一种混凝土裂缝检测设备、方法以及终端系统与流程

本发明涉及工程检测技术领域，尤其涉及一种混凝土裂缝检测设备、方法和终端系统。

背景技术：

近年来随着我国经济的飞速发展，基础设施建设成为了中国近年来重要环节。我国的基础设施建设以混凝土结构为主，基建的数量激增导致对其的检验与防护就变得至关重要。无论是高速公路、桥梁还是建筑都应用到混凝土结构，裂缝作为最主要的混凝土结构病害之一，严重影响着混凝土结构的安全稳定。因此，对混凝土结构进行有效的检测至关重要。

目前市场上现有的裂缝检测仪均采用传统光学识别方法，从最初的放大镜人工识别到数字化图像识别其原理均为通过凸透镜将裂缝放大到人眼或者计算机能够识别的宽度，读数后通过放大倍数换算进行裂缝宽度测量。传统光学识别的优势是准确度较高，缺点是工作效率低且不能实现对裂缝的数字化存储和精准比对。混凝土结构裂缝会随着结构受力、时间等因素而发生改变，需要进行长期观测并进行比对分析，以便采取有针对性的处理措施，但传统的裂缝观测方法和记录方法很难有效对裂缝同一位置进行精准比对和有效记录。

为了满足混凝土裂缝检测发展的需求，对裂缝进行检测。其中，张晶晶提出多尺度输入图像渗透模型，使用不同尺度的输入图像生成高精度的二值裂缝图像；李晓彤采用投影法细分裂缝，根据细分后裂缝的最小外接矩形求解裂缝的数值特征。姜会增提取图像中的高频成分进行裂缝检测，但其算法的抗干扰能力有待提高。zalama选用gabor滤波器来检测路面裂缝，并对横向、纵向裂缝进行了有效的分类。张国旗在特定的环境下，设计了采集系统，结合图像处理算法，对裂缝目标进行判断和提取，使用投影特征法进行裂缝的分类以及图像数据的管理。c.bernstone探讨了在水电站混凝土结构上监测裂缝生长的图像分析技术，先对可疑的裂缝进行标记，再对离散标记点的运动进行了追踪。nishikawa利用遗传编程的方法设计了一个专用的图像滤波器来抑制噪声，并首次通过图像滤波器的方法检测出大量的裂缝区域，再在目标区域中重复滤波达到消除残余噪声的目的。由于混凝土裂缝图像具有背景纹理复杂、噪声种类繁多、分布无规律等特点，传统的基于图像处理的裂缝检测方法均无法实现对各种复杂环境下的混凝土裂缝检测。

技术实现要素：

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的技术方案。本发明的一个方面，提供了一种混凝土裂缝检测设备，该设备包括：云台、相机、光源、激光测距模块、云台控制模块、图像处理显示模块，其中光源、激光测距模块并排固定在云台上，相机可插拔地与所述光源、激光测距模块并排在所述云台上，所述云台用来保持相机姿态，所述光源为所述相机提供照明，所述激光测距模块用来测量相机成像平面上的三个点距离待测表面的距离，所述云台控制模块与所述激光测距模块电性连接，根据激光测距模块的测量信息控制云台使得相机的成像面与待测面平行，所述光源为所述相机提供照明，所述图像处理显示模块根据用户指令控制启动相机、光源以及激光测距模块，对相机采集的裂缝图像进行分析处理，并显示分析处理的结果。

可选的，所述相机为面阵相机。

可选的，所述激光测距模块还用来测量相机成像面与待测面之间的相对位置关系信息。

本发明还提供一种基于上述混凝土检测设备的终端系统，该终端系统包括：文件建立模块，用于建立一个文件，在该文件环境下操作下述各模块；

相机检测模块，用于检测相机是否连接好；

相机控制模块，用于根据指令控制相机启动、拍摄图片；

图像显示模块，用于显示相机拍摄的图片；

激光测距控制模块，用于控制激光测距模块启动测距，并在达到预定距离时，发出拍摄提醒或者指示，用于测量相机成像平面上三点距离待测面的距离值，并根据三点的距离值计算相机成像面与待测面的相对位置关系；

