餐品制作流程的检测方法、装置及存储介质与流程

1.本技术涉及视频处理技术领域，尤其涉及一种餐品制作流程的检测方法、装置及存储介质。


背景技术：

2.餐厅、公共事业单位、学校等食堂的后厨规范一直是社会和企事业单位关注的重点区域。后厨的行为规范也经历了三个阶段，即依赖管理人员不定期巡查阶段，构建透明玻璃隔离厨房群众监督阶段，视频监控覆盖阶段，在这三个阶段，其核心理念还是在于“人力监管”，有着较大的随机性、偶然性，自然后厨工作人员也会带有较大的侥幸心理。
3.现在餐品制作流程规范的检测方法是获取餐品制作流程视频画面，依赖肉眼去观看视频画面，找出制作中的异常状况，造成检测效率低下。
4.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本技术提供了一种餐品制作流程的检测方法、装置及存储介质，以解决相关技术中依赖人工监督餐品制作流程是否规范导致效率低下的问题。
6.第一方面，本技术提供了一种餐品制作流程的检测方法，包括：利用视频检测模型，从目标餐品的制作视频中检测出所述目标餐品的制作流程所在的视频片段，其中，所述视频检测模型用于通过在所述制作视频中识别出所述制作流程的起始视频帧和结束视频帧来确定所述视频片段；获取动作识别模型对所述视频片段的识别结果，其中，所述识别结果用于表示所述制作流程中有效动作的数量、所述制作流程中动作与参考流程中动作之间的相似度；利用所述识别结果得到所述制作流程的完成度。
7.第二方面，本技术提供了一种餐品制作流程的检测装置，包括：检测单元，用于利用视频检测模型，从目标餐品的制作视频中检测出所述目标餐品的制作流程所在的视频片段，其中，所述视频检测模型用于通过在所述制作视频中识别出所述制作流程的起始视频帧和结束视频帧来确定所述视频片段；获取单元，用于获取动作识别模型对所述视频片段的识别结果，其中，所述识别结果用于表示所述制作流程中有效动作的数量、所述制作流程中动作与参考流程中动作之间的相似度；计算单元，用于利用所述识别结果得到所述制作流程的完成度。
8.第三方面，提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
9.存储器，用于存放计算机程序；
10.处理器，用于执行存储器上所存放的程序时，实现任一种所述的餐品制作流程的检测方法的步骤。
11.第四方面，提供了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时实现任一种所述的餐品制作流程的检测方法的步骤。
12.本技术技术方案可以应用于基于计算机视觉的深度学习技术领域。本技术实施例提供的上述技术方案与现有技术相比具有如下优点：
13.本技术实施例提供的该方法，首先，采用视频检测模型，从目标餐品的制作视频中检测处目标餐品的制作流程所在的视频片段，然后，采用动作识别模型识别视频片段，得到识别结果，最后，根据识别结果得到制作流程的完成度。该方法利用视频检测模型和动作识别模型得到了用于表示制作过程中有效的动作的数量和所述制作流程中动作与参考流程中动作之间的相似度的识别结果，根据识别结果就可以判断制作流程是否规范，从而实现了自动检测餐品制作流程的规范程度，进而解决了相关技术中依赖人工监督餐品制作流程是否规范导致效率低下的问题。
附图说明
14.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
15.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，对于本领域普通技术人员而言，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。
16.图1为本技术实施例提供的一种餐品制作流程的检测方法的流程示意图；
17.图2为本技术实施例提供的一种动作识别方法的流程示意图；
