一种基于FasterR-CNN和HMM的哺乳母猪姿态转换识别方法与流程

本发明涉及视频识别技术领域，特别涉及一种基于fasterr-cnn和hmm的哺乳母猪姿态转换识别方法。

背景技术：

在养猪场集中饲养环境下，母猪的母性行为和仔猪成活率密切相关，而母性行为的好坏主要体现在姿态转换上。通过人工眼睛直接观察或视频监控观察母猪的姿态转换行为具有强主观性，且耗时费力。母猪姿态转换行为的自动识别可对其母性行为特质和规律提供基础研究信息，并防止仔猪踩压死亡，提高仔猪生存率，降低猪场管理的人工成本，对提高生猪养殖水平具有重大意义。

传感器技术已被用于监测母猪姿态或姿态转换，如公开号cn105850773a的专利公开一种基于微惯性传感器的生猪姿态监测装置及方法。采用三轴磁力计传感器hmc5883、整合三轴加速度传感器和三轴陀螺仪的6轴微惯性传感器mpu-6050获取生猪的姿态信息和行为信息。公开号cn106326919a的专利公开一种基于bp神经网络的生猪行为分类方法，通过mpu-6050传感器实时采集生猪加速度、角速度和姿态角信息作为输入，根据预先建立的bp神经网络模型识别生猪站、走、卧、躺四种行为方式。为克服母猪应激、传感器脱落或损坏等影响，研究者开始采用计算机视觉获取母猪姿态信息。如公开号cn107844797a的专利公开一种基于深度图像的哺乳母猪姿态自动识别的方法，采用dpm算法获得母猪的目标区域，将目标区域结果输入到母猪姿态识别深度卷积神经网络中，对母猪姿态进行识别。公开号cn108830144a的专利公开一种基于改进fasterr-cnn的哺乳母猪姿态识别方法，通过引入残差结构和centerloss监督信号，模型精度和训练速度，最终实现对哺乳母猪站立、坐立、俯卧、腹卧和侧卧五类姿态的有效识别。而母猪姿态转换中身体形变、母猪与仔猪的粘连、场景光照变化等给全天候基于计算机视觉的母猪姿态转换识别带来极大的挑战，因此，几乎未见国内外相关研究成果报道。

针对自由栏猪舍场景下，昼夜交替光线变化、母猪与仔猪粘连、猪体形变等给哺乳母猪姿态转换识别带来的困难，本发明采用深度视频图像作为母猪姿态转换识别的数据源，提出一种基于fasterr-cnn和hmm的哺乳母猪姿态转换识别算法，试验验证了本发明方法的有效性，为母猪高危行为自动识别提供了参考技术。

因此，提供一种在复杂环境下，能够准确对哺乳母猪姿态转换进行识别的方法是本领域技术人员亟待解决的技术问题。

技术实现要素：

有鉴于此，本发明的目的在于提供一种基于fasterr-cnn和hmm的哺乳母猪姿态转换识别方法，能够在母猪形变、与仔猪或墙壁粘连、尺寸不同和夜间场景等复杂情况下，准确识别出母猪姿态转换。为实现上述目的其具体方案如下：

本发明公开了一种基于fasterr-cnn和hmm的哺乳母猪姿态转换识别方法，包括如下步骤：

s1、采集母猪的深度视频图像，并建立母猪姿态转换识别视频图像库；

s2、建立fasterr-cnn母猪姿态检测模型和hmm高度序列分类模型；

s3、用fasterr-cnn对深度视频图像逐帧检测，获取母猪姿态序列，标记母猪姿态序列中的疑似转换片段和单一姿态片段，在疑似转换片段中选取候选区域，并根据候选区域构建母猪定位管道；

s4、对母猪定位管道中的图像逐帧进行分割，计算母猪身体各部分平均高度，形成疑似转换片段的高度序列，并根据高度序列采用hmm高度序列分类模型将疑似转换片段分为未转换片段或姿态转换片段；

s5、将未转换片段与单一姿态片段合并形成合并后的单一姿态片段，最后对合并后的单一姿态片段和姿态转换片段分类，获取母猪姿态转换识别结果。

fasterr-cnn利用卷积、池化提取高质量图像特征，较好地解决了猪舍场景下，由于光照变化、猪体形变和尺寸不同等问题。本发明通过fasterr-cnn产生候选区域，并采用维特比算法构建母猪定位管道，在此基础上，通过otsu分割和形态学处理提取疑似转换片段中母猪躯干部、尾部和猪体上下两侧的高度序列，由hmm识别姿态转换。

