路面不平度检测方法、装置、系统、介质和设备
技术领域
本发明涉及路面不平度自动识别
技术领域
，特别涉及一种适用于山地果茶园等非结构画路面的路面不平度检测方法、装置、系统、介质和设备。背景技术
车辆在不平路面上行驶时，伴随路面不平而产生激励对车辆本身结构、车辆乘坐人员、车辆搭载的货物以及路面结构都有着较大的影响。目前，也出现了一些对于路面不平度的研究。
3米直尺和水平仪－标杆为常见的固定基准测量路面不平度检测仪器。将3米直尺放置在车辆可能通过的路面上，用带有量程的塞尺既可测量3米直尺底面与路面之间的距离，多点进行数据采集，即可测得路面不平度的变化。此方法优点是测量成本低，操作方便，缺点是测量时人为影响因素大、精度不高、测试效率低。颠簸累计仪为最早发展的间接测量路面不平度的检测仪器，它依据记录的弹簧垂直振动振幅来对路面不平度进行评价，该测量装置具有测量效率高的特点，缺点是振动系统受多因素影响，稳定性稍差。
从路面不平度的采集的角度来看，对结构化的汽车道路领域路面不平度的测量和非结构化的果园道路领域路面不平度的研究存在的较大的差距。当前，针对结构化的路面不平度测量装置发展的相对成熟，但3米直尺、水平仪－标杆、多轮仪此类直接测量路面不平度的装置效率过于低下而逐渐被淘汰；BPR拖车式颠簸累积仪以及车载式路面平整度测试仪由于适用场景的限制，不适用于路面状况较差的非结构化路面不平度测量。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足，提供一种路面不平度检测方法，该方法适用于路面状况较差的非结构化路面不平度的检测，具有检测效率高以及稳定性好的优点。
本发明的第二目的在于提供一种路面不平度检测装置。
本发明的第三目的在于提供一种路面不平度检测系统。
本发明的第四目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现：一种路面不平度检测方法，，包括步骤：
获取激光雷达采集到的道路点云数据，其中激光雷达搭载在移动平台上跟随移动平台移动；
对点云数据进行去噪处理；
对去噪处理后的云数据进行配准处理，以增加路面点云信息量；
对配准处理后的点云数据进行点云数据分割，得到道路路面的点云数据；
从道路路面的点云数据中提取出路面高程信息；
通过路面高程信息计算出路面功率谱密度，根据路面功率谱密度确定出路面不平度等级。
优选的，对点云数据进行去噪处理的过程如下：
采用布模拟滤波去除植被对点云数据的干扰，对每帧采集的点云上植被数据进行滤波，具体为：
首先，对激光雷达采集的点云进行反向处理；
然后，用一块布覆盖在反向表面，通过分析布节点与相应激光雷达点之间的相互作用，确定布节点的位置，生成地面的近似；
最后，通过对比原始激光雷达点和生成的表面，从激光雷达点云中提取出地面点；
采用统计分析滤波对布模拟滤波处理后的点云数据进行降噪处理，去除与激光雷达中心之间距离超过阈值的离散点。
优选的，利用ICP算法对去噪后的点云数据进行特征配准处理，具体为：
进行迭代优化矩阵，在迭代过程中，对于目标集中点，将其最邻近参考点的集合计算出来；同时，计算目标集中点相应的平移矩阵与旋转矩阵，获得一个新的目标点集，开始下一次迭代，直至迭代结束，获得变换矩阵，实现两点集的配准。
优选的，对配准处理后的点云数据进行点云数据分割处理，得到a*b米的道路路面的点云数据。
优选的，从道路路面的点云数据中提取出路面高程信息的过程如下：
从道路路面的点云数据中，提取移动平台左轮移动方向与地面点云相交序列q(l)、移动平台右轮移动方向与地面点云相交序列q(l)以及移动平台左右对称中心线处与地面点云相交序列q(z)，得到三个方向的路面二维高程序列。
更进一步的，通过路面高程信息计算出路面功率谱密度，根据路面功率谱密度确定出路面不平度等级的具体过程如下：
针对获取到的三个方向的路面二维高程序列q(l)、q(l)和q(z)，分别求取平均后得到和
基于功率谱密度估计函数Pyulear分别求取和的功率谱密度；分别对应得到q(l)、q(r)和q(z)序列的功率谱密度；
对到q(l)、q(r)和q(z)序列的功率谱密度分解到各倍频程中进行平滑处理，得到q(l)、q(r)和q(z)序列的平滑功率谱密度；
在q(l)、q(r)和q(z)序列的平滑功率谱密度曲线中找到曲线与标准路面分级的交点，以各个交点为分界点，分别统计落在各个路面等级区间的曲线点数并计算各区间点数与总体的比例，由此来定量的描述路面的不平度。