18.图3为本技术实施例提供的一种炸鸡制作流程的检测方法的流程示意图；
19.图4为本技术实施例提供的一种餐品制作流程的检测装置的结构示意图；
20.图5为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
21.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
22.根据本技术实施例的一个方面，提供了一种餐品制作流程的检测方法。可选地，在本实施例中，上述餐品制作流程的检测方法可以应用于由终端和服务器所构成的硬件环境中。服务器通过网络与终端进行连接，可用于为终端或终端上安装的客户端提供服务，可在服务器上或独立于服务器设置数据库，用于为服务器提供数据存储服务。
23.上述网络可以包括但不限于以下至少之一：有线网络，无线网络。上述有线网络可以包括但不限于以下至少之一：广域网，城域网，局域网，上述无线网络可以包括但不限于以下至少之一：wifi(wireless fidelity，无线保真)，蓝牙。终端可以并不限定于为pc、手机、平板电脑等。
24.本技术实施例的餐品制作流程的检测方法可以由服务器来执行，也可以由终端来执行，还可以是由服务器和终端共同执行。其中，终端执行本技术实施例的餐品制作流程的检测方法也可以是由安装在其上的客户端来执行。
25.以由服务器来执行本实施例中的餐品制作流程的检测方法为例，图1为本技术实
施例提供的一种餐品制作流程的检测方法的流程示意图。如图1所示，该方法包括以下步骤：
26.步骤s201，利用视频检测模型，从目标餐品的制作视频中检测出上述目标餐品的制作流程所在的视频片段，其中，上述视频检测模型用于通过在上述制作视频中识别出上述制作流程的起始视频帧和结束视频帧来确定上述视频片段；
27.在本实施例中，上述目标餐品的制作视频可以从后厨操作台监控相机中获取，上述目标餐品的制作包括至少一个制作流程，例如上述目标餐品为炸鸡，炸鸡的制作流程有3个，第一个制作流程为7次抖鸡肉，第二制作流程为10次翻鸡肉，第三个流程为7次压鸡肉，利用视频检测模型可以检测出7次抖鸡肉的起始视频帧和结束视频帧，也可以检测出炸鸡全部流程的起始视频帧和结束视频帧。
28.步骤s202，获取动作识别模型对上述视频片段的识别结果，其中，上述识别结果用于表示上述制作流程中有效动作的数量、上述制作流程中动作与参考流程中动作之间的相似度；
29.在本实施例中，上述制作流程中有效动作的数量表示该动作是上述制作流程中的动作，例如第一个制作流程应该为7次抖鸡肉，假如从该制作流程中识别出了翻鸡肉，则不进行计数。上述制作流程中动作与参考流程中动作之间的相似度用于判断上述制作流程中动作是否规范，例如相似度大于90％，则制作流程中的动作是规范的，如果相似度在80％-90％之间，则制作流程中的动作虽然不是很规范，但是不会影响目标餐品的质量，如果相似度在80％以下，则制作流程中的动作是不规范的，会导致餐品的质量出现问题。
30.步骤s203，利用上述识别结果得到上述制作流程的完成度。
31.在本实施例中，由上述制作流程中有效动作的数量、上述制作流程中动作与参考流程中动作之间的相似度可以计算出上述制作流程的完成度，从上述制作流程的完成度就可以判断制作流程的规范程度，如果完成度大于90％，则制作流程是规范的。
32.在一种实施例中，获取动作识别模型对上述视频片段的识别结果，包括：构建预设大小和预设步长的时间滑窗，其中，上述时间滑窗用于截取帧数符合上述预设大小的上述视频片段；将按照上述时间滑窗截取的上述视频片段内的动作的特征向量输入至上述动作识别模型，得到上述制作流程中动作与参考流程中动作之间的相似度，并根据相似度更新上述有效动作的数量。
33.在本实施例中，因为操作流程中包括多个必需动作，所以采用了时间滑窗的方法，对时间滑窗内的视频片段进行识别，在识别完此次时间滑窗内的视频片段，向前滑动预设步长，进行下一次识别，从而可以准确地识别视频片段中的每一帧，得到更加准确的识别结果，进而进一步提到动作识别的准确性。
