基于多模态原位测试的强激光元件激光损伤阈值预测方法、系统及介质.pdf

《基于多模态原位测试的强激光元件激光损伤阈值预测方法、系统及介质.pdf》由会员分享，可在线阅读，更多相关《基于多模态原位测试的强激光元件激光损伤阈值预测方法、系统及介质.pdf（12页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010554380.9 (22)申请日 2020.06.17 (71)申请人 中国人民解放军国防科技大学 地址 410073 湖南省长沙市开福区砚瓦池 正街47号 (72)发明人 薛帅田野石峰邓明杰宋辞 铁贵鹏 (74)专利代理机构 湖南兆弘专利事务所(普通 合伙) 43008 代理人 谭武艺 (51)Int.Cl. G01N 21/88(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) (。

2、54)发明名称 基于多模态原位测试的强激光元件激光损 伤阈值预测方法、 系统及介质 (57)摘要 本发明公开了一种基于多模态原位测试的 强激光元件激光损伤阈值预测方法、 系统及介 质， 本发明方法包括获取针对被测强激光元件使 用多模态原位检测技术实现包括表面缺陷激光 散射测试、 亚表面缺陷共聚焦荧光测试、 光热显 微成像和激光诱导损伤阈值多种检测模态在内 的多模态缺陷原位测试得到的多模态缺陷原位 测量的量化评价指标数据； 将多模态缺陷原位测 量的量化评价指标数据输入预先训练好的机器 学习分类模型， 得到被测强激光元件的激光诱导 损伤阈值H。 本发明不需对被测强激光元件进行 破坏性的阈值测试实验。

3、， 避免传统阈值测试方法 对被测激光元件的破坏， 具有检测精确度高、 可 信程度更高的优点。 权利要求书2页 说明书6页 附图3页 CN 111678919 A 2020.09.18 CN 111678919 A 1.一种基于多模态原位测试的强激光元件激光损伤阈值预测方法， 其特征在于实施步 骤包括： 1） 获取针对被测强激光元件使用多模态原位检测技术实现包括表面缺陷激光散射测 试、 亚表面缺陷共聚焦荧光测试、 光热显微成像和激光诱导损伤阈值多种检测模态在内的 多模态缺陷原位测试得到的多模态缺陷原位测量的量化评价指标数据； 2） 将多模态缺陷原位测量的量化评价指标数据输入预先训练好的机器学习分。

4、类模型， 得到被测强激光元件的激光诱导损伤阈值H， 所述机器学习分类模型被预先训练建立了多 模态缺陷原位测量的量化评价指标数据、 激光诱导损伤阈值H之间的映射关系。 2.根据权利要求1所述的基于多模态原位测试的强激光元件激光损伤阈值预测方法， 其特征在于， 所述多模态缺陷原位测量的量化评价指标数据包括被测强激光元件同一区域 范围内的不同尺寸表面缺陷的数量X1及面积占比X2， 亚表面缺陷的集群深度X3、 最大深度 X4、 裂纹密度沿不同深度的分布X5， 光热吸收平均值X6。 3.根据权利要求1所述的基于多模态原位测试的强激光元件激光损伤阈值预测方法， 其特征在于， 所述机器学习分类模型为深度神经。

5、网络。 4.根据权利要求3所述的基于多模态原位测试的强激光元件激光损伤阈值预测方法， 其特征在于， 所述深度神经网络包括输入层、 三个全连接层和输出层， 所述输入层用于输入 不同尺寸表面缺陷的数量X1及面积占比X2， 亚表面缺陷的集群深度X3、 最大深度X4、 裂纹密 度沿不同深度的分布X5， 光热吸收平均值X6构成的输入向量X1,X2,X3,X4,X5,X6， 所述输 出层用于输出激光诱导损伤阈值H， 全连接层的激活函数选择为ReLU函数， 输出层的激活函 数选择为Sigmoid函数。 5.根据权利要求4所述的基于多模态原位测试的强激光元件激光损伤阈值预测方法， 其特征在于， 步骤2） 之前。

