一种内置碰撞声检测功能的智能路灯的制作方法

本实用新型涉及智能交通领域，尤其涉及一种应用于道路照明的内置碰撞声检测功能的智能路灯。

背景技术：

近几年，随着云计算、大数据、人工智能、高性能计算硬件技术的成熟，尤其是机器学习领域深度学习(deep learning，DL)理论以及自动特征学习神经网络模型的成熟，深度神经网络在人工智能领域(智能图像和声音识别)已经广泛应用，各大IT巨头均将人工智能作为下一个核心技术增长点，同时，市场也催生了一大批内置深度神经网络架构的集成芯片，比如英伟达(NVIDIA)推出首款专门为深度学习从零开始设计的芯片Tesla P100，该芯片数据处理速度是其2014年推出GPU系列的12倍；谷歌为机器学习定制的芯片TPU将硬件性能提升至相当于按照摩尔定律发展7年后的水平；在人工智能领域，国内相关企业也不甘落后，比如成都启英泰伦科技推出一款智能语音芯片CI1006，是基于ASIC架构的人工智能语音识别芯片，包含了深度神经网络处理硬件单元，能够完美支持DNN运算架构，进行高性能的数据并行计算，可极大的提高人工智能深度学习语音技术对大量数据的处理效率；CI1006采用本地的神经网络数据处理可降低产品对于网络的依赖，提升智能语音识别响应及控制速度，可广泛应用于智慧家电、机器人、智慧玩具等产品领域。

因此，将深度神经网络植入到现有嵌入式智能控制系统中在技术上已经完全成熟。现有技术的路灯虽然已经形成智能控制网络，但其仅仅实现道路照明的智能化，而路灯系统作为物理空间上的一个庞大的网络，如果集成安全监控功能，将能使路灯发挥更大的作用，比如重大交通事故监控。在重大交通事故发生时，车辆运行状态发送了相应的变化，尤其是高速碰撞的时候，伴有剧烈碰撞的声音，通过识别碰撞声就可以检测交通事故。然而，道路中背景噪声嘈杂，采用现有声音检测技术无法准确检测碰撞声。

故，针对目前现有技术中存在的上述缺陷，实有必要进行研究，以提供一种方案，解决现有技术中存在的缺陷。

技术实现要素：

有鉴于此，确有必要提供内置碰撞声检测功能的智能路灯，从而能够快速检测重大交通事故，及时预警、救援，避免造成后发事故。

为了克服现有技术的缺陷，本实用新型的技术方案如下：

一种内置碰撞声检测功能的智能路灯，在路灯中设置声音采集模块、碰撞声识别模块、存储模块以及用于路灯控制与信息传输的路灯控制器；

所述声音采集模块用于连续采集道路中的声音信号；

所述存储模块用于存储所述声音采集模块所采集的声音信号；

所述碰撞声识别模块用于识别所采集的声音信号中是否杂含碰撞声并将识别结果发送到路灯控制器，所述路灯控制器以此判断道路中是否出现异常事件并将信息发送到远程监控中心；

所述碰撞声识别模块包括特征第一提取模块、第一归一化模块、神经网络分类模块和神经网络训练模块，其中，

所述第一特征提取模块用于接收原始采集声音数据，并对原始采集声音数据进行特征提取；

所述第一归一化模块用于对特征提取后的数据进行高斯归一化处理，输出归一化数据；

所述神经网络分类模块用于接收归一化数据及预先训练好的深度神经网络，并通过深度神经网络对所述归一化数据进行分类识别获得分类结果信息，所述分类结果信息为原始采集声音数据是否杂含碰撞声的概率值，当该概率值超过预先设定的阈值时，则判定道路中出现异常事件；

所述神经网络训练模块用于接收训练数据并根据训练数据进行神经网络的训练，得到充分学习带噪样本和干净样本之间的非线性映射关系的深度神经网络，并输出所述深度神经网络至所述神经网络分类模块；

所述神经网络训练模块包括第二特征提取模块、第二归一化模块、无监督学习预训练模块和监督学习优化模块，其中，所述无监督学习预训练模块用于发现输入数据中深层的抽象特征，采用受限制玻尔兹曼机(RBM)模型进行预训练并通过无监督学习的方式逐层渐进学习神经网络参数；所述监督学习优化模块采用反向传播(back-propagation，BP)算法，利用标注数据对神经网络参数进行有监督的精细调整。

