一种煤矿井下人体姿态监测系统的制作方法

本发明涉及矿用监控技术领域，具体涉及一种煤矿井下人体姿态监测系统。

背景技术：

我国当前的能源需求依然是以煤炭为主、以石油和天然气为辅的模式结构，煤炭产能占我国全国年人均能源消费的60％以上。由于煤炭能源开发生产具有着高成本、高风险的特点，又由于上个世纪煤炭开采的技术能力较弱、管理不规范、急于求成等原因，导致煤炭行业生产伤亡数据居高不下。煤矿安全，特别是煤矿井下工作人员的生命安全，是煤矿生产中一直以来面临的极其重要的问题之一。近几年来，国家主要煤炭能源企业带头开展了关于煤炭安全生产整治工作，经实践验证，建设数字化矿山，依靠高可靠性的煤矿生产设备和人员装备是实现煤矿安全生产的重要保障。

大多数对于煤矿井下工人的智能化改造都集中于研究煤矿井下人员精确快速以及高可靠性的定位算法和软硬件设备，但是还无法有效的判断煤矿井下人员的当前状态是否安全。

技术实现要素：

本发明的目的在于针对现有技术的不足之处，提供一种煤矿井下人体姿态监测系统，通过判断人体姿态变化，预测预警当前穿戴人员可能存在的一些危险操作或危险状态，进而尽可能的避免井下人员工作危险情况的发生。

本发明的煤矿井下人体姿态监测系统包括：井上监控中心、井下中继器，以及，包括运算决策单元、压力采集单元和人体姿态角度采集单元的可穿戴设备；

所述压力采集单元包括2个，其压力传感器分别设于井下人员两个工作靴内的硅胶鞋垫；所述人体姿态角度采集单元包括4个，分别采用伸缩带固定到井下人员的工作裤外侧，用于将各所述人体姿态角度采集单元安分别装到井下人员的两个小腿位置和两个大腿位置；所述运算决策单元包括于采集腰部姿态数据的惯性测量传感器；所述运算决策单元、所述压力采集单元和所述人体姿态角度采集单元均包括用于进行各单元间数据通信，以及，用于与所述井下中继器进行数据通信的zigbee模块；

所述运算决策单元还包括：用于以惯性测量传感器、所述压力采集单元和所述人体姿态角度采集单元的采集数据为参数，根据预设算法获取所述井下人员当前姿态的数据，以及，判断所述井下人员当前姿态是否安全的处理模块；

所述井上监控中心通过无线连接的所述井下中继器获取所述井下人员当前姿态的数据和/或对于所述井下人员当前姿态的判断结果。

优选的，在本发明实施例中，所述运算决策单元还包括：

报警模块，用于根据对于所述井下人员当前姿态的判断结果生成对应的声光报警信息。

优选的，在本发明实施例中，所述运算决策单元设于井下人员的腰部。

优选的，在本发明实施例中，所述压力采集单元所采集的脚底压力信号包括地面反馈力与鞋内压力。

优选的，在本发明实施例中，所述压力采集单元包括脚趾压力应变片、脚内侧压力应变片、脚外侧压力应变片和脚跟压力应变片。

优选的，在本发明实施例中，所述人体姿态角度采集单元用于采集大腿的三维的角度数据，以及，小腿的一维角度数据。

优选的，在本发明实施例中，所述以惯性测量传感器、所述压力采集单元和所述人体姿态角度采集单元的采集数据为参数，根据预设算法获取所述井下人员当前姿态的数据，以及，判断所述井下人员当前姿态是否安全，包括：

以惯性测量传感器、所述压力采集单元和所述人体姿态角度采集单元的采集数据为n维向量的输入，通过栈式自动编码器sae提取出n维向量的典型特征，从而降低采集数据的维度，降低后的维度为n’；

以所述sae的输出为输入，通过长短期记忆网络lstm的处理来进行人体姿态预测，输出的数据为估计的人体姿态结果。

由上可以看出，在本发明实施例中，通过为井下人员装配具有姿态判断的可穿戴设备，并通过具有无线联网功能的井下中继器来与井上监控中心进行实时的数据通信，从而不但可以在井下人员处于非正常姿态的时候及时的在现场提醒，还可以同时反馈到井上监控中心来实现远程的实时监控。

