颗粒评分校准相关申请
本申请要求2013年12月20日提交的名称为“PARTICLE SCORE CALIBRATION”(颗粒
评分校准)的美国临时专利申请No.61/919,258的权益，该临时专利申请全文以引用方式并
入本文。
技术领域
本公开整体涉及光谱法。本公开的各方面具体涉及使用近红外光谱法预测草料样
品的颗粒评分。
背景技术
已知的是，使用颗粒评分器测定草料样品的颗粒评分，所述颗粒评分器诸如为可
从美国威斯康星州阿特金森堡(Fort Atkinson,Wisconsin,USA)的纳斯科目录经销店
(Nasco Catalog Outlet Store)商购获得的宾州州立大学三层筛草料颗粒分离器(Penn
State Three-Sieve Forage Particle Separator)型号C24682N。然而，此类已知的颗粒评
分器可能有些不精确。还已知的是，使用近红外反射(NIR)分光计(分光光度计)测定草料的
化学性质(例如，粗蛋白、脂肪、灰分、纤维等的百分比)，所述分光计诸如为均可从美国明尼
苏达州伊甸草原(Eden Prairie,Minnesota,USA)的福斯公司(FOSS)(也称为瑞士万通
(Metrohm AG)旗下的Metrohm NIRSystems公司(Metrohm NIRSystems))商购获得的FOSS型
号NIRsys II 5000近红外反射分光计、或FOSS INFRAXACT近红外反射分光计、或FOSS XDS
NIR分析仪、或FOSS NIRS DS2500，或者可从美国马萨诸塞州比尔里卡(Billerica,
Massachusetts,USA)的布鲁克公司(Bruker Corporation)商购获得的Bruker FT-NIR。然
而，此类已知的NIR仪器可能无法准确预测草料的颗粒评分。
附图说明
图1为根据一个示例性实施例的三层筛宾州州立大学颗粒分离器装置的透视图。
图2A为根据一个示例性实施例的两层筛宾州州立大学颗粒分离器装置的透视图。
图2B为图2A的两层筛宾州州立大学颗粒分离器装置的透视图。
图3为根据一个示例性实施例的替代颗粒评分器装置(Alternative Particle
Scorer device)的透视图。
图4为坐标图，示出了根据实例1使用替代颗粒评分器装置建立的NIR校准的NIR预
测能力。
图5A为坐标图，示出了根据实例1使用宾州州立大学颗粒分离器装置的顶筛建立
的NIR校准的NIR预测能力。
图5B为坐标图，示出了根据实例1使用宾州州立大学颗粒分离器装置的中筛建立
的NIR校准的NIR预测能力。
图5C为坐标图，示出了根据实例1使用宾州州立大学颗粒分离器装置的底筛建立
的NIR校准的NIR预测能力。
图6为坐标图，示出了根据实例1，相比于使用替代颗粒评分器装置建立的NIR预测
颗粒评分，对使用来自替代颗粒评分器装置的湿化学值测定的实际颗粒评分进行核实。
图7A为坐标图，示出了根据实例1，相比于使用宾州州立大学颗粒分离器装置顶筛
建立的NIR预测颗粒评分，对使用来自宾州州立大学颗粒分离器装置顶筛的湿化学值测定
的实际颗粒评分进行核实。
图7B为坐标图，示出了根据实例1，相比于使用宾州州立大学颗粒分离器装置中筛
建立的NIR预测颗粒评分，对使用来自宾州州立大学颗粒分离器装置中筛的湿化学值测定
的实际颗粒评分进行核实。
图7C为坐标图，示出了根据实例1，相比于使用宾州州立大学颗粒分离器装置底筛
建立的NIR预测颗粒评分，对使用来自宾州州立大学颗粒分离器装置底筛的湿化学值测定
的实际颗粒评分进行核实。
图8为坐标图，示出了根据实例1的替代颗粒评分方法的实际颗粒评分与NIR预测
之间的相关性。
图9A为坐标图，示出了根据实例1的宾州州立大学颗粒级分测量(旁路顶筛)的实
际颗粒评分与NIR预测之间的相关性。
图9B为坐标图，示出了根据实例1的宾州州立大学颗粒级分测量(旁路中筛)的实
际颗粒评分与NIR预测之间的相关性。
图9C为坐标图，示出了根据实例1的宾州州立大学颗粒级分测量(旁路底筛)的实
际颗粒评分与NIR预测之间的相关性。
图10为流程图，示出了根据所公开技术的一些实施例的创建校准组件的处理。
图11为流程图，示出了根据所公开技术的一些实施例的构建数据库组件的处理。
图12为流程图，示出了根据所公开技术的一些实施例的测定颗粒评分组件的处
理。
图13为流程图，示出了在一些实例中的一些这样的组件，这些组件可结合在至少
一些计算机系统及该系统在其上操作并与其交互的其他装置中。
具体实施方式
本发明公开了用于校准近红外反射分光光度计的系统和方法。在一个方面，提供
了一种用于建立近红外反射分光光度计的校准的方法，以预测成分的颗粒评分，该方法包
括：(a)通过使多个植物物质样品穿过筛网来按尺寸分选这些样品，随后根据穿过筛网的样
品的数量，计算样品的颗粒评分，(b)使用分光光度计测量所述多个植物物质样品的吸光度
或反射率，以及(c)对步骤(a)所得的颗粒评分与步骤(b)所测得的吸光度或反射率进行关
联。
在另一个方面，提供了用于预测干燥成分的颗粒评分的近红外反射率校准，该校
准通过包括以下步骤的方法产生：(a)通过使多个草料样品穿过具有至少一个筛网的颗粒
分离器来按切割长度分选这些样品，随后根据穿过筛网的样品的重量，计算样品的颗粒评
分，(b)使用分光光度计测量所述多个样品的吸光度或反射率，以及(c)对步骤(a)所得的颗
粒评分与步骤(b)所测得的吸光度或反射率进行关联。
在另一个方面，提供了用于配制饲料的方法，该方法包括：(a)校准近红外反射分
光光度计，包括：(i)通过使多个草料样品穿过具有筛网的颗粒分离器来按切割长度分选这
些样品，随后根据穿过筛网的样品的数量，计算样品的颗粒评分，(ii)使用分光光度计测量
