一种基于ViT的垃圾识别分类算法及其装置和控制方法

本发明涉及垃圾分类技术领域，具体涉及一种基于vit的垃圾识别分类算法及其装置和控制方法。

背景技术：

随着国家经济的不断发展，人们的物质生活越来越丰富，但随之而来的是城市中的垃圾越来越多。被分类处理好的垃圾不仅有利于人们生活的环境，也有利于垃圾的回收利用。不幸的是，我国民众的垃圾分类意识并不强，这就导致垃圾在源头上未能及时被分类，从而造成大量的环境污染以及人力物力的浪费。

在现有技术中，中国专利公开号110803413a,公开了一种办公室家用垃圾分类桶，此装置仅在一个设备上提供了五个供分类用的桶，分类依旧取决于投放者的主观判断，不满足智能化与自动化分拣装置的要求。中国专利公开号110733795a，公开了一种垃圾分类收集装置，此装置内置了一颗摄像头将需投放的垃圾图像进行处理，在显示屏上显示垃圾的种类信息，投放者根据此提示信息进行投放，虽然此装置已经可以自动识别垃圾种类，但不能实现投放垃圾自动化分拣。

技术实现要素：

本申请同时提供一种基于vit神经网络的垃圾识别分类算法、一种基于vit神经网络的垃圾识别分类算法的垃圾分类装置，以及一种基于vit神经网络的垃圾识别分类算法的垃圾分类装置的控制方法，解决了现有技术不能实现垃圾自动化分拣的问题，用于对摄像头捕获回来的垃圾图像通过vit神经网络的垃圾识别分类算法进行分类，并通过控制机械结构实现垃圾的分拣并存放。

为解决上述技术问题，本发明采用的技术方案为：

一种基于vit神经网络的垃圾识别分类算法，包括如下步骤：

s1:在网络中搜寻若干四类垃圾图片作为图片数据集a，通过摄像头采集四种垃圾的照片作为照片数据集b，利用插值算法将图片数据集a与照片数据集b都转化为同一尺寸的同尺寸图片数据集a’和同尺寸照片数据集b’，并且同尺寸图片数据集a’和同尺寸照片数据集b’中每一张图片均为正方形，其中四类垃圾分别为：可回收垃圾、厨余垃圾、其他垃圾、有害垃圾；

s2：搭建vit神经网络框架结构，将同尺寸图片数据集a’送入vit神经网络中进行预训练；

s3：将同尺寸照片数据集b’分为训练集b1与评价集b2两部分；

s4：将训练集b1送入s2中完成预训练的vit神经网络进行微调；

s5：将评价集b2送入s4中完成微调的vit神经网络进行准确度检验；

s6：将评价集b2中检验错误的图片增加到训练集中，优化vit神经网络。

进一步的，s2中vit神经网络框架结构包括：图片分块模块、线性化模块、位置信息添加模块、若干多头自注意力层、与全连接层叠加组成的编码网络模块和概率分类器模块，

图片分块模块将送入vit神经网络的图片分成多个相同大小的图块，线性化模块将图片图块对应的张量线性化成向量，位置信息添加模块在图块对应的向量中添加位置信息，编码网络模块将送入图片转化为一个包含图片信息的特征量，概率分类器模块根据图片信息的特征向量输出包含分类结果的分类结果向量p，分类结果向量p中包含的4个元素分别对应四类垃圾概率，4个元素中最大的元素即为垃圾所属的垃圾类别。

进一步的，s2中预训练包括如下步骤：

s2.1：将同尺寸图片数据集a’中的所有图片分成图块：

通过滑窗切割图片，将每一个图片切成n×n个图块，并且切割图块的滑窗大小与图块大小一致，保证一张图片被切割成的各个图块之间不会重叠；

s2.2：对各图块进行线性化处理：

将各个图块分别转化为d1i*d2i*d3i的图块张量，其中d1i、d2i、d3i分别表示第i个图块中彩色图片的rgb中的r值、g值和b值，i＝1，2，……,n×n；

将图块张量转化为图块向量x，x＝(x1，x2，…，xi，…，xn×n)，其中xi＝(d1i*d2i*d3i，1)；

通过全连接层对图块向量x进行线性变化，线性变换公式为：

zi＝w*xi+b(i＝1，2，……，n*n)