在本发明实施例中，之所以为井下人员装配具有姿态判断的可穿戴设备，是因为现有技术中对于人员本身状态信息的监测与预测很少被重视。没有意识到煤矿井下人员的姿态变化是煤矿井下最为频繁的人员活动，从而潜在包含着大量的原始数据，如果将这些数据做统计分析，可以很大程度准确的描述井下人员的工作状态、环境变化等情况，甚至可以为井下灾害预警和矿难救援提供大量有效的辅助信息。对井下人员的状态信息准确采集与监测，同时专注于对原始数据的深入分析和算法创新，可以有效提高煤矿生产管理水平，有利于煤矿安全生产。

本发明的有益效果如下：

本发明具有以下优势：

(1)能监测包括站立、行进、躺卧、蹲起、弯腰等姿态运动状态，通过判断人体姿态变化，预测预警当前穿戴人员可能存在的一些危险操作或危险状态，进而尽可能的避免井下人员工作危险情况的发生。

(2)全套硬件设备均采用嵌入式可穿戴设计，通过小型锂电池供电，体积和重量均满足可穿戴设备的要求，与矿井工作服相结合，不需要井下人员额外携带设备。

(3)在井下wifi覆盖区域能实时监测人员信息并反馈井上监控中心，在无wifi区域还能自主工作并提醒井下人员远离危险区域。

(4)通过设计一种改进的神经网络算法模型来估计人体姿态，采用长短记忆神经网络解决了循环神经网络模型解决序列问题存在的问题，采用稀疏自编码器通过降维来解决输入数据维数较大的问题。强。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明实施例中所述煤矿井下人体姿态监测系统的算法模型示意图；

图2为本发明实施例中所述煤矿井下人体姿态监测系统的自编码器模型示意图；

图3为本发明实施例中所述煤矿井下人体姿态监测系统的lstm的模型示意图；

图4为本发明实施例中所述煤矿井下人体姿态监测系统的硬件结构示意图；

图5为本发明实施例中所述可穿戴设备的安装位置示意图；

图6为本发明实施例中所述应变片在脚底的相对位置示意图；

图7为本发明实施例中所述显示报警电路的硬件结构示意图；

图8为本发明实施例中所述压力采集单元的硬件结构示意图；

图9为本发明实施例中所述人体姿态角度采集单元的硬件结构示意图；

图10为本发明实施例中所述采用adam算法对网络进行训练的步骤示意图；

图11为本发明实施例中所述运算决策单元的软件流程示意图；

图12为本发明实施例中所述压力采集单元的软件流程示意图；

图13为本发明实施例中所述人体姿态角度采集单元的软件流程示意图。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件未作详细描述，以便于凸显本发明的主旨。

本发明实施例中的煤矿井下人体姿态监测系统，包括：井上监控中心1、井下中继器2，以及，包括运算决策单元3、压力采集单元4和人体姿态角度采集单元5的可穿戴设备；

压力采集单元4包括2个，其压力传感器分别设于井下人员两个工作靴内的硅胶鞋垫；人体姿态角度采集单元5包括4个，分别采用伸缩带固定到井下人员的工作裤外侧，用于将各人体姿态角度采集单元5安分别装到井下人员的两个小腿位置和两个大腿位置；运算决策单元3包括于采集腰部姿态数据的惯性测量传感器，运算决策单元3可以设于井下人员的腰部；运算决策单元3、压力采集单元4和人体姿态角度采集单元5均包括用于进行各单元间数据通信，以及，用于与井下中继器进行数据通信的zigbee模块；

运算决策单元2还包括：用于以惯性测量传感器、压力采集单元4和人体姿态角度采集单元5的采集数据为参数，根据预设算法获取井下人员当前姿态的数据，以及，判断井下人员当前姿态是否安全的处理模块；