样品的吸光度或反射率，以及(iii)对步骤(i)所得的颗粒评分与步骤(ii)所测得的吸光度
或反射率进行关联；(b)使用根据步骤(iii)进行了关联的近红外反射分光光度计预测全混
合日粮的颗粒评分；以及(c)根据全混合日粮的颗粒评分来配制饲料。
颗粒评分
本公开中所使用的术语“颗粒评分”意指穿过筛子或筛网的成分颗粒的百分比(按
重量百分比计)。颗粒评分与成分颗粒的尺寸相关。例如，草料成分的尺寸可根据草料成分
的切割长度而变化。又如，玉米成分的尺寸可根据玉米品种、玉米水分、加工玉米的研磨机
的速度、加工玉米的研磨机的类型等而变化。成分的颗粒尺寸可影响成分(例如，草料)在动
物体内消化的速率和程度。例如，足够的草料颗粒长度可有助于瘤胃发挥正常功能。已表
明，减小的草料颗粒尺寸会缩短动物咀嚼草料所花的时间，并引起动物瘤胃pH降低的趋势。
当奶牛用更少时间咀嚼时，它们产生更少的唾液，而唾液是缓冲奶牛瘤胃所需的。相比之
下，当饲料成分颗粒太长时，动物更有可能拣选日粮。这会导致动物所食用的饮食比初始配
制的饮食大不相同。如果日粮或草料太细，喂食少量长干草或打捆青贮牧草(baleage)可改
善平均日粮颗粒尺寸。
某些成分(例如，草料)可具有所需颗粒评分或目标颗粒评分。颗粒评分与颗粒的
尺寸呈负相关(即，更高的颗粒评分等同于更小的颗粒尺寸)。例如，随着颗粒评分增加，对
于诸如草料并且更具体地豆类半干青贮饲料(haylage)的成分而言，中性洗涤纤维(NDF)消
化率百分比也增加。又如，随着颗粒评分增加，对于玉米青贮饲料(silage)成分和干玉米而
言，哺乳期净能量也增加。又如，随着颗粒评分增加，对于诸如玉米、蜀黍、小麦、大麦和燕麦
的成分而言，淀粉消化率也增加。又如，随着颗粒评分增加，对于豆类半干青贮饲料而言，
NDF消化率也增加。
宾州州立大学颗粒分离器方法
可根据宾州州立大学(Penn State)的Jud Heinrichs公布于2013年9月26日的专
利公开No.DSE 2013-186中所述的方法，使用宾州州立大学颗粒分离器(PSPS)测定成分的
颗粒评分，该专利据此全文以引用方式并入。PSPS提供了定量测定草料和全混合日粮(TMR)
的颗粒尺寸的工具。
参见图1，示出了根据一个实施例的三层筛PSPS 10。如图1所示，三层筛PSPS包括
具有大孔径筛网13的上筛或上箱12、具有中孔径筛网15的中筛或中箱14、具有小孔径筛网
17的下筛16以及底杯或底盘18。参见图2A，示出了根据一个示例性实施例的两层筛PSPS
20。如图2A所示，两层筛PSPS具有上筛或上箱22、下筛24以及底杯或底盘26。如图2B所示，动
物饲料日粮的植物物质成分的样品被示出为在筛子22和24及盘26中具有不同切割长度的
草料28。
两层筛PSPS包括具有筛网的筛子，所述筛网具有小于一定尺寸的颗粒可从中穿过
的孔径，如表1A所示。
表1A
筛网
孔径(英寸)
颗粒尺寸(英寸)
上筛
0.75
>0.75
下筛
0.31
0.31至0.75
底盘
<0.31
三层筛PSPS包括具有筛网的筛子，所述筛网具有小于一定尺寸的颗粒可从中穿过
的孔径，如表1B所示。
表1B
筛网
孔径(英寸)
颗粒尺寸(英寸)
上筛
0.75
>0.75
中筛
0.31
0.31至0.75
下筛
0.16
0.16至0.31
底盘
<0.16
为了使用三层筛PSPS，将筛子按如下顺序叠放：放在顶部的是具有最大孔的筛子
(上筛)，接下来是具有中等尺寸的孔的筛子(中筛)，然后是具有最小孔的筛子(下筛)，以及
放在底部的是实心盘。将大约3品脱的草料或TMR放在上筛上。水分含量可能对筛分性质有
细微影响。非常湿的样品(小于百分之四十五(45％)干物质)可能无法准确分离。三层筛
PSPS被设计用于说明提供给动物的饲料的颗粒尺寸。因此，样品不必相对于筛分前喂食的
样品进行化学地或物理地改变。在平坦表面上，将筛子在一个方向上摇动若干次(例如，五
(5)次)，然后将分离器箱旋转四分之一转。将该过程重复若干次(例如，七次)，在每组例如
五次(5)摇动后旋转分离器。摇动的力度和频率应足够大以使颗粒在筛面上方滑动，从而允
许比孔径小的那些颗粒落下。推荐(但不是必需)以至少1.1Hz(或每秒大约摇动1.1次)的频
率及七(7)英寸(或18cm)的行程长度来摇动颗粒分离器。为了获得最佳结果，将运动的频率
在7英寸的距离内校准指定次数(例如，10次、100次、1000次)。将全程运动的次数除以按秒
计的时间，得到频率值，可将该频率值与1.1Hz推荐值进行比较。摇动完成后，称量每个筛子
上和底盘上的材料。参见表2以了解数据输入及计算每个筛子下的百分比的工序，包括通过
例如电子秤来确定总重量的计算及每个筛子下的累积百分比的例子。(其中累积筛下物百
分比是指小于给定尺寸的颗粒的比例。例如，平均而言，95％的饲料小于0.75英寸，55％的
饲料小于0.31英寸，并且35％的饲料小于0.16英寸。)
表2
为了使用两层筛PSPS，该工序基本上与以上针对使用三层筛PSPS所述的工序相
同，不同的是不使用具有0.31英寸的筛网尺寸的筛子。
替代颗粒评分方法
也可使用替代颗粒评分器(APS)测定颗粒评分。APS提供了一种定量测定例如玉米
草料的颗粒尺寸的工具。APS 40示于图3中，其包括具有壳体44的摇动器42，所述壳体具有
用于装入玉米草料的样品的大直径主体46，以及用于保持样品的小直径主体48，所述样品
可在谷粒杯52a、杯52b或杯52c中测量。壳体44被示出为具有筛网54，样品穿过所述筛网被
提供给贮存器(被示出为底盘56)。使用壳体44顶部上的手柄58让样品摇动(尤其是当APS
