一种基于多属性Unet的盐丘识别方法与流程

一种基于多属性unet的盐丘识别方法
技术领域
1.本发明属于地震数据处理领域，特别涉及一种盐丘识别技术。


背景技术：

2.在地震数据解释中，大多数重要的油气藏都存在于异常体周围，对异常体的识别分割以及三维模型的构建是地震数据解释中重要的任务之一。盐丘作为最常见的异常体之一，盐丘的识别和解释不仅对资源开采有重要意义，对于理解地下盐构造以及地震迁移速度模型的建立也有很大帮助。
3.传统的盐丘解释问题一般是通过地质专家通过过硬的专业知识和丰富的经验来进行解释，然而由于地震资料量大，人工进行盐体解释是一项耗时的工作，解释的准确性也与专家的专业知识有关。因此，在过去的几年里，随着计算机技术的发展，人们做了大量的研究来开发计算机辅助算法来自动检测盐体。随着深度学习的广泛应用，许多地质专家将其应用到异常体识别任务中。区别于传统的异常体识别方法，基于深度学习的异常体识别方法不再依赖于专家的先验知识，而是从数据中自动挖掘有效的特征用于异常体识别。
4.虽然目前已存在将深度学习技术应用到地震数据解释领域的研究。现有所使用的深度学习网络，大多以地震原始振幅数据作为输入，效果改进方面没有充分考虑到地震数据本身区别于自然图像的特点，没有充分利用地震属性在地震数据解释中的重要作用，使得深度学习在地震数据解释中的应用还存在很大的发展空间。本发明基于多属性unet进行盐丘识别。相比于传统方法和机器学习的方法，该网络能够将地震数据的多个属性进行融合学习，捕捉更多的有效信息并进行分类，从而实现对盐丘的高效和准确的识别和分割。同时，针对于地震数据的特点提出了列归一化的数据预处理方法，该方法既能够保留地震数据本身的信息，又能够更多的消除杂乱信号和噪声。
5.对于盐丘的识别的相关现有技术如下：
6.虽然目前已存在将深度学习技术应用到地震数据解释领域的研究。现有所使用的深度学习网络，大多以地震原始振幅数据作为输入，效果改进方面没有充分考虑到地震数据本身区别于自然图像的特点，没有充分利用地震属性在地震数据解释中的重要作用，使得深度学习在地震数据解释中的应用还存在很大的发展空间。利用深度神经网络进行地震异常体的主流方法是将异常体的识别分割视为图像分割问题，将已知异常体标签的地震数据进行处理之后(一般为地震振幅数据)输入到神经网络中进行训练，用训练完成后的模型来进行地震异常体的预测。这样的流程是基于普通的图像识别分割问题，针对于地震数据中盐丘的识别分割会存在以下问题：(1)盐丘内部信号杂乱，反射强度小，又由于盐丘的形状多为蘑菇形，这会导致盐丘顶部有比较明显的信号反射，而两侧边缘部分的反射强度小，不容易得到边缘；(2)通常盐丘在整个数据体中占比较小，直接对地震数据体进行识别难度比较大，裁剪识别又比较容易失去地震数据的上下文信息；(3)不同于自然图像的大量训练数据，存在盐丘的标签地震数据很少。


技术实现要素：

7.为解决上述技术问题，本发明提出一种基于多属性unet的盐丘识别方法，根据对要识别异常体的敏感度融合几种优选的地震属性作为网络的输入数据，通过构建的基于多属性融合的unet网络，实现了端到端的盐丘分割。
8.本发明采用的技术方案为：一种基于多属性unet的盐丘识别方法，包括：
9.s1、利用原始地震数据进行属性计算，得到：杂乱特征体、均方根振幅属性体以及方差属性体；
10.s2、构建基于多属性融合的unet网络，将杂乱特征体、均方根振幅属性体、方差属性体与原始振幅属性体共同作为网络的输入数据，对unet网络进行训练；
11.s3、根据训练完成的unet网络进行盐丘识别。
12.步骤s1还包括对每个属性体进行切片和列归一化。
13.步骤s1还包括对每个属性体的inline切片进行几何变换，所述几何变换包括镜像变换、随机缩放、随机旋转。
14.步骤s2所述unet网络为多输入单输出的网络结构。
15.unet网络在在下采样阶段每个输入属性是一条输入流，通过密集连接将四个输入流学习到的特征进行融合。
