多模态遥感影像数据检测方法及系统与流程

1.本发明涉及遥感影像处理领域，更具体地，涉及一种多模态遥感影像数据检测方法及系统。


背景技术：

2.遥感变化检测技术已经广泛应用于城市规划、农村土地确权、灾害预警等领域，利用监测裸土与建筑的可视化变换来反应城市发展状况、监测其他地块变更为农田地块来反应高标准农田规划、监测林地地块变更为土壤来反应山体滑坡。随着高分辨率遥感影像的发展，目前已有的光学卫星数据已经不足以满足遥感对地监测的时效性。面对海量、多模态、高分辨率的遥感数据集，传统的图像解译技术表现欠佳，同时5g网络传输和gpu/npu（graphics processing unit，微型处理器/neural
‑
network processing unit，网络处理器）的强大计算能力已满足数据的实时处理、实时传输。
3.单模态遥感数据只能从单一角度上提供信息属性，传统借助数学统计、知识图谱和数据挖掘算法构建数据库，利用矢量差值获取变化结果，结合深度学习与多模态遥感影像数据，探索更高效、更准确、鲁棒性更高的解译算法迫在眉睫。多模态遥感数据融合从信息维度上、样本数量上扩充数据源，补充深度学习变化检测算法的数据需求。


技术实现要素：

4.本发明提供一种克服上述问题或者至少部分地解决上述问题的一种多模态遥感影像数据检测方法及系统。
5.根据本发明的第一方面，提供了一种多模态遥感影像数据检测方法，包括：将第一时序的多模态遥感影像数据输入训练后的多模态特征挖掘网络，获取所述多模态特征挖掘网络输出的所述第一时序的多模态遥感影像数据对应的第一融合矢量特征；以及将第二时序的多模态遥感影像数据输入训练后的多模态特征挖掘网络，获取所述多模态特征挖掘网络输出的所述第二时序的多模态遥感影像数据对应的第二融合矢量特征，所述第一时序的多模态遥感影像数据和所述第二时序的多模态遥感影像数据处于同一地域；将所述第一融合矢量特征和所述第二融合矢量特征输入训练后的变化检测网络，获取所述变化检测网络识别的差异结果，所述变化结果表征所述第一时序的多模态遥感影像数据和所述第二时序的多模态遥感影像数据是否具有差异。
6.在上述技术方案的基础上，本发明还可以作出如下改进。
7.可选的，所述第一时序的多模态遥感影像数据包括第一高光谱卫星数据、第一高分辨率卫星数据和第一多时序modis数据，所述第二时序的多模态遥感影像数据包括第二高光谱卫星数据、第二高分辨率卫星数据和第二多时序modis数据。
8.可选的，所述多模态特征挖掘网络包括三个深度卷积神经网络和一个特征工程结构；所述将第一时序的多模态遥感影像数据输入训练后的多模态特征挖掘网络，获取所述多模态特征挖掘网络输出的所述第一时序的多模态遥感影像数据对应的第一融合矢量特
征，包括：分别将第一高光谱卫星数据、第一高分辨率卫星数据和第一多时序modis数据输入三个深度卷积神经网络，获取由每一个深度卷积神经网络输出的矢量特征；将三个矢量特征输入所述特征工程结构，获取所述特征工程结构输出的第一融合矢量特征；所述将第二时序的多模态遥感影像数据输入训练后的多模态特征挖掘网络，获取所述多模态特征挖掘网络输出的所述第二时序的多模态遥感影像数据对应的第二融合矢量特征，包括：分别将第二高光谱卫星数据、第二高分辨率卫星数据和第二多时序modis数据输入三个深度卷积神经网络，获取由每一个深度卷积神经网络输出的矢量特征；将三个矢量特征输入所述特征工程结构，获取所述特征工程结构输出的第二融合矢量特征。
9.可选的，所述深度卷神经网络包括多个网络层，每一个网络层包括卷积层和池化层，所述多个网络层顺次连接；所述特征工程结构包括多个网络层，每一个网络层包括卷积层和bn层，多个网络层顺次连接，其中，所述深度卷积神经网络的网络层的数量与所述特征工程结构的网络层的数量相同。