40在平坦表面(诸如地面或地板)上摇动时)以使得样品穿过筛网54。样品的具有较大颗粒
尺寸的部分被保留在筛网54上，而样品的具有较小颗粒尺寸的另一部分被保留在底盘或谷
粒接收器56上。筛网的孔径及穿过筛网的颗粒的尺寸示于表3中。
表3
筛网
孔径(英寸)
颗粒尺寸(英寸)
筛子
0.065
>0.065
底盘
<0.065
为了测定颗粒评分，以下工序可用于使玉米草料运行穿过APS。将适当尺寸的杯
(取决于所关注的成分)紧固在摇动器主体的较小直径末端中的谷粒接收器中。将筛网放入
摇动器主体的较大直径末端中。将谷粒样品杯用玉米草料的代表性样品填充至二分之一
满。(注意，为了确保一致的读数，可平行于操作者的视平线来读取样品水平。)用操作者的
手掌覆盖杯并且轻敲(例如，五次)。然后用额外的谷粒样品填入谷粒样品杯，用操作者的手
掌覆盖并且轻敲(例如，再五次)，以使得谷粒样品杯大约四分之三满。然后用额外的样品填
入谷粒样品杯的剩余部分，并使顶部平整(例如，用操作者的手指)，使得样品的顶部与谷粒
样品杯的顶部持平。然后将样品从谷粒样品杯倒入具有筛网的较大直径主体中。使APS保持
与地面平行，并剧烈摇动三十秒。轻轻取出筛网，观察是否有任何样品悬挂在较大直径主体
的侧面上。(如果有任何样品悬挂在壳体的侧面上，则在坚固表面上轻敲侧面，直到所有样
品被捕集在筛网上。)然后取出谷粒样品杯，并且用操作者的手掌覆盖。记录保留在筛网上
的样品及保留在杯中的样品的重量的读数。注意，如果连续筛分高水分成分和干燥成分，有
利的是首先运行干燥成分(使得干燥成分不会附着到之前样品留下的残余水分)。
根据另一个可供选择的实施例，可通过美国农业生物工程师学会(American
Society of Agricultural and Biological Engineers,ASABE)有关颗粒尺寸分析和分布
的标准来测定颗粒尺寸，该标准据此全文以引用方式并入。
近红外光谱法概述
本公开中所使用的术语“近红外”(“NIR”)和“近红外光谱法”(“NIRs”)涉及以具有
近红外波长区域中的电磁辐射的分子振动的激发为基础的光谱分析方法。近红外波长区域
(即，800nm–2500nm)位于可见光波长区域(380nm–800nm)与中红外辐射波长区域(2500nm–
25000nm)之间。NIRs测量物质或混合物(诸如植物物质)对近红外光的吸收强度。NIRs检测
包含CH-、OH-和NH-基团的物质(例如，植物物质)(例如，脂肪、蛋白质、碳水化合物、有机酸、
醇、水等)中的谐波及分子基本振动的组合。本公开中所使用的术语“光谱法”可以指所有分
子光谱法，包括近红外反射光谱法、近红外透射光谱法、紫外与可见光谱法、傅里叶变换近
红外光谱法、拉曼光谱法以及中红外光谱法。
NIR装置或仪器的操作包括向样品(例如，干植物物质)提供光束。样品所反射或透
射的光被收集为信息(即，光谱)。(NIR仪器可按反射模式、透射模式、透射反射模式等运
行。)更具体地讲，NIR仪器的软件测量从样品返回到检测器的能量大小，将其从参考光谱中
减去，并且绘制所得的吸收光谱。NIR光谱由多个吸收带组成，这些吸收带的强度会因样品
中特定官能团的能量吸收而有所变化。根据比尔定律，该吸收与样品中的化学(或物理)组
分的浓度成比例，因此利用光谱信息对生物材料(例如，植物物质)的化学(或物理)组成进
行定量。
使用NIR测量所关注的参数具有若干优于湿化学的优点，诸如非破坏性、非侵入性
的测量且需要极少的样品制备或无需样品制备，近瞬时测量以及快速响应时间(例如，实
时、在1分钟内完成的扫描等)，简单而可靠的操作，能够通过一次扫描同时测试多种营养物
质(例如，水分、粗蛋白、脂肪、灰分、纤维等)，长期校准稳定性允许相似NIR仪器之间的直接
校准传递以及不同仪器平台之间的间接校准传递，低成本操作费用，快速而简单的实施和
维护，具有可靠性同时提高了准确度和一致性，等等。此外，NIR仪器可用于实验室，并且可
为便携式的，适合在田间和农场使用。
NIRs校准
本公开中所使用的术语“NIR或NIRs校准”是指将NIR光谱与参考值或标准值(例
如，湿化学值)进行关联的数学模型。NIRs涉及针对样品的基准方法或直接测量(也称为“湿
化学”)的NIR光谱校准(或关联)。采用湿化学的直接测量的基准方法的例子包括通过
Kjeldahl或Leco蛋白质分析仪进行的蛋白质分析、通过Ankom纤维分析仪进行的纤维分析、
动物消化诸如消化的中性洗涤纤维(dNDF)以及通过体外技术测量的体外蛋白质消化率
(IVpd)。
在一些实施例中，为了创建校准，可进行以下步骤：1)构建包含湿化学值和NIR光
谱或值的数据库，2)建立数学模型(例如，NIR校准)；3)使用未包括在初始数据库中的独立
样品来核实该数学模型；4)在使用该数学模型的NIR仪器上运行或扫描新样品，以预测湿化
学值；以及5)验证该数学模型。
1.构建数据库。为了构建数据库，收集多个代表性的样品以涵盖预期的变型形式。
每个样品具有两个所关注的领域：(i)由直接测量的基准方法得出的样品的参考值(也称为
“湿化学”或“实验室值”)；以及(ii)在NIR仪器中运行样品所得出的光谱。该数据集也称为
训练数据集。
2.建立数学模型。来自训练数据集的湿化学测量值用作参考数据，并且在模型建
立中，使来自训练数据集的NIR光谱在湿化学数据上回归。为了建立数学模型(或方程或NIR
校准)，使用化学计量学技术。本公开中所使用的术语“化学计量学”是指通过数据驱动的方
法从化学体系提取信息的科学。更具体地讲，使用多变量校准方法得出NIR光谱对于参考值
(例如，训练数据集)的最佳拟合，从而得到NIR校准模型(其预测或响应于所关注的性质)。
换句话讲，建立这样的模型(或校准)，其可用于根据化学体系的所测量性质(例如，NIR光