6、还包括训练深度神经网络的步骤， 详细步骤包括： S1） 针对指定的强光材料， 分别采用不同强激光元件制造工艺和参数加工生成一批强 光工艺试验件； S2） 针对强光工艺试验件， 分别使用多模态原位检测技术实现包括表面缺陷激光散射 测试、 亚表面缺陷共聚焦荧光测试、 光热显微成像和激光诱导损伤阈值多种检测模态在内 的多模态缺陷原位测试得到的多模态缺陷原位测量的量化评价指标数据的训练数据样本， 并将得到的训练数据样本划分为训练集和测试集； S3） 初始化建立深度神经网络； S4） 通过训练集对深度神经网络进行一轮训练， 且训练过程中采用随机梯度下降算法 对反向传播神经网络进行训练； S5） 通过测试。

7、集对深度神经网络进行验证， 如果准确率不满足要求， 则继续跳转执行步 骤S3） 进行训练； 否则判定深度神经网络训练完毕。 6.根据权利要求5所述的基于多模态原位测试的强激光元件激光损伤阈值预测方法， 其特征在于， 步骤S1） 中指定的强光材料为熔石英材料。 7.根据权利要求5所述的基于多模态原位测试的强激光元件激光损伤阈值预测方法， 其特征在于， 步骤S1） 中不同强激光元件制造工艺和参数指磨削、 研磨、 抛光、 酸洗等工艺过 程采取不同的工艺参数， 小口径强光工艺试验件尺寸选择口径10mm， 厚度2mm。 8.根据权利要求5所述的基于多模态原位测试的强激光元件激光损伤阈值预测方法， 权利要。

8、求书 1/2 页 2 CN 111678919 A 2 其特征在于， 步骤S4） 通过训练集对深度神经网络进行一轮训练时终止条件为训练次数超 过预设次数。 9.一种基于多模态原位测试的强激光元件激光损伤阈值预测系统， 包括计算机设备， 其特征在于， 该计算机设备被编程或配置以执行权利要求18中任意一项所述基于多模态 原位测试的强激光元件激光损伤阈值预测方法的步骤； 或者该计算机设备的存储器中存储 有被编程或配置以执行权利要求18中任意一项所述基于多模态原位测试的强激光元件 激光损伤阈值预测方法的计算机程序。 10.一种计算机可读存储介质， 其特征在于， 该计算机可读存储介质中存储有被编程或 配。

9、置以执行权利要求18中任意一项所述基于多模态原位测试的强激光元件激光损伤阈 值预测方法的计算机程序。 权利要求书 2/2 页 3 CN 111678919 A 3 基于多模态原位测试的强激光元件激光损伤阈值预测方法、 系统及介质 技术领域 0001 本发明涉及强激光元件损伤特性测试技术， 具体涉及一种基于多模态原位测试的 强激光元件激光损伤阈值预测方法、 系统及介质。 背景技术 0002 所谓强激光元件是指在高能或高功率激光系统， 如惯性约束聚变 （Inertial Confinement Fusion， ICF） 中实现激光状态控制的光学元件， 由于强光系统的激光能量密 度和瞬间功率极大， 。

10、有可能会导致强光元件出现一些不可逆的激光损伤。 强光光学系统中， 光学元件的损伤是影响系统运行性能的关键因素。 根据ISO21254标准， 光学元件的激光损 伤定义为在测试仪器的灵敏度范围之内可观测到的元件表面 （基体） 特征发生的任何永久 性的激光辐照导致的变化。 光学元件的激光损伤阈值为外推的损伤概率为零时光学元件承 受的激光辐照的能量密度最高值。 当激光辐照低于激光损伤阈值时， 光学元件不损伤或者 不发生功能性损伤， 理论上可以长期稳定运行。 当元件表面受到的辐照通量大于阈值时， 会 出现一定密度及尺寸的初始损伤。 而且损伤增长是一个 “自加速” 的过程， 进而严重影响强 光系统的运行性。

11、能。 研究表明， 加工过程中引入的各种缺陷是导致强光元件损伤阈值下降 的重要因素。 研究激光诱导损伤机理和改进加工工艺提升激光损伤阈值成为当前研究的热 点， 损伤阈值测试研究作为开展损伤机理研究、 提升损伤阈值研究的前提条件显得至关重 要。 0003 根据ISO11254标准， 目前主流的激光损伤阈值测试手段是采用高能激光辐照光学 元件表面， 使损伤概率较大的能量密度值或功率密度值确定为该元件的激光损伤阈值。 由 此引出的激光对光学元件的作用方式基本分为以下四种：（1） 1-on-1方式， 用相同能级的激 光辐照一排测试点 （至少包含10个测试点） ， 保证每个测试点只受到一次激光辐照， 计算。

