基于分级识别与权重决策融合的作物产量估测方法及系统

1.本发明涉及作物产量估测技术领域，特别是涉及一种基于分级识别与权重决策融合的作物产量估测方法及系统。


背景技术：

2.作物产量估测对粮食生产与安全有重要意义，作物产量估测有助于及时掌握农作物生产状况，指导农业生产决策。传统的作物产量估测方法通常是大田抽样调查法，采样后根据经验公式计算得到产量估测值，该方法误差较大，且耗时耗力。
3.随着无人机遥感技术的发展，现有的作物产量估测方法的操作过程为：首先利用无人机采集作物田块区域的多光谱/高光谱图像，然后基于多光谱/高光谱图像提取多个植被指数，接着根据提取的多个植被指数进行回归建模，最后利用建立的模型预测作物产量，该方法对无人机图像的处理较为复杂，且目前较好的模型测产结果的平均绝对百分比误差仍然较高，需要进一步的改善。


技术实现要素：

4.本发明的目的是提供一种基于分级识别与权重决策融合的作物产量估测方法及系统，能够准确快速预测成熟期作物田块的产量值。
5.为实现上述目的，本发明提供了如下方案：
6.第一方面，一种基于分级识别与权重决策融合的作物产量估测方法，包括：
7.获取目标成熟期作物田块的可见光图像；
8.将所述目标成熟期作物田块的可见光图像输入至产量分级模型，得到所述目标成熟期作物田块的可见光图像的各产量级别值对应的产量级别输出值；所述产量级别值是根据产量级别规则确定的；所述产量级别规则为相邻产量级别值的间隔不大于所有已知样本作物产量平均值的设定百分比，且产量级别值的个数不小于设定个数；
9.将各所述产量级别输出值进行归一化处理，得到每个所述产量级别输出值对应的置信分数值，并对所述置信分数值进行降序排列；
10.在降序排列的置信分数值中，选择前m个置信分数值并进行归一化处理，得到m个产量级别权重值；
11.将m个所述产量级别权重值与对应的所述产量级别值分别相乘并累加，得到所述目标成熟期作物田块的产量估测值；
12.其中，所述产量分级模型是根据样本数据对深度卷积神经网络进行训练得到的；所述样本数据包括样本输入数据以及对应的标签数据；所述样本输入数据为样本成熟期作物田块图像；所述标签数据为所述样本成熟期作物田块图像的产量级别值。
13.可选地，所述样本数据的确定过程为：
14.利用遥感设备采集高度一定且不高于设定值的多个已知作物产量的样本成熟期作物田块的可见光序列照片，并将所述样本成熟期作物田块的可见光序列照片传输至计算
机，并以可见光序列图像形式保存至所述计算机；
15.根据图像特征对所述可见光序列图像进行拼接与正射影像校正，得到预处理后的可见光序列图像；所述图像特征至少包括照片航向特征、前后重复特征和旁向重复特征；
16.根据不同作物产量以及所述样本成熟期作物田块的边界，对所述预处理后的可见光序列图像进行裁剪，从而得到对应不同已知作物产量的初始样本成熟期作物田块图像；
17.根据所述初始样本成熟期作物田块图像对应的作物产量以及产量级别规则，确定所述初始样本成熟期作物田块图像的产量分级值；
18.将不同已知产量分级值的初始样本成熟期作物田块图像进行等尺寸、不重复的随机采样，得到采样后的样本成熟期作物田块图像以及对应的产量级别值；
19.对所述采样后的样本成熟期作物田块图像以及对应的产量级别值进行数据格式转换、归一化、标签赋予处理，得到最终的样本成熟期作物田块图像以及对应的标签数据。
20.可选地，所述产量级别规则为：相邻产量级别值的间隔不大于所有已知样本作物产量平均值的10％，且产量级别值的个数不小于10。
21.可选地，所述将所述目标成熟期作物田块的可见光图像输入至产量分级模型，得到所述目标成熟期作物田块的可见光图像的各产量级别值对应的产量级别输出值，具体包括：
22.根据图像特征对所述目标成熟期作物田块的可见光图像进行拼接与正射影像校正，得到预处理后的可见光图像；所述图像特征至少包括照片航向特征、前后重复特征和旁向重复特征；
23.根据所述目标成熟期作物田块的边界，对所述预处理后的可见光图像进行裁剪，得到多张初始目标成熟期作物田块图像；