34.在一种实施例中，将按照上述时间滑窗截取的上述视频片段内的动作的特征向量输入至上述动作识别模型，得到上述制作流程中动作与参考流程中动作之间的相似度，包括：在第1次使用上述时间滑窗截取视频片段时，以上述制作视频的初始视频帧为所截取视频片段的初始视频帧，从上述制作视频中截取帧数为上述预设大小的第一视频片段，并将上述第一视频片段表示的第一动作的特征向量输入至上述动作识别模型，得到上述第一动作与参考流程中相应动作之间的相似度，其中，上述第一动作属于上述制作流程；在第n次使用上述时间滑窗截取视频片段时，以上述制作视频的结束视频帧为所截取视频片段的结
束视频帧，从上述制作视频中截取帧数为上述预设大小的第二视频片段，并将上述第二视频片段表示的第二动作的特征向量输入至上述动作识别模型，得到上述第二动作与参考流程中相应动作之间的相似度，其中，上述第二动作属于上述制作流程，n为大于3的正整数；在第i次使用上述时间滑窗截取视频片段时，以上述制作视频中的目标视频帧为所截取视频片段的起始视频帧，从上述制作视频中截取帧数为上述预设大小的第三视频片段，并将上述第三视频片段表示的第三动作的特征向量输入至上述动作识别模型，得到上述第三动作与参考流程中相应动作之间的相似度，其中，上述第三动作属于上述制作流程，其中，上述目标视频帧位于第四视频片段的结束视频帧之后、且距离上述第四视频片段的结束视频帧的帧数为上述预设步长，上述第四视频片段为前一次截取的视频片段，i为大于1且小于n的整数。
35.本实施例中，上述时间滑窗的初始视频帧为所截取制作片段的初始视频帧，时间滑窗以预设步长向前滑动，直至时间滑窗的结束视频帧为制作片段的结束视频帧。将时间滑窗的窗口中心的一帧时的动作认为是该时间滑窗的动作，时间滑窗向前滑动，不断输出当前时间滑窗的动作的相似度，然后判断该动作是否为有效动作，从而实现动作的准确计数，进一步提升检测结果的准确性。
36.在一种实施例中，根据相似度更新上述有效动作的数量，包括：在本次得到的上述制作流程中动作与参考流程中动作之间的相似度大于预定值的情况下，在上述有效动作的原有数量的基础上加1；在本次得到的上述制作流程中动作与参考流程中动作之间的相似度不大于上述预定值的情况下，保持上述有效动作的原有数量不变。
37.本实施例中，以炸鸡的第一个制作流程(抖鸡肉)为例，如果在本次得到的上述制作流程中动作与抖鸡肉的相似度为60％，预定值为50％，则认为此次动作是抖鸡肉，所以对该动作计数，如果与抖鸡肉的相似度为30％，则认为此次动作不是抖鸡肉，则不进行计数，这样可以有效避免发生误识别，从而提升动作数量检测的准确性。
38.在一种实施例中，如图2所示，将按照上述时间滑窗截取的上述视频片段内的动作的特征向量输入至上述动作识别模型，得到上述制作流程中动作与参考流程中动作之间的相似度，包括：采用resnet18网络对上述时间滑窗截取的上述视频片段内的每一帧进行空间编码，得到每帧的空间编码特征向量；将上述每帧的空间编码特征向量叠加对应的位置编码，得到每帧的编码特征向量；采用基于注意力机制的transformer网络对上述每帧的编码特征向量进行时序编码，得到上述动作的特征向量；将上述动作的特征向量输入至上述动作识别模型，确定上述动作对应的参考动作，其中，上述动作识别模型为使用第一样本对初始动作识别模型进行训练得到的，上述第一样本为对参考片段中参考流程的每个参考动作进行标注后得到的；将完整的上述动作与上述动作对应的参考动作比较，得到上述制作流程中动作与参考流程中动作之间的相似度，其中，完整的上述动作的开始时间和结束时间是根据上述时间滑窗的帧率计算得到的。