优选地，所述第一特征提取模块/第二特征提取模块进一步包括分帧模块、DFT变换模块和对数功率谱处理模块，其中，所述分帧模块用于对输入数据进行分帧处理；所述DFT变换模块用于对分帧处理后的数据进行离散傅里叶变换得到频域信息；所述对数功率谱处理模块用于对频域信息进行对数功率谱处理。

优选地，所述碰撞声识别模块还包括平均能量检测模块和帧能量比较模块,其中，所述平均能量检测模块用于计算当前帧对数功率谱的平均能量值并发送给所述帧能量比较模块；所述帧能量比较模块用于计算相邻帧平均能量值的差值并判断该差值是否超出预设的阈值，如果超过则开启所述神经网络分类模块。

优选地，所述帧能量比较模块接收当前车流量信息，并计算当前帧平均能量值是否超出预设的相应车流量信息所对应的能量值范围，如果超过则开启所述神经网络分类模块。

优选地，所述声音采集模块进一步包括由多个麦克风组成的麦克风阵列、音频处理模块和控制模块，其中，

所述麦克风阵列中多个麦克风呈一定几何形状且每个麦克风具有唯一标识ID；

所述音频处理模块用于同步获取并标识每个麦克风采集的声音信号并对所述声音信号进行处理后输出音频信息；

所述控制模块与所述音频处理模块相连接，用于控制所述音频处理模块的工作并将所述音频处理模块处理后的音频信息存储在所述存储模块中。

优选地，还包括碰撞声定位模块，所述碰撞声定位模块与所述路灯控制器相连接，用于获取碰撞声的具体位置并将位置信息发送给所述路灯控制器；

当所述碰撞声识别模块判定出现异常事件时，所述碰撞声定位模块获取该异常事件的时间信息并从所述存储模块中获取相应麦克风阵列在该时间信息内的音频信息，并根据每个麦克风固定的位置关系以及每个麦克风在该时间信息中对应音频信息的参数信息确定碰撞声所处的具体位置。

优选地，所述参数信息为每个麦克风在该时间信息中对应音频信息的峰值强度以及每个麦克风在峰值强度对应的时间差。

优选地，所述路灯控制器还与可旋转摄像装置相连接，所述可旋转摄像装置设置在路灯杆上并根据所述路灯控制器的控制指令进行旋转；

当所述碰撞声识别模块判定道路中出现异常事件时，所述路灯控制器控制所述可旋转摄像装置旋转至所述碰撞声定位模块所确定的具体位置。

优选地，所述麦克风阵列中的多个麦克风以一定几何形状设置在灯具表面。

优选地，所述碰撞声识别模块采用内置深度神经网络的人工智能芯片实现。

与现有技术相比较，本实用新型将碰撞声识别技术集成在路灯中并应用于道路监控领域，采用深度神经网络实现碰撞声识别，从而提高碰撞声识别精度，采用音视频结合的监控方式进一步完善了道路安全的全方位监控，并能及时预警道路交通中的异常事件。

