一种基于质构仪与人工神经网络的胡萝卜肉质根脆度测定与等级预测方法

摘要

本发明涉及一种基于质构仪与人工神经网络的胡萝卜肉质根脆度测定与等级预测方法，涉及食品技术领域。本发明提供了一种胡萝卜脆度测定、分级及等级预测的方法，包括如下步骤：获取胡萝卜肉质根样品；对胡萝卜肉质根样品进行感官评价，获取脆度等级；利用质构仪的柱形挤压探头对胡萝卜肉质根样品进行压缩，得到压缩形变量为90％时的脆度数值；根据脆度等级和脆度数值建立数据库；建立人工神经网络，并使用数据库进行训练得到脆度评价模型，将模型用于胡萝卜脆度分级评价及预测。本发明操作简单、可靠性强、重复性好，可直接反映脆度主观评价，也为耐裂性胡萝卜品种筛选提供了数据支撑。

说明书

技术领域

本发明涉及食品技术领域，特别是涉及一种基于质构仪与人工神经网络的胡萝卜肉质根脆度测定与等级预测方法。

背景技术

胡萝卜(Daucus carota L.)属于伞形科胡萝卜属，是一种两年生草本蔬菜，也是全球性的重要蔬菜作物之一。胡萝卜含有丰富的营养物质，如类胡萝卜素、碳水化合物、蛋白质和多种维生素等。其中，β-类胡萝卜素是维生素A的重要前体，对改善视力起着重要作用。胡萝卜可以以多种方式食用，如凉拌、煎炒、蒸炖、油炸、榨汁等，已成为人们菜篮子中不可或缺的主要蔬菜之一。

胡萝卜的采收、清洗和运输过程中，极易发生开裂，严重影响其经济效益。胡萝卜肉质根的质构性(脆性)直接影响到胡萝卜的耐裂性，可通过检测胡萝卜肉质根的脆度预测胡萝卜的耐裂性。因此，有必要开发能表征胡萝卜脆度的检测方法及评价体系。

果实的脆度质地不仅可以反映其内部组织结构和口感，还体现其在采收、清洗和运输过程中的耐裂性。果实的脆度可以通过感官和仪器检测来评价。经过培训的评审员对果实进行品尝后给出整体感觉作为感官评价，并进行打分，虽然该方法简单、不受时间和地点限制，无需复杂仪器，但需要投入大量时间和精力。仪器评价主要利用仪器对果实脆度进行定量评价，由于其速度快、准确性高、省时省力等特点，越来越多的科研工作者倾向于使用这种方法。值得注意的是，虽然有通过质构仪对果蔬的进行质地检测的相关报道，但是利用质构仪检测不同果蔬的仪器最佳测试参数并不一致，且测定耗时耗力。目前还没有通过质构仪和人工神经网络对胡萝卜脆性的测定和等级预测相关报道，且通过对胡萝卜肉质根的脆度检测和评价可直接表征其耐裂性，具有重大的生产意义。

发明内容

本发明的目的是提供一种基于质构仪与人工神经网络的胡萝卜肉质根脆度测定与等级预测方法，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了如下方案：

本发明提供了一种胡萝卜脆度分级评价方法，包括以下步骤：

获取胡萝卜肉质根样品；

对所述胡萝卜肉质根样品进行感官评价，获取脆度等级；

利用质构仪的柱形挤压探头对所述胡萝卜肉质根样品进行压缩，得到压缩形变量为90％时的脆度数值；

根据脆度等级和脆度数值建立数据库；

建立人工神经网络，并使用数据库进行训练得到脆度评价模型，所述模型用于胡萝卜脆度分级评价。

进一步地，所述萝卜肉质根样品为新鲜采收的胡萝卜样品。当采用柱形挤压探头时，用模具制备了长宽高为1.5cm的正方体。

进一步地，脆度等级分为以下四个等级：2级-不脆，4级-低脆，6级-中脆，8级-高脆。

进一步地，压缩过程的参数设置为：压前、压中、压后速度分别为2.0mm/s、1.0mm/s、2.0mm/s，触发力均为5gf。

本发明提供一种胡萝卜脆度分级评价系统，所述系统包括数据库单元和模型单元，所述数据库单元用于对胡萝卜感官评价结果和脆度数值建立对应关系；所述模型单元用于建立人工神经网络，并使用数据库进行训练得到脆度评价模型，所述模型用于胡萝卜脆度分级评价。