云台控制模块，用于根据激光测距模块得到的距离值控制相机成像面平行于待测面，并实时保持相机位姿；

图像拼接模块，用于根据用户指令将之前拍摄的所有图像进行拼接处理；

裂缝检测模块，用于根据用户指令对拼接处理后的图像进行裂缝检测。

可选的，所述相机控制模块还用于改变相机的参数设置。

可选的，所述图像显示模块还用于选择识别出的裂缝，获取裂缝的长度信息、面积信息以及裂缝宽度随长度变化而改变的曲线图中的至少一个。

可选的，所述云台控制模块包括：三轴电机控制单元；基于激光测距模块测得的相机成像面与待测面相对位置关系，三轴电机改变相机在三个自由度上的位置实现相机成像面平行于待测面；位姿实时保持单元：用于监测相机由晃动等影响造成的位姿变化，根据位姿变化实时控制三轴电机保持相机位姿。

可选的，所述图像拼接模块包括：

特征点描述符生成单元，对拍摄的两幅图像构建尺度空间金字塔，并在尺度空间确定候选极值点，根据候选极值点生成特征点描述符；

变换矩阵计算单元，使用hessian矩阵迹、改进ransac算法匹配得到的特征点对计算变换矩阵；

图像融合单元，使用加权融合算法，得到拼接后的图像。

可选的，所述裂缝检测模块包括：

裁剪单元，用于对拼接后的图像进行裁剪；

标定单元，用于对裁剪后的混凝土裂缝图像进行标定，得到图像对应的标定文档；

裂缝识别单元，应用预先训练好的基于resnet50和aspp模块的深度学习模型对混凝土裂缝图像进行识别，以获取识别到的裂缝区域；

裂缝分析单元，用于对识别到的裂缝区域进行裂缝边缘提取；

骨架提取单元，用于对提取边缘后的裂缝图像进行骨架提取；

骨架校正单元，用于校正提取的错位骨架以及去除骨架毛刺；

骨架尺寸计算单元，用于利用freeman链码对提取的裂缝骨架的长度进行计算，然后应用骨架线垂线对裂缝骨架的宽度进行计算。

本发明还提供一种混凝土裂缝检测方法，该方法包括：

激光测距模块测量相机成像面与待测面的距离及相对位置关系；

云台控制模块实时保持相机成像面平行于待测面；

成像面与待测面距离位于预设最佳成像距离区间内，根据提示拍摄图像；

基于拍摄的相邻两幅图像进行图像拼接；

对拼接后的图像进行裁剪；

对裁剪后的混凝土裂缝图像进行标定，得到图像对应的标定文档；

应用预先训练好的基于resnet50和aspp模块的深度学习模型对混凝土裂缝图像进行识别，以获取识别到的裂缝区域；

对识别到的裂缝区域进行裂缝边缘提取；

对提取边缘后的裂缝图像进行骨架提取；

对提取的骨架进行骨架校正；

利用freeman链码对提取的裂缝骨架的长度进行计算，应用骨架线垂线对裂缝骨架的宽度进行计算。

本项目针对市场上现有的裂缝检测仪进行智能化升级，旨在研究出一款高度智能化的混凝土裂缝检测设备。该检测设备使用前沿的神经网络深度学习技术结合数字图像处理方法实现自动识别、实时分析和检测的功能。相对于传统裂缝检测仪具备以下优势：