井上监控中心1通过无线连接的井下中继器2获取井下人员当前姿态的数据和/或对于井下人员当前姿态的判断结果。

在实际应用中，运算决策单元3还可以包括报警模块，用于根据对于井下人员当前姿态的判断结果生成对应的声光报警信息。

优选的，压力采集单元4所采集的脚底压力信号包括地面反馈力与鞋内压力。压力采集单元4包括脚趾压力应变片、脚内侧压力应变片、脚外侧压力应变片和脚跟压力应变片。人体姿态角度采集单元5用于采集大腿的三维的角度数据，以及，小腿的一维角度数据。

在本发明实施例中，所述以惯性测量传感器、压力采集单元和人体姿态角度采集单元的采集数据为参数，根据预设算法获取所述井下人员当前姿态的数据，以及，判断井下人员当前姿态是否安全，具体的步骤可以包括：

本发明实施例中的预设算法可以是通过一种sae-lstm的算法模型来预测煤矿井下人体姿态变化情况。该算法模型简图如图1所示。算法模型共分为两个阶段，第一部分是sae结构，第二部分是lstm结构。算法具体设计内容如下：

首先，以惯性测量传感器、压力采集单元和人体姿态角度采集单元的采集数据为n维向量的输入，通过栈式自动编码器sae提取出n维向量的典型特征，从而降低采集数据的维度，降低后的维度为n’；

sae结构由2层组成，分别是1层输入层和1层隐藏层，该部分的输入为传感器原始数据，为n维的向量，通过sae提取出n维向量的典型特征，从而降低数据维度，降低后的维度为n’。输入层节点与输出层节点相同的神经网络的自编码器模型为：hw,b(x)≈x，即要求自编码器网络的输入与输出的误差尽可能小。自编码器可以通过提取到的数据特征来还原输入数据，所以说自编码器提取到的数据特征是能够描述原始输入数据的等效数据集，当自编码器的输出特征维度小于原始输入数据时，可以与主成分分析算法类似，达到降维的目的。

图2是一个自编码器模型，除去偏置节点后，输出节点与输入节点相同。每个节点的激活函数是sigmoid函数，可以用反向传播算法对自编码器进行训练，训练后得到的结果是layerl2层的内容。自编码器由编码器(encoder)和解码器(decoder)组成，从输入层到隐藏层的过程是编码过程，从隐藏层到输出层的过程是解码过程。如果隐藏层节点比输入节点的维数小，自编码器可以认为是降维算法；如果隐藏层节点与输入节点的维数相同，可以得到一个与输入数据等效的表示方法；如果隐藏层节点比输入节点的维数大，则会得到输入数据的稀疏表示。如果隐藏层的维度大于输入节点，可能导致隐藏层只是将输入层节点原模原样传递到输出层，而没有任何特征运算，故而需要进行稀疏性处理。

稀疏性限制可以让隐藏层的节点大多处于非激活状态，尽可能的让所有隐含节点输出值的平均值接近于0，促使隐藏层提取输入数据中的有效特征，这样的自编码器称为稀疏自编码器(sparseauto-encoder，简称sae)，其损失函数表达式为：

其中，s为隐藏节点层的节点总数，j取值为[0,s]，w,b为损失函数参数，kl一项为kl距离，表示为：

其中为隐藏层节点输出的平均值，求法为：

其中的参数一般取值很小，如0.05，也就是小概率事件。稀疏自编码器要求每个隐藏层节点尽可能的接近0，这样就达到了稀疏的目的。从kl公式中可以看出，隐藏层某个节点与平均输出值差别越大，则kl值越小，对该节点的惩罚越大，因此最终隐藏层节点的输出会统一接近0。