39.因为动作识别模型是根据动作的特征向量进行识别的，所以要先计算动作的动作向量，本实施例中，采用resnet18网络进行空间编码，然后叠加位置编码，输入到基于注意力机制的transformer网络中进行时序编码，然后由位置0处的cls标志输入到动作识别模型中。因为动作识别模型只是根据时间滑窗的窗口中心的一帧的动作确定为该时间滑窗识别出来的动作，并不是完整的动作片段，所以就不能判断动作是否规范，所以还需要根据时
间滑窗的帧率找到动作的开始时间和结束时间，这样就可以找到完整的动作，与参考动作进行比较，判断动作是否规范，从而提升了动作识别结果的准确性。
40.上述初始动作识别模型为采用kinetic400动作识别数据集训练的，然后再使用第一训练样本进行调整，当上述动作识别模型在验证数据集上的准确率高于90％时，则认为动作识别模型已经训练好。
41.在一种实施例中，利用视频检测模型，从目标餐品的制作视频中检测出上述目标餐品的制作流程所在的视频片段，包括：将上述制作视频输入至上述视频检测模型，得到上述制作流程的起始视频帧和结束视频帧，其中，上述视频检测模型为使用第二样本对初始视频检测模型进行训练得到的，上述第二样本为对上述目标餐品的参考视频中每个参考流程所在的参考片段进行标注后得到的；根据上述制作视频的帧率，将上述制作流程的起始视频帧和结束视频帧成上述制作流程的开始时间和结束时间；裁剪上述制作流程的开始时间和结束时间之间的上述制作视频的片段，得到上述视频片段。
42.在本实施例中，视频检测模型得到的只是制作流程的起始视频帧和结束视频帧，并不能直接得到视频片段，还要需要根据视频的帧率转换成制作流程的开始时间和结束时间，裁剪上述制作流程的开始时间和结束时间之间的上述制作视频的片段，得到视频片段。
43.上述初始视频检测模型为采用mscoco公开数据集进行训练的yolox-nano模型，然后使用第二样本对初始视频检测模型进行调整，直至连续5次迭代的损失值变化小于0.001。
44.在一种实施例中，利用上述识别结果得到上述制作流程的完成度，包括：确定上述制作流程中动作与参考流程中动作之间的相似度的平均值；确定上述制作流程中动作的数量与上述参考流程中动作的数量的比值；计算上述平均值与上述比值的乘积，得到上述制作流程的完成度。
45.本实施例的判断方法较为简单，可以快速判断制作流程的完成度，从而提升餐品制作流程的检测效率。
46.在一种实施例中，为了进一步提升检测的效率，需要先对目标餐品的制作视频进行处理，按照预定时间间隔从制作视频中抽取多帧图像，然后采用双线性插值算法将上述多帧图像的分辨率调整至视频检测模型设定的分辨率，然后进行归一化处理：将多帧图像的像素值除以255，减去均值除方差。
47.在本实施例中，归一化不改变图像信息，只是把像素从0-255变成0～1的范围，加快训练网络的收敛性，归一化是为了让某些激活函数的梯度不至于过小，加快收敛。如果输入层的输入很大，在反向传播时候传递到输入层的梯度就会变得很大。梯度大，学习率就得非常小，否则会越过最优。
48.下文将结合具体实施方式进一步详述本技术的技术方案：
49.第一部分：模型训练
50.步骤一，动作数据集为从后厨操作台监控相机采集的包含1-5个完整炸鸡动作操作流程的视频，共计150段，每段时常约半小时。动作数据集采用elan标注软件手工进行标注出每个片段中各完整炸鸡动作的开始、结束时间，炸鸡动作流程中7次抖鸡肉、10次翻鸡肉、7次压鸡肉这3个流程动作的开始、结束时间，以及每个流程中各个动作的开始、结束时间。
51.步骤二，炸鸡目标检测数据集为从动作数据集中按照1s时间间隔抽取的图像帧，用labelimg标注软件进行手工标注的鸡肉(整个炸鸡流程准备开始)放入篮子的目标包围框，以及整个炸鸡动作流程刚结束时炸好的第一块鸡肉放入托盘的目标包围框。
52.步骤三，采用炸鸡块目标检测数据集对预训练的yolox-nano模型进行调整，直至连续5次迭代的损失值变化小于0.001，得到视频检测模型。
53.步骤四，动作识别模型在kinetic400动作识别数据集上预训练，之后在动作数据集上进行微调，直至上述动作识别模型在验证数据集上的准确率高于90％，得到动作识别模型。