优选的，所述步骤s1的具体过程如下：

s11、数据采集：实时采集获取俯视母猪深度视频图像；

s12、构建数据库：剔除母猪身体缺失、相机抖动的视频段，构建训练集、验证集和测试集；

s13、采用中值滤波对深度视频图像逐帧预处理，再通过限制对比度自适应直方图均衡化的方法提高图像对比度；

s14、从每个母猪姿态未发生变化的视频段中随机抽取至多5张深度视频图像，分别得到站立、坐、趴卧和侧卧各m张，共4m张，再分别做顺时针90°、180°和270°旋转以及水平、垂直镜像扩增，最后形成24m张图像作为fasterr-cnn的训练集；从每个母猪姿态未发生变化的视频段中随机抽取至多5张深度图像，分别得到n张站立、坐、趴卧和侧卧图像作为fasterr-cnn的验证集；从每个母猪姿态未发生变化的视频段中随机抽取至多5张深度图像，分别得到t张站立、坐、趴卧和侧卧张作为fasterr-cnn的测试集；对训练集、验证集和测试集数据进行手工标注，即标注出母猪在图像中的边界框和姿态类别；

s15、随机选取训练集中发生与未发生姿态转换的图像序列若干段，作为hmm模型的训练集；再随机选取验证集中发生与未发生姿态转换的图像序列若干段，作为hmm模型的验证集；将测试集中的所有疑似转换片段作为hmm模型的测试集；对训练集、验证集和测试集数据进行手工标注，即标注出母猪在视频段中是否发生姿态转换。

优选的，所述步骤s2的具体过程如下：

s21、训练fasterr-cnn模型，具体过程如下，

s211、选择zfnet作为网络结构，通过caffe框架进行模型训练；

s212、采用随机梯度下降法和反向传播算法微调参数，对网络层采用高斯分布初始化；

其中，微调参数的过程选择最大迭代次数为9×10⁴，其中前6×10⁴次学习率为10-3，后3×10⁴次学习率为10-4，冲量为0.9，权值的衰减系数为5×10^-4，mini-batch为256，对网络层采用均值为0，标准差为0.1的高斯分布初始化。

s213、根据深度图像中母猪的尺寸，将锚点面积设置为962、1282和1602，长宽比设置为1:1、1:3和3:1；

s22、训练hmm高度序列分类模型；提取hmm模型训练集和验证集的高度序列，每段高度序列行数为4，分别对应躯干部、尾部和猪体上下两侧；设置核函数个数、隐状态数和最大迭代次数，并将每段高度序列减去各自均值作为预处理；重复10次试验，保留准确率最高的模型。

其中，设置核函数个数和隐状态数为2，最大迭代次数为500，当误差小于10-6时算法提前结束。

优选的，所述步骤s3的具体过程如下：

s31、获取母猪姿态序列和候选区域，具体过程如下，

s311、将深度视频图像逐帧输入至fasterr-cnn模型进行检测；

s312、选取每帧中概率最大的姿态，形成姿态序列，用于步骤s32疑似转换片段的检测和步骤s5单一姿态片段分类，同时保留概率最大的前五个检测框作为候选区域，用于步骤s33连接候选区域；

s32：根据姿态转换持续时间的统计结果，采用滑动窗口计算每个窗口内姿态序列的变化次数，选取变化次数大于3的片段作为疑似转换片段，其余片段作为单一姿态片段；滑动窗口的长度为20、步长为1；

s33：对疑似转换片段各帧中的候选区域，首先按照公式(1)计算相邻帧候选区域的连接分数，

s(rt,rt+1)＝φ(rt)+φ(rt+1)+λ·ov(rt,rt+1)(1)

