POI的行业类别获取方法、装置、设备和介质与流程

poi的行业类别获取方法、装置、设备和介质
技术领域
1.本公开涉及图像处理技术领域，尤其涉及智能交通、nlp和深度学习技术，具体涉及一种poi的行业类别获取方法、装置、设备、介质和程序产品。


背景技术：

2.poi(point of interest)泛指地图上的一个个实体点。poi包含很多属性，除了名称、地址之外，还有一个重要的需要建设的属性：行业类别标签tag。tag泛指这个poi的行业类别，根据最新的分类标准，tag的类别分为一级和二级，呈现树状的结构。例如，一级tag“美食”的二级tag可以为：中餐厅、外国餐厅或咖啡厅等。
3.tag是推荐和检索等下游应用中非常重要的参考信息，因此，精确召回poi的tag具有重要意义。


技术实现要素：

4.本公开提供了一种poi的行业类别获取方法、装置、设备、介质和程序产品。
5.根据本公开的一方面，提供了一种poi的行业类别获取方法，包括：
6.获取poi的招牌图像和门脸图像；
7.利用预先训练的跨模态图文召回模型，根据所述招牌图像和门脸图像输出所述poi的目标一级行业类别。
8.根据本公开的另一方面，提供了一种poi的行业类别获取装置，包括：
9.图像获取模块，用于获取poi的招牌图像和门脸图像；
10.行业类别获取模块，用于利用预先训练的跨模态图文召回模型，根据所述招牌图像和门脸图像输出所述poi的目标一级行业类别。
11.根据本公开的另一方面，提供了一种电子设备，包括：
12.至少一个处理器；以及
13.与所述至少一个处理器通信连接的存储器；其中，
14.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开任意实施例所述的poi的行业类别获取方法。
15.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行本公开任意实施例所述的poi的行业类别获取方法。
16.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开任意实施例所述的poi的行业类别获取方法。
17.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
18.附图用于更好地理解本方案，不构成对本公开的限定。其中：
19.图1是根据本公开实施例的一种poi的行业类别获取方法的示意图；
20.图2是根据本公开实施例的一种poi的行业类别获取方法的示意图；
21.图3a是根据本公开实施例的一种poi的行业类别获取方法的示意图；
22.图3b是根据本公开实施例的一种poi的行业类别获取方法的示意图；
23.图4是根据本公开实施例的一种poi的行业类别获取装置的结构示意图；
24.图5是用来实现本公开实施例的poi的行业类别获取方法的电子设备的框图。
具体实施方式
25.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
26.图1是根据本公开实施例的poi的行业类别获取方法的流程示意图，本实施例可适于获取poi所属的行业类别的情况，涉及图像处理技术领域，尤其涉及智能交通、nlp和深度学习技术。该方法可由一种poi的行业类别获取装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如计算机设备或服务器等。如图1所示，该方法具体包括如下：
27.s101、获取poi的招牌图像和门脸图像。
28.例如，从poi的原始图像中利用图像识别技术提取出招牌图像和门脸图像。其中，门脸图像通常是指poi的门口及其周围一定区域内的图像。招牌可以位于门脸的上方，也可以位于门脸的左侧或右侧。
29.s102、利用预先训练的跨模态图文召回模型，根据招牌图像和门脸图像输出poi的目标一级行业类别。
30.招牌图像中通常包含poi的名称等文本信息，利用ocr(optical character recognition，光学字符识别)等技术即可从招牌图像中提取出文本信息。门脸图像中通常包含poi门脸及其周围环境的图像信息，这些环境图像信息与poi的行业类别具有一定的关联性。例如，“丽人”行业的poi门脸周围，可能会包含女性肖像，“美食”行业中的“西餐厅”的poi门脸周围，可能会包含西餐菜品的图像。因此，除了结合招牌图像中的文本信息之外，本公开实施例还结合门脸图像中的图像信息，将这种多模态信息共同作为行业类别的判别依据，避免仅根据招牌中的poi名称确定行业类别时，因poi名称中出现脏tag而无法准确获取行业类别的问题，能够进一步提高召回的行业类别的准确性。同时，由于招牌图像中的poi名称的多样性，导致有些名称并没有明显的行业定义，从而无法通过poi名称的语义分析来获取行业类别。但结合多模态信息共同作为行业类别的判别依据时，则可以克服该问题，提高行业类别的召回率。