更具体的，本发明中上述胡萝卜脆度分级评价方法是基于质构仪与人工神经网络对胡萝卜肉质根进行脆度测定与等级预测确定的，测定及预测过程如下：

收取胡萝卜的肉质根，使用模具制备鲜样(不同检测探头，对应不同大小的样品)，备用；

制备的胡萝卜样品，分别使用质构仪的不同探头通过单次下压测试进行脆度检测，除了不同探头对应不同形变量外，其余仪器参数均一致，具体如下：实验类型：单次测试；测试前、中、后速度分别为2.0mm/s、1.0mm/s、2.0mm/s；测试类型：下压；目标模式：形变；触发点类型：力；触发点数值：5gf；

通过质构仪的不同探头测试胡萝卜的脆度数值，并从中选择与胡萝卜感官脆度最显著相关的脆性对应的探头，以制定胡萝卜脆度(耐裂性)的定量检测方法；

胡萝卜脆度检测方法中，质构仪器所涉及的探头为切刀探头(TA/WEG)、球形探头(TA1.5S)、针形探头(TA/ZN)和柱形挤压探头(TA/36)，形变量分别为70％、50％、90％、90％条件下，可引起胡萝卜样品破裂。

胡萝卜脆度检测方法中，切刀探头、球形探头、针形探头对应的样品大小为1/2纵切圆柱体(高2.5cm，直径5cm)；柱形挤压探头的样品大小为正方体(长宽高为1.5cm)。

上述胡萝卜脆度检测方法中，质构仪传感器的最大量程为2kgf，传感器的检测限制为95％。质构仪单次测试的下压前、中、后速度分别为2.0mm/s、1.0mm/s、2.0mm/s，触发力为5gf。

通过质构仪单次测试条件下，不同探头的脆度数值与被培训评价员主观脆度的打分的相关性分析发现，质构仪单次测试，柱形挤压探头(TA/36)，在对应传感器量程为2kgf、传感器限制为95％、下压前中后的速度分别为2.0mm/s、1.0mm/s、2.0mm/s，触发力为5gf的参数下，检测到的脆度数值与主观脆度打分呈显著负相关(R＝-0.99，P≤0.05)。说明柱形挤压探头(TA/36)检测到的脆度数值越大，表明胡萝卜的脆度越小，越不易裂。

基于质构仪的柱形挤压探头及胡萝卜肉质根脆度感官评价数据，建立了胡萝卜肉质根的四个脆度评价等级。这四个脆度等级对应质构仪柱形挤压探头检测的脆度区间分别为：2级(不脆)对应质构仪检测的脆度数值为13408.05-14152.65；4级(低脆)对应质构仪检测的脆度数值为11857.91-12328.7；6级(中脆)对应质构仪检测的脆度数值为10026.15-10652.73；8级(高脆)对应质构仪检测的脆度数值为8148.13-8603.65。

本发明脆度测定及等级预测过程更具体的步骤如下：

步骤一，设计质构仪四种检测探头下的胡萝卜脆度检测方案；

步骤二，每种检测探头涉及三种形变量下的胡萝卜肉质根脆度测试及胡萝卜肉质根破裂位置观察，以确定不同探头对应的最佳形变量；

步骤三，准备胡萝卜肉质根鲜样备用；

步骤四，通过单次下压测试方案，每组实验进行至少三组生物学重复，BosinTechV1.0.6.12软件统计胡萝卜样品的脆度数值；

步骤五，由经过培训后的主要包括从事食品质地和品质研究2年以上的教师与实验室学生共10名评价员(5男5女，20-40岁之间)胡萝卜肉质根的脆度进行感官评价打分；

步骤六，通过分析质构仪不同探头在其最佳形变量下测得的脆度数值与评价员对胡萝卜脆度的感官评分进行相关性分析，明确最能准确反映胡萝卜脆度的检测探头；

步骤七，通过分析相关试验数据发现，柱形挤压探头(TA/36)，在对应传感器量程为2kgf、传感器限制为95％、下压前中后的速度分别为2.0mm/s、1.0mm/s、2.0mm/s，触发力为5gf的参数下，检测到的脆度数值与主观脆度打分呈显著负相关(R＝-0.99，P≤0.05)，即柱形挤压探头在该参数下，最能反映胡萝卜的脆性；