24.将多张所述初始目标成熟期作物田块图像进行等尺寸、不重复的随机采样，得到采样后的目标成熟期作物田块图像；
25.对每张所述采样后的目标成熟期作物田块图像进行数据格式转换，得到多张数据格式转换后的目标成熟期作物田块图像；
26.将所述数据格式转换后的目标成熟期作物田块图像输入至产量分级模型，得到每张所述数据格式转换后的目标成熟期作物田块图像的各产量级别值对应的产量级别输出值。
27.可选地，所述将各所述产量级别输出值进行归一化处理，得到每个所述产量级别输出值对应的置信分数值，并对所述置信分数值进行降序排列，具体包括：
28.对每个所述数据格式转换后的目标成熟期作物田块图像执行第一操作；
29.所述第一操作为：将所述数据格式转换后的目标成熟期作物田块图像对应的各所述产量级别输出值进行归一化处理，得到每个所述产量级别输出值对应的置信分数值，并对所述数据格式转换后的目标成熟期作物田块图像对应的所述置信分数值进行降序排列。
30.可选地，所述在降序排列的置信分数值中，选择前m个置信分数值并进行归一化处理，得到m个产量级别权重值，具体包括：
31.对每个所述数据格式转换后的目标成熟期作物田块图像执行第二操作；
32.所述第二操作为：在所述数据格式转换后的目标成熟期作物田块图像对应的降序排列集合中，选择前m个置信分数值并进行归一化处理，得到所述数据格式转换后的目标成
熟期作物田块图像对应的m个产量级别权重值；所述降序排列集合由降序排列的置信分数值组成。
33.可选地，所述将m个所述产量级别权重值与对应的所述产量级别值分别相乘并累加，得到所述目标成熟期作物田块的产量估测值，具体包括：
34.对每个所述数据格式转换后的目标成熟期作物田块图像执行第三操作；
35.所述第三操作为：将所述数据格式转换后的目标成熟期作物田块图像对应的m个产量级别权重值分别与所述产量级别权重值对应的所述产量级别值相乘并累加，得到所述数据格式转换后的目标成熟期作物田块图像对应田块的产量估测值。
36.第二方面，本发明提供了一种基于分级识别与权重决策融合的作物产量估测系统，包括：
37.目标田块可见光图像获取模块，用于获取目标成熟期作物田块的可见光图像；
38.目标田块产量级别输出值确定模块，用于将所述目标成熟期作物田块的可见光图像输入至产量分级模型，得到所述目标成熟期作物田块的可见光图像的各产量级别值对应的产量级别输出值；所述产量级别值是根据产量级别规则确定的；所述产量级别规则为相邻产量级别值的间隔不大于所有已知样本作物产量平均值的设定百分比，且产量级别值的个数不小于设定个数；
39.置信分数值排列模块，用于将各所述产量级别输出值进行归一化处理，得到每个所述产量级别输出值对应的置信分数值，并对所述置信分数值进行降序排列；
40.产量级别权重值计算模块，用于在降序排列的置信分数值中，选择前m个置信分数值并进行归一化处理，得到m个产量级别权重值；
41.目标田块产量估测模块，用于将m个所述产量级别权重值与对应的所述产量级别值分别相乘并累加，得到所述目标成熟期作物田块的产量估测值；
42.其中，所述产量分级模型是根据样本数据对深度卷积神经网络进行训练得到的；所述样本数据包括样本输入数据以及对应的标签数据；所述样本输入数据为样本成熟期作物田块图像；所述标签数据为所述样本成熟期作物田块图像的产量级别值。
43.可选地，所述产量级别规则为：相邻产量级别值的间隔不大于所有已知样本作物产量平均值的10％，且产量级别值的个数不小于10。
44.根据本发明提供的具体实施例，本发明公开了以下技术效果：
45.本发明提供了一种基于分级识别与权重决策融合的作物产量估测方法及系统。本发明利用深度卷积神经网络对目标成熟期作物田块的可见光图像进行产量分级，得到目标成熟期作物田块的可见光图像的各产量级别值对应的产量级别输出值；然后对各产量级别输出值进行归一化处理并筛选，得到m个产量级别权重值，并将m个产量级别权重值与对应的产量级别值分别相乘并累加，得到目标成熟期作物田块的产量估测值。本发明不仅估测方式简单，无需人工提取图像特征，且能够基于简单的可见光图像就能实现作物产量估测。经过实际生产验证，所有产量估测值与产量真实值的平均绝对误差不大于550kg/ha，平均绝对百分比误差不大于5％，有较强的生产应用价值。
