苹果身份识别模型建立方法及系统、身份识别方法及系统

摘要

本发明涉及苹果身份识别模型建立方法及系统、苹果身份识别方法及系统，包括：A1、选取样本获取初始光谱信息；A2、预处理以提取对应的有用光谱信息；A3、提取有用光谱信息中满足预设要求的有效光谱特征参数；A4、建立PSO‑SVM模型，并任选部分有效光谱特征参数；A5、通过部分有效光谱特征参数对该初始PSO‑SVM模型进行训练，根据训练结果获取c和g的最佳值以获取初始预测模型；A6、通过初始预测模型对剩余有效光谱特征参数进行预测判断预测结果是否准确，若是，则执行A7，若否，则执行A5；A7、将初始预测模型作为最终预测模型。实施本发明能实现快速识别苹果身份，对规范交易市场，具有重要的理论意义与现实意义。

说明书

技术领域

本发明涉及苹果身份识别技术领域，更具体地说，涉及一种苹果身份识别模型建立方法及系统、苹果身份识别方法及系统。

背景技术

阿克苏地区生产的红富士苹果，由于受昼夜温差大等独特的气候条件影响，糖分在果核内部慢慢积累堆积成独特的“冰糖心”苹果，其肉质细、脆、果汁多，口感极佳，已作为品牌特点驰名中外，并获得国家地理标志保护产品称号。但是不法分子受利益驱使，假冒阿克苏“冰糖心”苹果的现象屡禁不止。为此，阿克苏相关部门每年都会专门派大量专业人员到内地进行打假，但打假难题较大，更缺乏技术支持。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述部分技术缺陷，提供一种苹果身份识别模型建立方法及系统、苹果身份识别方法及系统。