谱)来预测所关注的性质，诸如多变量模型的建立将多波长NIR光谱响应与样品中的分析物
浓度相关联。化学计量学软件中有各种可用于建立校准模型的校准算法，诸如MLR(多元线
性回归)、MPLS(改进的偏最小二乘法回归)、PCA(主成分分析)、ANN(人工神经网络)、局部校
准等。其他多变量校准技术包括例如偏最小二乘法回归、主成分回归、局部回归、神经网络、
支持向量机(或其他方法)。
3.核实数学模型。测试集用作独立集(即，不同于校准训练数据集)以核实校准模
型性能。测试集包括相对于已建立的数学模型来绘制样品的湿化学值。
4.扫描样品。然后在采用已建立的数学模型的NIR仪器上扫描新样品，以预测新样
品的湿化学值。使用之前创建的NIR校准模型，对这些新样品的所得谱型与参考测量值进行
关联。由此为预期的所关注参数生成预测。
5.验证数学模型。然后对NIR校准进行“验证”。良好的NIR校准展现出NIR预测值与
参考(或湿化学)值之间的高相关性。验证包括与创建校准类似的过程，但考虑了仪器特定
的偏差。因此，最终NIR校准是经偏差校正的。其包括初始NIR校准并且考虑了特定单独NIR
仪器的偏差。
配制动物饲料
可针对植物成分、动物成分或矿物成分来建立颗粒评分的NIRs校准。植物物质成
分的例子包括根据一个示例性实施例的蛋白质成分、谷粒产品、谷粒副产品、粗饲料产品、
脂肪、矿物质、维生素、添加剂或其他成分。蛋白质成分可包括例如动物来源的蛋白质，诸
如：干血粉、肉粉、肉骨粉、禽类副产品粉、水解羽毛粉、水解毛发、水解皮革粉等。蛋白质成
分也可包括例如海产品，诸如：鱼粉、蟹粉、虾粉、浓缩鱼汁、鱼蛋白浓缩制品等。蛋白质成分
也可进一步包括例如植物产品，诸如：水藻粉、豆类、椰子粕、棉籽粕、菜籽粕、卡诺拉菜籽
粕、亚麻籽粕、花生粕、大豆粕、葵花籽粕、豌豆、大豆浓缩蛋白、干酵母、活性干酵母等。蛋白
质成分可包括例如乳制品，诸如：脱脂乳粉、脱脂炼乳、乳清粉、浓缩乳清、水解乳清粉、酪蛋
白、全脂乳粉、乳蛋白粉、水解酪蛋白粉等。谷粒产品成分可包括例如玉米、蜀黍、燕麦、水
稻、黑麦、小麦等。谷粒副产品成分可包括例如玉米麸皮、花生皮、米糠、干啤酒糟、干酒精
糟、含可溶物干酒精糟、玉米蛋白饲料、玉米蛋白粉、玉米胚芽粉、面粉、脱壳燕麦、玉米糁
渣、玉米粉、大豆粉、麦芽根、黑麦次粉、小麦次粉、小麦粗粉、小麦细麸、低等小麦粉、饲用燕
麦粉等。粗饲料产品成分可包括例如玉米芯粉、大麦皮、大麦碾磨制品、麦芽壳、棉籽壳、杏
仁壳、向日葵壳、燕麦壳、花生壳、水稻碾磨副产品、甘蔗渣、大豆壳、大豆加工饲料、干柑橘
渣、干柑橘粉、干苹果渣、干番茄渣、秸秆粉等。矿物质产品成分可包括例如硫酸铵、碱式氯
化铜、骨灰、骨粉、碳酸钙、氯化钙、氢氧化钙、硫酸钙、氯化钴、硫酸钴、氧化钴、硫酸铜、氧化
铁、氧化镁、硫酸镁、碳酸锰、硫酸锰、磷酸氢钙、去氟磷酸盐、磷酸岩、氯化钠、碳酸氢钠、倍
半碳酸钠、硫、氧化锌、碳酸锌、硒等。维生素产品成分可包括例如维生素A补充剂、维生素A
油、维生素D、维生素B12补充剂、维生素E补充剂、核黄素、维生素D3补充剂、烟酸、甜菜碱、氯
化胆碱、生育酚、肌醇等。添加剂产品成分可包括例如生长促进剂、药用物质、缓冲液、抗氧
化剂、防腐剂、粒料粘结剂、直接饲喂的微生物等。
根据一个优选的实施例，建立草料成分的NIRs校准。草料是放牧家畜所食用的植
物材料(主要为植物叶和茎)。本公开中所使用的术语“草料”包括切割下来用作饲草并运送
给动物的植物，诸如干草或青贮饲料。禾本草料包括例如翦股颖、砂生须芒草、燕麦草、臭根
子草、飓风草、苏里南草、科柔尼维亚草、雀麦草、水牛草、盖氏虎尾草、果园草、狗牙根、牛毛
草、黑针茅、西印度群岛沼泽禾草、红苞茅、李氏禾、黑麦草、羊草、糖蜜草、雀稗草、草芦、梯
牧草、蓝草、草地早熟禾、非洲狗尾草、袋鼠草、中间冰草、甘蔗等。草本豆类草料包括例如平
托花生、圆叶美丽鹧鸪豆、蝶豆、鸟爪三叶草、紫矮菜豆、勃艮第豆、苜蓿、紫花苜蓿、紫苜蓿、
蒺藜状苜蓿、草木樨、多年生大豆、红豆草、柱花草、三叶草、巢菜、匍匐豇豆等。乔木豆类草
料包括例如无脉相思树、合欢树、灰毛合欢、阔荚合欢、银合欢等。青贮草料包括例如紫花苜
蓿、玉蜀黍(玉米)、禾草-豆类混合料、高粱、燕麦等。草料可包括“半干青贮饲料”。本公开中
所使用的术语半干青贮饲料是指由部分干燥的草制成的青贮饲料。用作草料的作物残体包
括例如高粱、玉米或大豆秸秆等。草料的其他例子包括例如玉米青贮饲料、褐色中脉玉米青
贮饲料、甘蔗青贮饲料、大麦青贮饲料、禾本半干青贮饲料、豆类半干青贮饲料、半干青贮饲
料混合料、小粒谷物半干青贮饲料、苏丹高粱半干青贮饲料、鲜草、新鲜豆类、新鲜混合料、
新鲜小粒谷物、禾本干草、豆类干草、干草混合料、小粒谷物与秸秆干草、高水分玉米粒、高
水分玉米穗、全混合日粮等。
颗粒评分的NIR校准可用于测定成分的营养性质，进而可用于进一步配制动物饲
料。例如，可从农场收集草料样品，并运输至实验室或其他分析机构。可使用NIR装置扫描原
样的(即，不进一步干燥或研磨)草料样品。可使用本公开的NIR校准方法，利用NIR输出来预
测颗粒评分值。可将草料成分的颗粒评分值与相同草料的营养信息(可包括例如蛋白质信
息、水分信息、脂肪信息等)一起传送至动物预测软件或饲料日粮平衡器软件，诸如得自美
国明尼苏达州韦扎他的嘉吉公司(Cargill,Incorporated,Wayzata,Minnesota,USA)的MAX
软件，以测定例如草料的消化率。如果草料被认为具有次优颗粒评分，则可在饮食中包括额
外营养物质(例如，额外草料)，以考虑草料的消化不良。本公开中所使用的术语“动物饲料”
是指经制备用于供动物食用的饲料日粮和/或补充剂。本公开中所使用的术语“动物”包括