其中，zi为特征图块向量，为第i个图块线性变换后的线性图块向量，w为乘数矩阵，为同尺寸图片数据集a’在vit神经网络中学习输出的乘数参数，b为常量矩阵，为同尺寸图片数据集a’在vit神经网络中学习输出的常量参数；

全连接层共享参乘数矩阵数w和常量矩阵b；

s2.3：在特征图块向量中添加位置信息：首先将各图块的位置信息经过位置编码器编码成一个和特征图块向量zi行数和列数均一样的位置矩阵li，然后将位置矩阵加到zi上，得到包含位置信息的位置特征图块向量ci：

ci＝zi+li(2)

其中，ci为第i个图块的位置特征图块向量，表示包含第i个图块包含位置信息后的特征图块向量，li为第i个图块的位置矩阵，i＝1，2，……，n*n；

s2.4：引入分类信息c0，将c0加入到位置特征图块向量集c中，形成包含分类信息的位置特征图块向量集c’，c’＝(c0，c1，c2，……，cn×n)

s2.5：组成编码网络：

通过多头自注意力层与全连接层的叠加，此增加vit神经网络的学习效果，组成编码网络；

s2.6：获取图像特征向量：

将包含分类信息的位置特征图块向量集c’输入编码网络中，得到位置特征图块编码向量d1，d1是c’i在编码网络中经过不断地向量变换以此提取图片多个特征信息的最终结果；

s2.7：进行类别判断并更新网络：

将位置特征图块编码向量d1输入到概率分类器，得到分类结果向量p，分类结果向量p中包含的4个元素分别对应四类垃圾概率，4个元素中最大的元素即为垃圾所属的垃圾类别，比较分类结果向量p和真实结果之间的损失函数，求损失函数关于神经网络的参数梯度，用梯度去更新vit神经网络参数。

优选的，s2.7中损失函数采用下述公式：

其中，loss代表损失函数，m代表样本的个数，p(xij)是分类结果向量p中第i行第j列垃圾的分类结果，表示由垃圾图片训练集得到的每个垃圾的真实概率，q(xij)表示由模型预测出的第i行第j列垃圾的的预测概率分布，log(q(xij))表示q(xij)的对数。

本发明还提供一种基于vit神经网络的垃圾识别分类算法的垃圾分类装置，包括：

框架结构，所述框架结构内设有田字形摆放的4个垃圾桶，所述垃圾桶上方中间位置设有垃圾下落限位器，所述垃圾下落限位器的正上方设有垃圾倾倒器，所述框架结构的顶部设有面板，所述面板上设有触摸屏，所述面板顶部前侧开设垃圾投掷口，所述垃圾投掷口位于所述垃圾倾倒器的正上方，所述垃圾投掷口处设有摄像头，所述摄像头指向所述垃圾倾倒器；

所述垃圾倾倒器包括v型板，所述v型板上放置垃圾面在后，放置垃圾面的相对面在前，并且放置垃圾面的面积大于所述垃圾投掷口的开口面积，所述v型板通过v型板支架固定设置在水平放置的横轴上，所述横轴的一边伸入轴支撑架中并且在所述轴支撑架中垂直面上以所述横轴为旋转轴自由旋转，所述轴支撑架固定设置在所述框架结构中，所述横轴的另外一边与第一舵机轴连器，所述第一舵机轴连器与第一舵机相连；

所述垃圾下落限位器包括垃圾限位器轨道，所述垃圾限位器轨道包括前低后高的底板，所述底板的两侧和顶部均设有挡板，所述垃圾限位器轨道通过轨道支撑与竖轴，所述竖轴的另外一端设置在第二舵机轴连器中，所述第二舵机轴连器通过第二舵机控制在水平面内以所述第二舵机轴连器的中心为圆心自由旋转；

所述摄像头的输出端与主控单元的输入端相连，所述主控单元的输出端同时与所述触摸屏和执行单元的输入端相连，所述执行单元的输出端与所述第一舵机和所述第二舵机的输入端相连，所述摄像头、所述执行单元、所述主控单元、所述触摸屏、所述第一舵机和所述第二舵机分别与电源相连。

