閾值判斷為堆料上方無用點進(jìn)行去除，在兩個閾值范圍內(nèi)的點則進(jìn)行數(shù)據(jù)存儲及保留。[0030] (6)點云聚類選用區(qū)域生長算法，根據(jù)點云的基本特征將具有類似特征的點進(jìn)行合并，并將各聚類點集區(qū)域進(jìn)行分離，且確保每一區(qū)域帶有較好的邊緣信息。該算法的基本原理是通過選取初始種子點，在該點鄰域內(nèi)搜索與其有類似特征的點，將滿足曲率與法線夾角閾值的點合并到種子點中繼續(xù)向外搜索，直至沒有點可進(jìn)行合并，算法停止。表面曲率計算公式可表示為：[0031][0032] 式中，λ0≤λ1≤λ2為協(xié)方差矩陣P各特征值，表面曲率δ越小，表示該點近鄰域起伏變化越小，反之亦然。[0033] (7)設(shè)置點云數(shù)據(jù)量閾值與法向量閾值進(jìn)行類別判斷，將堆料與墻壁進(jìn)行分類。因礦場環(huán)境中經(jīng)過地面及堆料上方無用點去除后，所保留數(shù)據(jù)量較大的聚類點集僅為墻壁與堆料，故將存儲的各聚類點云依次進(jìn)行點云數(shù)據(jù)量閾值判斷。因激光雷達(dá)安裝及每次掃描位置固定，礦場左右墻壁各點沿x方向的法向量值基本相同，所以連續(xù)隨機選取三個點進(jìn)行法向量閾值判斷，以此區(qū)分堆料與墻壁，得到真實堆料點云數(shù)據(jù)和真實墻壁點云數(shù)據(jù)。[0034] 第二步，基于礦場環(huán)境感知進(jìn)行堆料面預(yù)測，堆料面預(yù)測包括二維KD樹建立、K最鄰近搜索物料點建立堆料面預(yù)測模型與計算挖掘體積；[0035] (1)使用分離出的真實堆料點云數(shù)據(jù)的x、y坐標(biāo)建立二維的KD樹數(shù)據(jù)結(jié)構(gòu)；[0036] (2)利用K最鄰近搜索方法在已建立的KD樹數(shù)據(jù)結(jié)構(gòu)中搜索已規(guī)劃成功的挖掘軌跡每一時刻下鏟斗齒尖的x、y坐標(biāo)所對應(yīng)的堆料點云數(shù)據(jù)中最鄰近的某一堆料點的x、y坐標(biāo)值，將此堆料點在空間點云中的Zf值近似替代為這一時刻下挖掘齒尖點正上方所對應(yīng)的真實堆料點的Ztr值，因激光雷達(dá)掃描的點云數(shù)據(jù)量較大，點云分布密集，故此方法計算得到的挖掘體積精度較高。堆料面預(yù)測模型M(x，y)如下式所示：[0037] Ztr≈Zf＝M(x，y)[0038] (3)使用建立的堆料面預(yù)測模型計算挖掘體積，通過二重積分實現(xiàn)，已知堆料面預(yù)測模型M(x，y)與軌跡規(guī)劃曲線T(x，y)，將積分區(qū)域Dxy通過網(wǎng)格劃分成n個封閉區(qū)域Δδi。挖掘體積計算公式如式。所示：[0039][0040] h(x，y)＝M(x，y)?T(x，y)[0041] 式中點(λi，μi)為當(dāng)Δδi足夠小時，積分區(qū)域Dxy中任意一點。以 為高，Δδi為底面計算每個立方體體積，并進(jìn)行累加計算得到挖掘體積。[0042] 與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：[0043] (1)本發(fā)明采用3D激光雷達(dá)采集礦場環(huán)境點云，將現(xiàn)有點云配準(zhǔn)與點云分割方法合并使用，可以更好地實現(xiàn)礦場環(huán)境的重構(gòu)與目標(biāo)點云的分類與提取。[0044] (2)設(shè)計一種基于KD樹與K最鄰近搜索的堆料面預(yù)測模型，通過對復(fù)雜堆料進(jìn)行精確的建模，實現(xiàn)了基于真實堆料點云下挖掘體積的計算，有利于后續(xù)最優(yōu)挖掘軌跡的研究。附圖說明[0045] 圖1是本發(fā)明的方法流程圖；[0046] 圖2是本發(fā)明的點云配準(zhǔn)前后的礦場環(huán)境點云示意圖；[0047] 圖3是本發(fā)明通過點云分割得到的料堆點云示意圖；[0048] 圖4是本發(fā)明建立的堆料面預(yù)測模型用于計算三維下的挖掘體積示意圖。具體實施方式[0049] 下面結(jié)合附圖對本發(fā)明進(jìn)行更為詳細(xì)的描述：[0050] 如圖1所示，本發(fā)明設(shè)計的基于礦場環(huán)境感知的堆料面預(yù)測方法，包括點云預(yù)處理、配準(zhǔn)、融合、水平校準(zhǔn)、地面與堆料上方無用點去除、聚類、分類及提取、獲取堆料點云、維KD樹建立、K最鄰近搜索物料點建立堆料面預(yù)測模型與計算挖掘體積。該方法具體實施步驟如下：[0051] A、使用電鏟實驗平臺安裝在兩個不同位置的3D激光雷達(dá)開始掃描礦場環(huán)境，讀取點云坐標(biāo)等關(guān)鍵數(shù)據(jù)；[0052] B、對源點云與目標(biāo)點云進(jìn)行點云預(yù)處理，包括去除NAN點與降采樣，目的是降低點云數(shù)據(jù)量，且提升計算效率，降采樣使用體素柵格法進(jìn)行處理，分別將源點云的數(shù)據(jù)量從94194降采樣為2074，將目標(biāo)點云的數(shù)據(jù)量從87450降采樣為2314；