附图说明
46.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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
47.图1为本发明实施例一所公开的基于分级识别与权重决策融合的作物产量估测方法的流程示意图；
48.图2为本发明实施例一所公开的基于分级识别与权重决策融合的作物产量估测方法的具体流程图；
49.图3为本发明实施例二所公开的权重决策实例图；
50.图4为本发明实施例三所公开的基于分级识别与权重决策融合的作物产量估测系统的结构示意图。
具体实施方式
51.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。
52.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
53.实施例一
54.如图1和图2所示，本发明实施例提供了一种基于分级识别与权重决策融合的作物产量估测方法，具体包括：
55.步骤100：获取目标成熟期作物田块的可见光图像。
56.步骤200：将所述目标成熟期作物田块的可见光图像输入至产量分级模型，得到所述目标成熟期作物田块的可见光图像的各产量级别值对应的产量级别输出值；所述产量级别值是根据产量级别规则确定的；所述产量级别规则为相邻产量级别值的间隔不大于所有已知样本作物产量平均值的设定百分比，且产量级别值的个数不小于设定个数。
57.步骤300：将各所述产量级别输出值进行归一化处理，得到每个所述产量级别输出值对应的置信分数值，并对所述置信分数值进行降序排列。
58.步骤400：在降序排列的置信分数值中，选择前m个置信分数值并进行归一化处理，得到m个产量级别权重值。
59.步骤500：将m个所述产量级别权重值与对应的所述产量级别值分别相乘并累加，得到所述目标成熟期作物田块的产量估测值。此处的产量估测值为单位产量值。
60.其中，所述产量分级模型是根据样本数据对深度卷积神经网络进行训练得到的；所述样本数据包括样本输入数据以及对应的标签数据；所述样本输入数据为样本成熟期作物田块图像；所述标签数据为所述样本成熟期作物田块图像的产量级别值。
61.样本数据的确定过程为：
62.步骤1：利用无人机等遥感设备采集高度一定且不高于设定值(例如100m)的多个已知作物产量的样本成熟期作物田块的完整可见光序列照片，并将完整的可见光序列照片传输至计算机。并以可见光序列图像形式保存至所述计算机；其中，该可见光序列照片在计
算机处理时是以图像数据形式处理。
63.步骤2：计算机根据照片航向、前后重复和旁向重复等图像特征对可见光序列图像进行拼接与正射影像校正，得到预处理后的可见光序列图像，根据不同作物产量以及样本成熟期作物田块的边界，对预处理后的可见光序列图像进行裁剪，从而得到对应不同已知作物产量的初始样本成熟期作物田块图像。
64.步骤3：根据初始样本成熟期作物田块图像对应的作物产量以及产量级别规则，确定初始样本成熟期作物田块图像的产量分级值。其中，产量级别规则为：相邻产量级别值的间隔不大于所有已知样本作物产量平均值的10％，且产量级别值的个数不小于10。
65.步骤4：将不同已知产量分级值的初始样本成熟期作物田块图像进行等尺寸、不重复的随机采样，得到采样后的样本成熟期作物田块图像以及对应的产量级别值；采样后的样本成熟期作物田块图像为尺寸不小于224
×
224的样本图像，各产量级别中样本图像的数量不少于100个。
66.随机采样：该操作是指在某已知产量的样本成熟期作物田块图像上随机剪裁或选取等尺寸(比如224
×
224)且不重复的图像，作为后续深度卷积神经网络中的输入数据。
