基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备与流程

本发明属于遥感图像处理技术领域，是一种基于深度学习边界约束算法的高空间分辨率遥感影像建筑物提取的方法，主要应用于亚米级遥感影像的建筑物自动提取。

背景技术：

建筑物是地理数据库中最容易增加和发生变化，也是最需要更新的部分。由于建筑物对于城市建设、gis系统更新、数字化城市以及军事侦察等方面的重要性，快速提取建筑物信息技术和进行建筑物变化检测在城市发展规划、电子信息化、国防等方面有着重要的应用。在遥感图像中人工建筑物信息的提取是个复杂的过程，不仅仅需要计算机的自动识别，也需要人的辅助完成，导致目前建筑物提取的效率较低。

近年来，随着计算机性能的极大提升以及深度学习的快速发展，卷积神经网络应用的领域不断扩大，利用卷积神经网络进行地物的自动化提取方法逐渐成熟，并在遥感领域取得了较大成效。由于传感器精度的提高，能够利用的遥感影像分辨率也越来越高，卷积神经网络提取的特征也越来越丰富。这样一来，利用卷积神经网络以建筑为单位提取高分辨遥感影像上的多种类型建筑物也有了理论基础。

目前基于遥感影像建筑提取的技术方法仅能提取较为规则且特征明显的建筑，通用性较差，当建筑物较为密集时，提取效果一般，因此如何快速准确地提取各类复杂建筑是遥感信息处理的关键步骤。

目前采用深度学习进行建筑提取方法得到的建筑矢量与影像所表现的实际建筑地块差距较大，难以应用到土地利用调查中。目前急需一种新型的遥感影像建筑物提取方法。

技术实现要素：

为了克服现有技术的不足，本发明提出的一种基于深度学习的遥感影像建筑物提取方法，采用改进的u-net与rcf融合的网络模型，不但能够在遥感影像上快速检测出各种类别的建筑物，还能够对提取的建筑边界进行有效约束，保证提取建筑边界与实际影像建筑边界的一致性。

本发明提供基于深度学习的遥感影像建筑物提取方法，包括以下步骤：

s1、样本制作，采集遥感影像，对遥感影像进行分割裁剪得到包含分类对象的面矢量文件，并绘制所述面矢量文件中的建筑物标签，将标签为建筑物的所述面矢量样本的矢量数据转换成栅格数据，得到栅格化的建筑物样本，其中，所述建筑物样本种类包括城市单体建筑、农村孤立建筑、农村宅基地密集建筑群；

s2、模型训练，调整改进的u-net与rcf融合的网络模型参数，对所述建筑物样本进行基于改进的u-net与rcf融合的模型训练，得到对应所述城市单体建筑、所述农村孤立建筑、所述农村宅基地密集建筑群的边界约束的三种分类模型；

s3、精度评定，将待测试的遥感影像数据输入所述分类模型预测测试数据，并计算本次测试的检测评价函数miou以及mpa,若miou值或mpa均达标则跳转至下一步，若miou值或mpa存在不达标情况则调整改进的u-net与rcf融合的网络模型参数返回步骤s1并修改样本重新迭代训练；

s4、建筑物预测，利用经步骤s3中评定达标的三种分类模型对遥感影像目标区域进行建筑物预测，得到遥感影像中栅格化的三种建筑物数据；

s7、合并及矢量化，将最终的栅格化的三种建筑物数据进行叠加得到总体建筑物栅格数据，再将总体建筑物栅格数据进行矢量化，得到提取的遥感影像建筑物数据。

进一步地，所述步骤s4与所述步骤s7之间还包括步骤:

s5、影像后处理，利用图像处理模块对步骤s4中预测得到的栅格化的三种建筑物数据进行边界平滑，降低建筑物边界锯齿。

进一步地，所述步骤s4与所述步骤s7之间还包括步骤:

s6、建筑物图斑处理，根据建筑物类别获取图斑判定阈值，若对应建筑物类别的图斑面积大于等于所述图斑判定阈值，则判定图斑为有效图斑，并进行图斑腐蚀、开闭运算、填充处理来修补图斑；若对应建筑物类别的图斑面积小于所述图斑判定阈值，则判定图斑为无效图斑，并进行图斑腐蚀、去噪处理来消除过滤图斑。