例如牛科动物、猪科动物、马科动物、山羊科动物、绵羊科动物、鸟科动物、海产食品(水产养
殖)动物等。牛科动物包括但不限于水牛、野牛及所有牛，包括小公牛、小母牛、奶牛和公牛。
猪科动物包括但不限于架子猪和种猪，包括母猪、小母猪、阉公猪和公猪。马科动物包括但
不限于马。山羊科动物包括但不限于山羊，包括雌山羊、公山羊、阉公羊和小山羊。绵羊科动
物包括但不限于绵羊，包括母绵羊、公绵羊、阉公羊和羔羊。鸟科动物包括但不限于鸟，包括
鸡、火鸡和鸵鸟(并且还包括家养禽鸟，也称为家禽)。海产食品动物(包括来自咸水来源和
淡水来源)包括但不限于鱼类和贝类(诸如蛤蚌、扇贝、虾、蟹和龙虾)。本公开中所使用的术
语“动物”还包括反刍动物和单胃动物。本公开中所使用的术语“反刍动物”是指使用与哺乳
动物第一胃或瘤胃相关的反刍方法来消化基于植物的成分的任何哺乳动物。此类反刍哺乳
动物包括但不限于牛、山羊、绵羊、长颈鹿、野牛、牦牛、水牛、鹿、骆驼、羊驼、美洲驼、牛羚、
羚羊以及叉角羚。本公开中所使用的术语“动物”还包括家养动物(例如，狗、猫、兔等)和野
生动物(例如，鹿)。
动物饲料的配方可为根据可供选择的实施例的配合饲料、全价饲料、浓缩饲料、预
混料和基础混合料。本公开中所使用的术语“配合饲料”是指经共混而包括两种或更多种有
助于满足动物所有日常营养需求的成分的动物饲料。本公开中所使用的术语“全价饲料”是
指这样的动物饲料，其为全价饲料，即，营养均衡的各成分共混物，该共混物被设计为用于
提供动物所有日常营养需求的唯一日粮，从而在除水之外不食用任何额外的物质的情况下
维持生命并促进生产。本公开中所使用的术语“浓缩饲料”是指这样的动物饲料，其包含与
补充剂或添加剂(例如，维生素、微量矿物质、其他微量成分、常量矿物质等)共混的蛋白质
源以便为动物提供日粮的一部分。浓缩饲料可与其他成分(例如，在反刍动物中为草料)一
起喂食。本公开中所使用的术语“预混料”是指主要由维生素与微量矿物质连同适当载体构
成的共混物，在每吨全价饲料中的添加量少于百分之五(5.0％)。本公开中所使用的术语
“基础混合料”是指包含维生素、微量矿物质和其他微量成分加上常量矿物质诸如钙、磷、
钠、镁和钾或者维生素或微量矿物质的共混物，在每吨全价饲料中的添加量少于百分之十
(10.0％)。
图10为流程图，示出了根据所公开技术的一些实施例的创建校准组件的处理。在
块1010中，该组件调用构建数据库组件，以便通过分析与代表性的被采集样品的数量相关
联的数据来建立样品数据的数据库。例如，该组件可分析饲料和草料组合物的若干变型形
式，以建立样品数据的综合数据库。样品数据可包括对于每个样品而言由直接测量的基准
方法得出的样品的参考颗粒评分值(也称为“湿化学”或“实验室值”)、由在NIR仪器中扫描
样品而得出的光谱信息(例如，谱型)等等。在块1020中，该组件通过将来自样品数据库的光
谱数据的一部分与来自样品数据库的对应参考值进行关联，来建立样品数据的代表性模
型。例如，该组件可生成多变量线性回归，使用来自样品数据库的75％数据将光谱数据与参
考颗粒评分值进行关联。代表性模型根据光谱信息来提供一个或多个颗粒评分的预测。如
上所讨论，本领域普通技术人员将认识到，可使用任何一种或多种将数值进行关联的算法，
诸如MLR(多元线性回归)、MPLS(改进的偏最小二乘法回归)、PCA(主成分分析)、ANN(人工神
经网络)、局部校准等。其他多变量校准技术包括例如偏最小二乘法回归、主成分回归、局部
回归、神经网络、支持向量机等等。在块1030中，该组件使用所构建的模型，通过例如将模型
值加载到分光计中，来校准分光计。在块1040中，该组件通过测试数据库中未用于生成模型
的样品数据(例如，以上实例中未使用的25％数据)来核实模型。例如，该组件使用样品数据
库中的“核实样品”的模型值和光谱值来“预测”这些“核实样品”的颗粒评分，并且将这些
“预测”值与数据库中的实际颗粒评分值进行比较。如果预测值与实际值之间的平均差值在
预定范围内，则该模型可得到核实。在块1050中，如果已核实该模型，则该组件在块1060处
继续，否则该组件返回到块1010重新构建数据库。在块1060中，该组件从分光计收集新样品
的光谱信息。在块1070中，该组件使用该模型对所收集的新样品的光谱信息与参考颗粒评
分值进行关联，以预测该样品的颗粒评分。这些预测颗粒评分值可用于确定具体饲料组合
物是否适合具体目的或需要调整。在决策块1080中，如果有额外的新样品，则该组件返回到
块1060以收集该新样品的光谱信息，否则该组件结束。
图11为流程图，示出了根据所公开技术的一些实施例的构建数据库组件的处理。
在块1110中，该组件检索样品数据集。例如，该组件可从数据库检索之前生成的样品数据，
所述数据包含对于每个样品而言关于样品如何被处理的信息(例如，筛子类型、筛网/孔径、
筛网数量、重量信息、光谱信息)。在块1120-1150中，该组件运行通过多个样品中的每一个
以处理每个样品。在块1120中，该组件选择下一个样品。在块1130中，该组件为样品调用测
定颗粒评分组件。在块1140中，该组件检索样品的光谱信息。在决策块1150中，如果所有样
品已被选择，则该组件在块1160处继续，否则该组件返回到块1120以选择下一个样品。在块
1160中，该组件将所测定的颗粒评分和光谱信息存储在数据库中，然后结束。在一些实施例
中，所测定的颗粒评分和光谱信息可作为单独的个别值存储，或可作为值的合成值或矢量
存储。
图12为流程图，示出了根据所公开技术的一些实施例的测定颗粒评分组件的处
理。该组件被调用以生成样品的一个或多个颗粒评分。在块1210中，该组件通过例如接收来
