权利要求

1.一种智能矿山无人值守系统，其特征在于，包括防作弊感知层、安全传输层、智能防作弊分析层及联动处置层;

所述防作弊感知层，包括加密称重单元、车辆全息监测单元、多模身份认证单元、环境状态监测单元及空载特征采集单元;所述加密称重单元采集加密称重数据与干扰信号数据，所述车辆全息监测单元采集矿车轮廓、位置及外观数据，所述多模身份认证单元采集矿车与驾驶员身份数据，所述环境状态监测单元采集称量区域环境参数，所述空载特征采集单元采集矿车底盘图像与红外温度分布数据;

所述安全传输层，采用“工业以太网+5G专网”双链路冗余架构，通过国密加密算法实现数据端到端加密传输;

所述智能防作弊分析层，包括数据融合模块、多维度作弊识别模型、区块链存证模块及作弊行为知识库;所述数据融合模块关联匹配各感知数据，所述多维度作弊识别模型含空载增重识别子模块，所述区块链存证模块存储车辆空载历史数据与特征档案，所述作弊行为知识库存储空载增重作弊案例;

所述联动处置层，包括自动控制单元、声光报警单元、远程监控中心及作弊行为追溯单元;所述自动控制单元锁定作弊车辆并留存空载增重作弊证据，所述声光报警单元发出预警信号与专项提示语，所述远程监控中心推送空载增重作弊详细信息，所述作弊行为追溯单元生成含空载增重专项字段的报告。

2.根据权利要求1所述的一种智能矿山无人值守系统，其特征在于：所述加密称重单元包括带数字签名的智能称重传感器与干扰信号检测模块，智能称重传感器内置国密SM4加密芯片，干扰信号检测模块可识别100-2400MHz频段作弊信号。

3.根据权利要求1所述的一种智能矿山无人值守系统，其特征在于：所述车辆全息监测单元包括激光轮廓扫描仪、高清工业相机及毫米波雷达，用于判断矿车是否完全上秤、装载体积与重量是否匹配;所述空载特征采集单元包括底部高清相机与红外热成像仪，用于识别矿车底盘是否加装临时配重及车身温度差异。

4.根据权利要求1所述的一种智能矿山无人值守系统，其特征在于：所述多维度作弊识别模型采用深度学习与规则引擎融合算法，包括信号作弊识别子模型、车辆状态作弊识别子模型、身份作弊识别子模型及空载增重识别子模块;

所述信号作弊识别子模型为改进型LSTM网络，引入注意力机制，输入为称重传感器连续信号序列，通过提取信号时域与频率域特征实现作弊识别;

所述车辆状态作弊识别子模型为“规则引擎+CNN”混合架构，规则引擎预设不完全上秤、偏载、体积-重量不匹配判定规则，CNN提取矿车装载形态特征;

所述身份作弊识别子模型为多模态特征融合算法，输入RFID标签信息、车牌识别结果、北斗定位轨迹及驾驶员人脸特征向量，通过全连接神经网络实现身份一致性判定;

所述空载增重识别子模块采用“历史数据比对+视觉特征识别”+多物理量检测”多维度判定机制，历史数据比对调取车辆近30天空载重量均值、趋势及整备质量范围判定重量异常，视觉特征识别通过YOLOv8模型与激光轮廓比对识别附着物，多物理量检测通过振动频谱、电磁信号、超声波间隙检测判定配重;

四个子模型通过加权投票法融合输出最终判定结果。

5.根据权利要求1所述的一种智能矿山无人值守系统，其特征在于：所述区块链存证模块采用联盟链架构，区块包含称量数据帧、作弊识别结果、操作日志、车辆空载历史数据及空载特征档案。