10.可选的，所述将三个矢量特征输入所述特征工程结构，获取所述特征工程结构输出的第一融合矢量特征，包括：所述特征工程结构通过如下公式对三个矢量特征进行融合计算：其中，为最终融合矢量特征，t
a
、t
b
和t
c
分别代表三个维度的矢量特征，、、分别表示每个维度下的权重，为偏移权重，为权重加权指数，m、m
n
代表偏移量。
11.可选的，所述变化检测网络为包括顺次连接的卷积层、池化层、反卷积层和反池化层的对称语义分割网络；所述方法还包括：将最后一级的反卷积结果与倒数第二级的反卷积结果同时作为所述反池化层的输入。
12.可选的，所述方法还包括：基于第一时序的多模态遥感影像数据和第二时序的多模态遥感影像数据对预设网络模型进行训练，计算识别结果计算所述已损坏网络模型的损失；基于所述损失，对所述预设网络模型的模型参数进行调整，得到最优的预设网络模型；其中，所述预设网络模型由所述多模态特征挖掘网络和所述变化检测网络组成，所述预设网络模型的模型参数至少包括每一个深度卷积神经网络在每个维度下的权重、、以及偏移量权重m和m
n
。
13.根据本发明的第二方面，提供一种多模态遥感影像检测系统，包括：获取模块，用于将第一时序的多模态遥感影像数据输入训练后的多模态特征挖掘网络，获取所述多模态特征挖掘网络输出的所述第一时序的多模态遥感影像数据对应的第一融合矢量特征；以及将第二时序的多模态遥感影像数据输入训练后的多模态特征挖掘网络，获取所述多模态特征挖掘网络输出的所述第二时序的多模态遥感影像数据对应的第二融合矢量特征，所述第一时序的多模态遥感影像数据和所述第二时序的多模态遥感影像数据处于同一地域；识别模块，用于将所述第一融合矢量特征和所述第二融合矢量特征输入训练后的变化检测网络，获取所述变化检测网络识别的差异结果，所述变化结果表征所述第一时序的多模态遥感影像数据和所述第二时序的多模态遥感影像数据是否具有差异。
14.根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器
用于执行存储器中存储的计算机管理类程序时实现多模态遥感影像检测方法的步骤。
15.根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现多模态遥感影像数据检测方法的步骤。
16.本发明提供的一种多模态遥感影像数据检测方法及系统，分别将不同时序的多模态遥感影像数据输入多模态特征挖掘网络，分别输出每一个时序的多模态遥感影像数据的融合矢量特征，将多个融合矢量特征输入变化检测网络，由变化检测网络识别出不同时序的多模态遥感影像数据之间是否具有差异。本发明构建了多模态特征挖掘网络和变化检测网络，其中，多模态特征挖掘网络对多模态遥感影像数据的特征进行挖掘并融合，满足训练数据集的多样性、多时序性、多特征性需求，能够提高网络挖掘特征的精确性。
附图说明
17.图1为本发明实施例提供的一种多模态遥感影像数据检测方法流程图；图2为本发明实施例提供的多模态特征挖掘网络的结构示意图；图3为本发明实施例提供的一种多模态遥感影像数据检测系统结构示意图；图4为本发明提供的一种可能的电子设备的硬件结构示意图；图5为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
18.下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
19.图1为本发明实施例提供的一种多模态遥感影像数据检测方法流程图，如图1所示，所述方法包括：s1，将第一时序的多模态遥感影像数据输入训练后的多模态特征挖掘网络，获取所述多模态特征挖掘网络输出的所述第一时序的多模态遥感影像数据对应的第一融合矢量特征；以及将第二时序的多模态遥感影像数据输入训练后的多模态特征挖掘网络，获取所述多模态特征挖掘网络输出的所述第二时序的多模态遥感影像数据对应的第二融合矢量特征，所述第一时序的多模态遥感影像数据和所述第二时序的多模态遥感影像数据处于同一地域；s2，将所述第一融合矢量特征和所述第二融合矢量特征输入训练后的变化检测网络，获取所述变化检测网络识别的差异结果，所述变化结果表征所述第一时序的多模态遥感影像数据和所述第二时序的多模态遥感影像数据是否具有差异。