附图说明

图1为本实用新型内置碰撞声检测功能的智能路灯的原理框图。

图2为本实用新型内置碰撞声检测功能的智能路灯中碰撞声识别模块的原理框图。

图3为受限制玻尔兹曼机(RBM)结构示意图。

图4为本实用新型中RBM的预训练示意图。

图5为训练得到的深度神经网络的结构框图。

图6为本实用新型中特征提取模块的原理框图。

图7为本实用新型中碰撞声识别模块另一种实施方式的原理框图。

图8为本实用新型中声音采集模块的原理框图。

图9为麦克风阵列排布的示意图。

图10为本实用新型又一种优选实施方式的原理框图。

图11为本实用新型采用的智能语音神经网络处理芯片CI1006的架构图。

如下具体实施例将结合上述附图进一步说明本实用新型。

具体实施方式

以下将结合附图对本实用新型提供的内置碰撞声检测功能的智能路灯作进一步说明。

正如背景技术所介绍的，机器学习领域深度学习(deep learning，DL)理论以及自动特征学习神经网络模型的成熟，深度神经网络在人工智能领域(智能图像和声音识别)已经广泛应用，现有技术的语音识别技术能在复杂的背景环境噪声下识别人的语音，而且能较准确识别语义。在语音识别技术领域中，在复杂的背景环境噪声下识别是否存在语音(或者其他声音)并不存在技术难度，而真正的难度在于语义识别，把语音高正确率的转化成文字还不够，要听懂人类在说什么，要表达什么意图，这个才是皇冠上的宝石。这主要是因为语音的种类有近乎无数种，而且不同的人更是有不同的口音，同时语音所处的背景噪声环境更是多变，几乎每个语音场景都会有不同的背景噪声。因此，需要庞大的计算量才能完成实时语义分析。

相对于本申请的应用环境，虽然道路中背景噪声较为复杂，但汽车碰撞声的类型是相对固定，尤其是高速碰撞所产生的碰撞声，碰撞声识别的复杂度不及语音复杂度的万分之一，同时碰撞声瞬时强度极大，声音特征容易分区。采用深度神经网络(DNN)的智能声音识别相对于传统声音处理技术的优势在于，传统声音处理技术需要假设各种理想的状态，这些假设的理想性自然而然成为影响性能的重要因素，而DNN几乎不需要任何其他条件假设，可以通过不断学习不断逼近，从而达到精确识别的目的。即DNN通过多层以及成千上万个具有计算能力的神经元节点叠加成一个深度网络结构，然后对这个DNN进行训练，用大量干净样本和各种情形下的道路噪声训练DNN，其目的是从已知的数据中学习到足够的知识，然后推广到未来新出现的数据，作出有效的决策。也即用DNN作为学习带噪样本和干净样本之间的非线性映射关系的回归模型，利用DNN的深度结构以及非线性模拟能力，可以充分学习带噪样本和干净样本之间的复杂的相互作用关系，神经网络的学习过程是一个无限逼近真实的过程，会根据输入的数据自动调节神经网络的参数和权重，其训练的数据越多，识别的结果越准确。DNN训练完成之后，实际检测时，将实际道路中采集的道路声信号输入DNN中，从而判断出该声音信号是否杂含碰撞声。

参见图1，所示为本实用新型内置碰撞声检测功能的智能路灯的原理框图，在路灯中设置声音采集模块、碰撞声识别模块、存储模块以及用于路灯控制与信息传输的路灯控制器；声音采集模块用于连续采集道路中的声音信号；存储模块用于存储声音采集模块所采集的声音信号；碰撞声识别模块用于识别所采集的声音信号中是否杂含碰撞声并将识别结果发送到路灯控制器，路灯控制器以此判断道路中是否出现异常事件并将信息发送到远程监控中心。

参见图2，所示为本实用新型内置碰撞声检测功能的智能路灯中碰撞声识别模块的原理框图，包括特征第一提取模块、第一归一化模块、神经网络分类模块和神经网络训练模块，其中，第一特征提取模块用于接收原始采集声音数据，并对原始采集声音数据进行特征提取；第一归一化模块用于对特征提取后的数据进行高斯归一化处理，输出归一化数据；

神经网络分类模块用于接收归一化数据及预先训练好的深度神经网络，并通过深度神经网络对归一化数据进行分类识别获得分类结果信息，分类结果信息为原始采集声音数据否杂含碰撞声的概率值，当该概率值超过预先设定的阈值时，则判定道路中出现异常事件；

神经网络训练模块用于接收训练数据并根据训练数据进行神经网络的训练，得到充分学习带噪样本和干净样本之间的非线性映射关系的深度神经网络，输出深度神经网络至神经网络分类模块；

神经网络训练模块包括第二特征提取模块、第二归一化模块、无监督学习预训练模块和监督学习优化模块，其中，第二特征提取模块与第一特征提取模块的功能结构完全相同，用于提取训练数据的特征；第二归一化模块与第一归一化模块的功能结构完全相同，对所提取的特征进行高斯归一化，即所有训练数据的均值归一化成0，方差规整为1。无监督学习预训练模块将预处理训练数据作为输入进行非监督学习初步训练，用于初始化生成深度神经网络的结构，通过无监督学习的方式逐层渐进学习神经网络参数，发现输入数据中深层的抽象特征。神经网络的每层采用受限制玻尔兹曼机(RBM)模型进行预训练，通过多个RBM叠加成一个深度网络结构。参见图3，所示为受限制玻尔兹曼机(RBM)结构示意图，RBM的对称连接只存在于显层节点和隐层节点之间，而在显层节点和隐层节点的内部没有任何形式的连接，可以认为层间是全连接，层内是无连接。RBM作为一种条件随机场，其每个神经元节点描述了一个随机变量的分布情况，通过各个神经元节点抓取输入向量中的高阶统计相关性来解释和发现训练输入向量中包含的潜在规律。

