一种识别车辆载重状态的方法及装置与流程

本发明涉及车辆识别技术领域，尤其涉及一种识别车辆载重状态的方法及装置。

背景技术：

识别车辆的载重状态具有广泛的应用价值，例如为了有效地解决渣土车的抛洒问题，要求在渣土车满载的时候盖好篷布；对于满载时不盖篷布的渣土车，需要对渣土车进行限速处理。

现有技术比较普遍的做法就是：安装称重传感器来得到车辆的载重重量，然后再与该车辆的最大承重相比较，从而来判断车辆的载重状态是否满载；另一种做法是：采集车辆车斗的视频图像，通过视频分析来判断车辆的载重状态是否满载。但这两种做法有如下几个弊端：第一，需要使用设备，例如称重传感器、视频图像采集装置等，成本高；第二，上述设备安装比较麻烦；第三，在特定的使用场景下，例如渣土车的使用，使得设备更加容易被损坏。

因此，如何避免上述缺陷，无需上述设备识别车辆载重状态，还能够准确识别车辆载重状态，成为亟须解决的问题。

技术实现要素：

针对现有技术存在的问题，本发明实施例提供一种识别车辆载重状态的方法及装置。

本发明实施例提供一种识别车辆载重状态的方法，包括：

确定车辆的发动机的扭矩区间；所述扭矩区间是扭矩百分比大于零的档位区间对应的扭矩区间；所述档位区间中的任意两个档位值的差值均小于预设阈值；所述档位值是根据发动机转速和车速确定的；

计算与所述扭矩区间中的扭矩百分比、档位值和车速分别对应的用于识别车辆载重状态的指标参数；

输入所有指标参数至预设车辆载重状态识别模型，并根据所述预设车辆载重状态识别模型的输出结果确定所述车辆载重状态的识别结果；其中，所述车辆载重状态识别模型是采用样本数据训练神经网络得到的；所述样本数据包括扭矩百分比、档位值和车速分别对应的数据。

本发明实施例提供一种识别车辆载重状态的装置，包括：

确定单元，用于确定车辆的发动机的扭矩区间；所述扭矩区间是扭矩百分比大于零的档位区间对应的扭矩区间；所述档位区间中的任意两个档位值的差值均小于预设阈值；所述档位值是根据发动机转速和车速确定的；

计算单元，用于计算与所述扭矩区间中的扭矩百分比、档位值和车速分别对应的用于识别车辆载重状态的指标参数；

识别单元，用于输入所有指标参数至预设车辆载重状态识别模型，并根据所述预设车辆载重状态识别模型的输出结果确定所述车辆载重状态的识别结果；其中，所述车辆载重状态识别模型是采用样本数据训练神经网络得到的；所述样本数据包括扭矩百分比、档位值和车速分别对应的数据。

本发明实施例提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，

所述处理器执行所述计算机程序时实现如下方法步骤：

确定车辆的发动机的扭矩区间；所述扭矩区间是扭矩百分比大于零的档位区间对应的扭矩区间；所述档位区间中的任意两个档位值的差值均小于预设阈值；所述档位值是根据发动机转速和车速确定的；

计算与所述扭矩区间中的扭矩百分比、档位值和车速分别对应的用于识别车辆载重状态的指标参数；

输入所有指标参数至预设车辆载重状态识别模型，并根据所述预设车辆载重状态识别模型的输出结果确定所述车辆载重状态的识别结果；其中，所述车辆载重状态识别模型是采用样本数据训练神经网络得到的；所述样本数据包括扭矩百分比、档位值和车速分别对应的数据。

本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如下方法步骤：

确定车辆的发动机的扭矩区间；所述扭矩区间是扭矩百分比大于零的档位区间对应的扭矩区间；所述档位区间中的任意两个档位值的差值均小于预设阈值；所述档位值是根据发动机转速和车速确定的；

计算与所述扭矩区间中的扭矩百分比、档位值和车速分别对应的用于识别车辆载重状态的指标参数；

输入所有指标参数至预设车辆载重状态识别模型，并根据所述预设车辆载重状态识别模型的输出结果确定所述车辆载重状态的识别结果；其中，所述车辆载重状态识别模型是采用样本数据训练神经网络得到的；所述样本数据包括扭矩百分比、档位值和车速分别对应的数据。

本发明实施例提供的识别车辆载重状态的方法及装置，通过输入扭矩区间中的扭矩百分比、档位值和车速分别对应的指标参数至预设车辆载重状态识别模型，并根据该模型的输出结果确定车辆载重状态的识别结果，无需称重等设备识别车辆载重状态，还能够准确识别车辆载重状态。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明识别车辆载重状态的方法实施例流程图；