16.本发明的有益效果：本发明的方法根据对要识别异常体的敏感度融合几种优选的地震属性作为网络的输入数据，通过构建的基于多属性融合的unet网络，实现了端到端的盐丘分割，并且考虑了多属性融合的非线性问题使用了密集连接。使用多属性融合的unet能够自动融合和学习多属性的特征，更好的模拟了多属性融合的关系，从而得到较好的训练模型进行盐丘识别；本发明基于多属性融合的unet进行盐丘识别，包括以下优点：
17.(1)使用列归一化而不同于自然图像的全局归一化以消除更多的杂乱信息，更符合地震数据的特点；
18.(2)输入整张地震体切片，不进行裁剪，以保留更多的空间信息；
19.(3)使用数据增强，使得很少的训练数据就可以得到较好的分割效果。
附图说明
20.图1为本发明的基于多属性unet的盐丘识别方法流程示意图；
21.图2为本发明实施例提供的选取的地震属性切片；
22.其中，图2(a)为振幅属性，图2(b)为杂乱特征，图2(c)为均方根振幅属性，图2(d)为方差属性；
23.图3为本发明实施例提供的原始inline切片图；
24.图4为本发明实施例提供的水平镜像变换后的inline切片图；
25.图5为本发明实施例提供的垂直镜像变换后的inline切片图；
26.图6为本发明实施例提供的放大两倍后的inline切片图；
27.图7为本发明实施例提供的旋转180度后的inline切片图；
28.图8为本发明实施例提供的多属性前期融合示意图；
29.图9为本发明实施例提供的多属性后期融合示意图；
30.图10为本发明实施例提供的ivd-net使用的卷积模块；
31.图11为本发明实施例提供的non_local模块示意图；
32.图12为本发明实施例提供的基于多属性unet的盐丘识别网络结构示意图；
33.图13为本发明实施例提供的f3地震数据；
34.图14为本发明实施例提供的多属性unet盐丘分割结果；
35.图15为本发明实施例提供的训练集和验证集的损失函数和准确率变化；
36.图16为本发明实施例提供的仅使用振幅属性数据的盐丘分割结果。
具体实施方式
37.异常体通常指引起物探异常的地质体，是具有一定空间形态的特殊地质构造，其中盐丘、河道是最常见的异常体。由于异常体的特殊构造和与油气藏等资源的紧密联系，异常体的识别和分割对地震数据解释工作有着至关重要的作用，同时，构建异常体三维模型对于建立地震偏移速度模型以及地质结构分析等都具有重要意义。
38.本发明基于多属性融合的unet进行盐丘识别：(1)使用列归一化而不同于自然图像的全局归一化以消除更多的杂乱信息，更符合地震数据的特点；(2)输入整张地震体切片，不进行裁剪，以保留更多的空间信息；(3)使用数据增强，使得很少的训练数据就可以得到较好的分割效果。
39.本发明的方法首先根据对要识别异常体的敏感度优选出几种属性，针对地震数据的特点进行预处理操作。之后通过构建含有多输入和多连接的unet网络使多属性数据能够同时输入网络并在网络中融合。该网络实现了端到端的盐丘分割，并且考虑了多属性融合的非线性问题使用了密集连接。使用多属性融合的unet能够自动融合和学习多属性的特征，并且对盐丘识别的准确度要优于单一属性的unet。
40.本发明提出的算法主要包括以下几个部分：数据预处理，模型构建，模型训练以及盐丘识别和分割，具体流程框架如图1所示。首先，在数据预处理阶段，利用原始地震数据进行属性计算，得到杂乱特征体，均方根振幅属性体以及方差属性体，与原始振幅属性体共同作为网络的输入数据。对每个属性体进行切片和列归一化，并将一部分作为训练数据和验证数据，另一部分作为测试数据。
41.其次，构建基于多属性融合的unet网络，该网络具有多输入，并在下采样部分的层与层之间，不同的输入之间都具有连接，更好的模拟了多属性融合的关系。初始化网络的相关参数后进行训练。
42.最后，在训练完成后，对整个工区的数据切片进行预测得到盐丘分割结果，并利用分割结果构建三维模型以更好的可视化。
43.1、数据预处理