进一步的，所述垃圾桶内上端设有超声波传感器，所述超声波传感器与所述主控单元相连，所述超声波传感器用于进行垃圾箱满载提醒。

本发明还提供一种基于vit神经网络的垃圾识别分类算法的垃圾分类装置的控制方法，包括如下步骤：

s1：启动电源，系统初始化：

初始化触摸屏，触摸屏循环播放垃圾分类宣传片；

初始化垃圾倾倒器，使得v型板上垃圾放置面的相对面处于竖直状态；

初始化垃圾下落限位器，使得底板的低面朝前高面朝后；

初始化第一舵机和第二舵机，使得第一舵机轴连器和第二舵机轴连器处于初始位置；s2：放置垃圾，进行垃圾识别：

垃圾放入垃圾倾倒器，摄像头捕获垃圾倾倒器上的垃圾图像，所述主控单元将垃圾图像信息反馈给执行单元，执行单元基于vit神经网络的垃圾识别分类算法识别垃圾种类，执行单元将识别出的垃圾种类反馈给主控单元，主控单元在触摸屏上显示识别出的垃圾种类；

s4：第二舵机启动，垃圾下落限位器指向对应垃圾箱；

执行单元控制第二舵机旋转第二舵机轴连器至底板的低边指向s2中识别出的垃圾种类所对应的垃圾箱的位置；

s5：第二舵机启动完成后，第一舵机启动：

执行单元控制第一舵机启动，使得第一舵机轴连器向后翻转，带动垃圾倾倒器向后翻转，垃圾掉落在垃圾限位器轨道上，进而滑落到垃圾箱内；

s6：系统初始化，等待下一次垃圾投入。

进一步的，垃圾箱满载提醒包括如下步骤：超声波传感器持续测量垃圾桶内的垃圾与超声波传感器之间的距离，并将距离电信号反馈给主控单元，主控单元将接受到的电信号转换为距离数据并进行逻辑判断，当垃圾桶内的垃圾超过垃圾容量阈值，主控单元判断得出满载结果，主控单元同时向执行单元和触摸屏发送满载信号，执行单元控制第二舵机，使得垃圾倾倒器处于初始状态，即v型板上垃圾放置面的相对面处于竖直状态，同时，触摸屏显示满载信息。

本发明的有益效果：

本申请同时提供一种基于vit神经网络的垃圾识别分类算法、一种基于vit神经网络的垃圾识别分类算法的垃圾分类装置，以及一种基于vit神经网络的垃圾识别分类算法的垃圾分类装置的控制方法，解决了现有技术不能实现垃圾自动化分拣的问题，用于对摄像头捕获回来的垃圾图像通过vit神经网络的垃圾识别分类算法进行分类，并通过控制机械结构实现垃圾的分拣并存放。

1.本发明所述的一种智能垃圾分类装置，其垃圾倾倒器翻转运动、垃圾下落限位器旋转运动相互配合。待垃圾下落限位器转到对应位置之后倾倒器将垃圾倾倒入桶，垃圾沿预定轨道滑落入桶。所述智能垃圾分类装置运动方式使得整个机械结构紧凑，运行效率高。

2.本发明基于vit神经网络的垃圾分类识别算法使用大量数据集进行训练，大大提高了垃圾识别的准确率。同时也解决了实际应用中同一个垃圾不同状态与颜色的问题，比如易拉罐完好状态与压扁状态、红色与绿色的矿泉水瓶，vit模型都可以学习并掌握，这大大提高了垃圾识别的速度和准确率；增加了ai自主学习的功能，当垃圾桶遇到未知垃圾时能够通过用户输入信息学习该垃圾的模型，以满足不同用户对于各种场合的多样化需求。

3.本发明所含满载提示功能，触摸屏显示垃圾桶满载信息功能，可及时提醒工作人员处理相应的垃圾桶，提高了工作人员的工作效率，避免了垃圾溢出所造成的一系列问题。

4.本发明装置的框架采用全铝型材模块化设计，便于对装置尺寸、位置等机械结构进行调整，检修和替换。提高了装置的使用寿命和功能拓展性，用户可根据自己的需求对装置在外形和功能上进行修改以满足使用需求。

