CN111209951A - 一种实时车载称重方法 - Google Patents

Abstract

本发明提供一种实时车载称重方法，包括如下步骤：S2：建立应变计的数值与标准砝码的重量的映射关系；S3：利用快速傅里叶变换提取时序重量数据的特征向量；S4：将所述特征向量输入到多分类支持向量分类器模型，识别出车辆运行状态；S5：依据所述车辆运行状态，实时输出车辆重量。实现对超载的全天候监察，杜绝超载问题的发生，为车辆调度提供实时最前端的重量数据，大大提高运转效率。

Description

一种实时车载称重方法

技术领域

本发明涉及车载称重技术领域，尤其涉及一种实时车载称重方法。

背景技术

在全世界倡导新能源汽车的趋势下，物流行业也相继布局新能源车辆，车辆采购方面，新能源汽车的比率不断增加，表现出了一种燎原趋势，尤其是在市内配送、支线收送货运等物流环节。

物流新能源车辆主要用于城市内货物的运输，鉴于市内交通设备的复杂性，市内交通对货车车载的运载量有着严格的要求。2019年10月10日，江苏无锡市312国道的锡港路上跨桥发生桥面坍塌侧翻事故，对超载现象又一次敲了警钟，该事件造成桥下3辆小车被压，事故造成3人死亡，2人受伤，超载事件对他人及自己人生安全造成不可逆转的巨大伤害。对于物流公司来言，运输效率对其来说，是行业竞争的制高点，车辆调度对提高运输效率起着至关重量的作用，如何实现车辆高效的调度也是当前物流行业关注痛点。

现有技术中对物流运输车的实时车载称重存在两个问题：1、精度低，误差>10％，不能为用户提供准确的重量，实用性低；2、依赖除应变计外，其他的应变计来判断车辆的状态，额外应变计易失效、判别车辆状态准确率低，造成系统不能有效去除车辆状态对车载重量带来的精度干扰，且显著增加系统的成本。

发明内容

本发明为了解决现有技术中实时车载称重的问题，提供一种实时车载称重方法。

为了解决上述问题，本发明采用的技术方案如下所述：

一种实时车载称重方法，包括如下步骤：S2：建立应变计的数值与标准砝码的重量的映射关系；S3：利用快速傅里叶变换提取时序重量数据的特征向量；S4：将所述特征向量输入到多分类支持向量分类器模型，识别出车辆运行状态；S5：依据所述车辆运行状态，实时输出车辆重量。

优选地，在步骤S2之前还包括如下步骤：S1：采集数据，所述数据包括在车厢位置依次摆放标准砝码并依次获取车桥部位安装的应变计的数值；在步骤S5之后还包括：S6：根据实时输出的所述车辆重量形成重量曲线并输出。

优选地，所述应变计在前、后车桥对称的安装偶数个；所述数据包括：标准砝码重量构成的向量Yi(i∈1,...,N)和对应的应变计数值构成的矩阵X_i,_j(i∈1,2,3,...,N；j∈1,2,3,...,M)，其中，N代表加载所述标准砝码的总数，M代表所述应变计的总数。

优选地，依次摆放所述标准砝码包括：在车厢中从车头往车尾方向、从车厢一侧到另一侧摆放至少三列标准砝码；再在所述车厢中从车头往车尾方向、从所述车厢另一侧到所述车厢一侧摆放同等列数的所述标准砝码。

优选地，利用多元线性回归求解超定方程Y＝k*X中系数k的值建立所述应变计的数值与所述标准砝码的重量的映射关系。

优选地，利用快速傅里叶变换提取时序重量数据的特征向量包括如下步骤：S31：缓冲30-60s内所述应变计的数值，根据所述应变计的数值与所述标准砝码的重量的映射关系得到所述应变计的数值对应的原始重量；S32：通过快速傅里叶变换将时序重量数据转换为频率分布数据；S33：根据所述频率分布数据按照频率大小将分布区间划分为四段；S34：统计每一段所占的比率,依次组成特征向量。

优选地，快速傅里叶变换是离散傅里叶变换，定义为：

其中，j、n分别为向量X、x索引，

为原始重量数组，i为虚数，e为指数。

优选地，所述车辆运行状态包括：车辆跑动、车辆静止和车辆上下货；当车辆跑动时，所述车辆重量为所述车辆跑动前一时刻的重量；当所述车辆静止时，所述车辆重量为所述车辆静止前一时刻的重量；当所述车辆上下货时，所述车辆重量实时输出。