自电子秤的重量的指示或从数据源检索重量，来测定样品的重量。在块1220中，该组件检索
用以处理样品的每个筛网的筛网/孔径数据，诸如用于处理样品的筛子中的筛网数量和每
个筛网的孔径。在块1230-1270中，该组件运行通过每个筛网以处理样品并生成每个筛网的
颗粒评分。在块1230中，该组件选择下一个筛网(或底盘)，从底盘开始并向上移动通过每个
筛网。在块1240中，该组件测定筛网(或底盘)所保留的样品的重量。在块1250中，该组件测
定筛网(或底盘)之中或之下的材料的累积重量。在块1260中，该组件根据筛网(或底盘)所
收集的样品的重量以及所有筛网和该底盘所保留的样品的组合重量来测定筛网(或底盘)
的颗粒评分。在决策块1270中，如果已处理所有筛网，则该组件在块1280处继续，否则该组
件在块1280处继续。在块1280中，该组件存储与样品关联的每个筛网(或底盘)的所测定颗
粒评分。在一些实施例中，所测定的颗粒评分可作为单独的个别值存储，或可作为值的合成
值或矢量存储。例如，每个样品可具有与数据一同存储的唯一标识符。
实例
根据本发明各方面的某些方法的各方面在以下实例中举例说明。
实例1
通过如下方式构建植物物质成分(例如，草料)的颗粒评分的近红外光谱法校准：
1)构建包含湿化学值和NIR光谱值的数据库；2)建立数学模型(例如，NIR校准)；3)使用未包
括在初始数据库中的独立样品来核实该数学模型；4)在使用该数学模型的NIR仪器上运行
或扫描新样品，以预测湿化学值；以及5)验证该数学模型。该数学模型(例如，NIR校准)可用
于预测成分(诸如植物物质成分如草料)的颗粒评分。
材料与仪器。在本实例中，每天从田间或食槽接收湿草料于实验室。将湿的未研磨
草料样品填充于具有石英玻璃的大杯中，并且在FOSS DS2500NIR仪器上扫描。由此经由
FOSS ISISCAN Nova操作软件获取波长在400至2500nm范围内的光谱。本实例中涵盖的草料
产品包括19种不同草料类型，例如，禾本/豆类/混合/苏丹高粱/小谷粒半干青贮饲料、禾
本/豆类/混合/小谷粒鲜草、禾本/豆类/混合/小谷粒秸秆干草、全混合日粮(TMR)以及高水
分玉米穗/玉米粒。
参考方法。在本实例中，使用替代颗粒评分器(APS)，通过测量穿过0.065英寸孔径
的黄铜筛网的湿草料样品的质量来定量草料颗粒尺寸。使用两层筛宾州州立大学颗粒分离
器(PSPS)来获得不同颗粒尺寸级分，其中顶部长于0.75英寸，中间在0.31与0.75英寸之间，
底部短于0.31英寸。仅TMR样品在宾州州立大学颗粒法上测试。所有颗粒评分结果均以样品
质量百分比报告。
数学模型建立。在本实例中，在实验室中建立数据库，所述数据库包括所收集的光
谱以及对应的参考(湿化学)颗粒评分值。将数据库分成校准训练集和测试集(即，核实集)。
校准训练集(约80％的数据)用于训练校准模型，而测试集(约20％)用于检查对独立数据集
的模型性能。使用FOSS WINISI 4化学计量学软件进行光谱分析和模型建立。校准技术(例
如，改进的偏最小二乘法(MPLS)及交叉验证)被选择来建立这些小数据库的模型。为了最小
化光谱伪峰的影响并避免模型过度拟合，首先通过识别噪声波长区域并将其去除来评价光
谱。通过应用并检查各种光谱变换技术和光谱预处理方法来进行模型优化。
数学模型验证。在本实例中，数学模型(例如，NIR校准)性能通过使用诸如以下的
校准和验证统计参数来评价：(i)SEPc(标准校准预测误差)；(ii)Slope(参考值与NIR预测
之间的相关性)；(iii)R2(确定系数)；以及(iv)RPD(相对预测偏差，参考值总体StdDev(标
准偏差)与SEPc的比率)。首先对校准数据库自身评价数学模型性能。通过在校准模型建立
期间交叉验证的性能统计来确定最佳校准参数诸如因子、光谱预处理技术。然后在独立测
试(外部验证)中核实并检查模型性能。
表4示出了NIR预测颗粒评分与实际颗粒评分(根据替代颗粒评分器方法)之间的
比较。每种成分的颗粒尺寸的经验证的范围(最小值和最大值)也列于表4中。另外，湿化学
结果和NIR结果两者的总体标准偏差示于表4中，以显示存在于两个数据集中的总体变异
性。“样品数量”是指用于测试集中的样品数量。
从表4中可以看出，平均残差(实际值与NIR预测值之间的平均差值)相对地可忽略
不计，这意味着NIR估计法与湿化学方法相当。
表5示出了全混合日粮(TMR)的NIR预测颗粒评分与实际颗粒评分(根据宾州州立
大学颗粒分离器方法)之间的比较。
图4及图5A至图5C的坐标图示出了利用如表4所述的19种不同草料成分的测试(外
部验证)集得出的NIR结果与湿化学测量值的可比较性。图4及图5A至图5C的X轴表示按从低
到高(从左到右递增)的颗粒评分分选的测试样品，而Y轴表示以样品质量百分比计的颗粒
评分。生成图4及图5A至图5C的坐标图是旨在有助于在整个颗粒评分范围内分析并评价NIR
模型可预测性，并且还充当未来校准模型改进的准则。湿化学结果和NIR结果编码于图4及
图5A至图5C的坐标图中，并且这些坐标图还有整个颗粒评分范围内的趋势线以及残差(湿
化学结果与NIR结果之间的差值)的图案。
图4示出了从2％到86％的整个替代颗粒评分器范围内的NIR预测能力。从图4中所
指示的趋势线和残差可以看出，NIR校准在值较低时会高估替代颗粒评分器，而在值较高时
会低估替代颗粒评分器。可通过尤其是在值较低和较高时收集更多样品并且使用各种校准
技术(ANN和MPLS或局部校准)，来进一步优化NIR校准。
图5A示出了从0.8％到94.0％的整个宾州州立大学颗粒尺寸级分范围(顶筛)内的
NIR预测能力。
图5B示出了从4.3％到69.6％的整个宾州州立大学颗粒尺寸级分范围(中筛)内的
