烟碱预测方法、装置及电子设备与流程

1.本发明涉及一种检测技术领域，尤其是涉及一种烟碱预测方法、装置及电子设备。


背景技术：

2.烟草作为我国重要的非粮食经济作物之一，面积大，产量高，在国民生产生活中扮演着非常重要的角色。随着全球经济的迅速发展，国民生活水平不断提高，人们对卷烟的品质要求也越来越高。
3.烟碱，俗称尼古丁，它是存在于烟草中的重要化学成分，其含量的高低对烟草品质都有着重要的影响。在烟草所含化学成分中，烟碱作为产生刺激性生理反应的主要成分，与其他辅助成分一起决定烟草的品质。烟碱含量过高会导致烟叶及其制品刺激性较强，吃味比较辛辣；也就是说，烟碱含量过低则会导致劲头较小，刺激性弱，吃味比较平淡。
4.目前，大量有关烟叶烟碱含量的研究还停留在传统的取样测定方法上。传统的取样测定方法需要田间采集不同成熟度烟草单叶，然后在实验室分别对不同成熟度烟草单叶进行实验分析，而实验分析的过程复杂，导致虽然传统的取样方法能测定烟株的烟碱含量，但工作量大、时间长、效率低，容易对烟株造成较大的破坏，在获取大面积的田间烟叶烟碱含量时具有局限性。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种烟碱预测方法、装置及电子设备，可以适合烟株的无损预测的、工作量小的、预测效率更高的烟碱预测技术。
6.第一方面，本发明实施例提供了一种烟碱预测方法，其中，包括：获取待预测对象的高光谱数据；对该高光谱数据进行预处理，得到待预测对象的用于烟碱含量预测的预处理数据；将该预处理数据输入预先训练好的烟碱含量预测模型中，输出待检测对象的烟碱含量预测数据。
7.结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，该烟碱含量预测模型通过下述方式训练得到：获取预设的训练数据集；该训练数据集包括烟草样本的高光谱数据和该高光谱数据的标注；该标注包括烟草样本的烟碱含量真实值；根据该训练数据集训练预设的初始网络，直至满足预设的训练结束条件，得到训练好的烟碱含量预测模型。
8.结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，根据该训练数据集训练预设的初始网络，直至满足预设的训练结束条件，得到训练好的烟碱含量预测模型的步骤，包括：对该高光谱数据进行特征提取，得到该高光谱数据的特征数据；将该特征数据输入到预设的初始网络，输出烟草样本的烟碱含量预测值；根据该烟碱含量预测值和该烟碱含量真实值计算该初始网络的损失值；根据该损失值调整该初始网络的参数，并继续对参数调整后的网络进行训练，直至满足预设的训练结束条件，得到训练好的烟碱含量预测模型。
9.结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，对该高光谱数据进行特征提取，得到该高光谱数据的特征数据的步骤，包括：对高光谱数据进行预处理，得到预处理数据；对该预处理数据与预设的参考数据进行相关性分析，得到该高光谱数据的特征数据；该参考数据为对新鲜烟草单叶的高光谱数据进行预处理得到的数据。
10.结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，对提取出的高光谱数据进行预处理，得到预处理数据的步骤，包括：分别对提取出的高光谱数据进行一阶微分计算、位置变量计算、面积变量计算和植被指数计算，对应得到该烟草样本的一阶微分高光谱、位置变量、面积变量和植被指数；将该一阶微分高光谱、该位置变量、该面积变量和该植被指数，确定为预处理数据。
11.结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，该训练数据集有多个；获取预设的训练数据集的步骤，包括：根据预设参数选取多种烟草；该预设参数包括：烟草品种和烟草成熟度；对该多种烟草中的每一种烟草，分别获取该种烟草的高光谱数据和对应的标注，得到多个训练数据集。
12.结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，该获取待预测对象的高光谱数据的步骤，包括：获取待预测对象的遥感数据；从该遥感数据中提取预设波段的光谱数据，得到该待预测对象的高光谱数据。
13.第二方面，本发明实施例提供了一种烟碱预测装置，其中，包括：数据获取模块：用于获取待预测对象的高光谱数据；数据处理模块：用于对该高光谱数据进行预处理，得到待预测对象的用于烟碱含量检测的预处理数据；数据分析模块，用于将该预处理数据输入预先训练好的预测模型中，输出待检测对象的烟碱含量预测数据。