步骤八，通过步骤七的胡萝卜肉质根脆度检测方法结合步骤五中评价员的感官评价打分，对胡萝卜肉质根样品进行脆度检测及建立了胡萝卜肉质根脆度的分级方法，将柱形挤压探头检测到的脆度数值作为胡萝卜肉质根脆度分级的最终的评价指标。

步骤九，通过步骤七的胡萝卜肉质根脆度检测方法结合步骤五中评价员的感官评价打分，以及步骤八建立的胡萝卜肉质根脆度的分级方法，建立质构仪的数据测定方法与评价员感官评价指标知识数据库，在此基础上，利用现有的数据库，来训练一个具有三层结构的人工神经网络，通过对神经网络的进行针对性的优化训练，用于对新的数据集进行预测，最终实现对胡萝卜肉质根脆度的分级指标的自动预测，提高检测效率与精度。

步骤一中，质构仪四种检测探头分别为：切刀探头(TA/WEG)、球形探头(TA1.5S)、针形探头(TA/ZN)和柱形挤压探头(TA/36)；

步骤二中，质构仪不同探头对应的形变度分别为：切刀探头对应的形变量为50％、60％、70％；针形探头对应的形变量为30％、40％、50％；球形探头对应的形变量为70％、80％、90％；柱形挤压探头对应的形变量为70％、80％、90％；

步骤二中，不同探头的最佳形变量的评价标准为，在切刀探头及柱形挤压探头下使胡萝卜肉质根完全破裂的形变量、针形探头及球形探头达到胡萝卜木质部对应的形变量；特别说明的是，用切刀探头及柱形挤压探头检测的胡萝卜脆度数值表征的是使胡萝卜样品完全破裂的对应的脆度数值，故该脆度数值能直接用于表征胡萝卜的耐裂性。

步骤四中，质构仪软件BosinTechV1.0.6.12统计的样品脆度数值为，进行单次下压测试时，样品出现破裂或探头压至木质部时，首个峰值对应的脆度数值；

步骤五中，评价员对胡萝卜肉质根的脆度进行感官评价打分时，主要分为四个等级，2(不脆)、4(低脆)、6(中脆)和8(高脆)；特别说明的是，脆度越高，表征的是胡萝卜越易裂；脆度越低，表征的是胡萝卜越不易裂；

步骤六中，质构仪不同探头检测到最佳形变量为符合步骤二中的参数设置；

步骤八中，质构仪检测的胡萝卜脆度数值对应评价员感官评价打分，最终确定感官评价对应的脆度数值分别为：2级(不脆)对应质构仪检测的脆度数值为13408.05-14152.65；4级(低脆)对应质构仪检测的脆度数值为11857.91-12328.7；6级(中脆)对应质构仪检测的脆度数值为10026.15-10652.73；8级(高脆)对应质构仪检测的脆度数值为8148.13-8603.65；

步骤九中，所建立的数据库数据，主要包括质构仪在不同挤压探头下，检测得到的脆度，一组数据(脆度)对应的标签为感官评价对应的脆度对应等级(2、4、6或8级)；因此以获取的数据库数据和对应的感官评价指标为输入，构建的人工神经网络模型，参数具体为，输入神经元为1个，隐藏层神经元为12个，输出神经元为4个；输入神经元对应数据的维度(脆度)，输出神经元对应四个不同的等级(2、4、6或8级)；隐藏层的激活函数采用构建的RELU激活函数，代替传统的Sigmoid函数，以提高模型的学习性能；输出层采用的是Softmax函数，用于对不同感官脆度等级进行概率预测输出；此外输入层与隐藏层之间，进一步引入了Dropout技术，对隐藏层随机采用0.2的随机丢弃，以减少网络参数过大带来的过拟合问题；最后网络采样的优化函数为Adam优化函数，代替传统的随机梯度下降法，以提升模型的收敛速度。通过以上述技术来训练构建的人工神经网络模型，并对新的输入数据(脆度)输入到神经网络进行预测，可自动获取新数据的感官脆度评价等级得分。