式中，φ(rt)和φ(rt+1)分别表示第t帧候选区域rt和第t+1帧候选区域rt+1在四类姿态中的最大概率，ov(rt,rt+1)表示候选区域rt和rt+1的交并比，λ为系数，取2；

s34：再按照公式(2)计算疑似转换片段各帧候选区域的最优连接序列，即构建母猪定位管道，

式中为候选区域的连接序列集合。

优选的，所述步骤s4的具体过程如下：

s41：对构建的定位管道，逐帧在检测框中应用最大类间方差法otsu将母猪从背景中分割出来，通过霍夫变换检测otsu分割结果中的墙壁并将其剔除，再进行闭操作，断开母猪与仔猪粘连，最后将分割结果映射至原始深度视频图像；

s42：统一对分割结果进行双三次插值法旋转；再连接头尾两点形成直线，于直线四分之一和四分之三点处分别作垂线，将母猪猪体分为三部分，即头部、躯干部和尾部；根据圆弧度区分母猪头部及尾部，后分别计算躯干部、尾部和猪体上下两侧的平均高度，最后合并各帧结果，形成疑似转换片段的高度序列；

s43：将计算得到的高度序列输入至hmm模型，通过前向-后向算法进行后验概率的估计，并分为姿态转换片段或未转换片段。

优选的，所述步骤s5的具体过程如下：

s51：将未转换片段与单一姿态片段合并，得到合并后的单一姿态片段；

s52：对于合并后的单一姿态片段类别，根据其姿态序列中占比最大的姿态进行分类；

s53：根据单一姿态片段的类别对姿态转换片段进行分类，形成最终预测结果。

优选的，所述最终预测结果是各种姿态及姿态转换的起始帧和结束帧。

优选的，所述训练集是指用来训练fasterr-cnn和hmm模型的数据集；所述验证集是指在训练过程中，用来优化网络结构参数和模型参数的数据集，选择最优模型；所述测试集是指用来测试模型性能，并进行性能评价。

优选的，所述单一姿态片段是指母猪保持同一姿态的片段，所述疑似转换片段是指母猪可能发生姿态转换的片段，疑似转换片段进一步分为姿态转换片段和未转换片段.

优选的，所述单一姿态包括：站立、坐、趴卧和侧卧，所述姿态转换包括：下行转换、上行转换和翻身。

与现有技术相比，本发明技术方案的有益效果是：

(1)本发明建立一个哺乳母猪姿态转换识别视频图像库，该数据库包含了猪舍场景下，母猪日常生活中的各种行为姿态俯视图像，所有图像的拍摄高度、背景、尺度等方面都各有差异，该数据库为以后的母猪行为分析、算法设计等提供数据支持；

(2)本发明基于fasterr-cnn和hmm模型，采用部分母猪视频图像训练fasterr-cnn母猪姿态检测模型和hmm疑似转换片段分类模型，采用剩余部分的母猪图像作为验证集，提高模型的泛化性能，解决了在复杂环境下，如光线、小猪遮挡、猪体尺寸不同等因素下，母猪姿态转换识别难的问题；

(3)本发明在fasterr-cnn的基础上，通过融合hmm模型、维特比算法和otsu阈值分割等方法，实现深度视频图像中哺乳母猪姿态转换的自动识别，为后续识别母猪高危动作及福利状态评估等研究打下基础；

(4)该发明适用于对连续长时间的母猪监控，有助于进一步进行母猪行为自动化检测识别。

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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明基于fasterr-cnn和hmm的哺乳母猪姿态转换识别方法的流程图；

图2附图为本发明采用fasterr-cnn模型产生候选区域并建立定位管道的示意图；

图3附图为本发明对母猪4类姿态的区域划分示意图；

图4附图为本发明不同交并比阈值下的成功定位率；

图5附图为本发明分段结果对比示意图。

具体实施方式

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，所描述的实施例仅仅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做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。