进一步地，所述建筑物标签包括线标签、面标签。

进一步地，在步骤s1中通过rcf算法提取遥感影像的边界，并根据边界进行建筑分类，并将通过rcf算法提取遥感影像的边界作为约束条件并输入所述建筑物样本。

进一步地，所述遥感影像为三波段或四波段融合影像。

一种电子设备，包括：处理器；

存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行基于深度学习的遥感影像建筑物提取方法。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行基于深度学习的遥感影像建筑物提取方法。

基于深度学习的遥感影像建筑物提取系统，包括样本制作模块、模型训练模块、精度评定模块、建筑物预测模块、图像处理模块；其中，

所述图像处理模块包括合并矢量化单元、栅格化单元，所述合并矢量化单元用于将遥感影像的栅格化数据先合并再进行矢量化，所述栅格化单元用于将遥感影像的矢量化数据栅格化；

所述样本制作模块用于采集遥感影像，对遥感影像进行分割裁剪得到包含分类对象的面矢量样本，并绘制面矢量样本的标签，将标签为建筑物的所述面矢量样本的矢量数据转换成栅格数据，得到栅格化的建筑物样本，其中，所述建筑物样本种类包括城市单体建筑、农村孤立建筑、农村宅基地密集建筑群；

所述模型训练模块用于调整改进的u-net与rcf融合的网络模型参数，对建筑物样本进行基于改进的u-net与rcf融合的模型训练，得到对应城市单体建筑、农村孤立建筑、农村宅基地密集建筑群的边界约束的三种分类模型；

所述精度评定模块用于将待测试的遥感影像数据输入分类模型预测测试数据，并计算本次测试的检测评价函数miou以及mpa,若miou值或mpa均达标则跳转至下一步，若miou值或mpa存在不达标情况则调整改进的u-net与rcf融合的网络模型参数返回并修改样本重新迭代训练；

所述建筑物预测模块用于利用经所述精度评定模块中评定达标的分类模型对遥感影像目标区域进行建筑物预测，得到遥感影像中栅格化的三种建筑物数据；

所述合并矢量化单元将最终的栅格化的三种建筑物数据进行叠加得到总体建筑物栅格数据，再将总体建筑物栅格数据进行矢量化，得到提取的遥感影像建筑物数据。

进一步地，基于深度学习的遥感影像建筑物提取系统还包括建筑物图斑识别模块，所述建筑物图斑识别模块用于根据建筑物类别获取图斑判定阈值，若对应建筑物类别的图斑面积大于等于所述图斑判定阈值，则判定图斑为有效图斑；若对应建筑物类别的图斑面积小于所述图斑判定阈值，则判定图斑为无效图斑；

所述图像处理模块还包括影像后处理单元、无效图斑处理单元、有效图斑处理单元；所述影像后处理单元用于对所述建筑物预测模块中预测得到的栅格化的三种建筑物数据进行边界平滑，降低建筑物边界锯齿；所述无效图斑处理单元用于对判定为无效图斑进行图斑腐蚀、去噪处理来消除过滤图斑；所述有效图斑处理单元用于对判定为有效图斑进行图斑腐蚀、开闭运算、填充处理来修补图斑。

相比现有技术，本发明的有益效果在于：

本发明提供基于深度学习的遥感影像建筑物提取方法，包括步骤样本制作、模型训练、精度评定、建筑物预测、合并及矢量化。本发明还涉及基于深度学习的遥感影像建筑物提取系统、存储介质、电子设备；本发明采用深度优化全卷积神经网络，通过改进模型的网络层、池化大小等参数优化网络，同时添加深度边缘模型来提高建筑轮廓提取效果。本发明以改进的rcf边界约束模型为基础对城市单体建筑轮廓、农村孤立建筑轮廓以及农村建筑密集群外围边界进行提取，同时改进u-net语义分割模型网络结构，利用改进u-net对影像进行像素级分类，最后将两种模型进行融合，通过大量的建筑样本标签数据训练深度学习模型，以改进的u-net与rcf融合的网络模型对亚米级国产高分2号遥感影像上的建筑物进行提取，实现自动高效的建筑物矢量数据提取，极大缩减手工绘制的时间成本和人力成本。相比于传统的人工建筑地块提取方法，本发明可有效提高建筑地块提取的生产效率，同时保证建筑单体形态与遥感影像上显示的建筑物形态的一致性，便于遥感影像处理推广应用。