67.之所以进行随机采样，是因为样本成熟期作物田块图像的尺寸是不同的，而输入深度卷积神经网络中的样本数据需要统一尺寸，以一块已知产量的样本成熟期作物田块图像举例：对样本成熟期作物田块图像进行等尺寸且不重复采样，得到若干个样本图像，且这些样本图像的标签值都是一样的，即该样本成熟期作物田块的真实产量值对应的产量分级值。
68.步骤5：对采样后的样本成熟期作物田块图像以及对应的产量级别值进行数据格式转换、归一化、标签赋予等处理，得到最终的样本成熟期作物田块图像以及对应的标签数据。其中，经过上述处理后的图像为多维的数据矩阵。
69.例如：通过imagefolder函数对上述数据进行张量格式转换、归一化、标签数据对应等处理，得到最终的样本成熟期作物田块图像以及对应的标签数据，所述标签数据为样本输入数据对应的产量级别值。
70.产量分级模型的训练过程为：
71.步骤a：构建产量分级网络。
72.步骤b：采用样本数据对所述产量分级网络进行训练，得到产量分级模型。
73.进一步地，所述步骤b具体包括：
74.步骤b1：将样本数据按照一定比例，例如6:2:2，分为训练集、验证集与测试集。
75.步骤b2：将训练集中的样本数据分成不少于8批次，然后按照批次分别输入深度卷积神经网络以提取图像特征，并经过分类得到所有训练集中样本数据的产量级别值。
76.在此过程中，深度卷积神经网络会输出各产量级别值对应的产量级别输出值，选择最大的产量级别输出值对应的产量级别值作为该样本数据对应的预测结果值，即该样本数据对应的产量级别值。
77.步骤b3：通过nn.crossentropyloss()交叉熵损失函数计算所有训练集中样本数据对应的标签数据与所有训练集中样本数据对应的产量级别值的平均损失值，并将该平均损失值反馈给产量分级网络以进一步优化模型参数，从而完成产量分级网络的一次训练过程。
78.所属训练过程不少于50次，每次训练后的产量分级网络都在验证集上进行性能验证，直至训练后的产量分级网络在验证集的产量分级准确率趋于平缓，且产量分级准确率不低于80％，保存此次训练后的产量分级网络的所有参数，并根据此次训练后的产量分级网络的所有参数构建本发明实施例所述的产量分级模型。
79.作为步骤200的一种优选实施方式，具体包括：
80.步骤201：根据图像特征对所述目标成熟期作物田块的可见光图像进行拼接与正射影像校正，得到预处理后的可见光图像；所述图像特征至少包括照片航向特征、前后重复特征和旁向重复特征。
81.步骤202：根据所述目标成熟期作物田块的边界，对所述预处理后的可见光图像进行裁剪，得到多张初始目标成熟期作物田块图像。
82.步骤203：将多张所述初始目标成熟期作物田块图像进行等尺寸、不重复的随机采样，得到采样后的目标成熟期作物田块图像。
83.步骤204：对每张所述采样后的目标成熟期作物田块图像进行数据格式转换，得到多张数据格式转换后的目标成熟期作物田块图像。
84.步骤205：将所述数据格式转换后的目标成熟期作物田块图像输入至产量分级模型，得到每张所述数据格式转换后的目标成熟期作物田块图像的各产量级别值对应的产量级别输出值。
85.作为步骤300的一种优选实施方式，具体包括：
86.对每个所述数据格式转换后的目标成熟期作物田块图像执行第一操作。
87.所述第一操作为：将所述数据格式转换后的目标成熟期作物田块图像对应的各所述产量级别输出值进行归一化处理，得到每个所述产量级别输出值对应的置信分数值，并对所述数据格式转换后的目标成熟期作物田块图像对应的所述置信分数值进行降序排列。
88.作为步骤400的一种优选实施方式，具体包括：
89.对每个所述数据格式转换后的目标成熟期作物田块图像执行第二操作。
90.所述第二操作为：在所述数据格式转换后的目标成熟期作物田块图像对应的降序排列集合中，选择前m个置信分数值并进行归一化处理，得到所述数据格式转换后的目标成熟期作物田块图像对应的m个产量级别权重值；所述降序排列集合由降序排列的置信分数值组成。
91.作为步骤500的一种优选实施方式，具体包括：
92.对每个所述数据格式转换后的目标成熟期作物田块图像执行第三操作。