54.第二部分：炸鸡流程检测，图3为本技术实施例提供的一种炸鸡制作流程的检测方法的流程示意图，如图3所示
55.步骤一，获取后厨监控相机采集的视频，按照1s时间间隔从采集的视频中抽取多帧图像，采用双线性插值算法将上述多帧图像的分辨率调整至视频检测模型设定的分辨率，然后进行归一化处理，得到炸鸡的制作视频。将上述制作视频输入视频检测模型，得到制作流程开始时鸡肉放入篮子包围框的起始视频帧和结束时炸鸡块放入托盘包围框的结束视频帧。
56.步骤二，根据制作视频的帧率转换成时间t1和t2。将t1和t2之间的片段(整个操作流程)裁剪出来，得到视频片段。
57.步骤三，将上述视频片段输入到基于时间滑窗的动作识别模型中。首先构建预设大小是64帧，预设步长是2帧的时间滑窗，然后将窗口内的64帧连续序列输入到resnet18网络中对每一帧进行空间编码，得到每帧的空间编码特征向量，之后叠加自己的位置编码后，输入到基于注意力机制的transformer网络进行时序编码，得到动作的特征向量，由位置0处的cls标志向量输入动作识别模型，输出窗口中心的一帧的动作对应的参考动作，然后根据帧率计算出动作的开始时间和结束时间，得到完整的动作，最后将完整的动作和参考动作进行比较，得到相似度。
58.步骤四，在相似度大于50％的情况下，则认为该动作属于有效动作，在有效动作的原有数量的基础上加1。在相似度小于等于50％的情况下，则认为该动作不属于此制作流程，保持有效动作的原有数量不变。
59.步骤五，确定上述制作流程中动作与参考流程中动作之间的相似度的平均值和确定上述制作流程中动作的数量与上述参考流程中动作的数量的比值，然后计算上述平均值与上述比值的乘积，从而炸鸡的制作流程的完成情况。
60.图4为本技术实施例提供的一种餐品制作流程的检测装置的结构示意图。如图4所示，该装置包括：
61.检测单元10，用于利用视频检测模型，从目标餐品的制作视频中检测出上述目标餐品的制作流程所在的视频片段，其中，上述视频检测模型用于通过在上述制作视频中识别出上述制作流程的起始视频帧和结束视频帧来确定上述视频片段；
62.获取单元20，用于获取动作识别模型对上述视频片段的识别结果，其中，上述识别结果用于表示上述制作流程中有效动作的数量、上述制作流程中动作与参考流程中动作之间的相似度；
63.计算单元30，用于利用上述识别结果得到上述制作流程的完成度。
64.在一种实施例中，上述获取单元包括构建模块和第一输入模块，其中，上述构建模块用于构建预设大小和预设步长的时间滑窗，其中，上述时间滑窗用于截取帧数符合上述预设大小的上述视频片段；上述第一输入模块用于将按照上述时间滑窗截取的上述视频片段内的动作的特征向量输入至上述动作识别模型，得到上述制作流程中动作与参考流程中动作之间的相似度，并根据相似度更新上述有效动作的数量。
65.在一种实施例中，上述第一输入模块包括第一输入子模块、第二输入子模块和第三输入子模块，其中，上述第一输入子模块用于在第1次使用上述时间滑窗截取视频片段时，以上述制作视频的初始视频帧为所截取视频片段的初始视频帧，从上述制作视频中截取帧数为上述预设大小的第一视频片段，并将上述第一视频片段表示的第一动作的特征向量输入至上述动作识别模型，得到上述第一动作与参考流程中相应动作之间的相似度，其中，上述第一动作属于上述制作流程；上述第二输入子模块用于在第n次使用上述时间滑窗截取视频片段时，以上述制作视频的结束视频帧为所截取视频片段的结束视频帧，从上述制作视频中截取帧数为上述预设大小的第二视频片段，并将上述第二视频片段表示的第二动作的特征向量输入至上述动作识别模型，得到上述第二动作与参考流程中相应动作之间的相似度，其中，上述第二动作属于上述制作流程，n为大于3的正整数；上述第三输入子模块用于在第i次使用上述时间滑窗截取视频片段时，以上述制作视频中的目标视频帧为所截取视频片段的起始视频帧，从上述制作视频中截取帧数为上述预设大小的第三视频片段，并将上述第三视频片段表示的第三动作的特征向量输入至上述动作识别模型，得到上述第三动作与参考流程中相应动作之间的相似度，其中，上述第三动作属于上述制作流程，其中，上述目标视频帧位于第四视频片段的结束视频帧之后、且距离上述第四视频片段的结束视频帧的帧数为上述预设步长，上述第四视频片段为前一次截取的视频片段，i为大于1且小于n的整数。