本发明解决其技术问题所采用的技术方案是：构造一种苹果身份识别模型建立方法，包括：

A1、选取样本并获取样本表面的初始光谱信息；

A2、预处理所述初始光谱信息以提取所述样本对应的有用光谱信息；

A3、提取所述有用光谱信息中满足预设要求的光谱特征参数为有效光谱特征参数；

A4、建立初始利用粒子群优化支持向量机PSO-SVM模型，并任选部分有效光谱特征参数；

A5、通过所述部分有效光谱特征参数对该初始PSO-SVM模型进行训练，并根据训练结果获取惩罚参数c和核参数g的最佳参数值，根据所述最佳参数值获取初始预测模型；

A6、通过所述初始预测模型对剩余有效光谱特征参数进行预测以获取预测结果，判断所述预测结果是否准确，若是，则执行步骤A7，若否，则执行步骤A5；

A7、将所述初始预测模型作为最终预测模型以用于对待测样品进行识别。

优选地，在所述步骤A1中，所述样本包括：

与目标身份一致的第一样本和/或与所述目标身份不一致的第二样本。

优选地，在所述步骤A2中，所述预处理所述初始光谱信息以提取所述样本对应的有用光谱信息包括：

通过标准正态变量变换算法SNV处理所述初始光谱信息以得到所述有用光谱信息。

优选地，在所述步骤A1中，所述获取样本表面的初始光谱信息包括：

获取每一所述样品表面的的高光谱图像，

基于所述高光谱图像对每一所述样本表面均选取若干ROI区域以分别获取所述ROI区域的高光谱信息；

获取同一所述样本表面的所有ROI区域对应的高光谱信息的平均值为所述样本表面的初始光谱信息。

所述方法还包括：

对所述高光谱图像进行黑白校正。

优选地，在所述步骤A2中，所述提取所述有用光谱信息中满足预设要求的光谱特征参数为有效光谱特征参数；包括：

通过连续投影算法SPA对所述有用光谱信息的全波段进行迭代计算，以减少所述全波段中的冗余信息，获取冗余信息减少至满足预设要求的特定波长为所述有效光谱特征参数。

优选地，所述特定波长的个数获取方法包括：

在通过所述SPA的迭代计算过程中，建立所述特定波长的多元线性回归模型，并获取该多元线性回归模型的均方根误差RMSE；

获取所述RMSE满足预设值时对应的所述特定波长的个数，并基于所述特定波长的个数获取对应的所述特定波长。

优选地，所述训练结果包括：与所述样本分别对应的判断准确率、查全率、查准率和评价模型结果；

在所述步骤A5中，通过所述部分有效光谱特征参数对该初始PSO-SVM模型进行训练，并根据训练结果获取惩罚参数c和核参数g的最佳参数值，包括：

分别设定所述惩罚参数c的搜索范围和所述核参数g的搜索范围，以及所述PSO-SVM模型的粒子群最大优化代次数；

依照预设步进分别调整所述惩罚参数c和所述核参数g并分别进行所述最大优化迭代次数的训练以获取所述训练结果；

获取所述判断准确率最大时所对应的惩罚参数c和核参数g为所述最佳参数值；和/或

所述初始PSO-SVM模型的核函数为sigmoid。

本发明还构造一种苹果身份识别模型建立系统，包括：

获取单元，用于选取样本并获取样本表面的初始光谱信息；

预处理单元，用于预处理所述初始光谱信息以提取所述样本对应的有用光谱信息；

提取单元，用于提取所述有用光谱信息中满足预设要求的光谱特征参数为有效光谱特征参数；

建模单元，用于建立初始利用粒子群优化支持向量机PSO-SVM模型，并选取部分有效光谱特征参数；

训练单元，用于通过所述部分有效光谱特征参数对该初始PSO-SVM模型进行训练，并根据训练结果获取惩罚参数c和核参数g的最佳参数值，根据所述最佳参数值获取PSO-SVM预测模型；

判断单元，用于通过所述PSO-SVM预测模型对剩余有效光谱特征参数进行预测以获取预测结果，判断所述预测结果是否准确，并在所述预测结果准确时，输出肯定结果，否则驱动所述训练单元动作；

执行单元，用于在所述判断单元输出肯定结果时将所述PSO-SVM预测模型作为最终预测模型以用于对待测样品进行识别。

本发明还构造一种苹果身份识别方法，包括：

B1、获取待测样品表面的初始光谱信息；

B2、预处理所述初始光谱信息以提取所述待测样品对应的有用光谱信息；

B3、提取所述待测样品对应的有用光谱信息中满足预设要求的光谱特征参数为所述待测样品对应的有效光谱特征参数；

B4、接收所述待测样品对应的有用光谱信息并通过预测模型识别所述待测样品，其中，所述预测模型为通过上面任意一项所述的苹果身份识别模型建立方法获得的最终预测模型。

本发明还构造一种苹果身份识别系统，包括：

获取单元，用于获取待测样品表面的初始光谱信息；

预处理单元，用于预处理所述初始光谱信息以提取所述待测样品对应的有用光谱信息；

提取单元，用于提取所述待测样品对应的有用光谱信息中满足预设要求的光谱特征参数为所述待测样品对应的有效光谱特征参数；

设有预测模型的识别单元，用于接收所述待测样品对应的有用光谱信息并通过所述预测模型识别所述待测样品，其中，所述预测模型为通过上面任意一项所述的苹果身份识别模型建立方法获得的最终预测模型。

实施本发明的一种苹果身份识别模型建立方法及系统、苹果身份识别方法及系统，具有以下有益效果：实现快速识别苹果身份，对规范交易市场，具有重要的理论意义与现实意义。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明一种苹果身份识别模型建立方法一实施例的程序流程图；