44.在地震数据解释中，采集得到地震数据体还是比较多的，然而不同于自然图像的是，地震数据通常为体积庞大的三维数据体，手工解释需要按剖面依次进行，十分耗时耗力，因此难以得到大量的地震训练数据。同时，采集的到的数据一般为地震振幅体数据，想要得到地震属性数据还需要进一步的计算和处理，因此，在构建网络模型之前对数据进行预处理操作是必不可少的一环。
45.本发明所用到的数据预处理技术主要包括以下几个方面：根据盐丘结构的特征，选取了三种较为敏感的属性及特征：均方根振幅属性，方差属性和杂乱特征。地震属性体可
以由地震振幅体数据进行计算得到，可以从不同的方面互补地表现盐丘在地震中的特征。使用数据增强技术来解决训练数据标签较少的问题，该技术可以提高网络模型的鲁棒性。
46.11、计算属性数据
47.地震属性是地震数据的组成部分，通过测量、计算等方法从地震数据中获得。地震属性分析可以从地震数据中提取信息，而这些信息隐藏在数据中，并被用来识别远景、确定沉积环境。因此，许多新的属性被用于地震地貌学研究。地震属性可以帮助解释人员从常规地震数据中提取更多的信息，从而支持地貌和油气藏解释。例如：河流系统元素的主要类型为主通道，包络线、均方根振幅、混沌属性和波谱分解都表现得很好。断层、裂缝等构造表现良好，具有构造倾向和变异属性。本文根据属性的类别和对盐丘特征的敏感性，从中选取了四种属性进行融合。每一个属性都会反映出不同的物理或者几何特征，相对独立并且对盐丘敏感。
48.图2为f3工区在inline＝405的不同属性的切片图。从图中可以看出，振幅属性虽然能够反映出盐丘的边缘，但是对非盐丘部分的强反射区域也能够反映的很好，区分盐丘和非盐丘较为困难，并且难以将盐丘分割出来，因此需要计算其他属性来共同识别盐丘。由于盐丘内部信号杂乱，通过杂乱特征可以很好的表征盐丘内部区域，但杂乱特征对盐丘边缘刻画较差，难以识别。均方根振幅属性是对振幅属性求平方均值再开根号得到，对于强振幅比较敏感，它能够很好地刻画盐丘的边缘，但盐丘内外的噪声较多，只通过该属性进行阈值分割会带来较大误差。方差属性主要表现为盐丘数据中的不连续性，对盐丘内外的刻画较为明显，对于盐丘的分割很有帮助。
49.12、数据增强
50.unet网络结构是一种高度对称的全卷积神经网络，它的一大特点即可以通过较少的训练数据就能实现不错的效果，因此被大量应用到医学图像分割领域中。这样的特点同时也比较适合标签很少的地震领域。本发明采用图像增强技术来提高所提出的unet全卷积网络模型的鲁棒性。本发明主要对输入的地震数据的inline切片进行了几何变换，包含镜像变换，随机缩放，随机旋转。
51.(1)镜像变换
52.图像的镜像变换主要有两种：水平镜像变换，垂直镜像变换。顾名思义，以图像垂直中线为轴，翻转图像左右两个部分的操作被称为水平镜像变换；而以图像水平中线为轴，翻转图像上下两个部分的操作被称为垂直镜像变换。其具体变换方法如下。
53.假设原inline切片的尺寸为h
×
w，对于该切片的任意一点(i,j)处的点z(i,j)经过水平镜像和垂直镜像变换分别如式(1)和(2)所示。
54.z
′
(i
′
,j
′
)＝z(w-1-i,j)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
55.z
″
(i
″
,j
″
)＝z(i,h-1-j)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
56.其中，h表示长，w表示宽，z
′
(i
′
,j
′
)代表经过水平镜像后的地震振幅属性值，(i
′
,j
′
)代表水平变换后的坐标值；z
″
(i
″
,j
″
)代表经过垂直镜像后的地震振幅属性值，(i
″
,j
″
)代表垂直变换后的坐标值。
57.图3、图4、图5以inline＝405切片为例，展示了对切片进行水平镜像变换和垂直镜像变换后的结果，这种变换并不会破坏盐丘的形状和信息。
58.(2)随机缩放