本发明通过质构仪对胡萝卜的脆度进行定量测定，并采用获取的少量有标记的数据来训练一个人工神经网络预测模型，通过反向传播算法来训练模型，模型训练好以后，可以对后续新输入数据的胡萝卜脆度分级进行自动预测。相较于传统的感官评价方法，这种方法更加便捷、快速、客观且准确，同时也节约了大量人力成本的投入。通过对胡萝卜肉质根脆度进行分级及自动预测，建立了胡萝卜肉质根的脆度评价体系，可应用于预测胡萝卜肉质根在采收后加工、运输、贮藏和销售过程中的耐裂性，最终推动商品性佳、耐裂性强的胡萝卜新品种选育。

本发明基于质构仪的柱形挤压探头对胡萝卜的脆度进行测定，对胡萝卜肉质根样品进行脆度检测和分级预测，为胡萝卜的质地(脆度)描述提供了可靠性强和重复性高的数据支撑，同时可应用于对胡萝卜肉质根耐裂性的评价，可直接快速反映消费者对脆度的主观评价，也为满足市场需求的耐裂性胡萝卜品种的筛选提供了数据支撑。

本发明公开了以下技术效果：

本发明方法可快速、准确的测定胡萝卜肉质根的脆度，将胡萝卜肉质根的不同脆度进行分类和自动预测，建立胡萝卜肉质根脆度评价体系。由于胡萝卜肉质根的脆度直接影响其耐裂性，因此可以用于预测胡萝卜肉质根在采收后加工、运输、贮藏和销售过程中的耐裂性，最终推动商品性佳、耐裂性强的胡萝卜品种选育。

本发明操作简单、可靠性强、重复性好，且不需要大量的人力资源投入。

附图说明

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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明不同检测探头、不同形变量对应的胡萝卜纵切面照片；

图2为本发明不同检测探头、不同形变量下对应的脆度检测数值；其中，A为切刀探头，B为针形探头，C为球形探头，D为柱形挤压探头；

图3不同检测探头对应的胡萝卜脆度检测数值；

图4不同检测探头下的胡萝卜脆度数值与评价员的脆度评价数值的相关性热图。

具体实施方式

现详细说明本发明的多种示例性实施方式，该详细说明不应认为是对本发明的限制，而应理解为是对本发明的某些方面、特性和实施方案的更详细的描述。

应理解本发明中所述的术语仅仅是为描述特别的实施方式，并非用于限制本发明。另外，对于本发明中的数值范围，应理解为还具体公开了该范围的上限和下限之间的每个中间值。在任何陈述值或陈述范围内的中间值，以及任何其他陈述值或在所述范围内的中间值之间的每个较小的范围也包括在本发明内。这些较小范围的上限和下限可独立地包括或排除在范围内。

除非另有说明，否则本文使用的所有技术和科学术语具有本发明所述领域的常规技术人员通常理解的相同含义。虽然本发明仅描述了优选的方法和材料，但是在本发明的实施或测试中也可以使用与本文所述相似或等同的任何方法和材料。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法和/或材料。在与任何并入的文献冲突时，以本说明书的内容为准。

在不背离本发明的范围或精神的情况下，可对本发明说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本发明的说明书得到的其他实施方式对技术人员而言是显而易见得的。本发明说明书和实施例仅是示例性的。

关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。

实施例1质构仪(BosinTech TA-XTC-20)不同检测探头下的检测参数的优化

(1)供试植物材料的选择

在下述实施例中，供试的胡萝卜样品，于2022年下半年种植于广东省农业科学院蔬菜研究所的试验田。

(2)胡萝卜样品的准备

胡萝卜样品分别为1/2纵切圆柱体(高2.5cm，直径5cm)及正方体(长宽高为1.5cm)。通过质构仪单次测试，对应切刀探头(TA/WEG)、针形探头(TA/ZN)、球形探头(TA/1.5S)测试的胡萝卜样品大小为1/2纵切圆柱体；柱形挤压探头(TA/36)的样品大小为长宽高为1.5cm的正方体。