5.本发明可以自动播放的垃圾分类宣传片的功能起到一个很好的宣传作用，能在一定程度上提高公众的垃圾分类知识，在很大程度上提高了公众垃圾分类的意识。

附图说明

图1为本发明提供的vit神经网络算法示意图；

图2为本发明提供的垃圾分类控制流程图；

图3为本发明提供的控制系统结构示意图；

图4为本发明提供的装置的结构示意图；

图5为本发明提供的垃圾倾倒器的局部结构示意图；

图6为本发明提供的垃圾下落限位器的局部结构示意图；

图7为本发明提供的装置使用试验中拍摄照片一；

图8为本发明提供的装置使用试验中拍摄照片二；

图9为本发明提供的装置使用试验中拍摄照片三；

1-框架结构、2-面板、3-垃圾倾倒器、4-垃圾下落限位器、5-垃圾桶、6-主控单元、7-垃圾识别控制单元、8-触摸屏、9-摄像头、10-超声波传感器；

31-v型板、32-横轴、33-轴支撑架、34-v型板支架、35-第一舵机轴连器、36-第一舵机；

41-垃圾限位器轨道、42-轨道支撑、43-竖轴、44-第二舵机轴连器、45-第二舵机。

具体实施方式

下面结合附图以及具体实施方法对本发明一种基于vit神经网络的垃圾识别分类算法作进一步详细说明。

实施例1

如图1所示，一种基于vit神经网络的垃圾识别分类算法，包括如下步骤：

s1:在网络中搜寻若干四类垃圾图片作为图片数据集a，通过摄像头采集四种垃圾的照片作为照片数据集b，利用插值算法将图片数据集a与照片数据集b都转化为同一尺寸的同尺寸图片数据集a’和同尺寸照片数据集b’，并且同尺寸图片数据集a’和同尺寸照片数据集b’中每一张图片均为正方形，其中四类垃圾分别为：可回收垃圾、厨余垃圾、其他垃圾、有害垃圾；

s2：搭建vit神经网络框架结构，将同尺寸图片数据集a’送入vit神经网络中进行预训练；

s3：将同尺寸照片数据集b’分为训练集b1与评价集b2两部分；

s4：将训练集b1送入s2中完成预训练的vit神经网络进行微调；

s5：将评价集b2送入s4中完成微调的vit神经网络进行准确度检验；

s6：将评价集b2中检验错误的图片增加到训练集中，优化vit神经网络。

进一步的，s2中vit神经网络框架结构包括：图片分块模块、线性化模块、位置信息添加模块、若干多头自注意力层、与全连接层叠加组成的编码网络模块和概率分类器模块，

图片分块模块将送入vit神经网络的图片分成多个相同大小的图块，线性化模块将图片图块对应的张量线性化成向量，位置信息添加模块在图块对应的向量中添加位置信息，编码网络模块将送入图片转化为一个包含图片信息的特征量，概率分类器模块根据图片信息的特征向量输出包含分类结果的分类结果向量p，分类结果向量p中包含的4个元素分别对应四类垃圾概率，4个元素中最大的元素即为垃圾所属的垃圾类别。

进一步的，s2中预训练包括如下步骤：

s2.1：将同尺寸图片数据集a’中的所有图片分成图块：

通过滑窗切割图片，将每一个图片切成n×n个图块，并且切割图块的滑窗大小与图块大小一致，保证一张图片被切割成的各个图块之间不会重叠；

s2.2：对各图块进行线性化处理：

1将各个图块分别转化为d1i*d2i*d3i的图块张量，其中d1i、d2i、d3i分别表示第i个图块中彩色图片的rgb中的r值、g值和b值，i＝1，2，……,n×n；

2将图块张量转化为图块向量x，x＝(x1，x2，…，xi，…，xn×n)，其中xi＝d1i*d2i*d3i，1；

3通过全连接层对图块向量x进行线性变化，线性变换公式为：

zi＝w*xi+bi＝1，2，……，n*n1

其中，zi为特征图块向量，为第i个图块线性变换后的线性图块向量，w为乘数矩阵，为同尺寸图片数据集a’在vit神经网络中学习输出的乘数参数，b为常量矩阵，为同尺寸图片数据集a’在vit神经网络中学习输出的常量参数；

4全连接层共享参乘数矩阵数w和常量矩阵b；

s2.3：在特征图块向量中添加位置信息：首先将各图块的位置信息经过位置编码器编码成一个和特征图块向量zi行数和列数均一样的位置矩阵li，然后将位置矩阵加到zi上，得到包含位置信息的位置特征图块向量ci：

ci＝zi+li(2)