可以通过图像识别技术替代凸透镜放大测量技术，在识别精度上可以达到0.05mm甚至更高，完全能够满足混凝土裂缝宽度识别精度要求；

通过一体化集成，可以在采集和识别的同时将裂缝照片进行数字化存储；

可以通过智能算法对裂缝长度、宽度等进行精准比对分析，形成完整的裂缝数据库；

具备自主深度学习的能力，通过“云”技术，在应用的同时不断丰富数据库，进而让机器不断学习，在识别速度和精度方面进行不断提升。

通过图像智能识别技术将传统的“单点识别”升级为“全段识别”，识别效率和精度将大幅提升。(注：传统裂缝识别仪需要将识别探头在裂缝定位后沿裂缝缓慢移动，边移动边读数；本设备将通过拍一张照片即可实现所有数据的测量和识别)

同时，由于该设备将采用工业平板计算机和人机交互界面的linux操作系统，具有便捷的人机交互操作界面。

通过本项目研究，可以填补国内混凝土裂缝检测行业此方面的技术落后，提升我市乃至全行业混凝土建筑物科技化运营养管水平，促进我市建筑物智能化检测产业发展，为建筑物健康监测和运营提供有力的技术支撑。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明提出的混凝土裂缝检测设备的结构图；

图2示出了激光测距模块的原理图

图3示出了根据本发明提出的混凝土裂缝检测终端软件的界面图；

图4示出了裂缝信息存储界面图；

图5示出了裂缝拼接模块的效果图

图6示出了人工交互的流程图；

图7示出了混凝土裂缝检测方法的流程图

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

人工神经网络模拟人脑，有多层神经元，通过一层层的运算来识别声音、图像或者其他信息。比如，给机器人识别一张鸟的照片，它的人工神经网络就会经历一个由浅入深的辨识过程，首先，第一层神经元识别出一些边缘，可能是黑色背部的边，可能是鸟嘴的边，这些识别结果传到第二层，接下来，第二层识别出两条边形成的夹角，可能是鸟嘴的上边和下边形成的夹角，可能是背部的边和腹部的边形成的屁股夹角，这些结果上传到第三层，然后，第三层识别出几条边形成的圆，可能是几条边形成的头部，这些结果继续上传，依此类推，越上层的神经元辨识越复杂的概念，直到最高层神经元认出那是一只鸟。

卷积神经网络(cnn)包含了一个由卷积层和子采样层构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在cnn的一个卷积层中，通常包含若干个特征平面，每个特征平面由一些矩形排列的神经元组成，同一特征平面的神经元共享权值，这里共享的权值就是卷积核，卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值(卷积核)带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。子采样也叫做池化(pooling)，通常有均值子采样(meanpooling)和最大值子采样(maxpooling)两种形式。子采样可以看作一种特殊的卷积过程。卷积和子采样大大简化了模型复杂度，减少了模型的参数。

随着卷积神经网络和计算机硬件性能的飞速发展，使得使用卷积神经网络的深度学习技术进行工业中的病害检测成为了行业发展的主流。本申请依靠计算机对大量标定好的待检测图像进行特征提取，训练出具有检测出特定特征的卷积神经网络，再将工程中需检测的图像输入卷积神经网络即可得到需检测出的病害类型。该方法具有相应速度快、检测准确性高、检测鲁棒性高的优点。

本发明的一个方面，提供了一种混凝土裂缝检测设备，如图1所示，该设备包括：相机1、光源2、激光测距模块3、图像处理显示模块4、云台5、其中光源2、激光测距模块3并排固定在云台5上，相机1可插拔地与所述光源2、激光测距模块3并排在所述云台5上，所述云台用来保持相机姿态，所述光源为所述相机提供照明，所述激光测距模块用来测量相机距离待测表面的距离，所述相机用来采集混凝土结构的裂缝图像，所述图像处理显示模块根据用户指令控制相机1、云台5、光源2以及激光测距模块3，对面阵相机采集的裂缝图像进行分析处理，并显示分析处理的结果。上述混凝土裂缝检测设备构成本发明的硬件系统。该系统具有相机姿态保持的特点，能保证相机成像面实时平行于待测面。通过手持云台移动来调整相机与混凝土结构间的距离，当距离进入设置的物距范围内，工业平板电脑发出提示音，此时用户可以进行检测混凝土裂缝的操作。