图2为本发明实施例档位区间的示意图；

图3为本发明实施例扭矩区间的示意图；

图4为本发明实施例神经网络的示意图；

图5为本发明识别车辆载重状态的装置实施例结构示意图；

图6为本发明实施例提供的电子设备实体结构示意图。

具体实施方式

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。

图1为本发明识别车辆载重状态的方法实施例流程图，如图1所示，本发明实施例提供的一种识别车辆载重状态的方法，包括以下步骤：

s101：确定车辆的发动机的扭矩区间；所述扭矩区间是扭矩百分比大于零的档位区间对应的扭矩区间；所述档位区间中的任意两个档位值的差值均小于预设阈值；所述档位值是根据发动机转速和车速确定的。

具体的，装置确定车辆的发动机的扭矩区间；所述扭矩区间是扭矩百分比大于零的档位区间对应的扭矩区间；所述档位区间中的任意两个档位值的差值均小于预设阈值；所述档位值是根据发动机转速和车速确定的。装置可以是车辆中的包含处理器的设备等，不作具体限定。需要说明的是，车辆前进的动力来自发动机；满载时，发动机输出的扭矩会增大；空载时，发动机输出的扭矩相对较小。但这里也存在几个问题：1.车辆滑行过程中，发动机不需要输出功率，故此时的扭矩可能为0；2.车辆在匀速前进时，不管空载还是满载，发动机的输出功率都比较小，这样就无法判断车辆载重状态；3.车辆在不同挡位时，即使是同样的空载或者满载，发动机输出的扭矩也不同。

考虑到这些问题，该识别方法的核心思想是：计算不同挡位下，在发动机有输出功率的时间段内，发动机的输出做功的总和和产生的加速度，把这3个值，即不同挡位的档位值、发动机输出做功的总和、加速度作为影响识别结果的因素。

需要说明的是：发动机的输出做功的总和可以用扭矩百分比的累加和替代、挡位值可以通过发动机转速与车速计算出来、加速度可以通过车速的变化来计算。发动机转速和扭矩百分比可以通过can总线从电子控制单元(electroniccontrolunit，简称“ecu”)中读取，车速可以通过can总线从ecu或者从仪表中读取，车速也可以通过脉冲量计算出来。

图2为本发明实施例档位区间的示意图，如图2所示，横轴表示时间上连续采集到的各数值的数量(例如发动机转速、车速、档位值、与图2中的转速、车速*50(乘以某数值，这里是50为便于统一计算)、档位值*25分别对应)，采集周期相同，即指定时段内发动机转速、车速、档位值采集的数量相同，例如图2中1～10对应的区间内发动机转速、车速、档位值采集的数量都为10个。竖轴表示各数值的具体数值大小，即图2整体反映了发动机转速、车速、档位值的数值大小随采集数量的变化规律。

图3为本发明实施例扭矩区间的示意图，如图3所示，图3中的横轴和竖轴表示的内容与图2相同，不再赘述。需要说明的是：扭矩区间是扭矩百分比大于零的档位区间对应的扭矩区间，扭矩百分比大于零的档位区间即发动机有输出功率的档位区间，因此参照图3，可以看出：图3中的扭矩区间长度要短于档位区间长度。

可以采用如下方式确定车辆的发动机的扭矩区间：

先确定车辆的发动机的档位区间，包括：根据采样周期连续获取发动机转速(e)、扭矩百分比(tq)和车速(v)，根据转速和车速计算出档位值(g)，有：

g＝e/v其中(v>0)。

根据各档位值(g)确定档位区间，以使档位区间中的任意两个档位值的差值均小于预设阈值，进一步地，可选为以使档位区间中的任意两个档位值的差值均小于预设阈值的最长档位区间，即如图2中所示的档位区间。预设阈值可以根据实际情况自主设置，参照图2中档位区间的凸起部分分别对应了m个发动机转速值、m个车速值，m个档位值，根据图2可以看出，这m个档位值数值都比较接近，而与该凸起部分相邻两侧分别对应的两个档位值则与凸起部分的m个档位值中的任一档位值相差较多。

