TWI792035B

TWI792035B - 製作產品之材料推薦系統與材料推薦方法

Info

Publication number: TWI792035B
Application number: TW109127238A
Authority: TW
Inventors: 張哲銘; 李彥廷; 邱國展; 蘇俊瑋; 沈秀雲
Original assignee: 財團法人工業技術研究院
Priority date: 2019-09-03
Filing date: 2020-08-11
Publication date: 2023-02-11
Also published as: TW202111567A

Abstract

一種製作產品之材料推薦系統與材料推薦方法，係利用一分析模組分析至少一影像，以產生參考資訊，再藉由一推薦模組接收該參考資訊，以提供對應該參考資訊之目標資訊。藉由分析影像之方式，以快速提供包含適用材料之目標資訊，因而可大幅加速產品開發之時程。

Description

製作產品之材料推薦系統與材料推薦方法

本發明係有關於一種材料推薦系統，尤其是關於一種以人工智慧方式選用合適材料之材料推薦系統及材料推薦方法。

隨著人類不斷開發新產品，藉此提升生活品質與促進社會進步，但開發新產品不僅涉及技術層面，更需具備適當材料進行製作。目前產品開發商於尋找適當材料時，需針對各部件找尋不同之材料供應商，且單一部件常常因其規格需求而有不同之材料供應商，故需花費大量時間，才能完成所有部件之材料組合。

再者，若產品需客製化時，如各種運動之運動員，因體型與身體延展情形不同，各部位所需之規格(如拉伸率)差異性極大(如賽跑選手著重腿部拉伸率、棒球投手則著重手臂拉伸率)，故該運動員所用之產品(如智慧型手錶、衣服等)所需之材料組合(如防水性、可撓性等組合)大不相同，導致產品開發商於選用材料時不易尋找到各種材料之可能組合。

因此，如何克服上述習知技術之種種缺失，實已成為目前業界亟待克服之難題。

為解決上述習知技術之種種問題，本發明提供一種製作產品之材料推薦系統，係包括：主機端，係包含一配載學習機制之分析模組及一配載預測機制之推薦模組，該分析模組係用於分析至少一影像以產生參考資訊，且該推薦模組係通訊連接該分析模組，以接收該參考資訊及提供對應該參考資訊之目標資訊；以及操作端，係通訊連接該主機端，且包含用以操控該主機端之使用介面。

本發明另提供一種製作產品之材料推薦方法，係包括：藉由一配載學習機制之分析模組分析至少一影像，以產生參考資訊；以及藉由一配載預測機制之推薦模組分析該參考資訊，以提供對應該參考資訊之目標資訊。

由上可知，本發明之製作產品之材料推薦系統及材料推薦方法，主要藉由分析影像之方式，以快速提供包含適用材料之目標資訊，故相較於習知技術，產品開發商藉由本發明之製作產品之材料推薦系統可快速獲取材料選用之建議，以快速完成所有部件之材料組合，因而可大幅加速產品開發之時程。

再者，對於客製化產品之製作，如針對各種運動之運動員製作智慧型手錶，藉由本發明之製作產品之材料推薦系統及材料推薦方法，產品開發商可輕易獲取各種運動員所需之材料組合。