14.结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，该数据分析模块还用于：获取预设的训练数据集；该训练数据集包括烟草样本的高光谱数据和该高光谱数据的标注；该标注包括烟草样本的烟碱含量真实值；根据该训练数据集训练预设的初始网络，直至满足预设的训练结束条件，得到训练好的烟碱含量预测模型。
15.第三方面，本发明实施例还提供了一种电子设备，其中，该电子设备包括处理器和存储器，该存储器存储有能够被该处理器执行的计算机可执行指令，该处理器执行该计算机可执行指令以实现第一方面至第一方面的第六种可能的实施方式中任一项该的烟碱预测方法。
16.本发明实施例带来了以下有益效果：
17.本发明实施例提供的烟碱预测方法、装置及电子设备，该烟碱预测方法通过获取待预测对象的高光谱数据；对该高光谱数据进行预处理，得到待预测对象的用于烟碱含量检测的预处理数据；将该预处理数据输入预先训练好的预测模型中，输出待检测对象的烟碱含量预测数据。该方法通过利用高光谱技术构建预测模型，基于该预测模型预测不同品种、不同部位以及不同成熟度的烟草的烟碱含量，该方法不损伤烟株，而且工作量小、预测效率也更高。
18.本实施例公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
19.为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合
所附附图，作详细说明如下。
附图说明
20.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。
21.图1为本发明实施例提供了一种烟碱预测方法的流程示意图；
22.图2为本发明实施例提供了一种烟碱预测模型的训练方法流程示意图；
23.图3为本发明实施例提供了一种烟碱预测装置示意图；
24.图4为本发明实施例提供了一种电子设备的结构示意图。
25.图标：301
‑
数据获取模块；302
‑
数据处理模块；303
‑
数据分析模块；41
‑
存储器；42
‑
处理器；43
‑
总线；44
‑
通信接口。
具体实施方式
26.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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。
27.传统的有关烟叶烟碱含量的研究还停留在传统的取样测定方法上。传统的取样测定方法需要田间采集不同成熟度烟草单叶，然后在实验室分别对不同成熟度烟草单叶进行实验分析，而实验分析的过程复杂，导致虽然传统的取样方法能测定烟株的烟碱含量，但工作量大、时间长、效率低，容易对烟株造成较大的破坏，在获取大面积的田间烟叶烟碱含量时具有局限性。
28.基于此，本发明实施例提供了一种烟碱预测方法、装置及电子设备，该技术可以缓解上述技术问题，不但可以预测不同品种、不同部位以及不同成熟度的烟草的烟碱含量，而且该方法不损伤烟株，而且工作量小、预测效率也更高。为便于对本实施例进行理解，首先对本发明实施例所公开的一种胃癌预后预测方法进行详细介绍。
29.实施例1
30.如图1所示，为本发明实施例提供了一种烟碱预测方法的流程示意图，如图1所见，该方法包括以下步骤：
31.步骤s101：获取待预测对象的高光谱数据。
32.在本实施例中，获取待预测对象的高光谱数据可通过无人机或者光学遥感卫星，采集待预测对象的遥感数据，该遥感数据为待预测对象的高光谱，从该遥感数据中提取预设波段的高光谱数据，得到该待预测对象的高光谱数据。上述待预测对象为多个，其中该待预测对象的品种、采集位置以及成熟度均不同。
33.在实际的操作中，可以在无人机或者光学卫星上布设烟草光学检测仪，通过该烟草光学检测仪获取待预测对象的高光谱数据。在本实施例中，默认该烟草光学检测仪的采集参数满足要求。
34.步骤s102：对该高光谱数据进行预处理，得到待预测对象的用于烟碱含量预测的预处理数据。
35.在本实施例中，通过地物反射公式对该高光谱数据进行计算，得到该高光谱数据的地物反射值，将该地物反射值保存为用于烟碱含量预测的预处理数据。
36.在实际的操作中，地物反射值＝(地物dn值/白板dn值)
×
白板反射值，其中dn值是像素值，dn值的大小代表地物反射电磁波的能力，通俗点就是分辨地物；白板反射率是事先通过实验室内定标得到的。