所述激光测距模块3，如图2所示，该模块利用飞行时间感测原理(即传感器对被测目标连续发送光脉冲，并接收返回的光信号，通过往返时间计算物距。)实现了拍摄距离的实时监测。所述激光测距模块3包括激光传感器，其向混凝土结构件裂缝面发送光脉冲，并接收从裂缝面返回的光信号，计算光脉冲的飞行时间，根据时间计算出距离。然后通过将ttl串口信号转为usb信号，实时传输给工业平板电脑，并在屏幕上显示距离值。所述激光测距模块包含三个位于相机成像平面的激光传感器，根据三个激光传感器测得的距离值计算出相机成像平面与待测面的相对位置关系。

该混凝土裂缝检测设备还包括云台控制模块，所述云台控制模块与所述激光测距模块电性连接，根据激光测距模块的测量信息控制云台使得相机的成像面与待测面平行，所述云台控制模块包括：三轴电机控制单元；基于激光测距模块测得的相机成像面与待测面相对位置关系，三轴电机改变相机在三个自由度上的位置实现相机成像面平行于待测面；位姿实时保持单元：用于监测相机由晃动等影响造成的位姿变化，根据位姿变化实时控制三轴电机保持相机位姿。

该硬件系统包含了云台、相机、光源、激光测距模块、图像处理显示平板五个部分，其中面阵相机、光源、测距模块并排、紧凑安装。该系统的长度、宽度均小于25cm，高度小于50cm，便于适应各种环境下的混凝土裂缝检测。整套系统的重量控制在2-3kg，便于操作人员长时间手持。

本发明提出的混凝土裂缝检测设备具有携带方便、响应速度快、检测准确度高等优点，可实现自动标记与显示裂缝、数字化分析裂缝几何特征的功能，可适用在各种户外环境下进行检测作业，可实现裂缝观测数据的信息化存储、精准比对与趋势分析。

相机优选面阵相机，用来采集混凝土结构的裂缝图像，光源为相机提供足够的照明条件，激光测距模块用来测量相机距离待测表面的距离，云台对整体系统进行姿态保持，图像处理显示平板用来控制整体系统功能并对检测结果进行显示。

图像处理显示平板搭载了基于神经网络深度学习技术的裂缝检测、分析、拼接算法软件，可将裂缝的特征进行数字化存储并上传到数据库。裂缝图像的拍摄、选择、分析等功能均在显示平板上完成，具有极高操作便捷性。本发明提出了一种应用于显示平板上的软件系统，该软件系统一方面实现人机交互，一方面对相机拍摄的图像进行处理、识别，检测出裂缝，本发明提供一种混凝土裂缝检测终端系统，该终端系统软件界面如图3所示。

该终端系统包括：文件建立模块，用于建立一个文件，在该文件环境下操作下述各模块；相机检测模块，用于检测相机是否连接好；相机控制模块，用于根据指令控制相机启动、拍摄图片；图像显示模块，用于显示相机拍摄的图片；激光测距控制模块，用于控制激光测距模块启动测距，并在达到预定距离时，发出拍摄提醒或者指示；图像拼接模块，用于根据用户指令将之前拍摄的所有图像进行拼接处理；裂缝检测模块，用于根据用户指令对拼接处理后的图像进行裂缝检测。进一步的，该系统还包括相机控制模块，所述相机控制模块还用于改变相机的参数设置；为了便于用户更直接获取裂缝的具体尺寸，所述系统还包括裂缝操作模块，所述裂缝操作模块用于选择识别出的裂缝，获取裂缝的长度信息、面积信息以及裂缝宽度随长度变化而改变的曲线图中的至少一个。