1:材料推薦系統

1a:主機端

1b:操作端

10:分析模組

100:第一機器學習模組

11:推薦模組

111:篩選器

112:第二機器學習模組

113:輔助器

12:資料庫

123:人體部位

124:皮膚拉伸率

130:卷積神經網路

131:公開資料

132:已知資料

150:人體

170:卷積神經網路

171:公開資料

172:已知資料

80:使用介面

81:經驗守則分享機制

82:資料反饋機制

9:電子裝置

90:材料資料

90’:進階資料

91:學習機制

92:預測機制

A1,A2:影像

B:男、女平均拉伸率之對照表

P0:影片

P0’,P0”:照片

P1,P2,P3:列表

P1’,P2’,P3’:列表

S10~S16:步驟

S20~S27:步驟

S270~S276:步驟

S361~S368:步驟

S40~S46:步驟

S42’:步驟

S50:步驟

S501~505:步驟

T1~T8:部位

圖1為本發明之製作產品之材料推薦系統之運作架構示意圖。

圖1A為圖1之學習機制之運作流程示意圖。

圖1B為圖1之預測機制之運作流程示意圖。

圖1B’為圖1B之進階預測作業之運作流程示意圖。

圖2為本發明之製作產品之材料推薦系統之主機端之功能架構示意圖。

圖2A為圖2之分析模組之運作流程示意圖。

圖2B為圖2之分析模組之機器學習之流程示意圖。

圖2C為圖2之分析模組於機器學習時所用之公開資料之示意圖。

圖2D為圖2之分析模組於機器學習時所用之已知資料之示意圖。

圖3A為圖2之推薦模組之運作流程示意圖。

圖3B為圖2之推薦模組之機器學習之流程示意圖。

圖4為本發明之製作產品之材料推薦方法之流程示意圖。

圖5為圖4之輔助作業之流程示意圖。

圖6A為採用本發明之製作產品之材料推薦系統進行材料推薦之其中一實施例之過程示意圖。

圖6B為採用本發明之製作產品之材料推薦系統進行材料推薦之另一實施例之過程示意圖。

以下藉由特定的具體實施例說明本發明之實施方式，熟悉此技藝之人士可由本說明書所揭示之內容輕易地瞭解本發明之其他優點及功效。

須知，本說明書所附圖式所繪示之結構、比例、大小等，均僅用以配合說明書所揭示之內容，以供熟悉此技藝之人士之瞭解與閱讀，並非用以限定本發明可實施之限定條件，故不具技術上之實質意義，任何結構之修飾、比例關係之改變或大小之調整，在不影響本發明所能產生之功效及所能達成之目的下，均應仍落在本發明所揭示之技術內容得能涵蓋之範圍內。同時，本說明書中所引用之如“第一”、“第二”、“上”、“下”及“一”等之用語，亦僅為便於敘述之明瞭，而非用以限定本發明可實施之範圍，其相對關係之改變或調整，在無實質變更技術內容下，當亦視為本發明可實施之範疇。

圖1係為本發明之製作產品之材料推薦系統1之架構示意圖。如圖1所示，所述之材料推薦系統1係包括一主機端1a及一操作端1b，該主機端1a係由一電子裝置9運作，而該操作端1b係為用戶端(client side)，其藉由一使用介面80操控該主機端1a，以獲取製作目標物之目標資訊。

於本實施例中，該電子裝置9係為電腦主機或雲端設備，其可通訊連接(如網路方式)不同之使用介面(user interface)80，且該使用介面80係配置於如家用電腦、筆記型電腦、智慧型手機、平板電腦或其它適當3C產品上。

再者，該目標物係例如為衣著或手環等穿戴物品。

所述之主機端1a係具有一資料庫12、一學習機制91及一預測機制(predictor)92。

所述之資料庫12可用於儲存材料資料90、進階資料90’(如量測方法(testing method)及其結果(results)、媒介物(vehicles)或其它)或其它依需求補充之資料，以作為該學習機制之學習來源(即該學習機制之輸入)。例如，該材料資料90係包含各種材料之相關資料，如可撓性材、柔性材料、防水材、透氣材、導電材或其它材料及其特性(properties)與來源等。具體地，可依需求針對該材料之種類設計出各種資料集，如可撓性材資料集、防水材資料集、透氣材資料集、導電材資料集或該目標物所需規格之其它資料集等。

所述之學習機制91可為人工智慧訓練引擎(AI training engine)，以基於該學習機制之輸出，運作該預測機制92。具體地，如圖1A所示，該學習機制91之訓練流程如下所述。

於步驟S10中，進行收集作業，以接收來自該資料庫12中之相關資料。

於步驟S11中，進行預備作業，以預先處理(如汰除、分類、格式化或其它動作)所收集之資料。

於步驟S12中，進行計算作業，以利用多重共線性演算法(multicollinearity calculation)處理所預備之資料。

於步驟S13中，進行清除(remove)作業，以將已完成多重共線性之資料與來自該操作端1b之經驗守則(empirical law)分享機制81之資料一併移除多重共線性之限制。