12、该 能级辐照下的损伤概率；（2） S-on-1方式， 用相同能级的激光辐照一排测试点 （至少包含10 个测试点） ， 对每一个测试点以一定的短时间间隔辐照S （S为任意设置值） 发激光脉冲， 直到 该测试点发生损伤时停止辐照， 记录该能级辐照下的辐照脉冲数；（3） R-on-1方式， 用能级 逐渐增加的激光辐照一排测试点 （至少包含10个测试点） ， 直至每个测试点发生损伤， 记每 个测试点的损伤激光能量密度和上一能级的激光损伤能量密度平均值为该测试点的激光 损伤阈值， 所有测试点的激光损伤阈值平均值记为该光学元件的激光损伤阈值；（4） N-on-1 方式， 是基于R-on-1简化后的方式， 。

13、用能量密度等幅递增的激光脉冲以一定的短时间间隔 辐照在相同的测试点上， 测试点的激光损伤阈值计算方法与R-on-1相同。 此后的大多数激 光阈值损伤测试方法虽然有所改进或优化， 但大抵都是基于这四种激光作用方式。 这类测 试方式可操作性强， 检测精度高， 但是由于被测样本受到高能激光辐照后会发生不可逆损 伤， 造成光学元件永久性破坏， 因此， 寻求一种能够对光学元件进行无损检测的方法具有重 要意义。 0004 为了实现光学元件的激光损伤阈值无损测试， 目前主流的方法是探究光学元件表 说明书 1/6 页 4 CN 111678919 A 4 面缺陷与其相应区域激光损伤阈值的关联关系， 并利用这一。

14、关系对光学元件的激光损伤阈 值进行无损预测。 公告号为CN110849815A的中国专利文献公开了 “一种预测光学元件表面 激光损伤性能的方法和系统” ， 可以建立出光学元件表面吸收性缺陷密度与其对应损伤性 能之间的关联曲线， 并以此曲线作为标准曲线对待检测的光学元件缺陷密度进行激光损伤 阈值的无损预测。 但是此方法对激光损伤阈值的预测精度有限， 只能得到激光损伤阈值在 吸收性缺陷下的预测情况。 但是， 在强光光学系统的实际运用中， 与激光损伤阈值有密切关 联的缺陷因素较多， 上述方法并不适用于强激光元件。 发明内容 0005 本发明要解决的技术问题： 针对现有技术的上述问题， 提供一种基于多。

15、模态原位 测试的强激光元件激光损伤阈值预测方法、 系统及介质， 本发明不需对被测强激光元件进 行破坏性的阈值测试实验， 避免传统阈值测试方法对被测激光元件的破坏， 具有检测精确 度高、 可信程度更高的优点。 0006 为了解决上述技术问题， 本发明采用的技术方案为： 一种基于多模态原位测试的强激光元件激光损伤阈值预测方法， 实施步骤包括： 1） 获取针对被测强激光元件使用多模态原位检测技术实现包括表面缺陷激光散射测 试、 亚表面缺陷共聚焦荧光测试、 光热显微成像和激光诱导损伤阈值多种检测模态在内的 多模态缺陷原位测试得到的多模态缺陷原位测量的量化评价指标数据； 2） 将多模态缺陷原位测量的量化。

16、评价指标数据输入预先训练好的机器学习分类模型， 得到被测强激光元件的激光诱导损伤阈值H， 所述机器学习分类模型被预先训练建立了多 模态缺陷原位测量的量化评价指标数据、 激光诱导损伤阈值H之间的映射关系。 0007 可选地， 所述多模态缺陷原位测量的量化评价指标数据包括被测强激光元件同一 区域范围内的不同尺寸表面缺陷的数量X1及面积占比X2， 亚表面缺陷的集群深度X3、 最大 深度X4、 裂纹密度沿不同深度的分布X5， 光热吸收平均值X6。 0008 可选地， 所述机器学习分类模型为深度神经网络。 0009 可选地， 所述深度神经网络包括输入层、 三个全连接层和输出层， 所述输入层用于 输入不同。