利用该终端系统，可以选择存储识别出的裂缝，将所述裂缝保存在本地或者上传至云端，用户操作界面如图4所示。

作为一种具体实施方式，在软件系统中，所述图像拼接模块包括：

特征点描述符生成单元，对拍摄的两幅图像构建尺度空间金字塔，并在尺度空间确定候选极值点，根据候选极值点生成特征点描述符；

变换矩阵计算单元，使用hessian矩阵迹粗匹配、改进ransac算法精匹配得到的特征点对计算变换矩阵；

图像融合单元，使用加权融合算法，得到拼接后的图像。

利用该图像拼接模块可对裂缝图像进行拼接，如图5所示，可实现对任意长度裂缝的测量。

所述裂缝检测模块包括：

裁剪单元，用于对拼接后的图像进行裁剪；

标定单元，用于对裁剪后的混凝土裂缝图像进行标定，得到图像对应的标定文档；

裂缝识别单元，应用预先训练好的基于resnet50和aspp模块的深度学习模型对混凝土裂缝图像进行识别，以获取识别到的裂缝区域；

裂缝分析单元，用于对识别到的裂缝区域进行裂缝边缘提取；

骨架提取单元，用于对提取边缘后的裂缝图像进行骨架提取；

骨架尺寸计算单元，用于利用freeman链码对提取的裂缝骨架的长度进行计算，然后应用骨架线垂线对裂缝骨架的宽度进行计算。

所述显示模块显示所述该裂缝长度信息、面积信息以及裂缝宽度随长度变化而改变的曲线图中的至少一个。

作为一种具体实施方式，用户在该软件系统上操作，如图6所示，进行如下人机交互步骤：

步骤s1：使用者打开软件界面，点击“新建工程”按钮，新建一个工作环境，在该工作环境中可实现裂缝信息的采集、处理、显示和储存等功能；

步骤s2：使用者在将相机模块通过usb3.0接口连接到设备上后，点击“连接相机”，自动配置相机与软件界面的连接端口，实现自动连接功能，如果相机连接成功，则会弹出基本对话框提示“相机连接成功”，点击“确定”后进行下一步，否则将会弹出错误代码，根据错误代码可以查找未连接原因；

步骤s3：在相机连接成功后，使用者点击“开启相机”，控制相机拍摄图片，所拍摄到的信息将呈现在相机实时画面显示栏内；

步骤s4：使用者根据实时显示图像的质量进行分析，可通过点击菜单栏中的“相机参数”按钮，来改变相机的参数设置以适应不同的拍摄环境；

步骤s5：使用者点击测距模块中的“启动测距模块”按钮，开启测距功能，与此同时，云台控制模块根据距离值实时保持相机成像面与待测面水平，当到达指定位置时，该模块会通过距离显示和蜂鸣器警报等方式提醒使用者进行拍摄；

步骤s6：使用者点击“拍摄”，则会保留当前所显示的图像，并弹出基本信息框提示是否保存该图像，若选择“是”则将该图像储存在对比图像显示区域中，若选择“否”则返回程序继续等待拍摄，使用者根据对比已拍好的图片，再次点击“拍摄”按钮拍摄下一幅裂缝图像；

步骤s7：图像拍摄完成后，使用者点击“图像拼接”可以将之前拍摄的所有图像进行图像拼接处理；

步骤s8：使用者点击“图像处理”后，程序开始对已拍摄到的图像进行处理和裂缝检测；

步骤s9：使用者点击“输出结果”按钮后，该输出结果将显示在软件界面左下角数据处理区域内，并且可以对该输出结果进行处理和保存等操作。

进一步的，人机交互(p2)软件界面的“菜单栏”包含文件、相机控制、相机参数设置等；软件界面的“数据处理模块”可以选择某一条识别到的裂缝，并显示出该裂缝长度信息、面积信息以及裂缝宽度随长度变化而改变的曲线图；使用者可以通过点击“删除该条裂缝”对其进行信息删除，可以通过点击“确定”来选择该条裂缝信息是保存到本地或者保存到云上。