20.可以理解的是，针对单模态遥感影像数据只能从单一角度上提供信息属性的缺陷，本发明实施例从多模态遥感影像数据出发，提取多模态遥感影像数据的特征并进行融合，从信息维度上、样本数量上扩充数据源，补充深度学习变化检测算法的数据需求。
21.多模态遥感影像数据融合主要分为像素级、特征级和决策级，底层特征通常利用深度卷积神经网络挖掘后矢量叠加，特征工程主要对底层数据降维抽稀处理后拼接，决策级融合主要采用多层金字塔池化结构来弥补要素缺失。
22.具体的，获取同一地域下的不同时序的多模态遥感影像数据，将每一个时序的多模态遥感影像数据输入训练后的多模态特征挖掘网络，获得多个模态下的遥感影像数据的融合矢量特征，也就是得到每一个时序的多模态遥感影像数据的融合矢量特征。
23.将不同时序的多模态遥感影像数据对应的融合矢量特征输入到训练后的变化检测网络，由变化检测网络识别出不同时序的遥感影像数据之间是否发生变化，也就是不同时序的遥感影像数据之间具有差异，可以输出差异标签，比如，具有差异，则输出1，没有差异，则输出0。
24.本发明实施例分别将不同时序的多模态遥感影像数据输入多模态特征挖掘网络，分别输出每一个时序的多模态遥感影像数据的融合矢量特征，将多个融合矢量特征输入变化检测网络，由变化检测网络识别出不同时序的多模态遥感影像数据之间是否具有差异。通过构建多模态特征挖掘网络和变化检测网络，其中，多模态特征挖掘网络对多模态遥感影像数据的特征进行挖掘并融合，满足训练数据集的多样性、多时序性、多特征性需求，能够提高网络挖掘特征的精确性。
25.在一种可能的实施例方式中，第一时序的多模态遥感影像数据包括第一高光谱卫星数据、第一高分辨率卫星数据和第一多时序modis数据，第二时序的多模态遥感影像数据包括第二高光谱卫星数据、第二高分辨率卫星数据和第二多时序modis数据。
26.可以理解的是，在本发明实施例中，多模态遥感影像数据主要包括时
‑
空
‑
谱三维维度的影像数据，主要包括高光谱卫星数据、高分辨率卫星数据和多时序modis数据。需要说明的是，多模态遥感影像数据可以包括更多维数的影像数据，并不限于三维。
27.在一种可能的实施例方式中，多模态特征挖掘网络包括三个深度卷积神经网络和一个特征工程结构；所述将第一时序的多模态遥感影像数据输入训练后的多模态特征挖掘网络，获取所述多模态特征挖掘网络输出的所述第一时序的多模态遥感影像数据对应的第一融合矢量特征，包括：分别将第一高光谱卫星数据、第一高分辨率卫星数据和第一多时序modis数据输入三个深度卷积神经网络，获取由每一个深度卷积神经网络输出的矢量特征；将三个矢量特征输入所述特征工程结构，获取所述特征工程结构输出的第一融合矢量特征；所述将第二时序的多模态遥感影像数据输入训练后的多模态特征挖掘网络，获取所述多模态特征挖掘网络输出的所述第二时序的多模态遥感影像数据对应的第二融合矢量特征，包括：分别将第二高光谱卫星数据、第二高分辨率卫星数据和第二多时序modis数据输入三个深度卷积神经网络，获取由每一个深度卷积神经网络输出的矢量特征；将三个矢量特征输入所述特征工程结构，获取所述特征工程结构输出的第二融合矢量特征。