说明书

技术领域

[0001]本发明涉及矿山智能计量技术领域，具体为一种智能矿山无人值守系统。

背景技术

[0002]在矿山生产运营中，矿料运出称量是计量矿产量、核算成本及保障企业效益的核心环节。随着无人值守称量技术的推广，传统人工称量的效率低、安全风险高等问题得到缓解，但称重作弊行为却呈现多样化、隐蔽化趋势，主要表现为：一是信号干扰作弊，通过电子干扰器屏蔽或篡改称重传感器输出信号，导致称量数据失真;二是物理作弊，如矿车不完全上秤、偏载停靠、中途卸料或加装可拆卸配重块;三是数据篡改作弊，通过破解系统接口或伪造身份修改称重记录;四是车辆信息作弊，采用套牌、更换RFID标签等方式混淆矿车身份，虚报矿料重量;五是空载增重作弊，在车辆未装矿料时通过加装临时配重(如水箱、沙袋、金属块)、携带非矿料重物等方式使整车重量过重，以此虚增后续矿料称量时的净重量，该作弊方式隐蔽性极强，传统仅依赖单次称量数据的系统难以识别。

[0003]现有防作弊手段存在明显不足：仅依赖单一硬件防作弊装置，难以应对多类型作弊行为;缺乏对车辆动态状态与称量过程的全方位监测，无法识别偏载、不完全上秤等隐蔽作弊;尤其对车辆未装矿料时整车重量过重的作弊场景，未建立有效的历史数据比对与空载特征分析机制，导致该类作弊行为频发;称重数据存储与传输环节安全防护薄弱，易被篡改且追溯困难。这些问题导致无人值守称量系统的计量可靠性难以保障，给矿山企业造成巨大经济损失。因此，研发一种集成多维度监测、智能分析与加密追溯的防作弊型智能矿山无人值守系统，成为亟待解决的技术难题。

发明内容

[0004]针对现有技术的不足，本发明提供一种智能矿山无人值守系统。

[0005]为实现上述目的，本发明提供如下技术方案：一种智能矿山无人值守系统，包括防作弊感知层、安全传输层、智能防作弊分析层及联动处置层;

[0006]所述防作弊感知层，包括加密称重单元、车辆全息监测单元、多模身份认证单元、环境状态监测单元及空载特征采集单元;所述加密称重单元采集加密称重数据与干扰信号数据，所述车辆全息监测单元采集矿车轮廓、位置及外观数据，所述多模身份认证单元采集矿车与驾驶员身份数据，所述环境状态监测单元采集称量区域环境参数，所述空载特征采集单元采集矿车底盘图像与红外温度分布数据;

[0007]所述安全传输层，采用“工业以太网+5G专网”双链路冗余架构，通过国密加密算法实现数据端到端加密传输;

[0008]所述智能防作弊分析层，包括数据融合模块、多维度作弊识别模型、区块链存证模块及作弊行为知识库;所述数据融合模块关联匹配各感知数据，所述多维度作弊识别模型含空载增重识别子模块，所述区块链存证模块存储车辆空载历史数据与特征档案，所述作弊行为知识库存储空载增重作弊案例;

[0009]所述联动处置层，包括自动控制单元、声光报警单元、远程监控中心及作弊行为追溯单元;所述自动控制单元锁定作弊车辆并留存空载增重作弊证据，所述声光报警单元发出预警信号与专项提示语，所述远程监控中心推送空载增重作弊详细信息，所述作弊行为追溯单元生成含空载增重专项字段的报告。

[0010]优选地，所述加密称重单元包括带数字签名的智能称重传感器与干扰信号检测模块，智能称重传感器内置国密SM4加密芯片，干扰信号检测模块可识别100-2400MHz频段作弊信号。

[0011]优选地，所述车辆全息监测单元包括激光轮廓扫描仪、高清工业相机及毫米波雷达，用于判断矿车是否完全上秤、装载体积与重量是否匹配;所述空载特征采集单元包括底部高清相机与红外热成像仪，用于识别矿车底盘是否加装临时配重及车身温度差异。

[0012]优选地，所述多维度作弊识别模型采用深度学习与规则引擎融合算法，包括信号作弊识别子模型、车辆状态作弊识别子模型、身份作弊识别子模型及空载增重识别子模块;

[0013]所述信号作弊识别子模型为改进型LSTM网络，引入注意力机制，输入为称重传感器连续信号序列，通过提取信号时域与频率域特征实现作弊识别;

[0014]所述车辆状态作弊识别子模型为“规则引擎+CNN”混合架构，规则引擎预设不完全上秤、偏载、体积-重量不匹配判定规则，CNN提取矿车装载形态特征;