本发明提供的一种基于fasterr-cnn和hmm的哺乳母猪姿态转换识别方法，该方法实现了猪舍场景下的母猪姿态转换自动识别，为进一步处理和母性行为智能分析提供基础保障。

参见图1为本发明的流程图，步骤1为采集视频图像，建立数据库。步骤2为建立fasterr-cnn模型和hmm模型。步骤3是用fasterr-cnn模型对深度视频图像逐帧检测，标记疑似转换片段和单一姿态片段，根据疑似转换片段中的候选区域构建母猪定位管道。步骤4是提取定位管道中母猪身体各部分的高度，采用hmm对疑似转换片段的高度序列分类。步骤5合并未转换片段与单一姿态片段，对合并后的单一姿态片段和姿态转换片段分类。该方法在ubuntu14.04操作系统下，基于nvidiagtx980的gpu硬件平台上搭建caffe深度学习框架，进行fasterr-cnn和hmm模型训练和测试，并在matlab下完成母猪姿态转换的自动识别。

具体实现为：

步骤一、采集母猪的深度视频图像，并建立母猪姿态转换识别视频图像库；

步骤二、建立fasterr-cnn母猪姿态检测模型和hmm疑似转换片段分类模型；

步骤三、用fasterr-cnn对深度视频图像逐帧检测，获取母猪姿态序列和候选区域，标记姿态序列中的疑似转换片段和单一姿态片段，用维特比算法根据候选区域构建母猪定位管道；

步骤四、对母猪定位管道中的图像逐帧进行分割，计算母猪身体各部分平均高度，形成疑似转换片段的高度序列，并根据高度序列采用hmm模型将疑似转换片段分为未转换片段或姿态转换片段；

步骤五、将未转换片段与单一姿态片段合并，对合并后的单一姿态片段和姿态转换片段分类，获取母猪姿态转换识别结果。

所述步骤一，采集母猪的深度视频图像，并建立母猪姿态转换识别视频图像库，具体包括：

1)将摄像机固定到实地猪栏正上方，调整至适宜高度，以获取完整的猪栏区域。用usb连接至电脑图像获取系统，实时获取俯视母猪视频图像，并保存至本地硬盘，共采集123段母猪俯视深度视频图像，图像大小为512×424像素，如图2所示采集的母猪视频图像。随机挑选35段视频图像作为训练集，30段视频图像作为验证集，剩余58段视频图像作为测试集。

2)建立fasterr-cnn训练集、验证集和测试集。从训练集每个母猪姿态未发生变化的视频段中随机抽取至多5张深度图像，分别得到站立、坐、趴卧和侧卧各1500张，共6000张，再分别做顺时针90°、180°和270°旋转以及水平、垂直镜像扩增，最后形成36000张图像作为fasterr-cnn的训练集。从验证集每个母猪姿态未发生变化的视频段中随机抽取至多5张深度图像，分别得到站立1441、坐1416、趴卧1344和侧卧1585张作为fasterr-cnn的验证集。从测试集每个母猪姿态未发生变化的视频段中随机抽取至多5张深度图像，分别得到站立967、坐940、趴卧972和侧卧984张作为fasterr-cnn的测试集。对训练集、验证集和测试集数据进行手工标注，即标注出母猪在图像中的边界框和姿态类别。

3)建立hmm训练集、验证集和测试集。随机选取训练集中发生与未发生姿态转换的图像序列各60段，共120段，作为hmm的训练集；再随机选取验证集中发生与未发生姿态转换的图像序列各60段，共120段，作为hmm的验证集。将测试集中的所有疑似转换片段作为hmm的测试集。对训练集、验证集和测试集数据进行手工标注，即标注出母猪在视频段中是否发生姿态转换。

4)采用中值滤波的方法对图像进行预处理，窗口大小为5×5，再通过限制对比度自适应直方图均衡化的方法提高图像对比度，其中图像块大小设置为16×16，截断系数取0.01。