28.可以理解的是，多模态特征挖掘网络包括三个深度卷积神经网络和一个特征工程结构，其中，对于第一时序的多模态遥感影像数据对应的三个模态的数据，即第一高光谱卫星数据、第一高分辨率卫星数据和第一多时序modis数据，分别输入三个深度卷积神经网络，由每一个深度卷积神经网络输出三个模态的卫星数据的底层特征。然后，将这三个底层特征输入到特征工程结构中，由特征工程结构对三个底层特征进行融合，的到融合后的矢量特征，对于第一时序的多模态遥感影像数据对应的融合后的矢量特征，称为第一融合矢量特征，对于第二时序的遥感影像数据对应的融合后的矢量特征，称为第二融合矢量特征。
29.需要特别说明的是，多模态特征挖掘网络中包括的深度卷积神经网络的数量与多模态影像数据的维数相等，比如，多模态遥感影像数据包括三个维度的影像数据，那么多模态特征挖掘网络中包括三个深度卷积神经网络。
30.在一种可能的实施例方式中，深度卷神经网络包括多个网络层，每一个网络层包括卷积层和池化层，所述多个网络层顺次连接；所述特征工程结构包括多个网络层，每一个
网络层包括卷积层和bn层，多个网络层顺次连接，其中，深度卷积神经网络的网络层的数量与所述特征工程结构的网络层的数量相同。
31.其中，可参见图2，为多模态特征挖掘网络的结构示意图，由图2可以看出，多模态特征挖掘网络包括三个深度卷积神经网络和一个特征工程结构。其中，每一个深度卷积神经网络包括多个网络层，每一个网络层包括卷积层和池化层。特征工程结构也包括多个网络层，每一个网络层包括卷积层和bn层。其中，特征工程结构的网络层的数量与深度卷积神经网络的网络层的数量相同。
32.以第一时序的多模态遥感影像数据为例，分别将第一高光谱卫星数据、第一高分辨率卫星数据和第一多时序modis数据输入对应的深度卷积神经网络的第一层网络，每一个深度卷积神经网路的第一层网络输出第一中间结果，得到三个第一中间结果。将三个第一中间结果输入到特征工程结构的第一级网络层；以此类推，将三个第二中间结果输入到特征工程结构的第二级网络层，直到将三个第n中间结果输入到特征工程结构的最后一级网络层，输出第一时序的多模态遥感影像数据的第一融合矢量特征，其中，n为每一个深度卷积神经网络以及特征工程结构的网络层的数量。
33.在一种可能的实施例方式中，将三个矢量特征输入所述特征工程结构，获取所述特征工程结构输出的第一融合矢量特征，包括：所述特征工程结构通过如下公式对三个矢量特征进行融合计算：其中，为最终融合矢量特征，t
a
、t
b
和t
c
分别代表三个维度的矢量特征，、、分别表示每个维度下的权重，为偏移权重，为权重加权指数，m、m
n
代表偏移量。
34.可以理解的是，对于特征工程结构的每一个网络层，均需对三个中间结果（可以理解为三个矢量特征）进行融合，具体的，特征工程结构可通过上述公式（1）将三个矢量特征进行融合，得到最终的融合矢量特征。
35.在一种可能的实施例方式中，变化检测网络为包括顺次连接的卷积层、池化层、反卷积层和反池化层的对称语义分割网络；所述方法还包括：将最后一级的反卷积结果与倒数第二级的反卷积结果同时作为所述反池化层的输入。
36.可以理解的是，变化检测网络为基于卷积层、池化层、反卷积层、反池化层搭建对称语义分割网络，借用fcnn网络的思想，对右侧多层反卷积结构进行修改，具体的，在原来的反卷积层结构上再添加反卷积层，并使用最后一级反卷积结果与倒数第二级反卷积结果作为输出，输入到下一层网络层，这样处理在一定程度上弥补特征的丢失。
37.其中，对称语义分割网络中的卷积运算和反卷积运算如下：；其中，表示输入特征图的集合，j表示输入特征图的编号，表示(n
‑
1)层中第i个输入的特征图，和分别表示卷积核和偏置，表示n层中第i个输入的特征
图，对称语义分割网络的输出为：其中是输入特征，k是卷积核的大小，m是填充步长，out是输出特征。
38.在一种可能的实施例方式中，方法还包括：基于第一时序的多模态遥感影像数据和第二时序的多模态遥感影像数据对预设网络模型进行训练，根据识别结果计算预设网络模型的损失；基于损失，对预设网络模型的模型参数进行调整，得到最优的预设网络模型；其中，所述预设网络模型由所述多模态特征挖掘网络和所述变化检测网络组成，预设网络模型的模型参数至少包括每一个深度卷积神经网络在每个维度下的权重、、以及偏移量权重m、m