优选地，所述多分类支持向量分类器模型为：

其中，Z为特征向量，L为训练使用特征向量的数量，w为训练使用特征向量对应的车辆状态，sign属于符号函数，括号内大于0输出1，小于等于0输出-1，K(z,z_i)是核函数，b^*分类函数的截距，

是下述二次规划的解：

s.t.0≤x≤Ce

wTx＝0

其中，G的每一项G_ij＝w_iw_jK(z_i,z_j),i,j＝1,2,...,L，e代表各个元素为1的向量，T代表向量转置，C是SVM算法的惩罚参数。

优选地，选取的核函数为Gaussian核函数：

其中，exp为指数函数，σ是核函数的超参数。

本发明又提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上任一所述方法的步骤。

本发明的有益效果为：提供一种实时车载称重方法，通过利用傅里叶变换和多分类支持向量机模型，仅依靠应变计即可精准识别车辆运行状态，从而有效消除了车辆状态对车载重量测量带来的干扰，且极大降低系统的成本；精度高，误差<3％，为客户提供准确的车载重量。实现对超载的全天候监察，杜绝超载问题的发生，为车辆调度提供实时最前端的重量数据，大大提高运转效率。

附图说明

图1是本发明实施例中一种实时车载称重方法的流程示意图。

图2是本发明实施例中又一种实时车载称重方法的流程示意图。

图3是本发明实施例中车辆的示意图。

图4是本发明实施例中利用快速傅里叶变换提取时序重量数据的特征向量的方法示意图。

图5是本发明实施例中一种实时车载称重方法的流程示意图。

其中，1-车头，2-车厢，3-前车桥，4-后车桥，5、5A、5B-应变计。

具体实施方式

为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接既可以是用于固定作用也可以是用于电路连通作用。

需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

相关名词解释：

车载称重：是指一种利用物体对车辆本身特性产生的变化，通过复杂模型系统，将该变化映射到物体重量上的一种称重方法。

4米2车型：是指一种载重量为1.5吨、车厢尺寸为长是4.2米，宽是1.8米的厢式货车；具有机动灵活、操作方便，工作高效、运输量大，充分利用空间及安全、可靠等优点。它是全天候的，既可以在市际各种公路上，也可在城市市区内完成运输任务。广泛适用于运输各类货物，特别随着当前物流行业的蓬勃发展，4米2箱式货车被各大物流公司广泛使用，成为收、送货车运输的中流砥柱。

快速傅里叶变换：(FFT，fast Fourier transform)是一种计算离散傅里叶变换高效、快速的计算方法，离散傅里叶变换是信号分析的基本方法，通过把信号从时间域变换到频率域，进而分析频谱结构和规律。FFT具有计算小的显著特点，使得其在数字信号处理领域得到广泛的应用，结合高速硬件设备使得其对信号的实时处理。

支持向量机：(SVM，support vector machine)是机器学习中一种重要的分类方法，以监督学习的方式对标注的数据进行分类，使用训练样本的最大间隔超平面作决策边界，实现对测试样本的分类。支持向量机加入核函数，既可实现对线性样本的分类，也可实现对非线性样本的分类，大大提高模型的分类能力。支持向量机利用损失函数计算经验风险最小化，并在优化模型过程中加入正则化项用来优化结构的风险，是一种同时具有稀疏性和稳健性的优秀分类器。在本发明中，使用LibSVM工具中的支持向量机方法来实现对车辆状态的分类，而且是多分类，使用中其体现出了高精度、高泛化能力的分类优势。

如图1所示，本发明提供一种实时车载称重方法，包括如下步骤：

S2：建立应变计的数值与标准砝码的重量的映射关系；

S3：利用快速傅里叶变换提取时序重量数据的特征向量；

S4：将所述特征向量输入到多分类支持向量分类器模型，识别出车辆运行状态；

S5：依据所述车辆运行状态，实时输出车辆重量。

如图2所示，本发明提出的另一种实时车载称重方法，在步骤S2之前还包括如下步骤：S1：采集数据，所述数据包括在车厢位置依次摆放标准砝码并依次获取车桥部位安装的应变计的数值；

步骤S5之后还包括如下步骤：

S6：根据实时输出的所述车辆重量形成重量曲线并输出。

本发明的方法尤其适用于4米2车型，这是当前快递运输中常见的车型。当然也适用于其他运输车辆。

如图3所示，车头1后面连接车厢2，两个应变计5装在前车桥3的正上方，两个应变计5A装在后车桥4的正上方，两个应变计5B装在后车桥4的后侧方。

在本发明的一种实施例中，应变计可以在前、后车桥对称地安装，数量为偶数，可以多于6个；通过应变计将车桥形变大小转化为应变计模拟信号值，作为模型输入的特征值。在前、后车桥部分，对称地安装偶数个数的应变计，可以均匀地获取到由货物带给车厢的受力，避免受力不均衡带来的形变扑捉丢失的情况，造成精度的丧失。