[0053] C、計算點云中各點法向量，使用基于最小二乘的局部表面擬合方法擬合平面，將該平面的切平面法向量作為各點的法向量，并確定法線方向；[0054] D、利用各點的協(xié)方差矩陣的特征值計算各點表面曲率；[0055] E、利用上述計算得到的法向量作為基礎(chǔ)數(shù)據(jù)計算FPFH特征，并繪制快速點特征直方圖；[0056] F、基于計算得到的FPFH特征，選用SAC?IA采樣一致性初始配準(zhǔn)算法進(jìn)行初始旋轉(zhuǎn)平移矩陣的計算：[0057] G、將初始配準(zhǔn)得到的剛性變換矩陣(旋轉(zhuǎn)平移矩陣)作為初值，進(jìn)行最終變換矩陣的計算；[0058] H、將該變換矩陣的值與最優(yōu)變換矩陣進(jìn)行對比，計算旋轉(zhuǎn)及平移誤差，判斷配準(zhǔn)的有效性，配準(zhǔn)效果如圖2所示，旋轉(zhuǎn)及平移誤差如表1與表2所示；[0059] 表1點云配準(zhǔn)旋轉(zhuǎn)誤差[0060]粗+精配準(zhǔn)方案 SAC?IA(FPFH)+ICP

X軸旋轉(zhuǎn)誤差/° ?0.0199864

Y軸旋轉(zhuǎn)誤差/° 0.0118638

Z軸旋轉(zhuǎn)誤差/° 0.00593811

平均旋轉(zhuǎn)誤差/° 0.0125961

[0061] 表2點云配準(zhǔn)平移誤差[0062] 粗+精配準(zhǔn)方案 SAC?IA(FPFH)+ICPX軸平移誤差/m 0.0419984

Y軸平移誤差/m 0.00351286

Z軸平移誤差/m ?0.044333

平均平移誤差/m 0.02994809

[0063] I、使用體素柵格法對點云配準(zhǔn)后的兩幅點云進(jìn)行融合，目的是降低點云數(shù)據(jù)量，提升點云分割及后續(xù)軌跡優(yōu)化的計算效率；[0064] J、由于地面凹凸不平產(chǎn)生的側(cè)傾角與俯仰角，進(jìn)行水平校準(zhǔn)計算，通過機身的傾角傳感器可實時得到每個時刻下的兩個角度誤差值；[0065] K、對地面點以及堆料面上方的無用點進(jìn)行去除，根據(jù)激光雷達(dá)安裝位置設(shè)置最小高度閾值?1m與最大高度閾值0.55m進(jìn)行數(shù)據(jù)處理；[0066] L、使用區(qū)域生長算法對保留點云進(jìn)行聚類計算，設(shè)置表面曲率0.04m?1與法向量夾角閾值15°，將堆料、墻面等點云各部分進(jìn)行聚類處理；[0067] M、設(shè)置點云數(shù)據(jù)量閾值與法向量閾值，將目標(biāo)點云?堆料進(jìn)行分類及提取，如圖3所示；[0068] N、使用堆料點云的x、y坐標(biāo)建立二維KD樹結(jié)構(gòu)，利用K最鄰近搜索方法在已建立的KD樹數(shù)據(jù)結(jié)構(gòu)中搜索已規(guī)劃成功的挖掘軌跡每一時刻下鏟斗齒尖的x、y坐標(biāo)所對應(yīng)的堆料點云數(shù)據(jù)中最鄰近的某一堆料點的x、y坐標(biāo)值，將此堆料點在空間點云中的Zf值近似替代為這一時刻下挖掘齒尖點正上方所對應(yīng)的真實堆料點的Ztr值，如圖4所示；[0069] O、使用二重積分的方法進(jìn)行挖掘體積的計算，因激光雷達(dá)掃描的點云數(shù)據(jù)量較大，點云分布密集，故此方法計算得到的挖掘體積精度較高。[0070] 本說明書僅僅是對發(fā)明構(gòu)思實現(xiàn)形式的列舉，本發(fā)明的保護(hù)范圍不應(yīng)該局限于實施例所述的具體形式，任何在本發(fā)明披露的技術(shù)范圍內(nèi)的等同構(gòu)思或者改變，均為本發(fā)明的保護(hù)范圍。