本发明的第二目的通过下述技术方案实现：一种路面不平度检测装置，包括：
点云数据获取模块，用于获取激光雷达采集到的道路点云数据，其中激光雷达搭载在移动平台上跟随移动平台移动；
去噪处理模块，用于对点云数据进行去噪处理；
配准处理模块，用于对去噪处理后的云数据进行配准处理，以增加路面点云信息量；
分割模块，用于对配准处理后的点云数据进行点云分割，得到道路路面的点云数据；
高程信息提取模块，用于从道路路面的点云数据中提取出路面高程信息；
路面不平度确定模块，用于通过路面高程信息计算出路面功率谱密度，根据路面功率谱密度确定出路面不平度等级。
本发明的第三目的通过下述技术方案实现：一种路面不平度检测系统，包括上位机、激光雷达和移动平台；
所述激光雷达搭载在移动平台上，用于在跟随移动平台移动时采集到道路点云数据；
所述激光雷达连接上位机，用于将采集到的道路点云数据发送给上位机；
所述移动平台连接上位机，用于向上位机反馈移动信息；
所述上位机，用于执行本发明第一目的所述的路面不平度检测方法。
本发明的第四目的通过下述技术方案实现：一种存储介质，存储有程序，所述程序被处理器执行时，实现本发明第一目的所述的路面不平度检测方法。
本发明的第五目的通过下述技术方案实现：，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现本发明第一目的所述的路面不平度检测方法。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明路面不平度检测方法，首先获取搭载在移动平台上跟随移动平台移动的激光雷达采集到的道路点云数据；然后对点云数据分别进行去噪、配准和分割处理，得到道路路面的点云数据，得到道路路面的点云数据；从道路路面的点云数据中提取出路面高程信息；通过路面高程信息计算出路面功率谱密度，根据路面功率谱密度确定出路面不平度等级。本发明方法通过激光雷达采集路面点云数据，基于此，在进行大距离目标测量时，拥有更低的测量误差，并且能够获取到位置信息更为丰富的点云数据，提高路面不平度检测的精度。并且针对于道路点云数据，进行去噪、配准和分割处理后，能够确定出供行驶的道路路面点云数据，进一步的基于道路路面点云数据能够准确的确定出路面高程信息，从而检测出路面不平度，适用于路面状况较差的非结构化路面不平度的检测，具有检测效率高以及稳定性好的优点；能够解决山地果茶园等非结构化道路路面不平度的检测空缺问题，提高现代农业机械的设计与研发水平，降低研发周期与研发成本，提高农业机械功率谱室内模拟试验准确度。
(2)本发明路面不平度检测方法中，在去噪处理时，采用布模拟滤波去除植被对点云数据的干扰，采用统计分析滤波将点云数据中远离雷达中心的点云数据进行去除，另外通过点云配准增加路面点云信息量，提高信息密度，通过点云分割则是直接留下车辆最有可能驶过a*b米(例如4×20米)的路面进行后续的路面高程信息提取。基于此，本发明可以消除山地果茶园等非结构化道路其他干扰的因素的影响，得到更为精确的路面不平度信息。
(3)本发明路面不平度检测方法中，针对于获取到的路面二维高程序列，基于功率谱密度估计函数Pyulear分别求取对应功率谱密度，最后通过功率谱密度曲线确定路面不平度等级，因此本发明采用定带宽分析来计算功率谱密度，突出了所谓真实功率谱分布或由噪声引起的功率谱密度的起伏变化。
附图说明
图1是本发明方法流程图。
图2a是激光雷达采集点云数据的泥土路段。
图2b是图2a泥土路段对应点云数据。
图2c是激光雷达采集点云数据的泥土路面。
图2d是图2c泥土路面对应单帧点云数据。
图3a为激光雷达采集点云数据的实际场景。
图3b为图3a实际场景的点云数据。
图3c和3d是图3a所示实际场景中地面点和非地面点进行布模拟滤波后的结果。
图3e为统计分析滤波后的结果。
图4是本发明方法中ICP配准后的点云数据。
图5a是多帧点云数据配准图。
图5b是点云数据分割结果图。
图6是本发明方法中q(l)、q(r)和q(z)序列的功率谱密度曲线图。
图7是本发明方法中q(l)、q(r)和q(z)序列的平滑功率谱密度曲线图。
图8是本发明装置结构框图。
图9是本发明系统结构原理图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