其中，ci为第i个图块的位置特征图块向量，表示包含第i个图块包含位置信息后的特征图块向量，li为第i个图块的位置矩阵，i＝1，2，……，n*n；

s2.4：引入分类信息c0，将c0加入到位置特征图块向量集c中，形成包含分类信息的位置特征图块向量集c’，c’＝c0，c1，c2，……，cn×n

s2.5：组成编码网络：

通过多头自注意力层与全连接层的叠加，此增加vit神经网络的学习效果，组成编码网络；

s2.6：获取图像特征向量：

将包含分类信息的位置特征图块向量集c’输入编码网络中，得到位置特征图块编码向量d1，d1是c’在编码网络中经过不断地向量变换以此提取图片多个特征信息的最终结果；

s2.7：进行类别判断并更新网络：

将位置特征图块编码向量d1输入到概率分类器，得到分类结果向量p，分类结果向量p中包含的4个元素分别对应四类垃圾概率，4个元素中最大的元素即为垃圾所属的垃圾类别，比较分类结果向量p和真实结果之间的损失函数，求损失函数关于神经网络的参数梯度，用梯度去更新vit神经网络参数。

优选的，s2.7中损失函数采用下述公式：

其中，loss代表损失函数，m代表样本的个数，p(xij)是分类结果向量p中第i行第j列垃圾的分类结果，表示由垃圾图片训练集得到的每个垃圾的真实概率，q(xij)表示由模型预测出的第i行第j列垃圾的的预测概率分布，log(q(xij))表示q(xij)的对数。

实施例2

如图4-图9所示，本发明还提供一种基于vit神经网络的垃圾识别分类算法的垃圾分类装置，包括：

框架结构1，所述框架结构1内设有田字形摆放的4个垃圾桶5，所述垃圾桶5上方中间位置设有垃圾下落限位器4，所述垃圾下落限位器4的正上方设有垃圾倾倒器3，所述框架结构1的顶部设有面板2，所述面板2上设有触摸屏8，所述面板2顶部前侧开设垃圾投掷口，所述垃圾投掷口位于所述垃圾倾倒器3的正上方，所述垃圾投掷口处设有摄像头9，所述摄像头9指向所述垃圾倾倒器3；框架结构1采用可移动式铝型材框架，面板2和垃圾桶5采用亚克力材质，垃圾倾倒器3有承接垃圾、转移垃圾、倾倒垃圾的功能。

所述垃圾倾倒器3包括v型板31，所述v型板31上放置垃圾面在后，放置垃圾面的相对面在前，并且放置垃圾面的面积大于所述垃圾投掷口的开口面积，所述v型板31通过v型板支架34固定设置在水平放置的横轴32上，v型板支架34有两个，所述横轴32的一边伸入轴支撑架33中并且在所述轴支撑架33中垂直面上以所述横轴32为旋转轴自由旋转，所述轴支撑架33固定设置在所述框架结构1中，所述横轴32的另外一边与第一舵机轴连器35，所述第一舵机轴连器35与第一舵机36相连；v型板31可以向后翻转，最大翻转角度为120度。

所述垃圾下落限位器4包括垃圾限位器轨道41，所述垃圾限位器轨道41包括前低后高的底板，所述底板的两侧和顶部均设有挡板，所述垃圾限位器轨道41通过轨道支撑42与竖轴43，所述竖轴43的另外一端设置在第二舵机轴连器44中，所述第二舵机轴连器44通过第二舵机45控制在水平面内以所述第二舵机轴连器44的中心为圆心自由旋转；当垃圾倾倒器将垃圾倾倒下来之后，由于垃圾限位器轨道41的存在，下落的垃圾会按照预定的轨道滑落到垃圾桶内，完成垃圾分拣动作。所述下落限位器4能将垃圾下落轨道固定，使垃圾沿着垃圾限位器轨道41直滑入垃圾桶5中，采用轨道支撑上承接垃圾限位器轨道41的设计，将垃圾下落的冲击力分散开来，减轻了机械结构的负荷，增加了其使用寿命和可靠性，同时也使其机械结构与控制更为简洁，稳定。