由于RBM显层和隐层内部都没有连接，可以很方便的得到数据和模型分布下的各状态的条件期望值。对于给定训练数量v，隐层节点的状态可以由以下公式(1)计算出：

P(h_i＝1|v)＝σ(b_j+∑v_iw_ij) (1)

然后使用对比散度算法(CD1算法，Contrastive Divergence,CD)来训练RBM，再使用梯度下降算法更新RBM参数：

上式(2)中，η为参数更新学习速率，i为迭代次数。通过调整RBM的模型参数，使得由RBM的指定的显层数据的能量减少，从而增大显层数据出现的概率，进而RBM学习到训练数据的真实分布P(v)。

在按照上述方法训练完成一个RBM以后，把学习到的权重固定住，由训练数据计算得到的RBM隐层状态可以用来作为训练另一个RBM的输入数据，也即使用训练数据训练第一个RBM得到一个隐藏层L1及其网络权重W1，再使用前一隐藏层的输出作为输入数据，逐层训练后续的RBM得到隐藏层L2～L3及网络权重矩阵W2～W3。具体训练过程参见图4，所示为本实用新型中RBM的预训练示意图，以此逐层贪婪式地初始化所有的网络权重，从而进一步无监督的学习RBM隐层单元之间的依赖关系。在训练完所有的RBM后，把各个RBM叠加在一起，再最后一层叠加一个softmax层，从而构成一个自下向上的前馈的、深层的、区分性的用于分类的深层神经网络。由于采用RBM的堆积构成一个深度网络结构，以此作为深层神经网络在有监督训练时的初始化网路权重，可防止它陷入局部最优。

经过逐层的RBM生成性训练，我们可以在权重空间中找到一个更好的区域，从这个区域出发，可以使区分性的监督学习优化(精细调整)相对于从随机初始化开始进行监督学习优化(精细调整)取得更好的性能提升，也能显著减少过拟合的可能性。本实用新型中监督学习优化模块采用现有技术常用的反向传播(back-propagation，BP)算法，利用标注数据对神经网络参数进行有监督的精细调整。该算法中，通常分为两步：1)向前响应传播，即将输入通过各个隐层获得激励响应，而上一层的输出是下一层的输入，直到最后一层获得预测值；2)反向错误传播，根据向前响应传播到最后一层，可得到对信号的预测，这个预测值和参考信号的差异，就是需要反向传播的错误。有了反向传回的错误，就可以根据这个错误来调节神经网络的各个权重和偏置。准备好DNN的输入数据和输出数据之后，就可以开始更新网络的权重和偏置参数，即W和b，如下公式3所示：

这里λ代表学习速率，E表示一个用来优化的目标函数，可以采用最小均方误差准则；表示在层的有待学习的权重和偏置的参数。L表示真个隐层的数目，那么L+1就表示输出层。由上述公式可以看出，在模型参数的更新过程中，几乎没有任何假设被设定，因此，DNN可以很好地拟合带噪样本和干净样本之间的非线性关系。

实际神经网络训练中，训练数据是否完备是影响检测精度的关键因素。本实用新型中，构建“碰撞声训练数据集”和“道路噪声训练数据集”，其中，道路噪声训练数据集通过在实际道路环境下采集各种情形的声音数据并对数据进行标注；碰撞声训练数据集收集各种车型碰撞试验的声音数据，并根据碰撞强度对数据进行标注；将干净碰撞声集分别和道路噪声相加在一起，得到带噪样本。将以上训练数据样本输入神经网络模型训练网络的权重和偏置参数。参见图5，所示为训练得到的深度神经网络的结构框图，神经网络包括1个输入层，3个隐藏层L1～L3以及一个输出层。输入信号特征提取时，信号被采样到8KHz，相应的每个帧长被设定为256个样本点(32毫秒)，帧移是128个样本点，短时傅里叶分析被用来计算每个重叠帧的DFT系数，因此，输入层采用128个节点，对应输入数据的维度，输出层为三维数据输出，分别对应纯噪声、杂含碰撞声以及杂含人声。L1～L3中每层节点是2048个，其取决于训练数据的多少，2048个对应100万条训练数据。每个受限玻尔兹曼机的预训练的迭代次数是50次，预训练的学习速率是0.0005，前二十次的有监督的调优的学习速率是0.1，然后将学习速率每次递减百分之十，总的迭代次数是100次。