图2a是获取的初始光谱信息示意图；

图2b是基于图2a获取的有用光谱信息的示意图；

图3a是本发明一种苹果身份识别模型建立方法中不同子集模型的RMSE值示意图；

图3b是本发明一种苹果身份识别模型建立方法中有效光谱特征示意图；

图4是本发明一种苹果身份识别模型建立方法中模型训练一实施例流程图；

图5是本发明一种苹果身份识别模型建立方法中模型训练一实施例结果示意图；

图6是本发明一种苹果身份识别模型建立系统一实施例逻辑框图；

图7是本发明一种苹果身份识别方法中一实施例流程图；

图8是本发明一种苹果身份识别系统一实施例逻辑框图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

如图1所示，在本发明的一种苹果身份识别模型建立方法一实施例中，包括：A1、选取样本并获取样本表面的初始光谱信息；选取苹果样本，其挑选样本的要求为苹果的完整样本，即苹果表面没有缺陷。为了保证模型建立的准确性，需对苹果样品进行清洁处理。同时在对苹果样品进行表面的初始光谱信息获取过程中，可是苹果所处环境为常温或待苹果温度为室温。苹果样品选取过程中还可对苹果的大小进行限制，如选取的苹果的直径范围为65～85mm，多个苹果样品选择时尽量保证苹果样品的大小均匀。即尽量选择直径相同或相近的苹果样品。此外，可以通过高光谱系统对苹果样品的表面进行光谱采集，获取对应的初始光谱信息。在光谱信息采集过程中，可以对苹果样本进行编号，通过编号使得苹果样本和其初始光谱信息的对应。

A2、预处理初始光谱信息以提取样本对应的有用光谱信息；由于在苹果样品的光谱数据采集过程中，苹果样品的表面平整度难以保证，其不平整性难以避免的产生散射现象，以影响苹果表面的真实光谱信息，因此，在获取到原始光谱信息后续对原始光谱信息进行预处理，以对原始光谱信息进行去噪，得到能够真实反映苹果表面信息的光谱信息即有用光谱信息。

A3、提取有用光谱信息中满足预设要求的光谱特征参数为有效光谱特征参数；由于原始的光谱信息的维数过高，若对其直接处理，会导致处理过程复杂，运行时间长和运行占用资源多，同时原始光谱信息中包含过多的冗余数据，该冗余数据在识别模型的建立过程中会影响建立的模型的预测精度，因此，需要从有用光谱信息中提取光谱特征参数，通过提取的光谱特征参数标定该光谱信息，也可理解为从得到有效光谱特征参数近似解释光谱信息。

A4、建立初始利用粒子群优化支持向量机PSO-SVM模型，并任选部分有效光谱特征参数；粒子群优化(panicle swarm optimization，PSO)算法是一种基于迭代寻优的群计算技术。PSO-SVM模型是使用PSO算法对SVM的参数进行参数寻优，利用粒子群算法特征，不断更新粒子适应度，直到找到全局最优解的过程。在本发明中，建立初始PSO-SVM模型，同时选取部分的有效光谱特征参数，以进行下一步的操作。

A5、通过部分有效光谱特征参数对该初始PSO-SVM模型进行训练，并根据训练结果获取惩罚参数c和核参数g的最佳参数值，根据最佳参数值获取初始预测模型；具体过程，先对PSO的参数进行初始化设置，设置其粒子维度，并设置每一维度的粒子群中的粒子数目，以及粒子群优化过程中的最大迭代次数，并分别设置其局部搜索能力、全局搜索能力和惯性权重因子对应的参数值，同时分别设置其惩罚参数c和核参数g的搜索范围，根据该初始化设置将基于选取的部分有效光谱特征参数输入进行PSO训练，得到惩罚参数c和核参数g的最佳参数值，该最佳参数值可以为模型最终CV意义下的最佳分类准确率bestCVaccuracy的值为最大时惩罚参数c和核参数g的取值。将优化得到的参数代入初始PSO-SVM模型，既可以得到预测模型，该预测模型可以为初始预测模型。

A6、通过初始预测模型对剩余有效光谱特征参数进行预测以获取预测结果，判断预测结果是否准确，若是，则执行步骤A7，若否，则执行步骤A5；A7、将初始预测模型作为最终预测模型以用于对待测样品进行识别。在获取到预测模型后，可以通过剩余的有效光谱特征参数对预测模型进行验证，并根据验证结果进行优化。通过预测模型对剩余的有效光谱特征参数进行结果预测，根据预测结果的准确性判断该预测模型是否建立的满足要求。在预测结果的准确性满足要求时，则可以理解建立的预测模型准确性较高，可以用来对其他待测样品进行预测，即该预测模型定义为最终的预测模型。在一实施例中，在对已知的有效光谱特征参数的的预测过程中，得到的预测结果准确度不高，则可以认为建立的预测模型准确性不高，将其用来对待测样品进行预测时，其预测结果难以保证。此时更改初始的PSO-SVM模型的一些参数进行新的初始PSO-SVM训练。