NIR预测能力。
图5C示出了从3.5％到56.7％的整个宾州州立大学颗粒尺寸级分范围(底筛)内的
NIR预测能力。
如图5A至图5C中可以看出，从顶筛、中筛到底筛，NIR预测准确度递增，且在值较低
和较高时的趋势较不明显。还观察到，与顶筛测量值相比，在中筛和底筛测量值中残差(实
际值与预测值之间的差值)的波动范围下降。NIR模型性能的改进可通过在顶筛中滤除大颗
粒来促成，这意味着NIR提供更好的可预测性，且颗粒尺寸分布更均匀。
图6及图7A至图7C的坐标图示出了对于替代颗粒评分方法(图6)和宾州州立大学
颗粒分离器方法(图7A至7C)两者而言测试集的实际颗粒评分与NIR预测评分之间的相关
性。
如图6所示，对于替代颗粒评分器方法而言，实际结果与预测结果之间的线性回归
斜率为1.00。另外如图6所示，对于替代颗粒评分器方法而言，用于通过回归模型表达可释
方差(以百分比计)的R2为0.67。如图6的坐标图中所示，校准的核实相对较好。
如图7A所示，对于宾州州立大学颗粒分离器方法的顶筛而言，实际结果与预测结
果之间的线性回归斜率为1.00。另外如图7A所示，对于宾州州立大学颗粒分离器方法的顶
筛而言，用于通过回归模型表达可释方差(以百分比计)的R2为0.67。另外如图7A的坐标图
中所示，校准的核实相对较好。
如图7B所示，对于宾州州立大学颗粒分离器方法的中筛而言，实际结果与预测结
果之间的线性回归斜率为0.999。另外如图7B所示，对于宾州州立大学颗粒分离器方法的中
筛而言，用于通过回归模型表达可释方差(以百分比计)的R2为0.85。另外如图7B的坐标图
中所示，校准的核实相对较好。
如图7C所示，对于宾州州立大学颗粒分离器方法的底筛而言，实际结果与预测结
果之间的线性回归斜率为1.18。另外如图7C所示，对于宾州州立大学颗粒分离器方法的底
筛而言，用于通过回归模型表达可释方差(以百分比计)的R2为0.879。另外如图7C的坐标图
中所示，校准的核实相对较好。
然后对NIR校准进行核实(即，针对特定单独仪器偏差进行调整)。
图13为流程图，示出了在一些实例中的一些这样的组件，这些组件可结合在至少
一些计算机系统及该系统在其上操作并与其交互的其他装置中：。在各个实例中，这些计算
机系统和其他装置1300可包括服务器计算机系统、台式计算机系统、膝上型计算机系统、上
网本、平板计算机、移动电话、个人数字助理、电视机、相机、汽车计算机、电子媒体播放器
和/或类似物等等。在各个实例中，计算机系统和装置包括下列各种中的一者或多者：中央
处理单元(“CPU”)1301，其被配置为执行计算机程序；计算机存储器1302，其被配置为存储
正在使用的程序和数据，包括正被测试的多线程程序、调试程序、操作系统(包括内核)以及
装置驱动程序；永久存储装置1303，诸如硬盘驱动器或闪存驱动器，其被配置为永久地存储
程序和数据；计算机可读存储介质驱动器1304，诸如软盘、闪存、CD-ROM或DVD驱动器，其被
配置为读取存储在计算机可读存储介质诸如软盘、闪存装置、CD-ROM或DVD上的程序和数
据；以及网络连接1305，其被配置为将计算机系统连接到其他计算机系统，以发送和/或接
收数据，诸如经由因特网、局域网、广域网、点对点拨号连接、蜂窝式电话网络或在各个实例
中另一种网络及其网络硬件，包括路由器、交换器以及各种类型的发射器、接收器或计算机
可读传输介质。虽然如上所述那样配置的计算机系统可用于支持所公开的技术的操作，但
本领域技术人员应易于理解，所公开的技术可使用各种类型和配置且具有各种组件的装置
来实现。所公开的系统和方法的元素可以在由一个或多个计算机或其他装置执行的计算机
可执行指令(诸如程序模块)的一般上下文中描述。一般而言，程序模块包括例程、程序、对
象、组件、数据结构和/或类似物等等，它们被配置为执行特定任务或实现特定抽象数据类
型并且可加密。此外，程序模块的功能可以在各个实例中按照需要进行组合或分布。此外，
显示页可按各种方式中的任一种实现，诸如C++或采用XML(可扩展标记语言)、HTML(超文本
标记语言)、JavaScript、AJAX(异步JavaScript和XML)技术的网页形式，或创建可显示数据
的任何其他脚本或方法，如无线接入协议(“WAP”)。
以下讨论提供了对其中可以实施本发明的适当计算环境的简要、一般描述。尽管
不是必需，本发明的各方面是在计算机可执行指令的一般上下文中描述的，所述计算机可
执行指令诸如由通用数据处理装置(例如，服务器计算机、无线装置或个人计算机)执行的
例程。相关领域的技术人员应当理解，本发明的各方面可以使用其他通信、数据处理或计算
机系统配置来实施，包括：因特网设备、手持装置(包括个人数字助理(PDA))、可穿戴式计算
机、所有方式的蜂窝或移动电话(包括IP语音(VoIP)电话)、哑终端、媒体播放器、游戏装置、
多处理器系统、基于微处理器的或可编程的消费电子设备、机顶盒、网络PC、迷你计算机、大
型计算机等。实际上，术语“计算机”、“服务器”、“主机”和“主机系统”等在本文中一般可互
换使用，并且指的是任何上述装置和系统以及任何数据处理器。
本发明的各方面可在专用计算机或数据处理器中体现，所述专用计算机或数据处
理器被特别编程、配置或构造成执行本文所详细解释的计算机可执行指令中的一者或多
者。虽然本发明的各方面(如某些功能)被描述为仅仅在单个装置上执行，但本发明也可在
分布式环境中实施，其中功能或模块在不同处理装置间共用，这些不同处理装置通过通信
网络诸如局域网(LAN)、广域网(WAN)或因特网来连接。在分布式计算环境中，程序模块可位
于本地存储器存储装置和远程存储器存储装置两者中。
本发明的各方面可以被存储或分布在计算机可读存储介质上，包括磁或光可读计