37.这里，通过对不同高光谱数据的地物反射值进行研究，例如：对烟草品种k326的烟草样品的上部叶、中部叶以及下部叶的高光谱数据的波段与地物反射值进行研究。尚熟处理的k326的烟草样品的高光谱数据的地物反射值表现为中部叶>上部叶>下部叶，成熟的k326的烟草样品的高光谱数据的地物反射值表现为上部叶>中部叶>下部叶。在高光谱数据波段为480
‑
670nm可见光波段范围三个部位不同成熟度处理均出现一个反射峰，在此波段范围不同成熟度处理高光谱反射值表现为下部叶过熟>成熟>尚熟>欠熟，中部叶欠熟>尚熟>成熟>过熟，上部叶尚熟>成熟>过熟>欠熟；在高光谱数据波段为750
‑
1350nm为下部叶的过熟大于欠熟、尚熟、成熟，中部叶欠熟尚熟>成熟>过熟，上部叶过熟大于另外三个处理。且下部叶欠熟、尚熟、成熟处理最大反射率值在767nm，过熟最大反射率值在1044nm；中部叶欠熟、尚熟处理最大反射率值在1037nm，成熟处理在1064nm，过熟处理在841nm；上部叶欠熟、尚熟、成熟处理在1075nm出现最大反射峰，过熟处理最大反射率值在837nm。基于上述分析，高光谱数据在波段为1001nm具有良好的预测精度。
38.在其中一种实施方式中，上述预设波段设置为1001nm，然后将波段为1001nm通过地物反射公式对该高光谱数据进行计算，得到波段为1001nm高光谱数据的地物反射值，将该地物反射值保存为用于烟碱含量预测的预处理数据。其中，当待检测对象的烟草品种不同时，也可将高光谱数据的预设波段设置为其他值。
39.步骤s103：将该预处理数据输入预先训练好的烟碱含量预测模型中，输出待检测对象的烟碱含量预测数据。
40.进一步的，上述预测模型通过回归网络模型进行构建。该回归网络模型包括但不限于：线性函数模型、指数函数模型、对数函数模型、抛物线函数模型、幂函数模型、三次函数模型、复合函数模型以及logistic回归模型。
41.上述回归网络模型的性能，根据不同模型烟碱含量预测值和新鲜单叶烟碱含量真实值计算上述回归网络模型的损失值，根据该损失值调整该回归网络模型的参数，并继续对参数调整后的网络进行训练，直至满足预设的训练结束条件，得到训练好的烟碱含量预测模型。其中，计算上述回归网络模型的损失值的依据主要通过该回归网络模型的决定系数、均方根误差参量和相对误差参量进行确定，最终得到精度高的烟碱含量预测模型作为预先训练好的烟碱含量预测模型。
42.在其中一种实施方式中，该烟碱含量预测模型为y＝1.231
‑
10.335x+41.861x2‑
32.084x3。其中，x的取值为将用于烟碱含量预测的预处理数据。
43.本发明实施例提供的烟碱预测方法，该方法包括：获取待预测对象的高光谱数据；对该高光谱数据进行预处理，得到待预测对象的用于烟碱含量预测的预处理数据；将该预处理数据输入预先训练好的烟碱含量预测模型中，输出待检测对象的烟碱含量预测数据。
该方法通过利用高光谱技术构建预测模型，基于该预测模型预测不同品种、不同部位以及不同成熟度的烟草的烟碱含量，该方法不损伤烟株，而且工作量小、预测效率也更高。
44.实施例2
45.在图1所示方法的基础上，本发明还提供另一种烟碱预测方法，该方法重点描述了实施例1中步骤s103中烟碱含量预测模型的训练过程。如图2所示，为本发明实施例提供了一种烟碱预测模型的训练方法流程示意图，如图2所见，通过下述训练步骤，得到该烟碱含量预测模型：
46.步骤s201：获取预设的训练数据集；该训练数据集包括烟草样本的高光谱数据和该高光谱数据的标注；该标注包括烟草样本的烟碱含量真实值。
47.在其中一种实施方式中，该标注还包括该烟草样本的叶绿素含量、类胡萝卜素含量、以及成熟度。
48.在其中一种实施方式中，通过室外获取该高光谱数据的方式为对不同成熟度的烟草样品采用不同测量高度的方式，例如：烟草样品k326在团棵期时测量高度是40cm；烟草样品k326在旺长期时测量高度是50cm；烟草样品k326在打顶期时测量高度是60cm。其中，室外获取该高光谱数据的注意事项为：(1)避免阴影，探头定位时必须避免阴影，人应该面向阳光，这样可以得到一致的测量结果。野外大范围测试光谱数据时，需要沿着阴影的反方向布置测点。(2)白板反射校正，天气较好时每隔10分钟就要用白板校正一次，防止传感器响应系统的漂移和太阳入射角的变化影响，如果天气较差，校正时应更频繁。校正时白板应放置水平。(3)防止光污染，不要穿带浅色、特色衣帽。因穿戴白色、亮红色、黄色、绿色、蓝色的衣帽，会改变反射物体的反射光谱特征，要注意避免自身阴影落在待预测对象上。