59.随机缩放是将图片随机进行放大或缩小。由于放大缩小后图片尺寸会改变，通常在放大操作之后会使用剪切使图片保持原来的尺寸，在缩小操作之后使用填充使图片保持原来的尺寸。假设缩放系数为s，对于该切片的任意一点(i,j)处的值z(i,j)经过缩放之后的映射关系如式(3)所示。图6是将inline＝405切片放大两倍后得到的新的inline切片图。
60.z
′
(i
′
,j
′
)＝z(i
×
s,j
×
s)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
61.(3)随机旋转
62.随机旋转是指将图像按照旋转中心点随机旋转一定的角度。假设旋转中心点为o(i0,j0)，旋转角度为θ。则旋转变换矩阵为经过旋转之后的坐标变换如式(4)所示。图7为inline＝405切片经过旋转180度之后得到的新的inline切片图。
[0063][0064]
2、网络结构构建
[0065]
21、多模态融合方法
[0066]
将多模态图像融合到深度学习分割方法中得到了越来越多的关注。cnn中的多模态分割通常采用早期融合策略，通过明确假设不同模态之间的关系是简单的(如线性)，将多个模态从低层特征的原始输入空间中融合，如图8所示，通过在网络输入处连接图像模态，这种输入方式不符合多模态的数据特征。为了更好的解释多模态数据的复杂性，一些研究学者提出了后期融合策略，其中每个模态由一个独立的cnn处理，多模态的输出被合并到一起，如图9所示，这种融合策略会比早期融合策略的结果更好一点。
[0067]
最近，aigun等人探索了不同的方法来结合多种属性。在这项工作中，所有的属性都被认为是不同cnns的单独输入，这些cnns随后在“早期”或“后期”融合。虽然发现“晚期”融合提供了更好的性能，但这种方法依赖于单层融合来模拟所有属性之间的关系。然而，不同属性之间的关系可能是高度复杂的，不可能轻易地用一层模型来描述。之后，jose为了解决多模态数据建模中的非线性问题，提出了一种cnn，它不仅包含同一路径内的层对之间的密集连接，而且还包含跨不同路径、不同的层之间的密集连接，这种结构被称为hyperdensenet。受jose的启发，地震数据虽然没有多模态，但是每个地震数据体可以计算得到多个属性体，每个属性体都携带有该地震数据的不同信息，与多模态有异曲同工之妙。
[0068]
22、基于多属性unet的盐丘识别网络模型的构建
[0069]
(1)non-local模块
[0070]
在一个地震数据体中，当以2d切片方式去评估3d分割时，每张图像上盐丘的区域可能会差距很大。例如，当2d切片正好对应于盐丘中心时，盐丘的形状会比较明显，当2d切片位于盐丘边缘时，在图像中盐丘会比较小。在ivd-net中，jose针对这种情况选择了利用inceptionnet中的卷积核去获得更大的感受野，如图10所示，这种卷积运算包含了三种不同大小的卷积核，较小的卷积核更适合捕捉局部信息，较大的内核更有助于捕获全局信息。因此，这样的卷积运算能够帮助网络捕获不同目标大小的特征信息。
[0071]
然而，在地震异常体识别中，盐丘在图像中一般只有一个或者两个，过于复杂的卷积模块可能会造成运算效率低下，过拟合等情况，同时通过实验也证明了使用inceptionnet提出的卷积块并不能提升识别效果，反而会造成测试数据集完全不能识别出盐丘，只能识别出数据中的强反射信号，这说明这种卷积块对数据变化较大的区域识别效
果较好，而对盐丘这种内部信号杂乱，反射信号弱的数据并不适合。因此，在构建网络时仍然选择经典的3
×
3卷积核。
[0072]
针对目标区域大小变化的问题，卷积运算处理的只是一个局部邻域，wang提出了针对长距离依赖关系捕获全局信息的non-local模块(x.l.wang,r.girshick,a.gupta,et al.non-local neural networks[j].the ieee conference on computer vision and pattern recognition(cvpr),2018,7794-7803.)，将非局部操作作为一种简洁高效且通用的组件，用于捕获深度神经网络的中的长距离依赖关系。具体的non-local操作是受到计算机视觉中经典的非局部平均操作启发，non-local操作在计算某个位置的响应时，是考虑所有位置的特征的加权——所有位置可以是空间的，时间的，时空的，这意味着non-local操作适用于图像、序列和视频问题。同时意味着non-local操作可以捕捉更大的全局信息，针对我们问题中目标大小变化较大的问题可以较好的解决。