93.所述第三操作为：将所述数据格式转换后的目标成熟期作物田块图像对应的m个产量级别权重值分别与所述产量级别权重值对应的所述产量级别值相乘并累加，得到所述数据格式转换后的目标成熟期作物田块图像对应田块的产量估测值。
94.一个示例：利用产量分级模型对测试集上的样本数据进行产量分级，得到各样本数据对应的各产量级别输出值；在产量分级后，将产量分级模型对每个样本数据的各产量级别输出值o1，o2，o3，
…
，on，进行归一化处理，例如采用softmax归一化函数，转换为产量分级模型对该样本属于各产量级别输出值时对应的置信分数值s1，s2，s3，
…
，si，
…
，sn，其中，产量分级模型对一个样本属于各产量级别输出值时的置信分数值总和为1。对该置信分数值进行降序排列，取出前m个置信分数值，其中m不小于3。对所选出的m个置信分数值依据公
式(1)进行归一化处理，得到该样本的产量级别权重值w1，w2，w3，
…
，wi，...，wm，产量级别权重值的总和为1。
[0095][0096]
对于得到的测试集样本数据对应的产量级别权重值，以及产量级别权重值对应的产量级别值，依据公式(2)将产量级别权重值与对应的产量级别值分别相乘并累加，从而得到该样本数据对应的成熟期作物田块的产量估测值y
p
。测试集上的所有样本数据均按照该方法得到对应的产量估测值。
[0097][0098]
其中，ci表示第i个产量级别权重值对应的产量级别值。
[0099]
经比较，所得所有产量估测值与产量真实值的平均绝对误差不大于550kg/ha，平均绝对百分比误差不大于5％。
[0100]
实施例二
[0101]
现以水稻为例来说明本发明所保护的一种基于产量分级识别与权重决策融合的作物产量估测方法。
[0102]
本发明实施例提供一种基于产量分级识别与权重决策融合的水稻产量估测方法，该方法包括以下步骤：
[0103]
第一步：将无人机航向重复率设置为60％，无人机旁向重复率设置为55％，无人机飞行速度设置为2.5m/s，无人机飞行高度设置为25m。利用上述配置好参数的无人机采集若干成熟期水稻田块的完整可见光图像，所述成熟期水稻田块的产量真实值覆盖为3654.2-16978.5kg/ha。其中，该无人机的型号为dji mavic2。
[0104]
第二步：根据照片航向、前后重复和旁向重复等特征对可见光图像进行拼接与正射影像校正，并裁剪出不同作物产量的成熟期水稻田块图像，得到131块已知作物产量的成熟期水稻田块图像。
[0105]
第三步：设置相邻产量级别值的间隔为900kg/ha，设置产量级别值为36500kg/ha、45500kg/ha、54500kg/ha、63500kg/ha、72500kg/ha、81500kg/ha、90500kg/ha、99500kg/ha、108500kg/ha、117500kg/ha、126500kg/ha、135500kg/ha、144500kg/ha、153500kg/ha、162500kg/ha、17250kg/ha，共16个产量级别值。在各产量级别值的基础上设置上下浮动值(例如浮动值为450kg/ha)，然后采用浮动值设定后的各产量级别值对131块已知作物产量的成熟期水稻田块图像进行产量分级，如3200～4100kg/ha的水稻属于3650kg/ha产量级别，并对各产量级别中成熟期水稻田块图像进行224
×
224尺寸的随机不重复采样，各产量级别得到600个样本数据。
[0106]
第四步：将所有样本数据按照6：2：2分为训练数据、验证数据和测试数据，基于计算机编程语言python内开源的函数imagefolder、dataloader等对所有样本数据完成张量格式转换、归一化、标签赋予等处理步骤，从而形成产量分级模型的训练集、验证集与测试集。采用pytorch框架进行产量分级模型搭建。本实施例选用已公开的shufflenetv2预训练模型，设置全连接层输出维度为产量级别个数16。选用nn.crossentropyloss交叉熵损失函数进行产量分级模型的训练过程中的损失计算，torch.optim.adam函数作为优化器，设置epoch运行次数为50，batch size批处理参数为64，learning rate学习率为0.005。在此基