49.在另一种实施方式中，通过室内获取该高光谱数据的方式为通过暗室开卤素灯的方式进行获取。例如：在卤素灯低、中、高三种光源条件下对烟草进行反射率的测定。
50.在本实施例中，预设的训练数据集为多个，通过下述步骤a1
‑
a2获取预设的训练数据集：
51.步骤a1：根据预设参数选取多种烟草；该预设参数包括：烟草品种和烟草成熟度。
52.步骤a2：对该多种烟草中的每一种烟草，分别获取该种烟草的高光谱数据和对应的标注，得到多个训练数据集。
53.步骤s202：根据该训练数据集训练预设的初始网络，直至满足预设的训练结束条件，得到训练好的烟碱含量预测模型。
54.在本实施例中，通过下述步骤b1
‑
b4根据该训练数据集训练预设的初始网络，直至满足预设的训练结束条件，得到训练好的烟碱含量预测模型：
55.步骤b1:对该高光谱数据进行特征提取，得到该高光谱数据的特征数据。其中，通过下述步骤对该高光谱数据进行特征提取，得到该高光谱数据的特征数据：首先，从该高光谱数据中提取预设波段的高光谱数据。其中，该预设波段为1001nm。其次，对提取出的高光谱数据进行预处理，得到预处理数据。最后，对还预处理数据与预设的参考数据进行相关性分析，得到该高光谱数据的特征数据。这里，可通过软件excel、spss18.0进行相关性分析，其中相关性分析的方法包括：线性回归分析；其中，基于决定系数、均方根误差参量和相对误差参量，得到精度高的高光谱数据的特征数据。该参考数据为对新鲜烟草单叶的高光谱数据进行预处理得到的数据。
56.上述特征数据包括对高光谱数据进行描述的颜色特征数据和/或图像特征数据。
57.在其中一种实施方式中，通过下述步骤对提取出的高光谱数据进行预处理，得到预处理数据：首先，分别对提取出的高光谱数据进行一阶微分计算、位置变量计算、面积变量计算和植被指数计算，对应得到该烟草样本的一阶微分高光谱、位置变量、面积变量和植被指数。然后，将该一阶微分高光谱、该位置变量、该面积变量和该植被指数，确定为预处理数据。
58.步骤b2：将该特征数据输入到预设的初始网络，输出烟草样本的烟碱含量预测值。
59.在本实施例中，该预设的初始网络为回归网络模型。该回归网络模型包括但不限于：线性函数模型、指数函数模型、对数函数模型、抛物线函数模型、幂函数模型、三次函数模型、复合函数模型以及logistic回归模型。
60.步骤b3：根据该烟碱含量预测值和该烟碱含量真实值计算该初始网络的损失值。
61.步骤b4：根据该损失值调整该初始网络的参数，并继续对参数调整后的网络进行训练，直至满足预设的训练结束条件，得到训练好的烟碱含量预测模型。
62.在本实施例中，通过设置烟碱含量预测值与该烟碱含量真实值间的阈值，当该阈值满足预设训练结束条件时，得到训练好的烟碱含量预测模型。该预测模型不但可以用于预测待预测对象的烟碱含量，还可以预测待预测对象的成熟度。
63.本发明实施例提供的烟碱预测方法，该方法包括：获取待预测对象的高光谱数据；对该高光谱数据进行预处理，得到待预测对象的用于烟碱含量预测的预处理数据；将该预处理数据输入预先训练好的烟碱含量预测模型中，输出待检测对象的烟碱含量预测数据。其中，该烟碱含量预测模型通过下述方式训练得到：获取预设的训练数据集；该训练数据集包括烟草样本的高光谱数据和该高光谱数据的标注；该标注包括烟草样本的烟碱含量真实值；根据该训练数据集训练预设的初始网络，直至满足预设的训练结束条件，得到训练好的烟碱含量预测模型。该方法通过烟草样本的高光谱数据和该烟草样本的烟碱含量真实值对预设的初始网络进行训练，进一步提升了烟碱含量预测模型的精度，从而提升了该方法对烟碱预测的准确程度。
64.实施例3
65.本发明还提供了一种烟碱预测装置，如图3所示，为本发明实施例提供了一种烟碱预测装置示意图。
66.数据获取模块301，用于获取待预测对象的高光谱数据；
67.数据处理模块302，用于对该高光谱数据进行预处理，得到待预测对象的用于烟碱含量检测的预处理数据；
68.数据分析模块303，用于将该预处理数据输入预先训练好的预测模型中，输出待检测对象的烟碱含量预测数据。
69.其中，上述数据获取模块301、数据处理模块302和数据分析模块303依次相连。
70.在其中一种可能的实施方式中，上述数据分析模块303还用于获取预设的训练数据集；该训练数据集包括烟草样本的高光谱数据和该高光谱数据的标注；该标注包括烟草样本的烟碱含量真实值；根据该训练数据集训练预设的初始网络，直至满足预设的训练结束条件，得到训练好的烟碱含量预测模型。