[0073]
按照非局部均值的定义，定义在深度神经网络中的non-local操作如公式(5)所示。
[0074][0075]
其中x表示输入信号，y表示输出信号，其尺寸和x相同。f(x
i
,x
j
)用来计算位置i和所有可能关联的位置j之间的关系，这个关系可以是比如i和j的位置距离越远，f值越小，表示j位置对i影响越小。g(x
j
)用于计算输入信号在j位置的特征值。c(x)是归一化参数。
[0076]
我们将(5)式中的non-local操作变形成一个non-local块，以便其可以被插入到已有的结构中。我们定义一个non-local块为：
[0077]
z
i
＝w
z
y
i
+x
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0078]
其中y
i
已经在(5)式中给出了，w
z
代表卷积操作，x
i
则表示的是一个剩余连接。这样的结构使得我们可以在任意的现有的模型中插入一个新的non-local块而不需要改变其原有的结构(如w
z
＝0作为初始化则完全和原始结构一致)。
[0079]
一个示例的non-local模块如图11所示，其中，特征图被显示为其张量的形状，例如512通道的t
×
h
×
w
×
512，表示矩阵乘法，表示矩阵加法。
[0080]
(2)基于多属性融合的unet的盐丘识别网络结构
[0081]
本发明选取了振幅属性，均方根属性，杂乱特征和方差属性四个属性作为网络的输入数据。为了实现密集连接模式，首先创建一个由多个流组成的编码路径，每个流处理不同的地震属性。对不同属性采用单独流的主要目的是解开信息，否则这些信息将从早期阶段融合，限制网络的学习能力以捕获模态之间的复杂关系。结合上文所述，我们使用的基于多属性融合的unet网络结构如图12所示，为了更加清晰的显示，在该结构图图上仅展示了第一个输入与第二个输入间的密集连接，第二三四输入流中的密集连接结构同第一个输入是相同的。根据图12所示，我们采取的是多输入(四个输入)，单输出的网络结构。在下采样阶段每个输入属性是一条输入流，通过密集连接将四个输入流学习到的特征进行融合。由于密集连接包含了跨不同路径、不同的层之间的连接，在图12中，我们用曲线箭头表示该输入流的跨层连接。在下采样阶段结束之后我们将学习到的特征融合到一起并通过non_local模块，之后再输入到unet网络的上采样阶段学习并输出分割结果。
[0082]
该网络的结构参数及分层布局如表1所示，使用的地震数据大小为462
×
951
×
651，将四个地震属性体按照inline切片后大小为462
×
951，由于unet的网络结构需要跳层连接的特性，输入数据的大小需为16的倍数，因此将输入数据进行resize操作变为512
×
1024大小后进行输入。
[0083]
表1基于多属性unet模型的网络结构参数及分层布局
[0084][0085]
[0086]
3、盐丘识别
[0087]
为了验证基于多属性unet盐丘识别方法的有效性，将本发明的盐丘识别看作常规的异常体分析问题，把样本中每一个采样点被预测为盐丘的概率作为解释标准，预测结果为0-1范围内盐丘属性概率图。再与地质专家的人工解释结果进行对比评价。
[0088]
本发明采取了北海荷兰地区f3区块道号数为462(time)
×
951(crossline)
×