算机盘、硬连线或预编程芯片(例如，EEPROM半导体芯片)、纳米技术存储器、生物技术存储
器或其他数据存储介质。或者，在本发明各方面下的计算机实现的指令、数据结构、屏幕显
示和其他数据可以分布在因特网之上或其他网络(包括无线网络)之上、在一段时间内在计
算机可读传播介质或计算机可读传输介质(例如，电磁波、声波等)上的传播信号上，或者它
们可以提供在任何模拟或数字网络(包交换、电路交换或其他方法)上。非暂时性计算机可
读介质包括可存储指令的有形介质和存储介质诸如硬盘驱动器、CD-ROM、DVD-ROM，以及存
储器诸如ROM、RAM和紧凑闪存存储器。载波诸如光载波或电载波上的信号为暂时性计算机
可读介质的例子。
除非上下文有明确要求，否则在整个说明书和权利要求中，词语“包含”、“包括”等
被理解为包含意义，而不是排他性或详尽列举意义；也就是说，为“包括但不限于”的意义。
如本文所用，术语“连接”、“耦合”和其任何变体是指两个或更多个元素之间直接或间接的
任何连接或耦合；元素之间的耦合或连接可以是物理的、逻辑的或其组合。此外，在用于本
申请中时，词语“本文”、“以上”、“以下”及类似意义的用语指的是作为整体的本申请而不是
本申请任何特定部分。在上下文允许的情况下，以上具体实施方式中使用单数或复数的词
语还可以分别包括复数或单数。在涉及两个或更多项目的列表时，词语“或”涵盖了下列对
该词语的所有解释：列表中的任何一个项目，列表中的所有项目，以及列表中的项目的任何
组合。
以上对本发明实例的详细说明并非意图为穷举性的或者将本发明限制为以上公
开的确切形式。虽然本发明的具体实例是为了进行示意性的说明而在上文进行描述，但相
关领域的技术人员会认识到，可在本发明的范围内进行各种等同形式的修改。例如，虽然以
给定的顺序呈现了进程或块，但是，可供选择的具体实施可以以不同的顺序来执行具有步
骤的例程或采用具有块的系统，并且一些进程或块可以被删除、移动、添加、细分、组合和/
或修改，以提供替代形式或子组合。可以以各种不同的方式实现这些进程或块中的每一个。
另外，虽然有时进程或块被示为串行地执行，但是这些进程或块可代之以并行地执行或实
现，或可以在不同的时间执行。而且，本文所指出的任何具体数字仅为示例性的，即可供选
择的具体实施可以采用不同的值或范围。
本文提供的本发明的教导内容可应用于其他系统，而不必是如上所述的系统。上
述各个实例的元素和行为可进行组合以提供本发明进一步的具体实施。本发明的一些可供
选择的具体实施可不仅包括上述那些具体实施的附加元素，而且可包括更少元素。
上述任何专利和申请以及其他参考文献，包括任何可能在所附的提交文件中列出
的参考文献在内，均以引用方式并入本文。必要时，可修改本发明的各方面，以便采用上述
各个参考文献的系统、功能和概念来提供本发明进一步的具体实施。
根据以上具体实施方式可以对本发明做出这些变化和其他变化。虽然上述说明描
述了本发明的某些实例，并且描述了所预期的最佳模式，但是无论以上实例和模式正文中
多么详细地呈现，本发明依然可以以许多方式来实践。该系统在其具体实施方面的细节可
以进行相当大的改变，而仍然被本文所公开的本发明所涵盖。如上所述，在描述本发明的某
些特征或方面时使用的特定术语不应理解为暗示该术语在本文中被重新定义，以限制于与
该术语关联的本发明的任何具体特性、特征或方面。通常，除非以上具体实施方式部分明确
定义了权利要求中所用的术语，否则这些术语不应当理解为将本发明限制于说明书中所公
开的具体实例。因此，本发明的实际范围不仅涵盖所公开的实例，而且涵盖实施或实现根据
权利要求的本发明的所有等同方式。
为了减少权利要求的数量，下面以一些权利要求形式呈现本发明的某些方面，但
本申请人能够想到采取任何数目的权利要求形式的本发明的各个方面。例如，虽然本发明
的仅一个方面按照美国法典第35篇第112条(f)款(35U.S.C.§112(f))的规定被叙述为装置
加功能权利要求，但其他方面可类似地体现为装置加功能权利要求或以其他形式体现，诸
如在计算机可读介质中体现。(任何旨在按照35U.S.C.§112(f)处理的权利要求将以词语
“用于…装置”开始，但术语“用于”在任何其他上下文中的使用并非旨在调用按照35U.S.C.
§112(f)的处理。)因此，本申请人保留在提交本申请之后追加额外的权利要求的权利，以在
本申请中或在继续申请中追加这种额外的权利要求形式。
除非上下文有明确要求，否则在整个说明书和权利要求中，词语“包含”、“包括”等
被理解为包含意义，而不是排他性或详尽列举意义；也就是说，为“包括但不限于”的意义。
使用单数或复数的词也分别包括复数或单数。如果权利要求在涉及两个或更多项目的列表
时使用词语“或”，则该词语涵盖了下列对该词语的所有解释：列表中的任何一个项目，列表
中的所有项目，以及列表中的项目的任何组合。
本发明的实施例的上述详细说明并非意图详尽列举或将本发明限于上面所公开
的精确形式。尽管本发明的具体实施例和实例是为了进行示意性的说明而进行描述，但相
关领域的技术人员会认识到，可在本发明的范围内进行各种等同形式的修改。例如，虽然步
骤以给定顺序呈现，但可供选择的实施例可以不同的顺序来执行步骤。也可将本文所述的
各个实施例进行组合以提供进一步的实施例。
通常，除非以上具体实施方式明确定义了以下权利要求中所用的术语，否则这些
术语不应当理解为将本发明限制于说明书中所公开的具体实施例。虽然以一些权利要求形
式呈现了本发明的某些方面，但本发明人能够想到采取任何数目的权利要求形式的本发明
的各个方面。因此，本发明人保留在提交申请之后添加额外的权利要求的权利，以为本发明
的其他方面追加这种额外的权利要求形式。