可选的，在步骤A1中，样本包括：与目标身份一致的第一样本和/或与目标身份不一致的第二样本。在预测模型过程中，其预测结果包括对与目标身份一致的样品的预测和对与目标身份不一致的样品的预测，即得到的预测模型能够识别目标身份的样品也能够识别非目标身份的样品。其在样本选择过程中，除了选择目标身份一致的第一样本外，还可选择与目标身份不一致的第二样本。

可选的，在步骤A2中，预处理初始光谱信息以提取样本对应的有用光谱信息包括：通过标准正态变量变换算法SNV处理述初始光谱信息以得到有用光谱信息；通常的，在苹果的高光谱数据采集过程中，苹果表面难免的存在不平整而引起散射现象发生，进而对苹果的真实光谱信息造成影响，其具体的可以采用SNV法(standard normal transformation，标准正态变量交换预处理法)消除表面的散射、固体颗粒大小和光程度对近红外漫反射光谱的影响，达到去噪的效果。从图2a可以看出不同种类的光谱曲线的总趋势和特征吸收峰基本相同。在1200和1430nm附近处有2个明显的反射谷，1200nm为C-H基的第二倍频吸收波长，代表了碳水化合物的特征吸收峰；1400～1500nm为O-H基和N-H基的第一倍频吸收波长，分别代表了水分和蛋白质的特征吸收峰。通过SNV处理后得到图2b中所示的有用光谱信息。

可选的，在步骤A1中，获取样本表面的初始光谱信息包括：获取每一样品表面的的高光谱图像，基于高光谱图像对每一样本表面均选取若干ROI区域以分别获取ROI区域的高光谱信息；获取同一样本表面的所有ROI区域对应的高光谱信息的平均值为样本表面的初始光谱信息。具体的，可以采集苹果表面的高光谱图像，利用EVNI系统选取苹果样本高光谱图像感兴趣区域(Region of Interest)，对每一ROI区域分别提取高光谱数据，对一样本提取的多个ROI区域对应的高光谱数据求平均，将该平均值作为该样本的初始光谱信息。对样本表面选取ROI区域时，尽可能的均匀间隔的覆盖样本表面，使得得到的数据尽可能的真实反映该样本。

可选的，本发明的一种苹果身份识别模型建立方法还包括：对高光谱图像进行黑白校正。为了减少光照不均匀和暗电流对实验的影响，在获取有用光谱信息之前，需要对采集到的高光谱图像进行黑白校正，基于校正后的光谱提取样本对应的有用光谱信息，校正公式为：

R＝(I-B)/(W-B) (1)

式(1)中，I为采集到的原始高光谱数据；B为盖上相机镜头采集到的数据(盖上相机镜头对应的反射率接近0)；W为对准白板采集到的数据(准白板对应的反射率接近1)；R为校正后的高光谱数据。该校正动作可以通过SpewVIEW软件实现，在一些实施例中，SpewVIEW软件可以同用来获取样本表面的初始光谱信息的光谱采集系统集成设计。

可选的，在步骤A2中，提取有用光谱信息中满足预设要求的光谱特征参数为有效光谱特征参数；包括：通过连续投影算法SPA对有用光谱信息的全波段进行迭代计算，以减少全波段中的冗余信息，获取冗余信息减少至满足预设要求的特定波长为有效光谱特征参数。具体的，连续投影算法(Successive Projections Algorithm，SPA)是通过投影方式选取线性关系最小的波长组合，从光谱信息中寻找含有最低冗余信息的变量组，使得变量之间的共线性达到最小，同时保留原始数据的绝大部分特征，被选取的特征波长物理意义明确，具有很强的解释能力，因此，可以有效的提高建模的速度以及模型的稳定性，从而达到简化模型的目的。

可选的，特定波长的个数获取方法包括：在通过SPA的迭代计算过程中，建立特定波长的多元线性回归模型，并获取该多元线性回归模型的均方根误差RMSE；获取RMSE满足预设值时对应的特定波长的个数，并基于特定波长的个数获取对应的特定波长。采用SPA算法进行降维和特征提取。其具体过程为，选定一个初始波长，然后每一次迭代时加入新的波长，直到达到指定的波长数N，目的是选择那些冗余信息量比较小即满足预设要求的波长，解决共线性问题。假设初始波长k(0)和波长数N是给定的。