651(inline)大小的三维地震体进行仿真实验,如图13所示。在盐丘的解释研究中，f3数据集是一个常用的公开免费数据集，从图中可以看到坐标单位分别为crossline，inline和time，这是地震数据最常使用的坐标单位。inline和crossline表示信道号，inline又被称为主测线，为便于手工解释,显示的测线间隔一般为50m；crossline又被成为联络测线，与主测线垂直，显示的测线间隔可根据需要选择，一般为20、50或100m。time表示时间，由于不同深度的反射波传回地面的时间不同，所以也可以理解为深度。下文图中的坐标含义与此相同。
[0089]
图14显示了在inline＝315下人工解释的真实边界(黑色表示)与多属性unet的分割结果(浅灰色表示)，为了更直观的展示分割效果，将分割结果与该inline下的振幅属性切片进行了叠加显示，同时给出了多道测试数据的对比。从图中可以看出，不同的盐丘形态下，本发明提出的方法都可以较好的将盐丘分割出来，分割结果在盐丘边缘部分仍然能够保持较好的连续性和准确性，这说明基于多属性融合的unet进行盐丘分割的方法能够在盐丘解释中将盐丘识别并分割出来。
[0090]
图15显示了训练过程中损失函数的变化与准确率的变化折线图，实验一共训练了50次，所使用的训练样本一共三十组，验证数据三组。从图中可以看出验证集的准确率可达98％，损失函数在训练开始后先迅速下降，然后慢慢趋于平稳，这说明基于多属性的unet训练网络是收敛的，数据在不断被拟合。通过联合左右两张图片可以发现，在损失函数下降的同时，准确率在不断上升。
[0091]
为了证明多属性融合在盐丘识别中的有效性，使用普通unet网络以单属性数据作为输入来进行盐丘识别，输入数据为振幅属性数据。图16展示了inline＝315下人工解释的真实边界(黑色表示)与unet的分割结果(浅灰色表示)，为了更直观地展示分割效果，将分割结果与该inline下的振幅属性切片进行了叠加显示。对比图14，只使用振幅属性数据作为输入数据的话，识别出的盐丘边缘比较模糊，而且在非盐丘部分有许多地方被误识别为盐丘的地方，识别精度很差。
[0092]
对比图14与图16得出以下三点结论：第一，unet作为一种非常优秀的深度学习网络，它在图片识别中有着优越的效果。然而，针对地震数据，可能还是需要因地制宜地进行改进；第二，由于是将整张inline切片放进网络进行训练，这样可以保留更多的全局信息，多属性unet可以较好的结合不同属性的特征，将盐丘分割出来，而unet输入的是单一属性数据，虽然也能够识别出盐丘，但是在非盐丘地方会有很多错误识别的地方；第三，通过图片对比也可以发现，多属性unet分割出的盐丘边缘比较清晰且与地质学家进行人工解释的范围也比较贴合，而unet分割出的盐丘边缘则比较模糊，这对下一步盐丘的分割会造成较大的困扰。综上，在盐丘解释中，普通unet并不能很好的解决异常体的识别分割问题，而本发明提出的多属性unet方法能很好的完成盐丘的识别分割问题。
[0093]
为了更准确的识别盐丘，本发明提出了基于多属性unet的盐丘识别方法来进行盐丘识别。该算法根据对要识别异常体的敏感度融合几种优选的地震属性作为网络的输入数
据，通过构建的基于多属性融合的unet网络，实现了端到端的盐丘分割，并且考虑了多属性融合的非线性问题使用了密集连接。使用多属性融合的unet能够自动融合和学习多属性的特征，更好的模拟了多属性融合的关系，从而得到较好的训练模型进行盐丘识别。实验结果表明：
[0094]
基于普通的图像识别分割问题，针对于地震数据中盐丘的识别分割会存在以下问题:(1)盐丘内部信号杂乱，反射强度小，又由于盐丘的形状多为蘑菇形，这会导致盐丘顶部有比较明显的信号反射，而两侧边缘部分的反射强度小，不容易得到边缘；(2)通常盐丘在整个数据体中占比较小，直接对地震数据体进行识别难度比较大，裁剪识别又比较容易失去地震数据的上下文信息；(3)不同于自然图像的大量训练数据，存在盐丘的标签地震数据很少。
[0095]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。