[0015]所述身份作弊识别子模型为多模态特征融合算法，输入RFID标签信息、车牌识别结果、北斗定位轨迹及驾驶员人脸特征向量，通过全连接神经网络实现身份一致性判定;

[0016]所述空载增重识别子模块采用“历史数据比对+视觉特征识别”+多物理量检测”多维度判定机制，历史数据比对调取车辆近30天空载重量均值、趋势及整备质量范围判定重量异常，视觉特征识别通过YOLOv8模型与红外温度差异识别临时激光轮廓比对识别附着物，多物理量检测通过振动频谱、电磁信号、超声波间隙检测判定配重;

[0017]四个子模型通过加权投票法融合输出最终判定结果。

[0018]优选地，所述区块链存证模块采用联盟链架构，区块包含称量数据帧、作弊识别结果、操作日志、车辆空载历史数据及空载特征档案。

[0019]与现有技术相比，本发明提供了一种智能矿山无人值守系统，具备以下有益效果：

[0020]1、通过多源感知单元实现对信号干扰、车辆状态、身份信息等多维度作弊行为的监测，尤其增设空载特征采集单元与空载增重识别子模块，针对性解决车辆未装矿料时整车重量过重的作弊识别难题，可识别95%以上的已知作弊类型;

[0021]2、采用深度学习与规则引擎融合的作弊识别模型，结合加密称重数据与车辆全息监测数据，作弊识别准确率≥99%，其中空载增重作弊识别准确率≥99.5%，误报率≤0.5%;

[0022]3、从采集、传输到存储全环节采用国密加密算法与区块链存证技术，专门存储车辆空载历史数据与特征档案，确保称量数据不可篡改、可追溯，杜绝数据篡改作弊风险;

[0023]4、联动处置层实现作弊行为的自动锁定与远程预警，针对空载增重作弊留存专项证据并推送详细信息，响应时间≤3s，避免作弊车辆驶离后难以追溯，降低矿山经济损失。

[0024]上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。

附图说明

[0025]此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

[0026]图1为智能矿山无人值守系统的结构示意图;

[0027]图2为本发明中防作弊感知层的设备布局示意图;

[0028]图3为本发明智能防作弊分析层的工作流程图。

具体实施方式

[0029]请结合图1至图3所示，本发明提供一种智能矿山无人值守系统，包括防作弊感知层、安全传输层、智能防作弊分析层及联动处置层，各层协同实现称重防作弊功能，尤其针对车辆未装矿料时整车重量过重场景设计专项防作弊机制：

[0030]防作弊感知层，用于采集称量过程中与作弊行为相关的多维度数据，包括称重本源数据、车辆状态数据、环境干扰数据及身份认证数据，针对空载增重作弊增设空载特征采集单元;所述防作弊感知层包括：

[0031]加密称重单元：采用带数字签名的智能称重传感器(精度等级不低于0.05%)，传感器内置唯一硬件ID与国密SM4加密芯片，每帧称重数据均附带芯片签名与时间戳，防止信号被篡改;配套称重仪表具备干扰信号检测模块，可识别100-2400MHz频段内的作弊信号，并记录干扰发生时间与强度;

[0032]车辆全息监测单元：由3组激光轮廓扫描仪(扫描频率≥50Hz)、4路高清工业相机(分辨率≥4K)及毫米波雷达组成;激光扫描仪采集矿车三维轮廓与载货高度，判断是否存在超高等异常装载;高清相机分别拍摄矿车车头、车尾、左侧及右侧，识别车牌、车标及车身特征，实现车辆外观唯一性校验;毫米波雷达监测矿车停靠位置，输出车轮与秤台边缘的距离数据，判断是否完全上秤;

[0033]多模身份认证单元：集成超高频RFID读卡器(读写距离0.5-10m，抗金属干扰)、北斗定位模块及驾驶员人脸识别人机交互终端;RFID标签采用无源防撕设计，内存储矿车编号、额定载重、归属单位、车辆整备质量(空载标准重量±5%范围)等唯一信息;北斗定位模块实时采集矿车位置坐标，与预设称量区域电子围栏比对，同时记录车辆往返矿山与卸料点的轨迹，判断是否为空载返程状态;驾驶员需通过人脸识别验证身份，确保操作权限合法;