(3)质构仪器不同探头下形变量参数的优化

质构仪单次测试的四个不同检测探头下压前、压中、压后速度均分别为2.0mm/s、1.0mm/s、2.0mm/s，触发力均为5gf，只有形变百分数设置不一致。

如图1所示，切刀探头(TA/WEG)的形变量为50％时，胡萝卜的裂痕只停留在胡萝卜肉质根的韧皮部，还未达到木质部；当形变量为60％时，胡萝卜的裂痕停留在胡萝卜肉质根韧皮部与木质部之间；当形变量为70％时，胡萝卜肉质根完全开裂，即此形变量也可以用表征胡萝卜肉质根的耐裂性。因此，后续检测胡萝卜样品时，选择切刀探头对应的形变量为70％。通过分析不同形变量下对应的脆度数值，可以发现随着切刀探头形变量的增加，其脆度数值随着形变量的增加，对应的脆度数值也呈降低趋势(表1，图2A)。

针形探头(TA/ZN)的形变量为30％时，针的穿刺深度至在胡萝卜肉质根的韧皮部，还未达到木质部；当形变量为40％时，针的穿刺深度至胡萝卜肉质根韧皮部与木质部之间；当形变量为50％时，真的穿刺深度至木质部一半的位置(图1)。因此，后续检测胡萝卜样品时，选择针形探头对应的形变量为50％。通过分析不同形变量下对应的脆度数值，可以发现随着针形探头形变量的增加，其脆度数值呈先降低后增加的趋势(表1，图2B)，说明针形探头检测的脆度数值与形变量可能没有必然的联系。

球形探头(TA/1.5S)的形变量为70％时，球形探头穿刺深度至在胡萝卜肉质根的韧皮部，还未达到木质部；当形变量为80％时，球形探头穿刺深度至胡萝卜肉质根韧皮部与木质部之间；当形变量为90％时，球形探头穿刺深度至木质部一半的位置(图1)。因此，后续选择球形探头时，对应的形变量为90％。通过分析不同形变量下对应的脆度数值，可以发现球形探头检测的脆度数值可能与形变量没有必然的关联(表1，图2C)。

柱形挤压探头(TA/36)的形变量为70％和80％时，正方体胡萝卜块均未被压碎。当形变量为90％时，可以使正方体胡萝卜块发生完全破裂(图1)，即该形变量也可以用于表征胡萝卜肉质根的耐裂性。因此，后续选择90％的形变量，检测胡萝卜样品的脆度。通过分析不同形变量下对应的脆度数值，可以发现随着柱形挤压探头形变量的增加，其脆度数值总体呈升高趋势(表1，图2D)，说明使柱形挤压探头的形变量增加，需要更大的脆度数值才能使样品破裂。

表1质构仪不同检测探头不同形变量下检测的脆度数值

实施例2胡萝卜耐裂性评价方法的建立

(1)质构仪在不同探头下对胡萝卜肉质根脆度的定量检测

准备胡萝卜肉质根样品，使用质构仪单次测试，下压前、压中、压后速度均分别为2.0mm/s、1.0mm/s、2.0mm/s，触发力均为5gf；切刀探头(TA/WEG)、球形探头(TA1.5S)、针形探头(TA/ZN)和柱形挤压探头(TA/36)，在形变量分别为70％、90％、50％、90％条件下。通过质构仪BosinTechV1.0.6.12软件统计胡萝卜样品的脆度数值，柱形挤压探头检测脆度数值最高，针形探头检测的脆度数值最低(图3)。值得注意的是，质构仪检测脆度数值越大，表示胡萝卜样品破裂需要的力越大，即越不容易破裂。

(2)胡萝卜肉质根的感官脆度打分

胡萝卜脆性评定是由经过培训后的10名评价员完成(5男5女，20-40岁之间)，主要包括从事食品质地和品质研究2年以上的教师与实验室学生。分别按照2(不脆)、4(低脆)、6(中脆)和8(高脆)四个等级进行感官脆度打分。