目前的路面不平度测量主要是针对结构化路面的，但是基于目前结构化路面不平度测量存在人为影响因素大、精度不高、稳定性差以及不适合非结构化路面的问题。基于此，本实施例公开了一种适用于山地果茶园等非结构画路面的路面不平度检测方法，并且提高了路面不平度的检测效率高以及检测稳定性。
为便于对本实施例进行理解，首先对本申请实施例所公开xx方法进行详细介绍，参见图1所示的路面不平度检测方法的流程图，该方法包括以下步骤：
S1、获取搭载在移动平台上跟随移动平台移动的激光雷达采集到的道路点云数据。图2a和2c所示分别为泥土路段和泥土路面，图2b为跟随移动平台移动的激光雷达所采集到的图2a所示泥土路段的拟合点云数据，图2c所示为激光雷达所采集到的图2c所示的泥土路面的单帧点云数据。
在本实施例中，激光雷达可以采用VLP-16激光雷达，VLP-16激光雷达的测量精度远高于毫米波雷达以及单线激光雷达，能够更准确地反映被测物空间信息。VLP-16激光雷达重量只有830g，体积小巧，方便携带与外用；该款激光雷达中的旋转部件的转速可以在上位机中调节，调整区间为300r/min至1200r/min；雷达每秒钟大约可以测量30万个位置的点云数据，位置信息丰富。
S2、对点云数据进行去噪处理，具体如下：
S21、采用布模拟滤波去除植被对点云数据的干扰，对每帧采集的点云上植被数据进行滤波，具体为：
首先，对激光雷达采集的点云进行反向处理。
然后，用一块布覆盖在反向表面，通过分析布节点与相应激光雷达点之间的相互作用，确定布节点的位置，生成地面的近似。
最后，通过对比原始激光雷达点和生成的表面，从激光雷达点云中提取出地面点。
针对于如图3a实际场景所采集到的如图3b所示的点云数据，进行本实施例的布模拟滤波处理后，得到如图3c和3d所示的结果，其中图3c是地面点布模拟滤波后的结果，图3d是非地面点进行布模拟滤波后的结果。
S22、采用统计分析滤波对布模拟滤波处理后的点云数据进行降噪处理，去除与激光雷达中心之间距离超过阈值的离散点。激光雷达收集的点云对路面具有重要的表征意义，点云数量越多局部特征越清晰，点云数量越少局部特征越稀疏，而离群值可以理解为无用的特征，因离群值太过稀疏，表征意义不强，故可以对其进行滤波去除。
如图3b所示的点云数据经过本实施例布模拟滤波和统计分析滤波后，结果如图3e所示。
S3、对去噪处理后的云数据进行配准处理，以增加路面点云信息量。在本实施例中，利用ICP算法对去噪后的点云数据进行特征配准处理，具体为：进行迭代优化矩阵，在迭代过程中，对于目标集中点，将其最邻近参考点的集合计算出来；同时，计算目标集中点相应的平移矩阵与旋转矩阵，获得一个新的目标点集，开始下一次迭代，直至迭代结束，获得一个较为精准的变换矩阵，实现两点集的配准，如图4所示为ICP配准后的点云数据。
S4、对配准处理后的点云数据进行点云数据分割，得到a*b道路路面的点云数据；在本实施例中经过点云数据分割处理后，可以得到4*20米的道路路面的点云数据，如图5a所示的多帧点云配准图经过本步骤点云数据分割后，得到如5b所示的分割结果。
S5、从道路路面的点云数据中提取出路面高程信息。在本实施例中，从道路路面的点云数据中，提取移动平台左轮移动方向与地面点云相交序列q(l)、移动平台右轮移动方向与地面点云相交序列q(r)以及移动平台左右对称中心线处与地面点云相交序列q(z)，得到三个方向的路面二维高程序列，对应为路面三条纵向序列。其中：
q(l)＝{q1(l),q2(l),q3(l),...,qN(l)}；
q(r)＝{q1(r),q2(r),q3(r),...,qN(r)}；
q(z)＝{q1(z),q2(z),q3(z),...,qN(z)}；
其中q1(l)至qN(l)为q(l)序列中第1至N个点云数据，对应激光雷达第1至N次的测试值；q1(r)至qN(r)为q(r)序列中第1至N个点云数据，对应激光雷达第1至N次的测试值；q1(z)至qN(z)为q(z)序列中的第1至N个点云数据，对应激光雷达第1至N次的测试值。
S6、通过路面高程信息计算出路面功率谱密度，根据路面功率谱密度确定出路面不平度等级，具体工程如下：
S61，针对获取到的三个方向的路面二维高程序列q(l)、q(r)和q(z)，分别求取平均后得到和
S62、采用AR模型功率谱密度估计函数Pyulear分别求取和的功率谱密度，对应得到q(l)、q(r)和q(z)序列的功率谱密度。