根据档位区间和扭矩百分比确定扭矩区间，参照图3中横轴81～91对应的扭矩百分比为零，扭矩区间是扭矩百分比大于零的档位区间对应的扭矩区间，因此，剔除横轴81～91对应的档位区间，剩余档位区间对应的扭矩区间为确定得到的车辆的发动机的扭矩区间。该扭矩区间分别对应了n个发动机转速值、n个车速值，n个档位值，可以理解n小于m。

s102：计算与所述扭矩区间中的扭矩百分比、档位值和车速分别对应的用于识别车辆载重状态的指标参数。

具体的，装置计算与所述扭矩区间中的扭矩百分比、档位值和车速分别对应的用于识别车辆载重状态的指标参数。

各指标参数的计算可以具体包括：

根据如下公式计算与所述扭矩百分比相对应的指标参数：

其中，tq_sum为与所述扭矩百分比相对应的指标参数、tqi为第i个扭矩百分比、n为所述扭矩区间中的所有扭矩百分比的数量。tq_sum可以反映发动机对外做功的大小。

根据如下公式计算与所述档位值相对应的指标参数：

其中，g_avg为与所述档位值相对应的指标参数、gi为第i个档位值、n为所述扭矩区间中的所有档位值的数量。即对扭矩区间内的所有档位值求平均得到档位平均值g_avg。

根据如下公式计算与所述车速相对应的指标参数：

δv＝vmax-vmin

其中，δv为与所述车速相对应的指标参数、vmax为所述扭矩区间中的所有车速中的最大值、vmin为所述扭矩区间中的所有车速中的最小值。该速度差值δv反映了扭矩区间内车辆的加速情况。

s103：输入所有指标参数至预设车辆载重状态识别模型，并根据所述预设车辆载重状态识别模型的输出结果确定所述车辆载重状态的识别结果；其中，所述车辆载重状态识别模型是采用样本数据训练神经网络得到的；所述样本数据包括扭矩百分比、档位值和车速分别对应的数据。

具体的，装置输入所有指标参数至预设车辆载重状态识别模型，并根据所述预设车辆载重状态识别模型的输出结果确定所述车辆载重状态的识别结果；其中，所述车辆载重状态识别模型是采用样本数据训练神经网络得到的；所述样本数据包括扭矩百分比、档位值和车速分别对应的数据。所有指标参数包括上述tq_sum、g_avg、δv；所述输出结果可以包括表示车辆满载的概率值pf和表示车辆空载的概率值pe；相应的，根据所述预设车辆载重状态识别模型的输出结果确定所述车辆载重状态的识别结果，具体包括：

若判断获知pf大于pe、且pf大于预设满载阈值dpf，则确定所述识别结果为车辆处于满载状态；dpf的具体数值可以根据实际情况自主设置。若判断获知pf小于pe、且pe大于预设空载阈值dpe，则确定所述识别结果为车辆处于空载状态。dpe的具体数值可以根据实际情况自主设置。除上述两种情况外，可以认为该模型的输出结果无效。

图4为本发明实施例神经网络的示意图，如图4所示，神经网络的输入层包括3个神经元，分别为tq_sum、g_avg、δv；隐藏层由x个神经元组成；输出层包括2个神经元，分别表示满载的概率和空载的概率。

神经网络的训练可以具体如下：

神经网络事先需要通过学习得到网络模型的权重文件f。在神经网络学习时，需要准备大量的样本数据，这些样本数据需要通过实车采集并通过计算得到。

计算过程可以如下：

1.实车采集到的数据(发动机转速、发动机输出扭矩百分比、车速)通过求扭矩区间得到c个扭矩区间的数据组，具体可参照上述说明。

2.对每个扭矩区间的数据组求tq_sum、g_avg、δv，得到c个扭矩区间的c组样本数据a，每个样本a[j]包含3个数据tq_sum、g_avg、δv；其中j为样本数据总数。

3.根据事先记录的车辆载重情况把这a个样本分成两类，一类为车辆满载时的样本h(包含a个样本)，一类是车辆空载时的样本l(包含b个样本，其中a+b＝c)。

4.给每个满载样本h[j]加入一个标签(tag)，并设定tag＝1；给每个空载样本l[j]加入一个标签(tag)，并设定tag＝0；这样每个样本包含了4个数据，分别是tq_sum、g_avg、δv和tag。

5.把满载样本h和空载样本l合并成学习样本d，则d包含c个样本，每个样本包含4个数据，分别是tq_sum、g_avg、δv和tag。

6.复制一份样本空间d为d1。

7.从样本空间d1中随机取出一个样本d1[j]，把样本d1[j]中的tq_sum、g_avg、δv输入到上述构造的神经网络中，神经网络输出output值，通过损失函数求output和d1[j]的tag之间的损失值，通过优化器调整神经网络的参数。