采集的数据包括：标准砝码重量构成的向量Y_i(i∈1,...,N)和对应的应变计数值构成的矩阵X_i,j(i∈1,2,3,...,N；j∈1,2,3,...,M)，其中，N代表加载所述标准砝码的总数，M代表所述应变计的总数。

具体的，需要先在车厢中依次摆放标准砝码，本发明提供一种摆放方法：

在车厢中从车头往车尾方向、从车厢一侧到另一侧摆放至少三列标准砝码；

再在所述车厢中从车头往车尾方向、从所述车厢另一侧到所述车厢一侧摆放同等列数的所述标准砝码。

这样摆放砝码的目的是模拟车辆实际装货时可能出现的左右偏载。

在一种具体的实施例中，可以每列摆放5个标准砝码，总共摆放3列。可以从车头往车尾方向，按照从车厢一侧开始(比如左侧)先摆放一列，一列共5个，再摆放第二列、第三列(在车厢右侧)，形成均载；然后再从车头到车尾反方向摆放(从右到左)三列。当只摆放一列的时候，相当于左偏载或右偏载，所采集的数据就包括了左右偏载的数据，使得模型尽可能准确拟合出实际左右偏载的装货重量，使得模型具有更高的泛化能力。

为了形成均载，标准砝码摆放在行或列方向都是均匀分布在车厢中的。

采集数据之后，利用多元线性回归求解超定方程Y＝k*X中系数k的值建立应变计的数值与标准砝码的重量的映射关系。本发明通过大量标定数据对比，相对于高次、非线性函数关系，一次函数表现出来的拟合能力、泛化能力都很优秀，因此选择一次函数。

缓冲t∈[30,60]秒应变计数值，根据求解的系数k，利用多元线性模型实时拟合应变计数值，得到原始重量输出。通过快速傅里叶变换将时序重量数据转换为频率分布数据，并按照频率大小将分布区间划分为四段，统计每一段频率所占的比率，依次组成特征向量。频率区间划分段数，即模型特征向量的维度，其大于0，但小于缓冲的应变计数据长度大小，确定段数主要考虑两个因素：

1、傅里叶变换提取的特征，输入到分类模型中准确度；

2、模型的时间、空间复杂度。

经过数据验证，在其取值范围内分成四段其分类准确度达到极值点，随着段数增加准确度未出现提高，反而模型复杂度成倍增加。

如图4所示，利用快速傅里叶变换提取时序重量数据的特征向量包括如下步骤：

S41：缓冲30-60s内所述应变计的数值，根据所述应变计的数值与所述标准砝码的重量的映射关系得到所述应变计的数值对应的原始重量；

缓冲时间的取值范围主要考虑到两个方面：1、傅里叶提取特征向量的有效性；2、车辆状态切换时的时间延时。

S42：通过快速傅里叶变换将时序重量数据转换为频率分布数据；

S43：根据所述频率分布数据按照频率大小将分布区间划分为四段；

S44：统计每一段所占的比率,依次组成特征向量。

快速傅里叶变换是离散傅里叶变换的高效、快速计算方法，基本思想是把原始数据的S点序列，依次分解成一系列的短序列。傅里叶变换是指将满足一定条件的函数表示成三角函数的线性组合，其形式有连续傅里叶变换、离散傅里叶变换，在本发明中涉及的是离散傅里叶变换。

针对是定义域Z的数列，设

为原始重量数组，则离散傅里叶被定义为，

其中，j、n分别为向量X、x索引，

为原始重量数组，i为虚数，e为指数。

将上面得到的特征向量，输入到多分类支持向量分类器模型中，车辆运行状态包括：车辆跑动、车辆静止和车辆上下货；

当车辆跑动时，车辆重量为车辆跑动前一时刻的重量；可以理解为在车辆跑动过程中车辆重量不变。

当车辆静止时，车辆重量为车辆静止前一时刻的重量；可以理解为在车辆静止时，车辆重量保持不变。

当车辆上下货时，车辆重量实时输出。

多分类支持向量分类器模型为：

其中，Z为特征向量，L为训练使用特征向量的数量，w为训练使用特征向量对应的车辆状态，sign属于符号函数，括号内大于0输出1，小于等于0输出-1，K(z,z_i)是核函数，b^*分类函数的截距，