接着，以所述sae的输出为输入，通过长短期记忆网络lstm的处理来进行人体姿态预测，输出的数据为估计的人体姿态结果。

lstm结构由2层组成，分别是1层隐藏层和1层输出层，该部分的输入为sae的输出，n’维的向量，通过lstm的处理来进行人体姿态预测，输出的数据为估计的人体姿态类别，为m维度的向量，该向量中数值为1的类别是最终估计人体姿态，其他类别为0。sae作用是提取输入数据的有效成分，降维处理，降低了数据的冗余性，从而可以减轻lstm的计算负担，避免模型失效，提高整体系统的可靠性。lstm用两个门(gate)来控制状态c，门是一个控制输入量能够输出的程度的单元，门的输出是0到1的实数向量。第一个是遗忘门(forgetgate)，它决定着上一个时刻的ct-1状态有多大程度会保留到当前时刻的ct；另一个是输入门(inputgate)，它决定着当前时刻的输入xt，有多大程度会影响到状态ct；除此之外，lstm还有一个输出门(outputgate)，它控制状态ct中有多大程度会输出到当前时刻的ht。

图3是一个典型的lstm的模型单元。从左到右，第一个乘法交叉点是遗忘门，第二个乘法交叉点是输入门，第三个乘法交叉点是输出门，各个门的计算公式如：

ft＝σ(wf×[ht-1,xt]+bf)

it＝σ(wi×[ht-1,xt]+bi)

ot＝σ(wo×[ht-1,xt]+bo)

ht＝ot·tanh(ct)

上述公式中，·表示乘法交叉运算，是指两个向量中的每个元素都单独相乘。第一个公式是遗忘门的计算，第二个公式是输入门的计算，第三个公式是单纯依靠ht-1和xt来得到的单元状态，第四个公式是结合遗忘门后的当前单元状态，经过遗忘门的控制，信息可以选择性的保留，又由于输入门的参与，只有相关的信息才会主要影响当前时刻的运算。第五个公式是输出门的计算，第六个公式是单元最终的输出。

在井下同等环境下，分别采集每名下井工人的身高、体重、姿势角向量等参数，依照个人信息参数及压力、角向量传感器数据归一化后得到初始参数：θr,p,y为运算决策单元三轴角向量，θlr,lp,ly为人体姿态角度采集单元(左大腿)三轴角向量，θrr，rp，ry为人体姿态角度采集单元(右大腿)三轴角向量，θlc，rc分别为人体姿态角度采集单元(左右小腿)角向量，θlp1，lp2，lp3，lp4为压力采集单元(左脚底部不同位置)压力值，θrp1，rp2，rp3，rp4为压力采集单元(右脚底部不同位置)压力值。

对算法的训练过程采用adam算法对网络进行训练。自适应估计算法，简称为adam(adaptivemomentestimation)算法，相比于其他梯度下降算法，它能够在更少内存的情况下保证高效运算，适合与解决对角缩放的不变性和解决大规模数据和参数的优化问题。

具体算法如图10所示，其中的基本参数包括：

α：学习率(步长)，用于控制权重更新的幅度，一般取值为0.001；

β1：一阶矩估计的指数衰减率，一般取值为0.9；

β2：二阶矩估计的指数衰减率，一般取值为0.999，该值应当接近1；

ε：分母上的一个小常数，用于防治出现除0异常，如e^-8；

θ：初始参数；

m：初始一阶矩估计；

v：初始二阶矩估计；

更新t时刻的关于参数θ的梯度的计算公式为：

更新偏差一阶矩估计的计算公式为：

mt＝β1mt-1+(1-β1)gt

更新偏差二阶矩估计的计算公式为：

vt＝β2vt-1+(1-β2)gt²

计算偏差修正一阶矩估计的计算公式为：

计算偏差修正二阶矩估计的计算公式为：

更新参数的计算公式为：

本发明实施例中的煤矿井下人体姿态监测系统的硬件结构设计如下：

硬件结构如图4所示，压力采集单元4和人体姿态角度采集单元5与运算决策单元3由井下人员携带，作为一个整体参与从数据采集到运算，进而到作出决策并向井上监控中心反馈的基本功能；井下中继器2作为传输井下人员编号与姿态估计信息的传输接力设备，一般由井下已经广泛部署的无线或有线通信设备来承担；本发明主要设计的硬件为数据采集设备与运算决策单元3，数据采集设备又分为压力采集单元4和人体姿态角度采集单元5，压力采集单元4采集脚底压力传感器数据，人体姿态角度采集单元5采集躯干惯性传感器数据。数据采集设备与运算决策单元3组成一整套由井下人员携带的可穿戴设备，通过无线zigbee网络进行组网和通信，将传感器数据发送到运算决策单元3。