采用上述方式训练的深度神经网络，随着训练数据的增加，系统性能不断提高，在分类测试中，实际区分度达到80％，实际中可将预警的阈值设置为60％，能够作为道路异常事件预警的有效评价指标。

参见图6，所示为本实用新型中特征提取模块的原理框图，第一特征提取模块/第二特征提取模块进一步包括分帧模块、DFT变换模块和对数功率谱处理模块，其中，分帧模块用于对输入数据进行分帧处理，采用交叠分段，一般帧移占帧长的比重为0-50％；DFT变换模块用于对分帧处理后的数据进行离散傅里叶变换得到频域信息；对数功率谱处理模块用于对频域信息进行对数功率谱处理，相当于DFT变换后的各个系数取模的平方和取对数，取对数可以模拟人耳对声强的非线性感知特性，另外对数功率谱上信息比较完整，几乎没有丢失什么信息，有利于提高检测精度。

在一种优选实施方式中，碰撞声识别模块采用内置深度神经网络的人工智能芯片实现。虽然现有技术中已有很多功能强大内置深度神经网络的人工智能芯片，但芯片级的计算性能毕竟还不能和PC级的计算性能相媲美，通常无法满足实时性的要求；同时，在本申请的应用环境中，汽车碰撞毕竟还是小概率事件(尤其是重大交通事故)，因此，无需实时开启神经网络分类模块进行识别。参见图7，所示为本实用新型中碰撞声识别模块另一种实施方式的原理框图，碰撞声识别模块还包括平均能量检测模块和帧能量比较模块,其中，平均能量检测模块用于计算当前帧对数功率谱的平均能量值并发送给帧能量比较模块；帧能量比较模块用于计算相邻帧平均能量值的差值并判断该差值是否超出预设的阈值，如果超过则开启神经网络分类模块。相对于位置固定的麦克风，其采集的声音信号能量分布与实际声场分布成一定比例关系。而在本申请的应用环境中，在正常情况下，声音信号的能量是相对平稳波动的，其波动范围可以通过实际测定预先得到；而碰撞声是一个突发的强脉冲能量，其强度值远超正常波动范围。因此通过前后帧能量比较可以判断是否出现脉冲，如果有强脉冲能量突增，再开启神经网络分类模块进行判断这段音频信号中强脉冲是不是碰撞声(主要区分鸣笛声)。采用上述技术方案，通过帧能量预判作为开启条件，深度神经网络无需实时运行，能够降低系统功耗。

在一种优选实施方式中，帧能量比较模块接收当前车流量信息，并计算当前帧平均能量值是否超出预设相应车流量信息所对应的能量值范围，如果超过则开启神经网络分类模块。正如上述所分析的，交通车流产生的噪声与车流量是呈比例关系，虽然各种车型会有一定差异，基本上相对于特定的车流量存在对应声音信号的能量范围，我们可以通过采集实际道路场合中的声音数据并对大量数据进行分析来预先获得这个能量范围。因此，通过判断当前帧能量值是否在对应车流量的能量范围之内作为神经网络分类模块的开启条件，在降低神经网络工作时长的同时能够进一步提高检测精度。