於步驟S14中，進行演算作業，以利用線性(linear)演算法或非線性(non-linear)演算法學習已移除該多重共線性之資料，以產生新資料。

於步驟S15中，進行判斷作業，以判斷藉由該演算作業進行訓練之成果(performance)是否良好。

於步驟S16中，若訓練成果良好，則進行建置作業，以形成推薦原則(recommendation rule)，供輸入至該預測機制92。反之，則回到步驟S11之預備作業重新學習。

所述之預測機制92係用於進行預測作業，以將預測結果推薦(如以網路傳輸方式)至該操作端1b。具體地，如圖1B所示，該預測機制92之預測流程係如下所述。

於步驟S20中，進行擷取作業，其接收該學習機制91之推薦原則及來自於該操作端1b之需求資訊，其中，該操作端1b係藉由該使用介面80輸入(import)該需求資訊至該電子裝置9，且該需求資訊係包含媒介物(vehicles)、目標物(target)、來源評價(score criteria)或其它等。

於步驟S21中，進行搜尋作業，以利用演算(calculating)方式獲取該資料庫中符合(matching)該需求資訊之所有材料。

於步驟S22中，進行預測(prediction)作業，其基於該搜尋作業所獲取之材料，預測該需求資訊之目標物所需之特性之相關材料組合。

於步驟S23中，進行計算作業，其基於該預測作業所得之各材料組合，演算出各材料之建議分數(recommendation score)。

於步驟S24中，進行判斷作業，以判斷是否該需求資訊之目標物所需之所有材料均進行計算作業。

於步驟S25中，若步驟S24之判斷為「是」，則進行分配作業，以選取符合來源評價(criteria)之材料作為準確組合，如該建議分數大於該來源評價。反之，則回到步驟S21之搜尋作業重新搜尋。

於步驟S26中，將至少一準確組合進行排序(ranking)作業，以作為預測結果或目標資訊，並呈現(show)於該使用介面80上，供該操作端1b參考，其中，該預測結果或目標資訊係包含該材料資料及其來源。例如，單一可撓性材可來自於單一來源或多個來源，且該來源係為供應端(如廠商或人員)或製造端(如廠商或人員)。

於步驟S27中，若於步驟S25中未產生該準確組合，則進行進階預測(backward predictor)作業(或輔助作業)。具體地，如圖1B’所示，該進階預測作業S27之運作流程係如下所述。

於步驟S270中，設定該需求資訊之目標物之特性及媒介物。

於步驟S271中，將各該特性範圍分類，以形成多個區間，供作為搜尋空間(searching space)，藉以創建該特性之搜尋空間。

於步驟S272中，選取最佳化演算法(optimization algorithm)，例如，從格點搜索法(Grid Search)、隨機搜尋(Random Search)、貝葉斯優化(Bayesian optimization)、演化演算法(Evolutionary Algorithm)、加強學習(Reinforcement Learning)或其它適當方法中選取。

於步驟S273中，以最佳化演算法於各該搜尋空間中進行取樣(sampling)。

於步驟S274中，依據取樣之結果，演算出該目標物之材料特性。

於步驟S275中，進行比對，以判斷是否具有符合該來源評價之材料。

於步驟S276中，若比對結果為「是」，則會產生符合該來源評價之相近組合資訊或優化(properly)建議，並將該相近組合資訊(或優化建議)回傳(return)，以呈現(show)於該使用介面80。反之，則回到步驟S273重新取樣。

所述之操作端1b係包括該使用介面80、經驗守則分享機制81及資料反饋(data feedback)機制82。

於本實施例中，該使用介面80係為圖形使用者介面(Graphical User Interface，簡稱GUI)，以利於操作端1b使用該材料推薦系統1，且該經驗守則分享機制81及資料反饋機制82均於該使用介面80上配置有對應之操作選項。

再者，該主機端1a之預測機制92會將預測結果或目標資訊呈現於該使用介面80，且該操作端1b可藉由該經驗守則分享機制81，將用戶自行應用之相關材料資料輸入至該主機端1a之學習機制91，並可藉由該資料反饋機制82，將實際採用該預測結果或目標資訊製作該目標物之資料補充至該主機端1a之資料庫12，以強化該學習機制91之學習效果而有利於該預測機制92之預測效果。

圖2係為本發明之製作產品之材料推薦系統1之主機端1a之功能架構示意圖。如圖2所示，所述之主機端1a係包括：一如圖1所述之資料庫12、一配載該學習機制91之分析模組10，以及一配載該預測機制92之推薦模組11。