所述步骤二，建立fasterr-cnn母猪姿态检测模型和hmm高度序列分类模型，具体包括：

1)fasterr-cnn模型的训练基于caffe框架，选择zfnet作为网络结构，采用随机梯度下降法和反向传播算法微调参数，最大迭代次数为9×10⁴，其中前6×10⁴次学习率为10-3，后3×10⁴次学习率为10-4，冲量为0.9，权值的衰减系数为5×10^-4，mini-batch为256，对网络层采用均值为0，标准差为0.1的高斯分布初始化。根据深度图像中母猪的尺寸，将锚点面积设置为962、1282和1602，长宽比设置为1:1、1:3和3:1。当检测框与人工标注框交并比超过阈值0.7并且类别一致，则认为检测结果正确。

2)采用步骤四的方法提取hmm训练集和验证集的高度序列，每段高度序列行数为4，分别对应躯干部、尾部和猪体上下两侧；根据姿态转换持续时间的统计结果，每段图像序列长度为60～120帧不等，因而列数为60～120不等，对应各帧。

3)hmm模型的训练基于baum-welch算法，设置hmm模型的核函数个数和隐状态数为2，最大迭代次数为500，当误差小于10-6时算法提前结束，并将每段高度序列减去各自均值作为预处理。重复10次试验，保留准确率最高的模型。

所述步骤三，用fasterr-cnn对深度视频图像逐帧检测，获取母猪姿态序列和候选区域，标记姿态序列中的疑似转换片段和单一姿态片段，用维特比算法根据候选区域构建母猪定位管道，具体包括：

1)深度视频图像逐帧输入至训练好的fasterr-cnn模型进行检测，选取每帧中概率最大的姿态，形成姿态序列，用于后续疑似转换片段的检测和单一姿态片段的分类，同时保留概率最大的前五个检测框作为候选区域，用于后续构建定位管道。在对深度视频图像逐帧进行fasterr-cnn模型检测时，每一张图像产生200个检测框，在得到疑似转换片段后，保留概率最大的前五个检测框作为候选区域。

2)以长度为5、步长为1的中值滤波对姿态序列进行修正，采用长度为20、步长为1的滑动窗口计算每个窗口内姿态序列的变化次数，将变化次数大于3的片段标记为疑似转换片段，其余片段标记为单一姿态片段。

3)对疑似转换片段各帧中最大概率的前5个候选区域，首先按照公式(5)计算相邻帧候选区域的连接分数，式中φ(rt)和φ(rt+1)分别表示第t帧候选区域rt和第t+1帧候选区域rt+1在四类姿态中的最大概率，ov(rt,rt+1)表示候选区域rt和rt+1的交并比，λ为系数，取2；

s(rt,rt+1)＝φ(rt)+φ(rt+1)+λ·ov(rt,rt+1)(1)

4)再按照公式(6)计算疑似转换片段各帧候选区域的最优连接序列，即构建母猪的定位管道，式中为候选区域的连接序列集合。

参见图2是本发明采用fasterr-cnn模型产生候选区域并建立定位管道的示意图。fasterr-cnn分别在连续3(t＝3)帧产生了概率最大的前5个候选区域，候选框的概率从大到小依次排序为：红、绿、黄、蓝和紫，其中第二帧红色候选框定位错误，通过步骤s34的连接序列优化，能搜索到平均连接分数最大的定位管道。

所述步骤四，对定位管道中的图像逐帧进行分割，计算母猪身体各部分平均高度，形成疑似转换片段的高度序列，并根据高度序列采用hmm将疑似转换片段分为未转换片段或姿态转换片段，具体包括：

1)逐帧在检测框中采用最大类间方差法(otsu)，为减少脉冲噪声对分割效果的影响，在计算分割阈值时不统计灰度值大于250的像素点。

2)对otsu分割结果进行轮廓提取，并采用霍夫变换检测直线，若存在直线处于检测框边缘并且与该边缘长度相同时，则视为检测到墙壁，对该边缘重复进行一个像素的膨胀，每次膨胀后与otsu分割结果进行像素与运算，计算与膨胀前的像素个数差，当像素个数差小于直线长度的80％时则退出循环，将该部分像素视为墙壁并剔除。