建筑物在遥感影像上的类别和形态比较复杂，不仅颜色形状各异，而且尺度差异很大，有比较小的农村宅基地单栋房屋，也有占地面积很大的工厂厂房。针对建筑物的复杂特征，利用u-net与rcf融合网络模型，将网络中所有的卷积层信息全部加以利用，显式地使用多尺度融合来充分提取对象特征，其中包括建筑外部轮廓特征以及建筑内部纹理特征，本发明能够得到更加细致的建筑物结果，并保证提取建筑结果的可靠性。

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，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明的基于深度学习的遥感影像建筑物提取方法流程示意图；

图2为本发明的基于深度学习的遥感影像建筑物提取方法逻辑示意图；

图3为深度学习算法u-net模型示意图；

图4为rcf算法模型示意图；

图5为本发明的改进的u-net与rcf融合模型示意图；

图6为图5运用本发明后的建筑物局部示意图；

图7为本发明的基于深度学习的遥感影像建筑物提取系统示意图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。

基于深度学习的遥感影像建筑物提取方法，如图1、图2所示，包括以下步骤：

s1、样本制作，采集遥感影像，对遥感影像进行分割裁剪得到包含分类对象的面矢量文件，并绘制所述面矢量文件中的建筑物标签，将标签为建筑物的所述面矢量样本的矢量数据转换成栅格数据，得到栅格化的建筑物样本，其中，所述建筑物样本种类包括城市单体建筑、农村孤立建筑、农村宅基地密集建筑群。

在一实施例中，收集整理研究区的高分2号0.8米分辨率4波段融合影像，建立影像库，同时根据影像建立相应的建筑矢量标签样本库(包括城市单体建筑、农村孤立建筑以及农村宅基地密集建筑群)；根据建筑样本库进行样本标签的格式转换，根据标签矢量将建筑样本转换为轮廓线样本栅格数据以及建筑面样本栅格数据。例如，在高分二号遥感影像上通过选择的点矢量文件进行影像样本块的自动裁切，得到大小为1000*1000且包含分类对象的面矢量框样本，绘制样本标签，利用gdal(geospatialdataabstractionlibrary)批量处理多波段样本数据为标准格式，其中样本种类包括城市单体建筑、农村孤立建筑以及农村宅基地密集建筑群，每种样本包括线和面两类标签；需要说明的是，在本实施例中优选四波段融合影像，因四波段融合影像中在包含rgb三波段影像的基础上还包括近红外影像，首先在数据样本的数据量上较普通的三波段影像而言数据量大，有利于样本训练，从而提高准确性；其次，因近红外影像能有效过滤掉绿色干扰，和rgb三波段结合后有效快速过滤绿化带的图像信息，提高建筑物提取效率。在本实施例中，建筑物的轮廓线通过rcf(richerconvolutionalfeatures)算法来提取遥感影像的边界，建筑面样本栅格数据通过改进u-net对遥感影像进行像素级分类，并以边界作为约束输入至深度学习的网络模型中。

s2、模型训练，调整改进的u-net与rcf融合的网络模型参数，对所述建筑物样本进行基于改进的u-net与rcf融合的模型训练，得到对应所述城市单体建筑、所述农村孤立建筑、所述农村宅基地密集建筑群的边界约束的三种分类模型。