[0034]环境状态监测单元：部署振动传感器、温湿度传感器及粉尘传感器，采集称量平台振动频率、环境温湿度及粉尘浓度，用于区分正常称量振动与作弊敲击振动，同时监测环境因素对设备精度的影响;

[0035]空载特征采集单元：由2路底部高清相机(安装于秤台两侧下方，分辨率≥2K)、红外热成像仪、电磁感应传感器、超声波传感器组成;底部相机拍摄矿车底盘及车厢底部，识别是否加装可拆卸配重块、临时水箱等增重装置;红外热成像仪采集矿车车身温度分布，区分车辆固有部件与临时加装的异温配重(如装满冷水的水箱与车身温度差异≥5℃);电磁感应传感器(检测范围0.1-1m，灵敏度≥10μT)部署于秤台边缘，检测底盘金属配重;超声波传感器(测量范围0.2-5m，精度±0.5%)安装于秤台上方支架，检测车厢底部与底盘间隙;同时记录空载时车辆的轮廓特征、重量数据及多物理量参数，建立车辆空载特征档案。

[0036]安全传输层，用于实现防作弊感知层数据的加密传输与指令交互;采用“工业以太网+5G专网”双链路冗余架构，工业以太网传输称重加密数据与控制指令，5G专网传输高清图像与激光扫描数据;数据传输采用国密SM2/SM3算法进行端到端加密，传输协议支持报文完整性校验与重放攻击防护;设置网络隔离防火墙，禁止外部非法访问系统内部网络。

[0037]智能防作弊分析层，作为系统防作弊核心，用于对采集数据进行融合分析与作弊行为研判，针对车辆未装矿料时整车重量过重场景增设空载增重识别子模块;包括数据融合模块、多维度作弊识别模型、区块链存证模块及作弊行为知识库;

[0038]数据融合模块：对接各感知单元数据，进行时间同步(同步精度≤1ms)、格式转换与关联匹配，生成包含“称重数据-车辆特征-身份信息-环境参数-空载特征”的统一数据帧;

[0039]多维度作弊识别模型：采用深度学习与规则引擎融合算法，通过多模型协同实现作弊行为精准识别，各子模型具体设计如下：

[0040]信号作弊识别子模型：采用改进型LSTM(长短期记忆网络)算法，输入为称重传感器采集的连续500ms信号序列(采样频率1kHz)，通过引入注意力机制(Attention)强化对异常信号片段的权重分配;模型隐藏层设为3层，每层神经元数量分别为256、128、64，激活函数采用ReLU;输出层为二分类(正常/作弊)，采用Sigmoid激活函数;训练过程中采用交叉熵损失函数与Adam优化器，学习率动态调整(初始0.001，每10轮衰减10%)，并通过Dropout(dropout rate=0.3)防止过拟合;模型通过提取信号的频率域特征(如谐波分量、频谱畸变度)与时域特征(如峰值波动、均值突变)，实现对电子干扰、信号篡改等作弊行为的识别，识别准确率≥99%;

[0041]车辆状态作弊识别子模型：采用“规则引擎+CNN(卷积神经网络)”混合架构;规则引擎部分预设3类判定规则：①毫米波雷达数据判定：当任意车轮与秤台边缘距离≤10cm时，判定为不完全上秤;②重量分布规则：通过称重传感器各支点重量计算偏载系数(单侧重量/总重量)，当偏载系数>0.6或<0.4时判定为偏载作弊;③体积-重量匹配规则：基于激光轮廓扫描数据计算矿车载货体积(采用三维点云体积计算算法)，结合矿料密度(预设为2.8t/m³±0.2t/m³)计算理论重量，当实际称量重量与理论重量偏差绝对值>8%时触发异常;CNN部分输入为激光轮廓扫描生成的矿车俯视图(分辨率512×512)，通过5层卷积层(卷积核大小3×3，步长1)与2层池化层(池化核大小2×2)提取装载形态特征，判断是否存在加装配重块、中途卸料等隐蔽物理作弊，CNN模型输出与规则引擎结果通过逻辑“或”运算输出最终判定结果，综合识别准确率≥98.5%;