n
。
39.可以理解的是，对于多模态特征挖掘网络的变化检测网络，均需要经过训练后才能使用。其中，可以先对多模态特征挖掘网络和变化检测网络分别进行训练，然后对多模态特征挖掘网络和变化检测网络组成的预设网络模型进行训练，并根据训练集，计算识别结果的损失，根据损失对每一个网络模型的内部参数进行优化调整，得到最后的预设网络模型。其中，需要调整的模型参数包括但不限于每一个深度卷积神经网络在每个维度下的权重、、以及偏移量权重m、m
n
，还包括调整变化检测网络的模型参数，使得由多模态特征挖掘网络和变化检测网络构成的预设网络模型达到最优。
40.基于训练后的预设网络模型对同一地域下的不同时序的多模态遥感影像数据进行识别，输出不同时序的多模态遥感影像数据是否存在差异的分类结构，也可以说从不同时序的多模态遥感影像数据识别出具有差异的区域。
41.为了验证本发明提供的多模态遥感影像数据检测方法的性能，本发明选用同地域gf2卫星数据、哨兵2卫星数据、modis数据三维遥感影像数据做实验验证，实验参数设置如下： 表1 深度卷积神经网络参数表2 变化检测网络网络参数
假设有(k+1)个类别（包括k个目标类别和1个背景类别），i为正确类，j为非正确类。表示本属于i类却预测为j类的像素点总数，具体如下：表示tp(true positive):真正例，模型预测为正例，真实值为正例。
42.表示fp(false positive):假正例，模型预测为正例，真实值为反例。
43.表示fn(false negative): 假反例，模型预测为反例，真实值为正例。
44.表示tn (true negative):真反例，模型预测为反例，真实值为反例。
45.pa（pixel accuracy,像素精度）：图像领域最简单的判断方法，通过计算被正确预测的像素占总像素的比例来衡量精度。
46.；mpa(mean pixel accuracy,均像素精度)：基于像素精度判断的改进，对每个类内分别计算被正确分类的像素点的比例，之后对所有类的像素精度求平均。
47.wiou(weighted intersection over union, 频权交并比): 基于miou 的改进，每个类在图像中出现的频率为不同，该度量方法以频率为权重进行精度的计算。
48.；使用上述参数进行模型评价如表3所示：表3 实验结果对比实验结果表明本发明效果相比原始标签，效果较为显著，同时模型评价中整体参数带来5%左右的提升，能够提高变化多时序遥感数据变化检测效果。
49.图3为本发明实施例提供的一种多模态遥感影像数据检测系统，系统包括获取模31和识别模块32，其中：获取模块31，用于将第一时序的多模态遥感影像数据输入训练后的多模态特征挖掘网络，获取所述多模态特征挖掘网络输出的所述第一时序的多模态遥感影像数据对应的第一融合矢量特征；以及将第二时序的多模态遥感影像数据输入训练后的多模态特征挖掘网络，获取所述多模态特征挖掘网络输出的所述第二时序的多模态遥感影像数据对应的第二融合矢量特征，所述第一时序的多模态遥感影像数据和所述第二时序的多模态遥感影像数据处于同一地域；识别模块32，用于将所述第一融合矢量特征和所述第二融合矢量特征输入训练后的变化检测网络，获取所述变化检测网络识别的差异结果，所述变化结果表征所述第一时序的多模态遥感影像数据和所述第二时序的多模态遥感影像数据是否具有差异。
50.可以理解的是，本发明实施例提供的多模态遥感影像数据检测系统与前述各实施例提供的多模态遥感影像数据检测方法相对应，多模态遥感影像数据检测系统的相关技术特征可参考多模态遥感影像数据检测方法的相关技术特征，在此不再赘述。