17、尺寸表面缺陷的数量X1及面积占比X2， 亚表面缺陷的集群深度X3、 最大深度X4、 裂 纹密度沿不同深度的分布X5， 光热吸收平均值X6构成的输入向量X1,X2,X3,X4,X5,X6， 所 述输出层用于输出激光诱导损伤阈值H， 全连接层的激活函数选择为ReLU函数， 输出层的激 活函数选择为Sigmoid函数。 0010 可选地， 步骤2） 之前还包括训练深度神经网络的步骤， 详细步骤包括： S1） 针对指定的强光材料， 分别采用不同强激光元件制造工艺和参数加工生成一批强 光工艺试验件； S2） 针对强光工艺试验件， 分别使用多模态原位检测技术实现包括表面缺陷激光散射 测试、 亚表面缺陷共聚。

18、焦荧光测试、 光热显微成像和激光诱导损伤阈值多种检测模态在内 的多模态缺陷原位测试得到的多模态缺陷原位测量的量化评价指标数据的训练数据样本， 并将得到的训练数据样本划分为训练集和测试集； S3） 初始化建立深度神经网络； S4） 通过训练集对深度神经网络进行一轮训练， 且训练过程中采用随机梯度下降算法 说明书 2/6 页 5 CN 111678919 A 5 对反向传播神经网络进行训练； S5） 通过测试集对深度神经网络进行验证， 如果准确率不满足要求， 则继续跳转执行步 骤S3） 进行训练； 否则判定深度神经网络训练完毕。 0011 可选地， 步骤S1） 中指定的强光材料为熔石英材料。 00。

19、12 可选地， 步骤S1） 中不同强激光元件制造工艺和参数指磨削、 研磨、 抛光、 酸洗等工 艺过程采取不同的工艺参数， 小口径强光工艺试验件尺寸选择口径10mm， 厚度2mm。 0013 可选地， 步骤S4） 通过训练集对深度神经网络进行一轮训练时终止条件为训练次 数超过预设次数。 0014 此外， 本发明还提供一种基于多模态原位测试的强激光元件激光损伤阈值预测系 统， 包括计算机设备， 该计算机设备被编程或配置以执行所述基于多模态原位测试的强激 光元件激光损伤阈值预测方法的步骤； 或者该计算机设备的存储器中存储有被编程或配置 以执行所述基于多模态原位测试的强激光元件激光损伤阈值预测方法的计。

20、算机程序。 0015 此外， 本发明还提供一种计算机可读存储介质， 该计算机可读存储介质中存储有 被编程或配置以执行所述基于多模态原位测试的强激光元件激光损伤阈值预测方法的计 算机程序。 0016 和现有技术相比， 本发明具有下述优点： 1、 本发明方法不需对被测强激光元件进行破坏性的阈值测试实验， 基于训练好的机器 学习分类模型和多模态缺陷原位测试结果即可实现激光损伤阈值的预测， 避免传统阈值测 试方法对被测激光元件的破坏。 0017 2、 由于损伤阈值不只受一种模态缺陷的影响， 基于单模态缺陷检测结果实现损伤 阈值的预测可信度较低。 本发明利用缺陷的多模态原位检测结果， 通过机器学习分类模。

21、型 被预先训练建立了多模态缺陷原位测量的量化评价指标数据、 激光诱导损伤阈值之间的非 线性的映射关系， 考虑多种模态缺陷对激光损伤阈值的贡献， 具有检测精确度高、 可信程度 更高的优点。 附图说明 0018 图1为本发明实施例方法的基本流程示意图。 0019 图2为本发明实施例采用的深度神经网络结构示意图。 0020 图3为本发明实施例的表面缺陷激光散射测试结果。 0021 图4为本发明实施例的光热显微成像测试结果。 具体实施方式 0022 以下结合说明书附图和具体实施例对本发明作进一步详细说明。 0023 如图1所示， 本实施例基于多模态原位测试的强激光元件激光损伤阈值预测方法 包括： 1）。

22、 获取针对被测强激光元件使用多模态原位检测技术实现包括表面缺陷激光散射测 试、 亚表面缺陷共聚焦荧光测试、 光热显微成像和激光诱导损伤阈值多种检测模态在内的 多模态缺陷原位测试得到的多模态缺陷原位测量的量化评价指标数据； 2） 将多模态缺陷原位测量的量化评价指标数据输入预先训练好的机器学习分类模型， 说明书 3/6 页 6 CN 111678919 A 6 得到被测强激光元件的激光诱导损伤阈值H， 所述机器学习分类模型被预先训练建立了多 模态缺陷原位测量的量化评价指标数据、 激光诱导损伤阈值H之间的映射关系。 0024 在强光光学系统的实际运用中， 与激光损伤阈值有密切关联的缺陷除吸收性缺陷 。