31.其中，跨模态图文召回模型可以是基于现有技术中的任一种跨模态模型，并利用现有数据库中的poi的招牌图像和门脸图像以及该poi对应的行业类别作为训练样本，通过模型训练得到的。本公开实施例对跨模态模型的网络结构不做任何限定。
32.本公开实施例的技术方案，结合poi的招牌图像和门脸图像的多模态信息，利用跨模态图文召回模型获取poi的一级行业类别，既能保证poi行业类别的高召回率，也能提高召回的行业类别的准确性。
33.图2是根据本公开实施例的poi的行业类别获取方法的流程示意图，本实施例在上述实施例的基础上进一步进行优化。如图2所示，该方法具体包括如下：
34.s201、获取poi的招牌图像和门脸图像。
35.例如，可以先从现有数据库中获取包含招牌图像和门脸图像的poi原始图像，然后利用现有技术中的任一种图像识别方法，从poi原始图像中提取出poi的招牌图像。本公开实施例对上述图像识别方法不做任何限定。
36.此外，可以通过如下方式获取poi的门脸图像：确定招牌图像在poi的原始图像上的坐标；根据坐标，在原始图像中获取招牌图像周围设定范围内的环境图像，并将环境图像作为poi的门脸图像，其中，设定范围根据招牌图像的长度和宽度确定。
37.具体的，招牌图像的类型可以包括横向招牌图像和纵向招牌图像。横向招牌图像通常位于poi门脸的上方，纵向招牌图像通常位于poi门脸的左侧或右侧。招牌图像的坐标可以包括招牌图像的至少一个顶点或端点的坐标，根据这些坐标可以确定招牌图像的尺寸，包括长度和宽度等。在获取门脸图像时，可以以招牌图像的坐标为起始，根据招牌图像的类型，在poi原始图像中向下方、右侧或左侧进行延伸，延伸的宽度和距离与招牌图像的长度和宽度有关，例如，延伸的宽度和距离均与招牌图像的长度相同，延伸后即可截取到门脸图像。
38.s202、利用预先训练的跨模态图文召回模型，根据招牌图像和门脸图像对行业类别数据库中的行业类别进行打分。
39.所述跨模态图文召回模型为双塔模型，所述双塔模型包括用于获取招牌图像和门脸图像中图像特征的图像塔，和用于获取招牌图像和门脸图像中文本特征的文本塔。由此，通过图像特征和文本特征的多模态特征来获取行业类别。
40.其中，跨模态图文召回模型的训练过程包括：获取poi样本数据，其中，样本数据中包括poi的招牌图像、门脸图像和对应的行业类别，且样本数据分为正样本和负样本；将样本数据输入预先搭建的跨模态图文召回模型，通过跨模态图文召回模型中的图像塔和文本塔，分别提取招牌图像和门脸图像中的图像特征和文本特征，并得到图像特征和文本特征的向量表示；在训练过程中，利用预设的损失函数，使得图像特征和文本特征的向量表示，与正样本中对应的行业类别的向量表示之间的距离趋于逼近，与负样本中对应的行业类别的向量表示之间的距离趋于远离。通过大量样本数据的训练，即可得到最终的跨模态图文召回模型。
41.训练好的跨模态图文召回模型可以提取出输入模型的poi的招牌图像和门脸图像中的图像特征和文本特征，然后基于图像特征和文本特征的特征向量，和行业类别数据库中各行业类别的特征向量，对各行业类别进行打分。
42.s203、根据打分的结果，输出包含设定数量候选行业类别的候选行业类别集合，其中，候选行业类别集合中的候选行业类别包括一级类别和/或二级类别。
43.其中，可以预先设置打分阈值，根据打分结果即可从各行业类别中挑选出分值超出打分阈值的至少一个行业类别。进一步的，还可以从至少一个行业类别中按照分值从大
到小的顺序，从中选择出设定数量的行业类别，作为候选行业类别，并组成候选行业类别集合。例如，选择出分值最高的前5个行业类别作为候选行业类别。并且，候选行业类别可以是一级类别，也可以是二级类别，还可以是同时包括一级类别和二级类别。
44.s204、如果候选行业类别集合中，存在设定比例的候选行业类别对应的一级类别相同，则将该一级类别作为所述poi的目标一级行业类别。
45.其中，设定比例可以是超出一半。例如，在分值最高的前5个候选行业类别中，如果有超出一半(3个)的候选行业类别对应的一级类别相同，即可将该一级类别作为所述poi的目标一级行业类别。示例性的，如果前5个候选行业类别中，分别为一级类别“美食”、二级类别“西餐厅”、二级类别“中餐厅”、一级类别“丽人”和二级类别“商场”，那么由于前三个行业类别对应的一级类别均为“美食”，因此，最终的目标一级行业类别即为“美食”。由此，即使在候选行业类别中出现误差的情况下，也能更加准确地识别出最终的目标一级行业类别。
46.本公开实施例的技术方案，结合poi的招牌图像和门脸图像的多模态信息，利用跨模态图文召回模型对行业类别数据库中的行业类别进行打分，并根据分值选取候选行业类别集合，然后通过判断集合中是否存在设定比例的候选行业类别对应的一级行业类别相同，来确定最终的目标一级行业类别，不仅能保证poi行业类别的高召回率，也能提高召回的行业类别的准确性。例如，如果poi的招牌中存在脏tag，则可以通过门脸图像来进一步清洗，提高tag的精度；另外，在部分无法通过poi名称来标注的poi上，也可以通过门脸图像信息来补充召回一级tag，从而显著提升地图中poi的tag召回率。