Sep 0:在第一步迭代(n＝1)之前，令x

Step1:令S是没有被选中的波长的集合，即

Step2：计算x

Step3：令k(n)＝argmax(||Px

Step4:令x

Step5：令n＝n+1,如果n

结束：得到的波长是{k(n)；n＝0,…,N-1}。

可以理解，SPA模型的最优样本集是通过计算不同样本子集的多元线性回归模型的均方根误差RMSE值来选取的，当RMSE值最低时代表的子集就是最优样本子集。

可选的，训练结果包括：与样本分别对应的判断准确率、查全率、查准率和评价模型结果；如图4所示，在步骤A5中，通过部分有效光谱特征参数对该初始PSO-SVM模型进行训练，并根据训练结果获取惩罚参数c和核参数g的最佳参数值，包括：A51、分别设定惩罚参数c的搜索范围和核参数g的搜索范围，以及PSO-SVM模型的粒子群最大优化迭代次数；A52、依照预设步进分别调整惩罚参数c和核参数g并分别进行最大优化迭代次数的训练以获取训练结果；A53、获取判断准确率最大时所对应的惩罚参数c和核参数g为最佳参数值。评价标准选择多分类问题的对应指标：准确率(Accuracy)、查全率(recall)、查准率(precision)、F1评价模型，其计算公式如下：

Accuracy＝(TP+TN)/(TP+TN+FP+FN) (2)

recall＝TP/(TP+FN) (3)

precision＝TP/(TP+FP) (4)

F1＝2*recall*precision/(recall+precision) (5)

式(2)-(5)中，TP表示正类样本被正确预测为正类样本；TN表示负类样本被正确预测为负类样本；FN表示正类样本被错误预测为负类样本；FP表示负类样本被错误预测为正类样本；准确率(Accuracy)表示预测正确的结果占总样本的百分比；查全率(recall)表示实际类别中被正确分类的实例个数；查准率(precision)表示预测类别中真正正确分类的实例个数；F1评价模型代表查准率与查全率有同样的重要性，4个值都是越接近1越好。最终的判断可以通过F1这个评价指标进行判定。一实施例中，可以通过初始PSO-SVM模型20次重复运算分别得到模型4个指标的平均值。其中在初始PSO-SVM模型重复运算过程中，可以每次增加或者减小的设置惩罚参数c和核参数g，直至得到最优值。

在一个具体实施例中，

以新疆阿克苏冰糖心苹果、河南灵宝苹果、甘肃静宁苹果、甘肃天水花牛苹果为实验对象，实验中所使用的苹果表面没有缺陷、直径范围为65～85mm，大小均匀，共计258个，分别为新疆阿克苏地区144份，甘肃天水花牛苹果82份，甘肃静宁苹果24份，河南灵宝地区8份。购买的苹果放置在冰柜内保存，实验前分批拿出，待其恢复到室温后开始实验。实验中每类苹果随机选取1/2样本作为建模校正集，其余样本作为建模预测集。选取样品苹果A面(阳面)和B面(阴面)各取9个ROI区域，以此18个ROI区域的平均值作为该样本的一条光谱记录，采用SNV法去噪。

在SPA的迭代计算过程中，图3a所示是不同子集模型的RMSE值，其中“□”代表最优样本子集的样本数，从图3a可知，当变量数＜19时，RMSE值整体呈下降趋势，当变量数≥19时，变化趋势趋缓。因此，在本实施例中，利用SPA共选取19个特征变量。图3b所示是具体变量的选取，“□”代表选取的变量，19个波段为：932.90002nm、1005.31nm、1037.1nm、1169.35nm、907.95001nm、967.40997nm、1218.51nm、951.70001nm、1130.3199nm、1261.4399nm、1422.67nm、1324.76nm、1065.87nm、1104.45nm、1676.01nm、1707.92nm、1460.22nm、1392.12nm、942.28998nm，其重要性依次减弱。以上面提取的19个波段作为输入，样本苹果作为输出，建立基于SVM分类器的识别模型，先对PSO的参数进行初始化设置，设粒子维度为2，每一维粒子群中粒子数目为20，粒子群最大优化代数为200，局部搜索能力c1＝1.5和全局搜索能力c2＝1.7，惯性权重因子ω＝1，惩罚参数c的搜索范围为(0.1，100)，核参数g的搜索范围为(0.01，1000)。PSO训练过程的适应度变化曲线如图5所示，采用最佳适应度作为训练过程的评价标准，其最佳适应度为93.8931％，对应的最佳参数值为c＝7.4062，g＝2.0153。在一实施例中，初始PSO-SVM模型以signoid为核函数，将优化得到的参数代入PSO-SVM预测模型，得到4类苹果的训练集和测试集的预测结果。在不同的实施例中，可以采用不同的核函数，其结果如下表所示。其中，取sigmoid为核函数时预测效果较好，其对应的Accuracy为91.6016％、Precision为96.1574％、Recall为88.6111％、F1为92.2269％。