如图6中所示为本实施例中该步骤得到果园水泥路面三条纵向序列q(l)、q(r)和q(z)序列的功率谱密度，从图中可以看出，水泥路面在高频区出现了丰富的频率分量，这是由于采用定带宽分析来计算功率谱密度，突出了所谓真实功率谱分布或由噪声引起的功率谱密度的起伏变化。
S63、对到q(l)、q(r)和q(z)序列的功率谱密度分解到各倍频程中进行平滑处理，得到q(l)、q(r)和q(z)序列的平滑功率谱密度。
如图6中所示的三条纵向序列q(l)、q(r)和q(z)序列的功率谱密度经过平滑处理后得到的平滑功率谱密度和空间频率在对数坐标下的关系如图7中所示。
S64、在q(l)、q(r)和q(z)序列的平滑功率谱密度曲线中找到曲线与标准路面分级的交点，以各个交点为分界点，分别统计落在各个路面等级区间的曲线点数并计算各区间点数与总体的比例，由此来定量的描述路面的不平度。
基于如图7中所示的q(l)、q(r)和q(z)序列的平滑功率谱密度，根据与标准路面分级的交点，q(l)、q(r)和q(z)序列中，各个路面等级区间的曲线点数与总体的比例如下表表1所示：
表1
q(l)
q(r)
q(z)
平均值
A
3％
2％
3％
2.67％
B
75％
84％
88％
82.33％
C
22％
14％
9％
15％
D
0
0
0
0
E
0
0
0
0
F
0
0
0
0
G
0
0
0
0
H
0
0
0
0
其中A至H为标准路面不平度分级，A级表示路面最好，H级表示路面最差，A至H，路况依次递减。由表1可知，对应路段中，A级路面占2.67％，B级里面占82.33％，C级路面占15％，因此这段路主要为B级路面。
本领域技术人员可以理解，实现本实施例方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。应当注意，尽管在附图中以特定顺序描述了本实施例1的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序，有些步骤也可以同时执行，附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2
本实施例公开了一种路面不平度检测装置，包括点云数据获取模块、去噪处理模块、配准处理模块、分割模块、高程信息提取模块和路面不平度确定模块，各个模块的功能如下：
点云数据获取模块，用于获取搭载在移动平台上跟随移动平台移动的激光雷达采集到的道路点云数据；
去噪处理模块，用于对点云数据进行去噪处理；
配准处理模块，用于对去噪处理后的云数据进行配准处理，以增加路面点云信息量；
分割模块，用于对配准处理后的点云数据进行点云分割，得到道路路面的点云数据；
高程信息提取模块，用于从道路路面的点云数据中提取出路面高程信息；
路面不平度确定模块，用于通过路面高程信息计算出路面功率谱密度，根据路面功率谱密度确定出路面不平度等级。
进一步的，在本实施例中，去噪处理模块包括布模拟滤波模块和统计分析滤波模块，其中：
布模拟滤波模块，用于采用布模拟滤波去除植被对点云数据的干扰，对每帧采集的点云上植被数据进行滤波，
统计分析滤波模块，用于采用统计分析滤波对布模拟滤波处理后的点云数据进行降噪处理，去除与激光雷达中心之间距离超过阈值的离散点。
本实施例上述各个模块的具体实现可以参见上述实施例1，在此不再一一赘述。需要说明的是，本实施例提供的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3
本实施例公开了一种路面不平度检测系统，如图9中所示，包括上位机、激光雷达、移动平台和电源。
激光雷达搭载在移动平台上，用于在跟随移动平台移动时采集到道路点云数据。在本实施例中，移动平台可以是履带运输车，激光雷达利用激光雷达安装架以一定角度固定在履带运输车，激光雷达可以采用VLP-16激光雷达。
激光雷达连接上位机，用于将采集到的道路点云数据发送给上位机。
移动平台连接上位机，用于向上位机反馈移动信息；在本实施例中，移动平台将移动信息反馈给上位机，在移动平台开始移动时，上位机控制激光雷达开始采集工作，在移动平台停止移动时，上位机控制激光雷达停止采集工作，即控制激光雷达在移动平台行驶过程中对周围的环境进行点云信息的采集，行驶完毕后点云信息即采集完毕。本实施例中，上位机也直接搭载在移动平台上。