所述摄像头9的输出端与主控单元7的输入端相连，所述主控单元7的输出端同时与所述触摸屏8和执行单元6的输入端相连，所述执行单元6的输出端与所述第一舵机36和所述第二舵机45的输入端相连，所述摄像头9、所述执行单元6、所述主控单元7、所述触摸屏8、所述第一舵机36和所述第二舵机45分别与电源相连。主控单元7选用树莓派控制器，触摸屏8选用树莓派触摸屏，摄像头选用树莓派摄像头，一块七寸树莓派触摸屏模块，显示的内容分为满载检测、已识别垃圾信息、摄像头识别画面的显示三部分。显示屏的初始化状态为满载检测均显示未满载、已识别垃圾信息为空、摄像头识别的画面正常显示。

执行单元6选用arduinomega2560控制装置，arduinomega2560控制其模拟输出引脚所发出的pwm波频率和占空比作为输出量，控制第一舵机36和第二舵机45旋转，实现垃圾投放和下落位置限制；其中pwm波频率决定一个pwm波的周期，占空比决定pwm波的高电平时间以决定舵机旋转角度；通过按下微增按钮、微减按钮次数的代数和作为补偿量，理论pwm波的高电平时间与补偿量的代数和叠加控制舵机到达目标位置的精度，消除定位误差，减小了因定位不准造成垃圾分类的错误，提高垃圾分类的效率和成功率。

进一步的，所述垃圾桶5内上端设有超声波传感器10，所述超声波传感器10与所述主控单元7相连，所述超声波传感器10用于进行垃圾箱满载提醒。

垃圾从垃圾投掷口才落在垃圾倾倒器3后，识别垃圾类型后，控制垃圾下落限位器4的底板向下的一面指向对应类型的垃圾桶，两者相互配合，将已识别分类的垃圾准确送至相应垃圾桶内。所述运动方式使得整个装置结构紧凑，运动快，效率高。

实施例3

如图2-图3所示，本发明还提供一种基于vit神经网络的垃圾识别分类算法的垃圾分类装置的控制方法，包括如下步骤：

s1：启动电源，系统初始化：

初始化触摸屏8，触摸屏8循环播放垃圾分类宣传片；

初始化垃圾倾倒器3，使得v型板31上垃圾放置面的相对面处于竖直状态；

初始化垃圾下落限位器4，使得底板的低面朝前高面朝后；

初始化第一舵机36和第二舵机45，使得第一舵机轴连器35和第二舵机轴连器44处于初始位置；

s2：放置垃圾，进行垃圾识别：

垃圾放入垃圾倾倒器3，摄像头9捕获垃圾倾倒器3上的垃圾图像，所述主控单元7将垃圾图像信息反馈给执行单元6，执行单元6基于vit神经网络的垃圾识别分类算法识别垃圾种类，执行单元6将识别出的垃圾种类反馈给主控单元7，主控单元7在触摸屏8上显示识别出的垃圾种类；此过程用时约200ms；

s4：第二舵机45启动，垃圾下落限位器4指向对应垃圾箱；

执行单元6控制第二舵机45旋转第二舵机轴连器44至底板的低边指向s2中识别出的垃圾种类所对应的垃圾箱的位置；

s5：第二舵机45启动完成后，第一舵机36启动：

执行单元6控制第一舵机36启动，使得第一舵机轴连器35向后翻转，带动垃圾倾倒器3向后翻转，垃圾掉落在垃圾限位器轨道41上，进而滑落到垃圾箱内；倾倒状态持续时间400-600ms以保证垃圾成功倒下，对轻薄、体积较小的垃圾也能达到很高的成功率。

s6：系统初始化，等待下一次垃圾投入。

进一步的，垃圾箱满载提醒包括如下步骤：超声波传感器10持续测量垃圾桶5内的垃圾与超声波传感器10之间的距离，并将距离电信号反馈给主控单元7，主控单元7将接受到的电信号转换为距离数据并进行逻辑判断，当垃圾桶5内的垃圾超过垃圾容量阈值，主控单元7判断得出满载结果，主控单元7同时向执行单元6和触摸屏8发送满载信号，执行单元6控制第二舵机45，使得垃圾倾倒器3处于初始状态，即v型板31上垃圾放置面的相对面处于竖直状态，同时，触摸屏8显示满载信息。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离保护范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。