如图3所示，为深度学习算法u-net模型原理，u-net是在fcn网络的基础上增加上采样阶段得到的具有多尺度的网络模型，适合遥感大图语义分割的卷积神经网络，网络结构如图3所示主要分为两个部分，输入侧部分与fcn一样是提取图像特征的卷积网络，输出侧部分是上采样部分的反卷积操作，本阶段添加很多特征通道，允许更多的原图像纹理信息在高分辨率的层中进行传播。特别说明的是，u-net没有全连接层，且整个过程使用valid来进行卷积，这样可以保证分割结果都是在基于没有缺失的上下文特征中得到的，因此输入输出的图像尺寸会不一致，对于很大图像的输入，可以采用overlap-strategy来进行无缝的图像输出。另外由于上采样部分会融合特征提取部分的输出，这实际上是一个多尺度融合，对象的特征即来自第一个卷积block的输出，也来自上采样的输出，这样的连接贯穿整个网络，对于具有多种尺度的建筑物具有较好的提取效果。

如图4所示，为rcf算法模型原理，rcf算法是在hed算法结构的基础上进行一定的改进，其中，hed算法采用级联结构同时利用vgg作为模型进行fine-tune，输出vgg中5个stage的输出进行融合，但hed只利用每个stage中最后一层的卷积特征输出，而rcf则利用每个stage中所有卷积层的特征，并且引入新的损失函数loss/sigmoid。

如图5所示，为基于深度学习的边界约束模型即rcf与u-net结合后改进的算法模型原理；将rcf算法原理贯穿整个u-net网络，在u-net网络的每一个卷积层后面使用1*1的卷积核进行升维或降维以及通道间的信息整合，并对每个阶段的特征层进行融合，对每个融合后的层计算loss，并将所有边缘loss进行加权平均，最后再与分类的loss进行加权平均得到最终loss，而最终的输出结果为边缘模块的最后一层卷积输出与分类模块的最后一层卷积输出融合后的结果，充分利用边界特征进行约束。

在一实施例中，依据转换后的三种分类样本进行基于深度学习的边界约束的模型训练，对模型中的网络层数池化大小等进行调整，并进行特征融合。例如，将每种建筑的图像栅格数据和对应的两类标签同时输入如图5所示的u-net与rcf的改进网络，充分考虑模型对边界的特征以及建筑内部特征，实现了在分类的同时进行边界约束，通过调整参数进行反复迭代训练分别得到与三种建筑对应的边界约束的分类模型。

s3、精度评定，将待测试的遥感影像数据输入所述分类模型预测测试数据，并计算本次测试的检测评价函数miou以及mpa,若miou值或mpa均达标则跳转至下一步，若miou值或mpa存在不达标情况则调整改进的u-net与rcf融合的网络模型参数返回步骤s1并修改样本重新迭代训练；例如，设定miou值范围在0.80-1间，设定mpa值范围在0.85-1间认定为达标，当超出范围时，则调整改进的u-net与rcf融合的网络模型参数返回s1中重新训练。

s4、建筑物预测，利用经步骤s3中评定达标的三种分类模型对遥感影像目标区域进行建筑物预测，得到遥感影像中栅格化的三种建筑物数据；例如，利用改进的u-net与rcf融合的网络模型对遥感影像目标区域高分2号遥感影像进行建筑物提取，充分考虑模型对边界的特征以及建筑内部特征，实现了在分类的同时进行边界约束。

s7、合并及矢量化，将最终的栅格化的三种建筑物数据进行叠加得到总体建筑物栅格数据，再将总体建筑物栅格数据进行矢量化，得到提取的遥感影像建筑物数据，从而得到可应用的结果，最后再对矢量化的遥感影像建筑物数据进行拓扑检查、边缘检查等矢量化运算；例如，图6所示，为提取南京栖霞区城市部分建筑结果示意图，其中黑色轮廓均为建筑边界。通过实际人工建筑生产试验的验证，本发明的技术方法在效率上得到较大的提高：试验区样本面积约200平方千米，共有建筑物(群)16231个，单人提取耗时约48小时，应用本发明的技术方法提取用时1小时，人工精修1.5小时，生产效率提高约20倍。因此本发明可以在保证精度的前提下有效提高现有建筑提取方法的效率。