是下述二次规划的解：

s.t.0≤x≤Ce

_wT_x＝0

其中，G的每一项G_ij＝w_iw_jK(z_i,z_j),i,j＝1,2,...,L，e代表各个元素为1的向量，T代表向量转置，C是SVM算法的惩罚参数。

在本发明的一种实施例中，选取的核函数为Gaussian核函数：

其中，exp为指数函数，σ是核函数的超参数。

具体的，从获取特征向量到输出车辆重量可以总结如下流程：

1.输入特征向量及对应状态类别；

2.车辆的三个状态类别两两配对，分别训练出三个二分类支持向量分类器模型；

3.新样本同时提交给3个二分类支持向量分类器模型，车辆状态最终结果为票数最多的类别；

4.按识别的车辆状态输出车辆实时重量；

4.1、车辆跑动，车辆重量锁定在车跑前一时刻；

4.2、车辆静止，车辆重量锁定在静止前一时刻；

4.3、车辆上下货，车辆重量实时输出

5.根据输出的所述车辆重量形成重量曲线并输出。

用户可以看到的是重量曲线，此处用户是驾驶员或远程监控人员。重量数据可以上传到服务器，服务器可以是云端服务器，用户可以通过用户端程序查看服务器的数据。用户端程序可以是微信小程序、APP，也可以是电脑程序。

本发明基于感应车辆车桥部位形变的应变计应变计，使用标准砝码采集对应重量的应变计数据，通过快速傅里叶变换提取特征和多分类支持向量机识别车辆运行状态，实现高精度实时整车称重的方法及系统。应变计是基于测量物体受力变形所产生的形变的一种应变计，本发明采用的是电阻应变片，它是一种能将车辆结构上应变的变化转换为电阻变化的传感元件，实现了将物理形变转化为电信号；基于物流4米2车型等高精度车载称重的需求，使用标准砝码在车厢位置采集标准重量和对应的应变计数据。考虑到偏载影响，在竖向排放至少两次至少三列标准重量的砝码，第一次摆放顺序从里往外、从左往右依次摆放，第二次从里往外、从右往左；根据采集到的应变计数值、标准砝码的重量，采用多元线性模型建立起应变计数值和标准砝码重量的映射关系；根据实时输出的重量，利用快速傅里叶变换提取特征向量，将时域内的重量时序数据转化为频域内的频域分布区间向量；将快速傅里叶变换得到的频率向量，输入到多分类支持向量机中，识别出车辆跑动、车辆静止、车辆上下货三种车辆的状态；根据支持向量机实时识别的车辆状态，分别作如下处理：1、车辆跑动，输出重量锁定在跑车前一时刻；2、车辆静止，输出重量锁定在静止前一时刻；3、车辆上下货，输出车辆实时重量。最后，将实时输出的重量数据通过上传到服务器。此处可以通过网络传输。

本发明通过安装应变计，利用有效模型实时输出车辆运载的精准重量，对车辆重量实现实时的监测，从根本上杜绝超载问题。提供实时的重量，可为物流行业提供最前端的数据，为车辆的调度系统提供最有效参考，从而大大提高物流运作效率。

本发明有效地解决了两个问题：1、精度高，误差<3％，为客户提供准确的车载重量；2、利用傅里叶变换和多分类支持向量机模型，仅依靠应变计应变计即可精准识别车辆运行状态，从而有效消除了车辆状态对车载重量带来的干扰，且极大降低系统的成本。针对物流行业关注点：超载和调度，本发明为物流新能源汽车提供一种高精度实时车载称重方法及系统，实现对超载的全天候监察，杜绝超载问题的发生，为车辆调度提供实时最前端的重量数据，大大提高运转效率。

本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

如图5所示，是本发明的一种实时车载称重方法的流程示意图。

具体的，本发明中利用应变计采集的形变特征向量，在车厢位置使用标准砝码采集应变计数据，利用多元线性回归建立应变计数值与重量的映射关系。根据实时得到的原始重量采取快速傅里叶变换提取特征向量，然后将特征向量输入到多分类支持向量分类器模型，多分类支持向量分类器模型识别车辆运行状态，依据车辆运行状态，实时输出最终实际重量。

针对车厢区域，采集20组砝码数据，每组砝码15个数据，一共20*15＝300个数据，随机打乱整个数据，数据50％划分为训练数据，50％划分为测试数据。下表给出在称重区域多元线性回归建模称重的测试数据效果：

表1多元线性回归模型的效果表

从上表可以看出来，以误差率小于3％为达标标准，多元线性回归模型在量程为1500kg内，达标率95.2％，最大误差46.5kg。真正意义上实现高精度的车载称重，完全满足当前物流行业对车载称重的精度要求。