其中，感官评价标准如下：

不易破断或很难破断为2级；较容易断裂且破断声音较小为4级；容易断裂且断裂嘎嘣声较大为6级；极易断裂，一咬即断成多块且嘎嘣声音大为8级。

(3)不同质构仪探头检测的脆度数值与感官脆度打分相关性分析

通过RStudio绘制质构仪在不同探头的条件下检测的脆度数值与评价员的感官脆度评价打分进行相关性分析(*P≤0.05，**P≤0.01)。相关性分析的结果表明，柱形挤压探头与评价员的感官脆度呈显著负相关，相关性系数R＝-0.99(表2，图4)，即柱形挤压探头的脆度数值越高对应的感官脆度打分越低。相关性分析的结果表明，柱形挤压探头检测的脆度数值最能反映消费者对胡萝卜脆度的主观评价。

表2质构仪不同探头检测的脆度数值与感官脆度打分的相关性分析

实施例3胡萝卜肉质根的脆性(耐裂性)分级及人工神经网络的预测方法

根据实施案例2的结果，评价员对胡萝卜的感官脆度打分与柱形挤压探头检测的脆度数值呈显著负相关。因此，本发明利用柱挤压探头检测的脆度数值的置信区间来对胡萝卜肉质根的耐裂性进行等级划分。

由表3可知，随着脆度感官分值的增加，质构仪柱形挤压探头检测到的脆度数值在逐渐降低，说明胡萝卜肉质根越脆，需要越小的力就可使其发生破裂。同时，这也说明，脆度数值与耐裂性呈负相关，即质构仪的柱形挤压探头检测到的脆度数值越大，表示胡萝卜肉质根越易裂。通过分析各个脆度感官分值的平均值可以发现，胡萝卜肉质根的6级与8级之间的差值最大为1878.02gf；2级与4级之间的差值最小为1550.14gf；而4级与6级之间的差值居中为1675.97gf。说明胡萝卜肉质根的感官脆度与质构仪检测到的脆度数值不是简单的线性关系。此外，2级脆度感官分值在95％置信区间为13408.05gf-14152.65gf，区间大小为744.6gf；4级脆度感官分值的置信区间为11857.91gf-12328.7gf，区间大小为470.79gf；6级脆度感官分值的置信区间为10026.15gf-10652.73gf，区间大小为626.58gf；8级脆度感官分值的置信区间为8148.13gf-8603.65gf，区间大小为455.52gf。通过对感官脆度不同分级对应的置信区间进行分析发现，不同感官脆度对应的置信区间没有重叠，说明质构仪的柱形挤压探头可以将胡萝卜肉质根的感官脆度进行评价和分级。

另一方面，通过对置信区间大小进行分析发现，2级(不脆)脆度感官分值较其他脆度感官分值区间最大，其次是6级(中脆)脆度感官分值，说明质构仪的柱形挤压探头对不脆和中脆检测更为敏感。

表3胡萝卜肉质根的脆性分级

根据胡萝卜分级获取的训练数据以及脆度感官分值，为了对神经网络模型进行训练与验证，采用20个样本作为训练数据(每个样本对应输入数据：脆度，以及标签：感官脆度评价等级得分)，其他样本作为测试数据，并利用预测精度作为模型好坏的评价精度。在输入数据前，首先对数据采用zscore归一化，对输入数据进行标准化处理，使得输入数据符合输入神经网络的要求，然后对脆度感官分值进行标签编码(2，4，6，8)等级分别对应编码(1，2，3，4)的标签；采用Adam算法对模型进行训练，模型对训练曲线进行观察，当达到200次迭代，停止训练，并输入测试数据进行测试。最终的模型训练精度和测试精度结果如表4所示，可以看到，所构建的模型，对训练数据和测试数据分别都到达了100％的预测精度，从而证明了模型的有效性。

表4胡萝卜肉质根的脆性分级

本发明通过质构仪对胡萝卜的脆度进行定量检测，与评价员的主观评价进行相关性分析，并利用人工神经网络模型建立胡萝卜脆度的分级预测模型，最终建立了胡萝卜脆性的评价体系，可以科学定量、自动地检测胡萝卜的脆性，将节约大量的人力和时间成本。此外，通过检测胡萝卜肉质根的脆性可预测其耐裂性，解决胡萝卜在采收、清洗、及运输过程中耐裂性的重大产业问题。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。