数据采集设备与运算决策单元3均带有无线通信模块，包括zigbee天线、编解码器以及微处理器。由于井下人员佩戴的设备(数据采集设备与运算决策单元)可以单独工作，在井下有wi-fi网络覆盖的区域可以将人员当前估计姿态传输给井上监控中心1，如果在井下没有wi-fi网络覆盖的区域，则该部分仍可正常工作，当监测到危险姿态或行为时，可以通过声光报警的方式提醒井下人员。井上监控中心1负责监控井下人员的姿态、同步设备时间、更新系统参数等功能，能够为井下人员姿态做数据备份，也有助于安全人员对井下工作人员状态的监测。

其中运算决策单元3由井下人员携带在腰部，具有zigbee芯片用于与其他采集设备进行数据交换以及与可能的环境zigbee网络进行组网，运算决策单元3也含有惯性测量传感器，用于采集腰部姿态数据；脚底的压力采集单元4由两个独立设备组成，其数据处理部件分别安装到左右脚的脚踝部位，其压力传感器与特制硅胶鞋垫作为一体，由井下人员放到工作靴中，每个数据处理部件与对应脚底的压力传感器通过有线连接，每个独立设备单独携带有一块小型锂电池用于供电；人体姿态角度采集单元5由4个独立设备组成，分别安装到井下人员的小腿和大腿，采用伸缩带固定到工作裤外侧边；每个设备均带有zigbee模块，工作中，通过zigbee自组织网络特性完成单个独立个体的组网与数据传输，最终数据汇总到运算决策单元3，经过预设算法运算后得到姿态估计结果。

如图4所示，本实施的监测系统，包括压力采集单元4、人体姿态角度采集单元5、运算决策单元3、井下中继器2、井上监控中心1，其中压力采集单元4和人体姿态角度采集单元5将与运算决策单元3连接，运算决策单元3通过无线网络与井下中继器2连接，井下中继器2将井下人员信息发送给井上监控中心1。

其中运算决策单元3由微控制器、imu、zigbee芯片、显示报警电路以及电源电路组成。硬件结构如图7所示。运算决策单元3具有对数据的采集、汇总、运算以及通信的功能，嵌入式处理器必须具备高效运算能力和网络通信能力，保证运算高效准确，确保数据安全、可靠的存储和上传，同时，应用于可穿戴场景下，还具有体积小和功耗低的特性。运算决策单元3携带有的imu负责采集腰部角度变化信息，并直接输入微处理器进行运算。依赖于人体生理结构特点，腰部的角度变化为三维变化，从而imu会输出三维角度数据。人员穿戴运算决策单元3时需要注意安装角度，错误的穿戴角度会导致错误的原始输入数据。

除此之外，运算决策单元3还有可以为佩戴人员提供安全信息的指示灯与报警电路。报警电路由一块小型蜂鸣器和相关辅助电路组成，当系统监测到当前人员身体姿势处于不安全姿态时，会通过报警电路来提醒人员。指示灯用于指示设备工作状态，在异常工作模式下，如电量不足、未搜索到足够采集设备时，会通过闪烁来进行提示。

本系统设计的运算决策单元3的安装位置如图5中3位置所示，位于人体腰部，绑定到井下人员矿工服的腰带上。

压力采集单元4由压力应变片、采样电路、模数转换器、微控制器、无线网络模块以及电源电路组成。硬件结构图如图8所示。脚底压力信号包括地面反馈力与鞋内压力，由于脚部结构的不同，不同部位的受力情况有所差异，但对于同一种动作来说，会呈现出非常相似的压力特征，又因为脚底压力信号容易采集，数据变化范围明显，因此，脚底压力是人体姿态非常重要的一个数据源。