另，如图6所示，本发明的一种苹果身份识别模型建立系统100，包括：

获取单元，用于选取样本并获取样本表面的初始光谱信息；

预处理单元，用于预处理初始光谱信息以提取样本对应的有用光谱信息；

提取单元，用于提取有用光谱信息中满足预设要求的光谱特征参数为有效光谱特征参数；

建模单元，用于建立初始利用粒子群优化支持向量机PSO-SVM模型，并选取部分有效光谱特征参数；

训练单元，用于通过部分有效光谱特征参数对该初始PSO-SVM模型进行训练，并根据训练结果获取惩罚参数c和核参数g的最佳参数值，根据最佳参数值获取PSO-SVM预测模型；

判断单元，用于通过PSO-SVM预测模型对剩余有效光谱特征参数进行预测以获取预测结果，判断预测结果是否准确，并在预测结果准确时，输出肯定结果，否则驱动训练单元动作；

执行单元，用于在判断单元输出肯定结果时将PSO-SVM预测模型作为最终预测模型以用于对待测样品进行识别。

具体的，这里的苹果身份识别模型建立系统各单元之间具体的配合操作过程具体可以参照上述一种苹果身份识别模型建立方法，这里不再赘述。

另，如图7所示，本发明的一种苹果身份识别方法，包括：B1、获取待测样品表面的初始光谱信息；B2、预处理初始光谱信息以提取待测样品对应的有用光谱信息；B3、提取待测样品对应的有用光谱信息中满足预设要求的光谱特征参数为待测样品对应的有效光谱特征参数；B4、接收待测样品对应的有用光谱信息并通过预测模型识别待测样品，其中，预测模型为通过上面任意一项的苹果身份识别模型建立方法获得的最终预测模型。

即，在苹果身份识别时，其可以通过高光谱系统对苹果样品的表面进行光谱采集，获取对应的初始光谱信息。在获取到原始光谱信息后续对原始光谱信息进行预处理，以对原始光谱信息进行去噪，得到能够真实反映苹果表面信息的光谱信息即有用光谱信息。从有用光谱信息中提取光谱特征参数，通过提取的光谱特征参数标定该光谱信息，也可理解为从得到有效光谱特征参数近似解释光谱信息。根据待测样品对应的有效光谱特征参数以及上面公开的预测模型识别即可识别苹果的身份。其中，得到初始光谱信息、从初始光谱信息中获取有用光谱信息、从有用光谱信息中提取有效光谱特征参数的具体过程可以参照上面获取预测模型的部分过程。此处不再赘述。

另，如图8所示，本发明的一种苹果身份识别系统200，包括：获取单元，用于获取待测样品表面的初始光谱信息；预处理单元，用于预处理初始光谱信息以提取待测样品对应的有用光谱信息；提取单元，用于提取待测样品对应的有用光谱信息中满足预设要求的光谱特征参数为待测样品对应的有效光谱特征参数；设有预测模型的识别单元，用于接收待测样品对应的有用光谱信息并通过预测模型识别待测样品，其中，预测模型为通过上面任意一项的苹果身份识别模型建立方法获得的最终预测模型。具体的，这里的苹果身份识别系统各单元之间具体的配合操作过程具体可以参照上述一种苹果身份识别方法，这里不再赘述。

可以理解的，以上实施例仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制；应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，可以对上述技术特点进行自由组合，还可以做出若干变形和改进，这些都属于本发明的保护范围；因此，凡跟本发明权利要求范围所做的等同变换与修饰，均应属于本发明权利要求的涵盖范围。