47.图3a是根据本公开实施例的一种poi的行业类别获取方法的示意图，本实施例在上述实施例的基础上进一步进行优化。如图3a所示，该方法具体包括如下：
48.s301、获取poi的招牌图像和门脸图像。
49.s302、利用预先训练的跨模态图文召回模型，根据招牌图像和门脸图像输出所述poi的目标一级行业类别。
50.s303、提取所述招牌图像中的文本信息。
51.例如，通过ocr技术提取招牌图像中的文本信息。
52.s304、通过对招牌图像进行版面分析，从文本信息中获取poi名称。
53.其中，版面分析的目的在于区分出文本信息中，哪些属于poi名称，哪些属于经营范围等其他文本。这里可以采用现有技术中的任一种nlp(自然语言处理)方法实现版面分析，得到poi名称，此处不再赘述。
54.s305、根据poi名称确定所述poi的用于检验的一级行业类别，其中，所述用于检验的一级行业类别用于检验目标一级行业类别的准确性。
55.具体的，可以先根据现有技术中的行业类别标签提取方法，根据poi名称确定所述poi的一级行业类别，然后，在将该一级行业类别与基于多模态信息获取的目标一级行业类别进行比较，如果二者相同，则可以进一步确定目标一级行业类别的准确性，从而起到检验目标一级行业类别的准确性的目的。
56.还需要说明的是，如果用于检验的一级行业类别与目标一级行业类别不相同，则也可以将目标一级行业类别作为最终的行业类别标签，因为本公开实施例中基于多模态信息确定行业类别的方法的置信度更高，而且同时，也能提高行业类别标签的召回率。
57.s306、通过所述版面分析，从文本信息中获取所述poi的经营范围。
58.s307、响应于所述用于检验的一级行业类别与目标一级行业类别相同，根据经营范围确定所述poi的二级行业类别。
59.在用于检验的一级行业类别与目标一级行业类别相同的情况下，由于目标一级行业类别具有更高的置信度和准确性，因此，说明招牌图像的识别结果也具有一定的准确性。因此，可以进一步根据其中的经营范围文本信息确定poi的二级行业类别，从而完善poi的行业类别，提高其完整度。
60.示例性的，图3b是根据本公开实施例的一种poi的行业类别获取方法的示意图。根据图中的poi招牌图像可知，该poi的名称为“某某工作室”，且右下方还有一行小字“美甲美睫培训中心”。然而，如果按照现有技术基于poi名称进行语义分析，则根本无法得出该poi的一级行业类别是和“丽人”相关，更是无法得出其二级行业类别是“美甲”。但是从门脸图像可以发现，其中包含了一个女性肖像。因此，本公开实施例中结合门脸图象和招牌图像中图像与文本的多模态信息，通过跨模态图文召回模型就可以召回丽人相关的行业类别标签tag。同时，对招牌图像进行ocr识别和版面分析，从中获取poi名称和经营类别信息，在通过nlp文本综合判断模块根据poi名称获取到一个行业类别后，一方面，可以利用该行业类别来检验利用跨模态图文召回模型得到的tag的准确性，另一方面，还可以根据经营范围信息进一步得到poi的二级行业类别tag是“美甲”，最终得到的行业类别tag则为“丽人-美甲”，使得该poi的行业类别信息更加完整和准确。
61.本公开实施例的技术方案，结合poi的招牌图像和门脸图像的多模态信息，利用跨模态图文召回模型获取一级行业类别，然后再基于招牌图像的poi名称来验证一级行业类别的准确性，并通过招牌图像中的经营范围文本信息进一步获取poi的二级行业类别，既能保证poi行业类别的高召回率，也能提高召回的行业类别的准确性和完整性。
62.图4是根据本公开实施例的poi的行业类别获取装置的结构示意图，本实施例可适用于获取poi所属的行业类别的情况，涉及图像处理技术领域，尤其涉及智能交通、nlp和深度学习技术。该装置可实现本公开任意实施例所述的poi的行业类别获取方法。如图4所示，该装置400具体包括：
63.图像获取模块401，用于获取poi的招牌图像和门脸图像；
64.行业类别获取模块402，用于利用预先训练的跨模态图文召回模型，根据所述招牌图像和门脸图像输出所述poi的目标一级行业类别。
65.可选的，行业类别获取模块402包括：
66.打分单元，用于利用预先训练的跨模态图文召回模型，根据所述招牌图像和门脸图像对行业类别数据库中的行业类别进行打分；
67.候选行业类别集合获取单元，用于根据所述打分的结果，输出包含设定数量候选行业类别的候选行业类别集合，其中，所述候选行业类别集合中的候选行业类别包括一级类别和/或二级类别；
68.目标一级行业类别确定单元，用于如果所述候选行业类别集合中，存在设定比例的候选行业类别对应的一级类别相同，则将该一级类别作为所述poi的目标一级行业类别。
69.可选的，所述跨模态图文召回模型为双塔模型，所述双塔模型包括用于获取招牌图像和门脸图像中图像特征的图像塔，和用于获取招牌图像和门脸图像中文本特征的文本塔。
70.可选的，所述装置还包括模型训练模块，具体用于：
71.获取poi样本数据，其中，所述样本数据中包括poi的招牌图像、门脸图像和对应的行业类别，且所述样本数据分为正样本和负样本；