71.在其中一种可能的实施方式中，上述数据分析模块303还用于对该高光谱数据进
行特征提取，得到该高光谱数据的特征数据；将该特征数据输入到预设的初始网络，输出烟草样本的烟碱含量预测值；根据该烟碱含量预测值和该烟碱含量真实值计算该初始网络的损失值；根据该损失值调整该初始网络的参数，并继续对参数调整后的网络进行训练，直至满足预设的训练结束条件，得到训练好的烟碱含量预测模型。
72.在其中一种可能的实施方式中，上述数据分析模块303还用于对高光谱数据进行预处理，得到预处理数据；对该预处理数据与预设的参考数据进行相关性分析，得到该高光谱数据的特征数据；该参考数据为对新鲜烟草单叶的高光谱数据进行预处理得到的数据。
73.在其中一种可能的实施方式中，上述数据分析模块303还用于分别对提取出的高光谱数据进行一阶微分计算、位置变量计算、面积变量计算和植被指数计算，对应得到该烟草样本的一阶微分高光谱、位置变量、面积变量和植被指数；将该一阶微分高光谱、该位置变量、该面积变量和该植被指数，确定为预处理数据。
74.在其中一种可能的实施方式中，上述数据分析模块303还用于根据预设参数选取多种烟草；该预设参数包括：烟草品种和烟草成熟度；对该多种烟草中的每一种烟草，分别获取该种烟草的高光谱数据和对应的标注，得到多个训练数据集。
75.在其中一种可能的实施方式中，上述数据获取模块301还用于获取待预测对象的遥感数；从该遥感数据中提取预设波段的光谱数据，得到该待预测对象的高光谱数据。
76.本发明实施例提供的烟碱预测装置，与上述实施例提供的烟碱预测方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
77.实施例4
78.本实施例提供了一种电子设备，包括处理器和存储器，该存储器存储有能够被该处理器执行的计算机可执行指令，该处理器执行该计算机可执行指令以实现烟碱预测方法的步骤。
79.参见图4所示的一种电子设备的结构示意图，该电子设备包括：存储器41、处理器42，存储器41中存储有可在处理器42上运行的计算机程序，处理器执行计算机程序时实现上述烟碱预测方法提供的步骤。
80.如图4所示，该设备还包括：总线43和通信接口44，处理器42、通信接口44和存储器41通过总线43连接；处理器42用于执行存储41中存储的可执行模块，例如计算机程序。
81.其中，存储器41可能包含高速随机存取存储器(ram，random access memory)，也可能还包括非易失性存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口44(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
82.总线43可以是isa总线、pci总线或eisa总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
83.其中，存储器41用于存储程序，处理器42在接收到执行指令后，执行程序，前述本发明任一实施例揭示烟碱预测装置所执行的方法可以应用于处理器42中，或者由处理器42实现。处理器42可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法
的各步骤可以通过处理器42中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器42可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现成可编程门阵列(field
‑
programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器42读取存储器41中的信息，结合其硬件完成上述方法的步骤。
84.进一步地，本发明实施例还提供了一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器42调用和执行时，机器可执行指令促使处理器42实现上述烟碱预测方法。
85.本发明实施例提供的电子设备和计算机可读存储介质具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
86.另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
87.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或者暗示相对性。