需要说明的是，矢量数据结构可具体分为点、线、面，可以构成现实世界中各种复杂的实体，当问题可描述成线或边界时，特别有效。矢量数据的结构紧凑，冗余度低，并具有空间实体的拓扑信息，容易定义和操作单个空间实体，便于网络分析。矢量数据的输出质量好、精度高。但矢量数据结构的复杂性，导致了操作和算法的复杂化，作为一种基于线和边界的编码方法，不能有效地支持影像代数运算，如不能有效地进行点集的集合运算(如叠加)，运算效率低而复杂。由于矢量数据结构的存贮比较复杂，导致空间实体的查询十分费时，需要逐点、逐线、逐面地查询。矢量数据和栅格表示的影像数据不能直接运算(如联合查询和空间分析)，交互时必须进行矢量和栅格转换。矢量数据与dem(数字高程模型)的交互是通过等高线来实现的，不能与dem直接进行联合空间分析。栅格数据结构是通过空间点的密集而规则的排列表示整体的空间现象的。其数据结构简单，定位存取性能好，可以与影像和dem数据进行联合空间分析，数据共享容易实现，对栅格数据的操作比较容易。栅格数据的数据量与格网间距的平方成反比，较高的几何精度的代价是数据量的极大增加。因为只使用行和列来作为空间实体的位置标识，故难以获取空间实体的拓扑信息，难以进行网络分析等操作。栅格数据结构不是面向实体的，各种实体往往是叠加在一起反映出来的，因而难以识别和分离。对点实体的识别需要采用匹配技术，对线实体的识别需采用边缘检测技术，对面实体的识别则需采用影像分类技术，这些技术不仅费时，而且不能保证完全正确。通过以上的分析可以看出，矢量数据结构和栅格数据结构的优缺点是互补的，为了有效地实现gis中的各项功能(如与遥感影像数据的结合，有效的空间分析等)需要同时使用两种数据结构，并在gis中实现两种数据结构的高效转换。

在一实施例中，所述步骤s4与所述步骤s7之间还包括步骤:

s5、影像后处理，利用图像处理模块对步骤s4中预测得到的栅格化的三种建筑物数据进行边界平滑，降低建筑物边界锯齿。在本实施例中，首先对提取的建筑轮廓边界进行平滑以及细化处理。应当理解，图像处理包括但不限于现有的图形学算法如边缘平滑、细化处理，在本实施例中，采用opencv图像处理模块对预测结果进行后处理。

在一实施例中，因在建筑物提取过程中易出现偏差导致原本连贯的建筑物中断，所述步骤s4与所述步骤s7之间还包括步骤：

s6、建筑物图斑处理，根据建筑物类别获取图斑判定阈值，若对应建筑物类别的图斑面积大于等于所述图斑判定阈值，则判定图斑为有效图斑，并进行图斑腐蚀、开闭运算、填充处理来修补图斑；若对应建筑物类别的图斑面积小于所述图斑判定阈值，则判定图斑为无效图斑，并进行图斑腐蚀、去噪处理来消除过滤图斑。在本实施例中，先判断提取的建筑图斑大小，对建筑单体以及建筑群进行区分，通过图形学算法实现建筑群的孔洞修补以及建筑单体的去噪；例如，图斑分为有效图斑和无效图斑，判定的标准是一个经验值，主要根据建筑物面积大小划分，由于三种建筑物的平均大小不同，所以不同类型建筑物的图斑判定阈值也不同，当判定为有效图斑时，将进行一系列图像学操作，包括但不限于图斑腐蚀、开闭运算、填充；当判定为无效图斑时，则通过腐蚀、去噪方法消除，过滤了一部分错提结果。

一种电子设备，包括：处理器；存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行基于深度学习的遥感影像建筑物提方法。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行基于深度学习的遥感影像建筑物提取方法。