参见图8，所示为本实用新型中声音采集模块的原理框图，声音采集模块进一步包括由多个麦克风组成的麦克风阵列、音频处理模块和控制模块，其中，麦克风阵列中多个麦克风呈一定几何形状且每个麦克风具有唯一标识ID；音频处理模块用于同步获取并标识每个麦克风采集的声音信号并对声音信号进行处理后输出音频信息；控制模块与音频处理模块相连接，用于控制音频处理模块的工作并将音频处理模块处理后的音频信息存储在存储模块中。采用上述技术方案，通过音频处理模块同步采集麦克风阵列的音频信号，任一个ID的麦克风都采集连续的音频信息，并存储在存储模块中。由于设置多个麦克风，从而保证所采集音频信号的完整性，弥补了现有技术视频监控在道路中应用时音频质量差的缺陷；同时，多个麦克风呈一定几何形状固定设置，参见图9，所示为麦克风阵列排布的示意图，多个唯一标识麦克风呈圆形设置且同步采样，理论上，当区域内有声源发出声音时，由于声源距离每个麦克风距离不一样，因此每个麦克风接收到信号的强度以及信号到达的时间会出现差异，因此，根据每个麦克风收到的差异性信号以及每个麦克风确定的相对位置信息，便能确定声源所处的位置。

为了及时确定碰撞声的具体位置，参见图10，所示为本实用新型的又一种优选实施方式的原理框图，还包括碰撞声定位模块，碰撞声定位模块与路灯控制器相连接，用于获取碰撞声的具体位置并将位置信息发送给路灯控制器；当碰撞声识别模块判定出现异常事件时，碰撞声定位模块获取该异常事件的时间信息并从存储模块中获取相应麦克风阵列在该时间信息内的音频信息，并根据每个麦克风固定的位置关系以及每个麦克风在该时间信息中对应音频信息的参数信息确定碰撞声所处的具体位置。进一步，参数信息为每个麦克风在该时间信息中对应音频信息的峰值强度以及每个麦克风在峰值强度对应的时间差。也即当碰撞声识别模块判定道路中出现异常事件后，碰撞声定位模块能够快速确定异常事件的位置，从而能够及时有效开展救援疏导工作。

在一种优选实施方式中，路灯控制器还与可旋转摄像装置相连接，可旋转摄像装置设置在路灯杆上并根据路灯控制器的控制指令进行旋转；当碰撞声识别模块判定道路中出现异常事件时，路灯控制器控制可旋转摄像装置旋转至碰撞声定位模块所确定的具体位置。采用上述技术方案，可旋转摄像装置能够更准确地采集现场视频，从而通过音视频结合，减少了监控的盲区。

现有技术中，道路照明系统用于对每个道路灯进行智能控制，从而提供一个舒适的道路照明环境。声音采集模块可以集成在道路灯中，可以减少系统布线的工程量。更优选地，麦克风阵列可以布置在道路灯的灯具表面，从而现有道路改造时，无需重新布线。

在一种优选实施方式中，还包括车流量检测装置，车流量检测装置用于采集车流量信息并发送给远程监控中心或路灯控制器。

在一种优选实施方式中，所述碰撞声识别模块采用内置深度神经网络的人工智能芯片实现。参见图11，所示为本实用新型采用的智能语音神经网络处理芯片CI1006的架构图，是基于ASIC架构的人工智能语音识别芯片，包含了深度神经网络处理硬件单元，能够完美支持DNN运算架构，进行高性能的数据并行计算，可极大的提高人工智能深度学习语音技术对大量数据的处理效率；CI1006采用本地的神经网络数据处理可降低产品对于网络的依赖，提升智能语音识别响应及控制速度。该芯片从语音输入开始，语音检测，语音特征提取及DNN运算完全采用硬件架构设计，软件主要进行语音解码和语音播报，相较于AP芯片软件DNN方案，具有更高的运算性能及低成本、低功耗、小尺寸等优势。该芯片可以支持本地语音检测、唤醒，以及数百条离线命令词条的识别。还可以直接通过本芯片的通用控制接口替换设备原有的控制MCU，实现设备的语音智能化。该芯片还具有丰富的外设接口，可以通过SPI、UART等接口外接WIFI芯片连接到云端，在本地唤醒后，可通过云端连接实现自然人机交互，或者对接云端的各类应用服务。如处于离网状态，则自动切换到本地离线命令词识别功能。

以上实施例的说明只是用于帮助理解本实用新型的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本实用新型原理的前提下，还可以对本实用新型进行若干改进和修饰，这些改进和修饰也落入本实用新型权利要求的保护范围内。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本实用新型。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本实用新型的精神或范围的情况下，在其它实施例中实现。因此，本实用新型将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。