8.反复执行步骤7，直到d1为空为止。

9.步骤6、步骤7、步骤8重复执行n次(n>10000)。

10.保存神经网络的权重值到权重文件f，学习结束。

本发明实施例提供的识别车辆载重状态的方法，通过输入扭矩区间中的扭矩百分比、档位值和车速分别对应的指标参数至预设车辆载重状态识别模型，并根据该模型的输出结果确定车辆载重状态的识别结果，无需称重等设备识别车辆载重状态，还能够准确识别车辆载重状态。

在上述实施例的基础上，所述输出结果包括表示车辆满载的概率值pf和表示车辆空载的概率值pe；相应的，所述根据所述预设车辆载重状态识别模型的输出结果确定所述车辆载重状态的识别结果，包括：

若判断获知pf大于pe、且pf大于预设满载阈值dpf，则确定所述识别结果为车辆处于满载状态。

具体的，装置若判断获知pf大于pe、且pf大于预设满载阈值dpf，则确定所述识别结果为车辆处于满载状态。可参照上述说明，不再赘述。

若判断获知pf小于pe、且pe大于预设空载阈值dpe，则确定所述识别结果为车辆处于空载状态。

具体的，装置若判断获知pf小于pe、且pe大于预设空载阈值dpe，则确定所述识别结果为车辆处于空载状态。可参照上述说明，不再赘述。

本发明实施例提供的识别车辆载重状态的方法，通过表示车辆满载的概率值和表示车辆空载的概率值之间的比较结果、以及与各自对应的阈值的比较结果，进一步能够准确识别车辆载重状态。

在上述实施例的基础上，根据发动机转速和车速确定所述档位值，包括：

根据如下公式计算所述档位值：

g＝e/v

其中，g为所述档位值、e为所述发动机转速、v为所述车速。

具体的，装置根据如下公式计算所述档位值：

g＝e/v

其中，g为所述档位值、e为所述发动机转速、v为所述车速。可参照上述说明，不再赘述。

本发明实施例提供的识别车辆载重状态的方法，通过具体公式计算档位值，保证该方法能够正常进行。

在上述实施例的基础上，所述计算与所述扭矩区间中的扭矩百分比、档位值和车速分别对应的用于识别车辆载重状态的指标参数，包括：

根据如下公式计算与所述扭矩百分比相对应的指标参数：

其中，tq_sum为与所述扭矩百分比相对应的指标参数、tqi为第i个扭矩百分比、n为所述扭矩区间中的所有扭矩百分比的数量。

具体的，装置根据如下公式计算与所述扭矩百分比相对应的指标参数：

其中，tq_sum为与所述扭矩百分比相对应的指标参数、tqi为第i个扭矩百分比、n为所述扭矩区间中的所有扭矩百分比的数量。可参照上述说明，不再赘述。

本发明实施例提供的识别车辆载重状态的方法，通过具体公式计算与扭矩百分比相对应的指标参数，有助于进一步准确识别车辆载重状态。

在上述实施例的基础上，所述计算与所述扭矩区间中的扭矩百分比、档位值和车速分别对应的用于识别车辆载重状态的指标参数，包括：

根据如下公式计算与所述档位值相对应的指标参数：

其中，g_avg为与所述档位值相对应的指标参数、gi为第i个档位值、n为所述扭矩区间中的所有档位值的数量。

具体的，装置根据如下公式计算与所述档位值相对应的指标参数：

其中，g_avg为与所述档位值相对应的指标参数、gi为第i个档位值、n为所述扭矩区间中的所有档位值的数量。可参照上述说明，不再赘述。

本发明实施例提供的识别车辆载重状态的方法，通过具体公式计算与档位值相对应的指标参数，有助于进一步准确识别车辆载重状态。

在上述实施例的基础上，所述计算与所述扭矩区间中的扭矩百分比、档位值和车速分别对应的用于识别车辆载重状态的指标参数，包括：

根据如下公式计算与所述车速相对应的指标参数：

δv＝vmax-vmin

其中，δv为与所述车速相对应的指标参数、vmax为所述扭矩区间中的所有车速中的最大值、vmin为所述扭矩区间中的所有车速中的最小值。

具体的，装置根据如下公式计算与所述车速相对应的指标参数：

δv＝vmax-vmin

其中，δv为与所述车速相对应的指标参数、vmax为所述扭矩区间中的所有车速中的最大值、vmin为所述扭矩区间中的所有车速中的最小值。可参照上述说明，不再赘述。

本发明实施例提供的识别车辆载重状态的方法，通过具体公式计算与车速相对应的指标参数，有助于进一步准确识别车辆载重状态。

图5为本发明识别车辆载重状态的装置实施例结构示意图，如图5所示，本发明实施例提供了一种识别车辆载重状态的装置，包括确定单元501、计算单元502和识别单元503，其中：