基于深度学习的遥感影像建筑物提取系统，如图7所示，包括样本制作模块、模型训练模块、精度评定模块、建筑物预测模块、图像处理模块；其中，

所述图像处理模块包括合并矢量化单元、栅格化单元，所述合并矢量化单元用于将遥感影像的栅格化数据先合并再进行矢量化，所述栅格化单元用于将遥感影像的矢量化数据栅格化；

所述样本制作模块用于采集遥感影像，对遥感影像进行分割裁剪得到包含分类对象的面矢量样本，并绘制面矢量样本的标签，将标签为建筑物的所述面矢量样本的矢量数据转换成栅格数据，得到栅格化的建筑物样本，其中，所述建筑物样本种类包括城市单体建筑、农村孤立建筑、农村宅基地密集建筑群；

所述模型训练模块用于调整改进的u-net与rcf融合的网络模型参数，对建筑物样本进行基于改进的u-net与rcf融合的模型训练，得到对应城市单体建筑、农村孤立建筑、农村宅基地密集建筑群的边界约束的三种分类模型；

所述精度评定模块用于将待测试的遥感影像数据输入分类模型预测测试数据，并计算本次测试的检测评价函数miou以及mpa,若miou值或mpa均达标则跳转至下一步，若miou值或mpa存在不达标情况则调整改进的u-net与rcf融合的网络模型参数返回并修改样本重新迭代训练；

所述建筑物预测模块用于利用经所述精度评定模块中评定达标的分类模型对遥感影像目标区域进行建筑物预测，得到遥感影像中栅格化的三种建筑物数据；

所述合并矢量化单元将最终的栅格化的三种建筑物数据进行叠加得到总体建筑物栅格数据，再将总体建筑物栅格数据进行矢量化，得到提取的遥感影像建筑物数据。

优选地，如图7所示，基于深度学习的遥感影像建筑物提取系统还包括建筑物图斑识别模块，所述建筑物图斑识别模块用于根据建筑物类别获取图斑判定阈值，若对应建筑物类别的图斑面积大于等于所述图斑判定阈值，则判定图斑为有效图斑；若对应建筑物类别的图斑面积小于所述图斑判定阈值，则判定图斑为无效图斑；

所述图像处理模块还包括影像后处理单元、无效图斑处理单元、有效图斑处理单元；所述影像后处理单元用于对所述建筑物预测模块中预测得到的栅格化的三种建筑物数据进行边界平滑，降低建筑物边界锯齿；所述无效图斑处理单元用于对判定为无效图斑进行图斑腐蚀、去噪处理来消除过滤图斑；所述有效图斑处理单元用于对判定为有效图斑进行图斑腐蚀、开闭运算、填充处理来修补图斑。

本发明提供一种基于深度学习的遥感影像建筑物提取方法，采用深度优化全卷积神经网络，通过改进模型的网络层、池化大小等参数优化网络，同时添加深度边缘模型来提高建筑轮廓提取效果。本发明以改进的rcf边界约束模型为基础对城市单体建筑轮廓、农村孤立建筑轮廓以及农村建筑密集群外围边界进行提取，同时改进u-net语义分割模型网络结构，利用改进u-net对影像进行像素级分类，最后将两种模型进行融合，通过大量的建筑样本标签数据训练深度学习模型，以改进的u-net与rcf融合的网络模型对亚米级国产高分2号遥感影像上的建筑物进行提取，实现自动高效的建筑物矢量数据提取，极大缩减手工绘制的时间成本和人力成本。相比于传统的人工建筑地块提取方法，本发明可有效提高建筑地块提取的生产效率，同时保证建筑单体形态与遥感影像上显示的建筑物形态的一致性。

建筑物在遥感影像上的类别和形态比较复杂，不仅颜色形状各异，而且尺度差异很大，有比较小的农村宅基地单栋房屋，也有占地面积很大的工厂厂房。针对建筑物的复杂特征，利用u-net与rcf融合网络模型，将网络中所有的卷积层信息全部加以利用，显式地使用多尺度融合来充分提取对象特征，其中包括建筑外部轮廓特征以及建筑内部纹理特征，本发明能够得到更加细致的建筑物结果，并保证提取建筑结果的可靠性。

以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。