66.在一种实施例中，上述第一输入模块包括第一计数子模块和第二计数子模块，其中，上述第一计数子模块用于在本次得到的上述制作流程中动作与参考流程中动作之间的相似度大于预定值的情况下，在上述有效动作的原有数量的基础上加1；上述第二计数子模块用于在本次得到的上述制作流程中动作与参考流程中动作之间的相似度不大于上述预定值的情况下，保持上述有效动作的原有数量不变。
67.在一种实施例中，上述第一输入模块包括第一编码子模块、第二编码子模块、第三编码子模块、第四输入子模块和比较子模块，其中，上述第一编码子模块用于采用resnet18网络对上述时间滑窗截取的上述视频片段内的每一帧进行空间编码，得到每帧的空间编码特征向量；上述第二编码子模块用于将上述每帧的空间编码特征向量叠加对应的位置编码，得到每帧的编码特征向量；上述第三编码子模块用于采用基于注意力机制的transformer网络对上述每帧的编码特征向量进行时序编码，得到上述动作的特征向量；上述第四输入子模块用于将上述动作的特征向量输入至上述动作识别模型，确定上述动作对应的参考动作，其中，上述动作识别模型为使用第一样本对初始动作识别模型进行训练得到的，上述第一样本为对参考片段中参考流程的每个参考动作进行标注后得到的；上述比较子模块用于将完整的上述动作与上述动作对应的参考动作比较，得到上述制作流程中动作与参考流程中动作之间的相似度，其中，完整的上述动作的开始时间和结束时间是根据上述时间滑窗的帧率计算得到的。
68.在一种实施例中，上述检测单元包括第二输入模块、转换模块和裁剪模块，其中，上述第二输入模块用于将上述制作视频输入至上述视频检测模型，得到上述制作流程的起始视频帧和结束视频帧，其中，上述视频检测模型为使用第二样本对初始视频检测模型进行训练得到的，上述第二样本为对上述目标餐品的参考视频中每个参考流程所在的参考片段进行标注后得到的；上述转换模块用于根据上述制作视频的帧率，将上述制作流程的起始视频帧和结束视频帧成上述制作流程的开始时间和结束时间；上述裁剪模块用于裁剪上述制作流程的开始时间和结束时间之间的上述制作视频的片段，得到上述视频片段。
69.在一种实施例中，上述计算单元包括第一确定模块、第二确定模块和计算模块，其中，上述第一确定模块用于确定上述制作流程中动作与参考流程中动作之间的相似度的平均值；上述第二确定模块用于确定上述制作流程中动作的数量与上述参考流程中动作的数量的比值；上述计算模块用于计算上述平均值与上述比值的乘积，得到上述制作流程的完成度。
70.如图5所示，本技术实施例提供了一种电子设备，包括处理器111、通信接口112、存储器113和通信总线114，其中，处理器111，通信接口112，存储器113通过通信总线114完成相互间的通信，
71.存储器113，用于存放计算机程序；
72.在本技术一个实施例中，处理器111，用于执行存储器113上所存放的程序时，实现前述任意一个方法实施例提供的餐品制作流程的检测方法。
73.本技术实施例还提供了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时实现如前述任意一个方法实施例提供的餐品制作流程的检测方法的步骤。
74.需要说明的是，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。
75.以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。