本系统设计的压力采集单元4的安装位置如图5中5位置所示，数据处理部件位于人体左右脚脚踝处，为了避免人体行走时产生干涉，设计携带在外侧脚踝，此外，每个脚底安装4个应变片，应变片在脚底的相对位置如图6所示，分别是脚趾压力应变片1、脚内侧压力应变片2、脚外侧压力应变片3、脚跟压力应变片4。从而每个压力采集单元接入4路压力数据，分别采集脚底固定不同位置的压力值，输入到运算决策单元3的数据是8维压力数据。

人体姿态角度采集单元5由惯性测量单元、微控制器、zigbee芯片以及电源电路组成。硬件结构图如图9所示。髋关节、膝关节是人体下肢的主要关节，也是姿态行为变化依赖最显著的关节，由于本系统只关注下肢动作变化下的人体姿态类别，所以独立的角度传感器均安装于人体下肢部分位置，安装位置如图5中4位置所示。

本系统设计为将人体姿态角度采集单元5分别部署在人体小腿后部、大腿外侧部，共计需要4个人体姿态角度采集单元5。依赖于人体关节结构属性，大腿(股骨)的角度变化是三维变化，小腿(胫骨)的角度变化是一维变化，从而，大腿的人体姿态角度采集单元5会输出三维的角度数据，小腿的人体姿态角度采集单元5会输出一维角度数据，最终所有独立人体姿态角度采集单元5输入到运算决策单元的数据维度是8维数据。人体姿态角度采集单元5通过松紧绷带绑到人体下肢大腿和小腿的中间位置，井下人员穿戴人体姿态角度采集单元5时需要注意穿戴角度，如果穿戴角度错误，会导致错误的运算结果。

各硬件模块的软件控制算法如下：

运算决策单元3软件流程图如图11所示，主要包含四个环节，分别是初始化环节、数据接收环节、运算决策环节与决策处理环节。在初始化环节，系统初始化软件应用运行所需要的软件资源，包括配置文件、日志、数据io端口、硬件驱动检查等；在数据接收环节，系统会检查所有设备(2个压力采集单元和4个人体姿态角度采集单元)的无线通信端口，如果有设备的通信链路无法建立，运算决策单元将进入非正常启动状态，并通过zigbee网络主动向上位机(井上监控中心)通知非正常启动状态消息。若正常通信链路全部建立，设备将进行一次数据采集，包括脚底压力值和腿部角度值，并做对应标记后建立原始值的数据结构；运算决策环节是实现最复杂的一个环节，该环节实现了基于稀疏自编码器与长短记忆神经网络的算法，然后将上一环节采集到的压力值信息和角度信息传入算法单元，经过算法计算之后，将输出的决策姿态存入文件中；最后一个环节决策处理环节主要工作在于将决策姿态与已有的姿态知识库进行匹配，判断当前的决策姿态是否为异常姿态，比如躺卧姿态应为异常姿态。最后将决策姿态存入设备文件中，记录日志信息，并在可能的条件下通过zigbee网络上传到上位机(井上监控中心)。

压力采集单元4的软件流程图如图12所示，分为三个阶段，分别是初始化阶段、数据采集阶段、数据传递阶段。在初始化阶段，完成硬件初始化和接口初始化，并检查与运算决策单元的zigbee通信链路是否建立；数据采集阶段，设备调用模数转换模块采集压力应变片的压力值，并通过滤波器滤除异常数据和采样噪声；数据传递阶段将采集到的数据通过zigbee链路上传到运算决策单元。

人体姿态角度采集单元5的软件流程图如图13所示。与压力采集单元类似，人体姿态角度采集单元的软件流程也分为初始化阶段、数据采集阶段和数据传递阶段三个阶段，并且每个阶段的操作方法也基本类似。对于人体姿态角度采集单元来说，由于其传感器是惯性传感器(imu)，采集到的原始数据是三轴加速度值和三轴角速度值，从而无法直接得到角度数据。然而，本系统所选择的惯性传感器内部mcu实现了卡尔曼滤波算法，可以将加速度值和角速度值通过估计算法计算出三轴角度值，并通过欧拉角或四元数的方式传递给人体姿态角度采集单元的mcu，从而对于我们的应用来讲，不需要了解如何采用卡尔曼滤波得到角度值，只需要直接接收角度值即可。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。