23、外还有表面破碎性缺陷、 亚表面缺陷、 污染性缺陷和化学结构缺陷等多种缺陷及其耦合作 用。 由于对每一项缺陷进行单项测试会出现各测试设备之间难以重复定位， 对比结果等技 术难题， 因此， 使用多模态原位测试一方面可以实现对多种缺陷原位测试， 在同一时间精确 得到同一位置的具体缺陷特征， 另一方面， 能够实现对损伤前驱体多种模态的高精度原位 检测。 0025 多模态缺陷原位测量的量化评价指标数据包含被测强激光元件同一区域范围内 的表面破碎性缺陷、 亚表面缺陷、 污染性缺陷和化学结构缺陷评价指标以及相应区域内的 激光诱导损伤阈值。 作为一种具体的实施方式， 本实施例中多模态缺陷原位测量的量化评 价指。

24、标数据包括被测强激光元件同一区域范围内的不同尺寸表面缺陷的数量X1及面积占 比X2， 亚表面缺陷的集群深度X3、 最大深度X4、 裂纹密度沿不同深度的分布X5， 光热吸收平 均值X6。 此外， 也可以根据需要在各类现有的表面破碎性缺陷、 亚表面缺陷、 污染性缺陷和 化学结构缺陷评价指标增加新指标， 再不计准确度的情况下还可以减少已有指标。 0026 本实施例中， 机器学习分类模型为深度神经网络。 此外， 也可以根据需要采用其他 类型的机器学习分类模型， 同样也可以实现建立多模态缺陷原位测量的量化评价指标数 据、 激光诱导损伤阈值H之间的映射关系。 0027 如图2所示， 深度神经网络包括输入层。

25、、 三个全连接层和输出层， 所述输入层用于 输入不同尺寸表面缺陷的数量X1及面积占比X2， 亚表面缺陷的集群深度X3、 最大深度X4、 裂 纹密度沿不同深度的分布X5， 光热吸收平均值X6构成的输入向量X1,X2,X3,X4,X5,X6， 所 述输出层用于输出激光诱导损伤阈值H， 全连接层的激活函数选择为ReLU函数， 输出层的激 活函数选择为Sigmoid函数。 0028 本实施例中， 步骤2） 之前还包括训练深度神经网络的步骤， 详细步骤包括： S1） 针对指定的强光材料， 分别采用不同强激光元件制造工艺和参数加工生成一批强 光工艺试验件； S2） 针对强光工艺试验件， 分别使用多模态原位。

26、检测技术实现包括表面缺陷激光散射 测试、 亚表面缺陷共聚焦荧光测试、 光热显微成像和激光诱导损伤阈值多种检测模态在内 的多模态缺陷原位测试得到的多模态缺陷原位测量的量化评价指标数据的训练数据样本， 并将得到的训练数据样本划分为训练集和测试集； 本实施例中， 训练数据样本共包括2000 个训练数据， 且将80%作为训练集、 20%作为验证集。 0029 S3） 初始化建立深度神经网络； S4） 通过训练集对深度神经网络进行一轮训练， 且训练过程中采用随机梯度下降算法 （SGD） 对反向传播神经网络进行训练； S5） 通过测试集对深度神经网络进行验证， 如果准确率不满足要求， 则继续跳转执行步 骤。

27、S3） 进行训练； 否则判定深度神经网络训练完毕。 0030 本实施例中， 步骤S1） 中指定的强光材料为熔石英材料。 0031 本实施例中， 步骤S1） 中不同强激光元件制造工艺和参数指磨削、 研磨、 抛光、 酸洗 等工艺过程采取不同的工艺参数， 小口径强光工艺试验件尺寸选择口径10mm， 厚度2mm。 说明书 4/6 页 7 CN 111678919 A 7 0032 本实施例中， 步骤S4） 通过训练集对深度神经网络进行一轮训练时终止条件为训 练次数超过预设次数。 通过迭代训练之后， 任意两个相连的神经元的权重和偏置都能达到 最优值， 实现最小的均方根误差， 并使用验证集验证训练后的神经。