确定单元501用于确定车辆的发动机的扭矩区间；所述扭矩区间是扭矩百分比大于零的档位区间对应的扭矩区间；所述档位区间中的任意两个档位值的差值均小于预设阈值；所述档位值是根据发动机转速和车速确定的；计算单元502用于计算与所述扭矩区间中的扭矩百分比、档位值和车速分别对应的用于识别车辆载重状态的指标参数；识别单元503用于输入所有指标参数至预设车辆载重状态识别模型，并根据所述预设车辆载重状态识别模型的输出结果确定所述车辆载重状态的识别结果；其中，所述车辆载重状态识别模型是采用样本数据训练神经网络得到的；所述样本数据包括扭矩百分比、档位值和车速分别对应的数据。

具体的，确定单元501用于确定车辆的发动机的扭矩区间；所述扭矩区间是扭矩百分比大于零的档位区间对应的扭矩区间；所述档位区间中的任意两个档位值的差值均小于预设阈值；所述档位值是根据发动机转速和车速确定的；计算单元502用于计算与所述扭矩区间中的扭矩百分比、档位值和车速分别对应的用于识别车辆载重状态的指标参数；识别单元503用于输入所有指标参数至预设车辆载重状态识别模型，并根据所述预设车辆载重状态识别模型的输出结果确定所述车辆载重状态的识别结果；其中，所述车辆载重状态识别模型是采用样本数据训练神经网络得到的；所述样本数据包括扭矩百分比、档位值和车速分别对应的数据。

本发明实施例提供的识别车辆载重状态的装置，通过输入扭矩区间中的扭矩百分比、档位值和车速分别对应的指标参数至预设车辆载重状态识别模型，并根据该模型的输出结果确定车辆载重状态的识别结果，无需称重等设备识别车辆载重状态，还能够准确识别车辆载重状态。

本发明实施例提供的识别车辆载重状态的装置具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。

图6为本发明实施例提供的电子设备实体结构示意图，如图6所示，所述电子设备包括：处理器(processor)601、存储器(memory)602和总线603；

其中，所述处理器601、存储器602通过总线603完成相互间的通信；

所述处理器601用于调用所述存储器602中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：确定车辆的发动机的扭矩区间；所述扭矩区间是扭矩百分比大于零的档位区间对应的扭矩区间；所述档位区间中的任意两个档位值的差值均小于预设阈值；所述档位值是根据发动机转速和车速确定的；计算与所述扭矩区间中的扭矩百分比、档位值和车速分别对应的用于识别车辆载重状态的指标参数；输入所有指标参数至预设车辆载重状态识别模型，并根据所述预设车辆载重状态识别模型的输出结果确定所述车辆载重状态的识别结果；其中，所述车辆载重状态识别模型是采用样本数据训练神经网络得到的；所述样本数据包括扭矩百分比、档位值和车速分别对应的数据。

本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：确定车辆的发动机的扭矩区间；所述扭矩区间是扭矩百分比大于零的档位区间对应的扭矩区间；所述档位区间中的任意两个档位值的差值均小于预设阈值；所述档位值是根据发动机转速和车速确定的；计算与所述扭矩区间中的扭矩百分比、档位值和车速分别对应的用于识别车辆载重状态的指标参数；输入所有指标参数至预设车辆载重状态识别模型，并根据所述预设车辆载重状态识别模型的输出结果确定所述车辆载重状态的识别结果；其中，所述车辆载重状态识别模型是采用样本数据训练神经网络得到的；所述样本数据包括扭矩百分比、档位值和车速分别对应的数据。

本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：确定车辆的发动机的扭矩区间；所述扭矩区间是扭矩百分比大于零的档位区间对应的扭矩区间；所述档位区间中的任意两个档位值的差值均小于预设阈值；所述档位值是根据发动机转速和车速确定的；计算与所述扭矩区间中的扭矩百分比、档位值和车速分别对应的用于识别车辆载重状态的指标参数；输入所有指标参数至预设车辆载重状态识别模型，并根据所述预设车辆载重状态识别模型的输出结果确定所述车辆载重状态的识别结果；其中，所述车辆载重状态识别模型是采用样本数据训练神经网络得到的；所述样本数据包括扭矩百分比、档位值和车速分别对应的数据。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

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。