72.将所述样本数据输入预先搭建的跨模态图文召回模型，通过所述跨模态图文召回模型中的图像塔和文本塔，分别提取所述招牌图像和门脸图像中的图像特征和文本特征，并得到所述图像特征和文本特征的向量表示；
73.在训练过程中，利用预设的损失函数，使得所述图像特征和文本特征的向量表示，与所述正样本中对应的行业类别的向量表示之间的距离趋于逼近，与所述负样本中对应的行业类别的向量表示之间的距离趋于远离。
74.可选的，图像获取模块401具体用于：
75.确定所述招牌图像在所述poi的原始图像上的坐标；
76.根据所述坐标，在所述原始图像中获取所述招牌图像周围设定范围内的环境图像，并将所述环境图像作为所述poi的门脸图像，其中，所述设定范围根据所述招牌图像的长度和宽度确定。
77.可选的，所述装置还包括招牌图像处理模块，包括：
78.文本信息提取单元，用于提取所述招牌图像中的文本信息；
79.poi名称获取单元，用于通过对所述招牌图像进行版面分析，从所述文本信息中获取poi名称；
80.检验单元，用于根据所述poi名称确定所述poi的用于检验的一级行业类别，其中，所述用于检验的一级行业类别用于检验所述目标一级行业类别的准确性。
81.可选的，所述招牌图像处理模块还包括：
82.经营范围获取单元，用于通过所述版面分析，从所述文本信息中获取所述poi的经营范围；
83.二级行业类别获取单元，用于响应于所述用于检验的一级行业类别与所述目标一级行业类别相同，根据所述经营范围确定所述poi的二级行业类别。
84.上述产品可执行本公开任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
85.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
86.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
87.图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
88.如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(rom)502中的计算机程序或者从存储单元508加载到随机访问存储器(ram)503中的计算机程序，来执
行各种适当的动作和处理。在ram503中，还可存储设备500操作所需的各种程序和数据。计算单元501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
89.设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
90.计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如poi的行业类别获取方法。例如，在一些实施例中，poi的行业类别获取方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由rom 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到ram 503并由计算单元501执行时，可以执行上文描述的poi的行业类别获取方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行poi的行业类别获取方法。
91.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
92.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
93.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
94.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机
具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
95.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
96.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
97.人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
98.云计算(cloud computing)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
99.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。
100.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。