电源连接激光雷达和上位机，用于为激光雷达和上位机进行供电。
所述上位机，用于执行实施例1所述的路面不平度检测方法，如下：
获取搭载在移动平台上跟随移动平台移动的激光雷达采集到的道路点云数据；
对点云数据进行去噪处理；
对去噪处理后的云数据进行配准处理，以增加路面点云信息量；
对配准处理后的点云数据进行点云数据分割，得到道路路面的点云数据；
从道路路面的点云数据中提取出路面高程信息；
通过路面高程信息计算出路面功率谱密度，根据路面功率谱密度确定出路面不平度等级。
上述各个过程具体实现可以参见上述实施例1，在此不再一一赘述。在本实施例中，上位机可以是计算机、服务器、工控机或者其他智能终端等。
实施例4
本实施例公开了一种存储介质，存储有程序，所述程序被处理器执行时，实现实施例1所述的路面不平度检测方法，如下：
获取搭载在移动平台上跟随移动平台移动的激光雷达采集到的道路点云数据；
对点云数据进行去噪处理；
对去噪处理后的云数据进行配准处理，以增加路面点云信息量；
对配准处理后的点云数据进行点云数据分割，得到道路路面的点云数据；
从道路路面的点云数据中提取出路面高程信息；
通过路面高程信息计算出路面功率谱密度，根据路面功率谱密度确定出路面不平度等级。
本实施例中，上述各个过程具体实现可以参见上述实施例1，在此不再一一赘述。
在本实施例中，存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。
实施例5
本实施例公开了一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现实施例1所述的路面不平度检测方法，如下：
获取搭载在移动平台上跟随移动平台移动的激光雷达采集到的道路点云数据；
对点云数据进行去噪处理；
对去噪处理后的云数据进行配准处理，以增加路面点云信息量；
对配准处理后的点云数据进行点云数据分割，得到道路路面的点云数据；
从道路路面的点云数据中提取出路面高程信息；
通过路面高程信息计算出路面功率谱密度，根据路面功率谱密度确定出路面不平度等级。
本实施例中，上述各个过程具体实现可以参见上述实施例1，在此不再一一赘述。本实施例中，计算设备可以是台式电脑、笔记本电脑、PDA手持终端、平板电脑等终端设备。
在本实施例中，计算设备包括：处理器，存储器，总线和通信接口，处理器、通信接口和存储器通过总线连接；处理器配置成执行存储器中存储的可执行模块，例如计算机程序。
其中，存储器可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口(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，本地网和城域网等。
总线可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线和控制总线等。
其中，存储配置成存储程序，所述处理器在接收到执行指令后，执行所述程序，前述本申请实施例揭示的流过程定义的装置所执行的方法可以应用于处理器中，或者由处理器实现。
处理器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中的硬件的集成逻辑电路或者软件形式的指令完成。上述处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)和网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，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以及分立硬件组件。可以实现或者执行本申请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。结合本申请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，闪存和/或只读存储器，可编程只读存储器或者电可擦写可编程存储器和/或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，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