28、网络性能。 0033 通过对深度神经网络的训练建立了多模态缺陷原位测量的量化评价指标数据、 激 光诱导损伤阈值H之间的映射关系之后， 为实现激光损伤阈值的无损预测， 仅需要采用多模 态缺陷原位测量方法测量强激光元件的X1,X2,X3,X4,X5,X6值， 并将其作为训练后的深 度神经网络的输入， 即可实现激光损伤阈值的无损预测。 0034 综上所述， 本实施例提供了一种基于多模态原位测试和深度神经网络的激光损伤 阈值预测方法， 属于强激光元件损伤特性测试技术领域。 方法步骤包括： 针对某一特定强光 材料， 分别采用不同强激光元件制造工艺和参数加工一批小口径强光工艺试验件； 使用多 模态原位检测。

29、技术实现表面缺陷激光散射测试、 亚表面缺陷共聚焦荧光测试、 光热显微成 像和激光诱导损伤阈值多种检测模态的原位测试， 将测试结果作为深度神经网络的训练数 据， 并将训练数据划分为两部分： 一部分用于训练， 另一部分用于验证； 搭建深度神经网络， 将多模态缺陷原位测量的量化评价指标数据作为深度神经网络的输入， 激光诱导损伤阈值 作为深度神经网络的输出， 并使用训练样本对预置的深度神经网络进行监督训练， 使用验 证样本评估训练得到的深度神经网络模型性能， 并重复迭代直到模型得到满意性能； 基于 训练好的深度神经网络模型， 通过强光元件的多模态缺陷原位测试结果实现激光损伤阈值 的预测。 本发明提供的。

30、方法， 将多模态检测手段和深度学习算法结合在一起， 从而避免了以 往激光损伤阈值检测方法对光学元件的损坏， 具有无损检测、 检测精确度高、 可信程度更高 的优点。 0035 此外， 本实施例还提供一种基于多模态原位测试的强激光元件激光损伤阈值预测 系统， 包括计算机设备， 该计算机设备被编程或配置以执行前述基于多模态原位测试的强 激光元件激光损伤阈值预测方法的步骤； 或者该计算机设备的存储器中存储有被编程或配 置以执行前述基于多模态原位测试的强激光元件激光损伤阈值预测方法的计算机程序。 0036 此外， 本实施例还提供一种计算机可读存储介质， 该计算机可读存储介质中存储 有被编程或配置以执行前。

31、述基于多模态原位测试的强激光元件激光损伤阈值预测方法的 计算机程序。 0037 本领域内的技术人员应明白， 本申请的实施例可提供为方法、 系统、 或计算机程序 产品。 因此， 本申请可采用完全硬件实施例、 完全软件实施例、 或结合软件和硬件方面的实 施例的形式。 而且， 本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机 可用存储介质 （包括但不限于磁盘存储器、 CD-ROM、 光学存储器等） 上实施的计算机程序产 品的形式。 本申请是参照根据本申请实施例的方法、 设备 （系统） 、 和计算机程序产品的流程 图和 的处理器执行的指令产生用于实现在流程图一个流程或多个流程和 或方框图一。

32、个 方框或多个方框中指定的功能的装置。 这些计算机程序指令也可存储在能引导计算机或其 他可编程数据处理设备以特定方式工作的计算机可读存储器中， 使得存储在该计算机可读 存储器中的指令产生包括指令装置的制造品， 该指令装置实现在流程图一个流程或多个流 程和 或方框图一个方框或多个方框中指定的功能。 这些计算机程序指令也可装载到计算 机或其他可编程数据处理设备上， 使得在计算机或其他可编程设备上执行一系列操作步骤 以产生计算机实现的处理， 从而在计算机或其他可编程设备上执行的指令提供用于实现在 说明书 5/6 页 8 CN 111678919 A 8 流程图一个流程或多个流程和 或方框图一个方框或。

33、多个方框中指定的功能的步骤。 0038 以上所述仅是本发明的优选实施方式， 本发明的保护范围并不仅局限于上述实施 例， 凡属于本发明思路下的技术方案均属于本发明的保护范围。 应当指出， 对于本技术领域 的普通技术人员来说， 在不脱离本发明原理前提下的若干改进和润饰， 这些改进和润饰也 应视为本发明的保护范围。 说明书 6/6 页 9 CN 111678919 A 9 图 1 说明书附图 1/3 页 10 CN 111678919 A 10 图 2 图 3 说明书附图 2/3 页 11 CN 111678919 A 11 图 4 说明书附图 3/3 页 12 CN 111678919 A 12 。