[0042]身份作弊识别子模型：采用多模态特征融合算法，将RFID标签信息(矿车编号、额定载重、整备质量)、车牌识别结果、北斗定位轨迹(近10分钟轨迹是否在预设运输路线内)及驾驶员人脸识别特征向量(128维)作为输入，通过特征拼接后输入全连接神经网络;全连接层设为2层(神经元数量分别为64、32)，激活函数为LeakyReLU;输出层为三分类(身份一致/部分不一致/完全不一致)，采用Softmax激活函数;模型训练采用Focal Loss损失函数解决类别不平衡问题，通过对比学习(Contrastive Learning)增强不同身份特征的区分度，当任意两种模态信息不匹配时(如RFID矿车编号与车牌识别结果不一致)，模型判定为身份作弊，识别准确率≥99.2%;

[0043]空载增重识别子模块：采用“历史数据比对+视觉特征识别+多物理量检测”多维度判定机制，针对车辆未装矿料时整车重量过重场景实现全方位识别：①历史数据比对机制：从区块链存证模块调取该车辆近30天内的空载称量数据(至少5条有效数据)，计算空载重量均值与标准差，当当前空载重量超出“均值±2倍标准差”或超出RFID标签存储的整备质量±5%范围时，触发重量异常预警;同时引入车辆空载重量趋势分析，若连续3次空载重量呈递增趋势且单次增幅≥0.5t，即使未超出阈值也触发预警;②视觉特征识别机制：将底部相机拍摄的矿车底盘图像(分辨率2K)输入YOLOv8目标检测模型，训练时引入矿山常见配重装置数据集(包含水箱、沙袋、金属块、混凝土块等12类配重样本)，模型对底盘异物的识别准确率≥98%;同步通过顶部激光扫描仪采集车辆空载状态下的三维轮廓，与区块链存储的标准空载轮廓比对，若轮廓体积差异≥0.3m³，判定为存在新增附着物;③多物理量检测机制：通过振动传感器采集车辆空载驶上秤台时的振动频谱，与标准空载振动频谱库比对，若特征频率差异≥15%，判定可能存在金属类配重;利用电磁感应传感器检测底盘区域是否存在高强度磁场信号(对应金属配重)，信号强度≥50μT时触发异常;通过超声波传感器检测车厢底部与底盘间隙，与标准间隙值比对差异≥10cm时，判定可能存在夹层配重;多机制结果通过逻辑“或”运算输出，当任一机制判定异常时，即识别为车辆未装矿料时整车重量过重的作弊行为，综合识别准确率≥99.5%;

[0044]模型融合策略：采用加权投票法融合四个子模型输出结果，信号作弊识别子模型、车辆状态作弊识别子模型、身份作弊识别子模型、空载增重识别子模块的权重分别设为0.3、0.25、0.2、0.25，当融合结果≥0.5时判定为存在作弊行为，确保多类型作弊场景下的全覆盖识别，尤其强化对空载增重作弊的识别权重。

[0045]区块链存证模块：采用联盟链架构，将每笔称量业务的加密数据帧、作弊识别结果及操作日志生成区块，区块包含前一区块哈希值与时间戳，同时专门存储各车辆的空载重量历史数据与空载特征档案，实现称量数据不可篡改与全程可追溯;

[0046]作弊行为知识库：存储历史作弊案例、作弊特征参数及处置策略，重点收录车辆未装矿料时整车重量过重的作弊案例(包括配重类型、重量异常范围、视觉特征等)，通过增量学习不断优化作弊识别模型的准确率。

[0047]联动处置层，用于对识别出的作弊行为进行实时响应与处置;包括自动控制单元、声光报警单元、远程监控中心及作弊行为追溯单元;

[0048]自动控制单元：当识别到作弊行为时，立即触发道闸锁定(防止矿车驶离)、称重仪表暂停数据上传，并切断作弊车辆后续运输调度权限;针对空载增重作弊，额外触发底部相机与红外热成像仪的录像保存功能，留存作弊证据;

[0049]声光报警单元：发出110dB以上声光报警信号，同时在现场显示屏滚动显示作弊类型与处置提示;针对空载增重作弊，专门显示“疑似空载增重，请检查车辆配重”提示语;