51.请参阅图4，图4为本发明实施例提供的电子设备的实施例示意图。如图4所示，本发明实施例提了一种电子设备400，包括存储器410、处理器420及存储在存储器410上并可在处理器420上运行的计算机程序411，处理器420执行计算机程序411时实现以下步骤：将第一时序的多模态遥感影像数据输入训练后的多模态特征挖掘网络，获取所述多模态特征挖掘网络输出的所述第一时序的多模态遥感影像数据对应的第一融合矢量特征；以及将第二时序的多模态遥感影像数据输入训练后的多模态特征挖掘网络，获取所述多模态特征挖掘网络输出的所述第二时序的多模态遥感影像数据对应的第二融合矢量特征，所述第一时序的多模态遥感影像数据和所述第二时序的多模态遥感影像数据处于同一地域；将第一融合矢量特征和所述第二融合矢量特征输入训练后的变化检测网络，获取所述变化检测网络识别的差异结果，所述变化结果表征所述第一时序的多模态遥感影像数据和所述第二时序的多模态遥感影像数据是否具有差异。
52.请参阅图5，图5为本发明实施例提供的一种计算机可读存储介质的实施例示意图。如图5所示，本实施例提供了一种计算机可读存储介质500，其上存储有计算机程序511，该计算机程序511被处理器执行时实现如下步骤：将第一时序的多模态遥感影像数据输入训练后的多模态特征挖掘网络，获取所述多模态特征挖掘网络输出的所述第一时序的多模态遥感影像数据对应的第一融合矢量特征；以及将第二时序的多模态遥感影像数据输入训练后的多模态特征挖掘网络，获取所述多模态特征挖掘网络输出的所述第二时序的多模态遥感影像数据对应的第二融合矢量特征，所述第一时序的多模态遥感影像数据和所述第二时序的多模态遥感影像数据处于同一地域；将第一融合矢量特征和所述第二融合矢量特征输入训练后的变化检测网络，获取所述变化检测网络识别的差异结果，所述变化结果表征所述第一时序的多模态遥感影像数据和所述第二时序的多模态遥感影像数据是否具有差异。
53.本发明实施例提供的一种多模态遥感影像数据检测方法及系统，具有以下有益效果：（1）提出多模态特征挖掘网络，结合时
‑
空
‑
谱三个维度的遥感数据特征，分别构建特有的深度卷积神经网络挖掘其特征充分发挥高光谱卫星数据、高分辨率卫星数据、多时序modis数据的自身特性，满足训练数据集的多样性、多时序性、多特征性需求。
54.（2）构建多模态特征工程，结合时
‑
空
‑
谱三个维度的不同尺度特征，防止特征挖掘过程中必要信息的丢失，同时弥补深度学习数据集的多尺度结构，实现检测的时效性、高分辨率、信息多尺度化。
55.（3）相比传统的变化检测网络，引用fcnn网络的思想，对右侧多层反卷积结构进行修改，上采用层的输入层同时使用最后一级反卷积结果与倒数第二级反卷积结果，一定程度上弥补特征的丢失。
56.需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
57.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd
‑
rom、光学存储器等）上实施的计算机程序产品的形式。
58.本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
59.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
60.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
61.尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
62.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。