3)通过闭操作断开母猪与仔猪粘连，所选结构元为圆形，半径为10像素。

4)统一对分割结果进行双三次插值法旋转。再连接头尾两点形成直线，于直线四分之一和四分之三点处分别作垂线，将母猪猪体分为三部分，即头部、躯干部和尾部。根据圆弧度区分母猪头部及尾部，后分别计算躯干部、尾部和猪体上下两侧的平均高度。最后合并各帧结果，形成疑似转换片段的母猪躯干部、尾部和猪体上下两侧高度序列。

5)将高度序列输入至训练好的hmm模型，通过前向-后向算法进行后验概率的估计，并对疑似转换片段分类。

参见图3为母猪4类姿态的区域划分，其中绿色区域为头部，紫色区域为躯干部，蓝色区域为尾部、红色区域为猪体上侧，灰色区域为猪体下侧，a、b对头部、躯干部和尾部划分，c、d对头部和猪体上下两侧划分。

所述步骤五，将未转换片段与单一姿态片段合并，最后对合并后的单一姿态片段和姿态转换片段分类，获取母猪姿态转换识别结果，具体包括：

1)将未转换片段标记为单一姿态片段，与其他单一姿态片段合并。

2)对于合并后的单一姿态片段类别，根据其姿态序列中占比最大的姿态进行分类，即统计每种姿态在姿态序列中出现的次数，选择出现次数最多的姿态作为该段单一姿态片段的类别。

3)根据单一姿态片段的类别对姿态转换片段进行分类，如图5中的5:28:00至5:43:00片段，其中5:32:00至5:32:20为姿态转换，由于未发生转换前的单一姿态片段类别为站立，发生转换后的单一姿态片段类别为趴卧，因此将该片段被归为下行转换1，形成最终结果。

单一姿态包括：站立、坐、趴卧和侧卧；姿态转换包括：下行转换1、下行转换2、上行转换和翻身，定义如表1所示

表1哺乳母猪姿态及姿态转换介绍

下面详细说明本实验的实验结果：

本发明主要采用混淆矩阵评价fasterr-cnn模型；用公式(7)评价hmm模型的准确率(accuracy)：

accuracy＝(tpscs+tnscs)/sumscs(3)

tpscs、tnscs分别为疑似转换片段中真正类、真负类的数量，sumscs为疑似转换片段总段数。

对fasterr-cnn模型的检测效果和hmm模型的分类效果进行计算，统计结果如表2、3所示。其中std为站立，sit为坐，vtl为趴卧，ltl为侧卧，pcs为姿态转换片段，ucs为未转换片段。

表2fasterr-cnn模型在测试集上的分类混淆矩阵(iou＞0.7)

针对算法最终结果的评价，本发明采用成功定位率和召回率。各指标具体定义如以下公式(4)，式中niou＞α表示检测框与人工标注框交并比大于α的视频帧，sr@1,iou＞β表示算法分段与人工分段中，类别一致且交并比大于β的姿态转换片段。α、β取值范围为[0,1]，本文选择α＝0.7，β＝0.5。成功定位率反映目标跟踪的准确性，作为管道提取结果评价指标；召回率综合反映分段点定位和片段分类的准确性，作为分段结果评价指标。图4是不同交并比阈值下的成功定位率，当α＝0.7时为97.40％，当α＝0.8时为94.83％。

采用上述公式对测试集(58段母猪深度视频图像)的分段效果进行计算，统计结果如表4、和图5所示。表4中dm1为下行转换1，dm2为下行转换2，am为上行转换，rl为翻身。图5中truth表示人工标注分段，frcnn表示基于fasterr-cnn单帧检测结果，ours为本发明方法。

表3hmm模型分类混淆矩阵

fasterr-cnn模型对四类姿态的平均精度和平均召回率分别为98.51％和92.39％，检测速度为0.058s/帧。hmm模型的准确率为94.91％。算法最终结果的成功定位率为97.40％，召回率为87.84％。

表4姿态转换分类混淆矩阵

以上对本发明所提供的一种基于fasterr-cnn和hmm的哺乳母猪姿态转换识别方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。