采取一周车辆的应变计数据，以每秒采集一次应变计数据的频率，共产生7*24*60*60＝604800条数据。将采集数据随机划分，50％划分为训练数据，50％划分为测试数据。下表给出多分类支持向量分类器模型在测试数据上的分类效果：

表2分类混淆矩阵表

根据混淆矩阵数据，下面计算多分类模型的Kappa系数，

多分类支持向量机模型的Kappa系数为0.993，由此其分类结果与真实结果几乎一致，能高精度地识别车辆运行状态。

采取连续一个月车辆数据，以每两个小时采集一次车辆实时重量，共产生30*12＝360条数据。下表给出本发明实时车载称重系统输出的重量与实际过磅重量对比统计表，

表3实时车载重量对比统计表

从上表可以看出来，以误差率小于3％为达标标准，本发明的4米2物流车型实时车载称重系统在量程为1500kg内，达标率94.3％，最大误差48.5kg。

以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (10)

1.一种实时车载称重方法，其特征在于，包括如下步骤：

S2：建立应变计的数值与标准砝码的重量的映射关系；

S3：利用快速傅里叶变换提取时序重量数据的特征向量；

S4：将所述特征向量输入到多分类支持向量分类器模型，识别出车辆运行状态；

S5：依据所述车辆运行状态，实时输出车辆重量。

2.如权利要求1所述的实时车载称重方法，其特征在于，在步骤S2之前还包括如下步骤：

S1：采集数据，所述数据包括在车厢位置依次摆放标准砝码并依次获取车桥部位安装的应变计的数值；

在步骤S5之后还包括：

S6：根据实时输出的所述车辆重量形成重量曲线并输出。

3.如权利要求2所述的实时车载称重方法，其特征在于，所述应变计在前、后车桥对称的安装偶数个；所述数据包括：标准砝码重量构成的向量Y_i(i∈1,...,N)和对应的应变计数值构成的矩阵X_i,j(i∈1,2,3,...,N；j∈1,2,3,...,M)，其中，N代表加载所述标准砝码的总数，M代表所述应变计的总数。

4.如权利要求2所述的实时车载称重方法，其特征在于，依次摆放所述标准砝码包括：

在车厢中从车头往车尾方向、从车厢一侧到另一侧摆放至少三列标准砝码；

再在所述车厢中从车头往车尾方向、从所述车厢另一侧到所述车厢一侧摆放同等列数的所述标准砝码。

5.如权利要求2所述的实时车载称重方法，其特征在于，利用多元线性回归求解超定方程Y＝k*X中系数k的值建立所述应变计的数值与所述标准砝码的重量的映射关系。

6.如权利要求2所述的实时车载称重方法，其特征在于，利用快速傅里叶变换提取时序重量数据的特征向量包括如下步骤：

S31：缓冲30-60s内所述应变计的数值，根据所述应变计的数值与所述标准砝码的重量的映射关系得到所述应变计的数值对应的原始重量；

S32：通过快速傅里叶变换将时序重量数据转换为频率分布数据；

S33：根据所述频率分布数据按照频率大小将分布区间划分为四段；

S34：统计每一段所占的比率,依次组成特征向量。

7.如权利要求6所述的实时车载称重方法，其特征在于，快速傅里叶变换是离散傅里叶变换，定义为：

其中，j、n分别为向量X、x索引，

为原始重量数组，i为虚数，e为指数。

8.如权利要求1所述的实时车载称重方法，其特征在于，所述车辆运行状态包括：车辆跑动、车辆静止和车辆上下货；

当车辆跑动时，所述车辆重量为所述车辆跑动前一时刻的重量；

当所述车辆静止时，所述车辆重量为所述车辆静止前一时刻的重量；

当所述车辆上下货时，所述车辆重量实时输出。

9.如权利要求1所述的实时车载称重方法，其特征在于，所述多分类支持向量分类器模型为：

其中，Z为特征向量，L为训练使用特征向量的数量，w为训练使用特征向量对应的车辆状态，sign属于符号函数，括号内大于0输出1，小于等于0输出-1，K(z,z_i)是核函数，b^*分类函数的截距，

是下述二次规划的解：

s.t.0≤x≤Ce

w^Tx＝0

其中，G的每一项G_ij＝w_iw_jK(z_i,z_j),i,j＝1,2,...,L，e代表各个元素为1的向量，T代表向量转置，C是SVM算法的惩罚参数；

选取的核函数为Gaussian核函数：

其中，exp为指数函数，σ是核函数的超参数。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9任一所述方法的步骤。

Images