进一步的，人机交互(p2)部分所述的步骤s7中图像拼接算法具体为：步骤s71：对拍摄的两幅图像构建尺度空间金字塔，并在尺度空间确定候选极值点，根据候选极值点生成特征点描述符；

步骤s72:使用hessian矩阵迹的快速匹配方法对检测到的surf特征在高维向量空间寻找最相似的特征向量，得到粗匹配的surf特征点对。

步骤s73：对粗匹配的surt特征点对使用改进的ransac算法进行提纯，剔除匹配质量较差的点。

步骤s74：使用提纯后的surt特征点对计算变换矩阵，得到经过变换之后的待拼接图像。

步骤s75：使用加权融合算法，得到拼接后的图像。

进一步的，所述的步骤s8中的裂缝识别与分析算法具体为：

步骤s81：对人机交互(21)部分步骤s7(图像拼接)得到的图像进行裁剪，得到裁剪后的混凝土裂缝图像，裁剪后的图像大小为224×224；

步骤s82：对裁剪后的混凝土裂缝图像进行标定，即将数据集中有裂缝的图片标记为“0”，无裂缝的图片标记为“1”，得到图像对应的标定文档；

步骤s83：应用预先训练好的基于resnet50和aspp模块的深度学习模型对混凝土裂缝图像进行识别，并将识别到的裂缝区域输出到裂缝分析模块；

步骤s84：对识别到的裂缝区域图像进行裂缝边缘提取；

步骤s85：对提取边缘后的裂缝图像利用改进的zhang并行快速细化算法进行骨架提取；

步骤s86：应用骨架校正算法对提取裂缝后得到的骨架中的毛刺和错位部分进行校正；

步骤s87：利用freeman链码对提取的裂缝骨架的长度进行计算，然后应用骨架线垂线对裂缝骨架的宽度进行计算；

步骤s88：将裂缝长度与裂缝宽度值反馈于人机交互部分(p2)，并将结果显示于软件界面。

本发明还提供一种混凝土裂缝检测方法，如图7所示，该方法包括：

步骤s1：激光测距模块测量相机成像面与待测面的距离及相对位置关系；云台控制模块实时保持相机成像面平行于待测面；

步骤s2：成像面与待测面距离位于预设最佳成像距离区间内，根据提示拍摄图像；

步骤s3：基于拍摄的相邻两幅图像进行图像拼接；

步骤s4：对拼接后的图像进行裁剪；

步骤s5：对裁剪后的混凝土裂缝图像进行标定，得到图像对应的标定文档；应用预先训练好的基于resnet50和aspp模块的深度学习模型对混凝土裂缝图像进行识别，以获取识别到的裂缝区域；

步骤s6：对识别到的裂缝区域进行裂缝边缘提取；

步骤s7：对提取边缘后的裂缝图像进行骨架提取；

步骤s8：对提取的骨架进行骨架校正；

步骤s9：利用freeman链码对提取的裂缝骨架的长度进行计算，应用骨架线垂线对裂缝骨架的宽度进行计算。

本申请实施例中提供的技术方案，至少具有如下技术效果或优点：本发明提出的混凝土检测设备携带方便、响应速度快、检测准确度高，可适用在各种户外环境下进行检测作业，可实现裂缝观测数据的信息化存储、精准比对与趋势分析。

本发明提出的软件系统，基于ubuntu系统，应用c++语言实现识别裂缝、测缝长、测全段缝宽、监控发展趋势、语音提示等功能。

本发明的一体化检测系统相比于传统的混凝土裂缝检测设备来说采用了神经网络模型识别混凝土裂缝，识别率极高。不同于传统的接触式测量，本发明采用的非接触式测量能够通过图像处理技术获取长裂缝全貌，精确计算裂缝各点宽度，实现裂缝危害性评价。综上所述，本发明的一体化检测系统集便携化、智能化、适应性强于一身，易于普及推广。

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。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。