[0050]远程监控中心：实时推送作弊预警信息至值班人员终端(包含作弊车辆图像、数据异常截图)，针对空载增重作弊，同步推送底部相机拍摄的底盘异物图像与红外温度分布图，支持值班人员通过远程视频确认现场情况，并下发人工处置指令;

[0051]作弊行为追溯单元：自动生成作弊行为报告，包含作弊时间、车辆信息、作弊类型、数据证据链及处置结果，针对空载增重作弊，详细记录重量异常数值、历史均值对比、视觉识别到的配重类型等信息，支持按时间段、车辆编号等维度查询历史作弊记录。

[0052]其中：

[0053]防作弊感知层配置：加密称重单元选用Zemic H8C-C3-150t智能称重传感器(精度0.05%)，配套XK3190-DS3防作弊仪表(干扰检测频段100-2400MHz);车辆全息监测单元采用SICK LMS511激光扫描仪(扫描角度190°，距离分辨率1mm)、海康威视DS-2CD7A87F/E-LZ4K相机及华为MDR-80毫米波雷达(探测距离0.5-80m);多模身份认证单元采用远望谷超高频RFID读卡器(型号YXU2861)、北斗BD-2定位模块(定位精度≤10m)及海康威视DS-K5671人脸终端(识别准确率≥99.7%)，RFID标签存储矿车整备质量(如25t±1.25t);环境状态监测单元选用PCB 356A15振动传感器(量程±50g)、SHT30温湿度传感器及GCG1000粉尘传感器;空载特征采集单元采用海康威视DS-2CD3T26WD-I5底部相机(分辨率2K，帧率25fps)、FLIRA655sc红外热成像仪(温度范围-20℃-150℃，分辨率640×512)、Honeywell CSN-A1电磁感应传感器(检测范围0.1-1m)、SICK UM30-213110超声波传感器(测量范围0.2-5m)。

[0054]安全传输层配置：工业以太网采用华为S5735-S系列千兆交换机(支持VLAN隔离)，5G专网采用华为5G CPE Pro 3(支持SA模式);数据加密采用国密SM2/SM3算法，传输协议采用MQTT-SN(支持报文加密与校验);防火墙选用华为USG6000系列下一代防火墙。

[0055]智能防作弊分析层配置：数据融合模块基于Python语言开发，采用PySpark框架实现分布式数据处理;多维度作弊识别模型基于TensorFlow 2.0框架构建，训练数据集包含10万条正常称量数据与5万条作弊模拟数据(涵盖20种常见作弊类型，其中包含3000条空载增重作弊数据)，模型推理速度≤200ms/条;其中信号作弊识别子模型训练迭代50轮，验证集准确率稳定在99.2%以上;车辆状态作弊识别子模型规则引擎通过1000组实测数据调试优化，CNN部分训练迭代30轮，综合准确率达98.8%;身份作弊识别子模型训练采用5万组多模态身份数据，验证集准确率达99.5%;空载增重识别子模块的YOLOv8模型训练采用包含5000张矿山配重装置图像的数据集，迭代40轮，异物识别准确率达98.5%，;历史数据比对机制通过10万条车辆空载历史数据验证，重量异常判定准确率达99.8%;多物理量检测机制通过2万组实测数据校准，振动频谱与电磁信号识别准确率分别达98.2%、99.1%，综合识别准确率达99.5%;区块链存证模块采用Hyperledger Fabric联盟链，节点包括矿山管理中心、称量站点及第三方审计节点，区块生成间隔≤10s，专门开辟“车辆空载档案”链上通道;作弊行为知识库采用MySQL数据库存储，支持每日自动增量更新。

[0056]联动处置层配置：自动控制单元采用西门子S7-1200 PLC控制道闸与称重仪表，针对空载增重作弊触发录像保存指令;声光报警单元选用分贝≥120dB的工业报警器与55英寸户外LED显示屏，支持自定义作弊提示语;远程监控中心部署华为IVS3800视频云平台，支持4K视频实时预览与报警信息推送，同步展示底盘图像与红外温度图;作弊行为追溯单元开发Web查询系统，支持Excel格式报告导出，包含空载增重作弊专项字段。

[0057]以上所述，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上所述而顺畅地实施本发明;但是，凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例;同时，凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。

说明书附图(3)