础上将测试集与验证集输入模型，开始迭代训练产量分级模型，经过40个epoch，产量分级模型在验证集上的损失值已趋于稳定，50个epoch的训练过程中训练集的最佳准确率为98.5％，验证集的最佳准确率为87.5％，测试集的准确率为87.3％，保存获得最佳准确率的模型参数。
[0107]
第五步：调用第四步训练好的产量分级模型，采用该产量分级模型对测试集上的样本进行产量分级，可以得到测试集上样本数据的产量级别输出值。在测试集上的每一个样本数据的产量级别输出值o都通过softmax归一化函数进行归一化处理，转换为训练好的产量分级模型对该样本属于各产量级别输出值对应的置信分数值，其中，训练好的产量分级模型对一个样本属于各产量级别输出值对应的置信分数值总和为1。选取前三个最大的置信分数值，对该三个置信分数值进行归一化，得到产量级别权重值，其中，三个产量级别权重值的和为1。将三个产量级别权重值乘以对应的产量级别值后相加，从而得到该样本所对应水稻田块的产量估测值。
[0108]
以初步产量分级识别产量为10850kg/ha中某个样本为例：
[0109]
如图3所示，将样本输入第四步训练好的shufflenetv2模型，得到与产量级别值c对应的产量级别输出值o；通过softmax归一化函数，将产量级别输出值o转换为置信分数值s，取出前三个最大的置信分数值。对该三个置信分数值分别乘以该三个置信分数值的和的倒数(即1.209)，然后进行归一化，使得该三个置信分数值总和为1，从而得到该样本的三个产量级别权重值w；将三个产量级别权重值乘以对应的产量级别值后相加，从而得到该样本所对应水稻田块的产量估测值。
[0110]
第六步：根据以上步骤对所有测试集样本进行产量估测，所得产量估测值与真实值的平均绝对误差为402.13kg/ha，平均绝对百分比误差为3.87％。
[0111]
实施例三
[0112]
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种基于产量分级识别与权重决策融合的作物产量估测系统。
[0113]
如图4所示，本发明实施例提供的一种基于分级识别与权重决策融合的作物产量估测系统，包括：
[0114]
目标田块可见光图像获取模块1，用于获取目标成熟期作物田块的可见光图像。
[0115]
目标田块产量级别输出值确定模块2，用于将所述目标成熟期作物田块的可见光图像输入至产量分级模型，得到所述目标成熟期作物田块的可见光图像的各产量级别值对应的产量级别输出值；所述产量级别值是根据产量级别规则确定的；所述产量级别规定为相邻产量级别值的间隔不大于所有已知样本作物产量平均值的设定百分比，且产量级别值的个数不小于设定个数。
[0116]
置信分数值排列模块3，用于将各所述产量级别输出值进行归一化处理，得到每个所述产量级别输出值对应的置信分数值，并对所述置信分数值进行降序排列。
[0117]
产量级别权重值计算模块4，用于在降序排列的置信分数值中，选择前m个置信分数值并进行归一化处理，得到m个产量级别权重值。
[0118]
目标田块产量估测模块5，用于将m个所述产量级别权重值与对应的所述产量级别值分别相乘并累加，得到所述目标成熟期作物田块的产量估测值。
[0119]
其中，所述产量分级模型是根据样本数据对深度卷积神经网络进行训练得到的；
所述样本数据包括样本输入数据以及对应的标签数据；所述样本输入数据为样本成熟期作物田块图像；所述标签数据为所述样本成熟期作物田块图像的产量级别值。
[0120]
进一步地，所述产量级别规则为：相邻产量级别值的间隔不大于所有已知样本作物产量平均值的10％，且产量级别值的个数不小于10。
[0121]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0122]
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。