所述之分析模組10包含有一影像辨識單元(未圖示)，其用於分析至少一影像，以基於圖1A所示之步驟S16之推薦原則產生參考資訊。

於本實施例中，該影像係為影片型式或照片型式。較佳地，該影像至少需包含前、後階段之不同姿態。例如，單一影片或多張照片係為連續姿態形式。

再者，該影像之內容物係包含人體輪廓之至少其中一部分，如肩部、大腿前側、膝蓋、胸部、背部、手腕、手肘或其它部位等。應可理解地，該影像之內容物亦可包含其它動物或物品之至少其中一部分。

又，該參考資訊係包含拉伸率，如人體部位之皮膚拉伸率(其值由0%至120%)或機構之物理拉伸率。例如，該分析模組10可藉由影像A1、A2進行預測，以產生影像A1、A2中之人體部位123(如肩部、大腿前側、膝蓋、胸部、背部、手腕、手肘或其它部位等)的皮膚拉伸率124，如圖2A所示之運作流程。具體地，該分析模組10係包含運作該學習機制之第一機器學習模型100，如支持向量機(Support Vector Machine，簡稱SVM)模型、卷積神經網路(Convolutional Neural Networks，簡稱CNN)演算模型、隨機森林(Random Forest)模型、最近鄰居(k-Nearest Neighbors，簡稱KNN)演算法或其它人工智慧(Artificial Intelligence，簡稱AI)模型，以進行訓練(如圖2B所示之訓練流程，以採用卷積神經網路130為例)，其除了利用該資料庫12進行訓練，復可利用公開資料131(如人類之歷史動作影像或圖2C所示之纖維工學期刊於西元1983年Vol.36,No.6所公開之男、女平均拉伸率之對照表B)或其它已知資料132(如實際量測各種體態之示範人員做出各種姿勢所得之各部位之拉伸率，如圖2D所示之其中一種姿勢所得之各部位之拉伸率)進行訓練(如圖1A所示之步驟S13之經驗守則分享機制81之輸入)，以當輸入影片或一張(或多張)同一人體部位之圖像時，該分析模組10能基於該推薦原則預測該人體部位之皮膚拉伸率，其中，圖2D所示人體150之各部位T1~T8之拉伸率如下表1所示：

所述之推薦模組11係通訊連接該分析模組10以接收該參考資訊，並執行如圖3A所示之運作流程及其中之步驟S361~S368，進而提供對應該參考資訊之目標資訊(如步驟S26之排序作業之預測結果)，以供後續製作目標物。

詳言之，於本實施例中，該推薦模組11可配置一聯通該資料庫12之篩選器111，以令該篩選器111從該資料庫12中挑選出所需之目標資訊之材料資料(如圖1B所示之步驟S20~步驟S25)，使該推薦模組11可針對該目標物之需求提供該材料資料之準確組合(如圖1B所示之步驟S26)。舉例說明，對於棒球投球動作，由於胸部拉伸率不同於手腕拉伸率，因而於該兩部位所採用之可撓性材不同，故該篩選器111會從該資料庫12中挑選出該兩部位所需之可撓性材，以製作出符合拉伸規格之衣服。

再者，因該資料庫12之材料資料可能不足，使該篩選器111無法選出符合拉伸規格之可撓性材，故該推薦模組11可配置一聯通該資料庫12之輔助器113，以演算出近似該拉伸規格之可撓性材或從該資料庫12中挑選出近似該拉伸規格之可撓性材(如圖1B所示之步驟S27及如圖1B’所示之步驟S270~步驟S276)。應可理解地，該篩選器111及/或該輔助器113亦可依需求從該資料庫12中挑選出各部位所需之透氣材、導電材或其它規格之材料，以製作出符合規格需求之目標物。

又，該推薦模組11亦可包含一聯通該資料庫12與該篩選器111之第二機器學習模型112，其如最小絕對緊縮與選擇算子(least absolute shrinkage and selection operator，簡稱Lasso)模型、支持向量機(SVM)模型、卷積神經網路(CNN)演算模型、隨機森林模型、最近鄰居(KNN)演算法或其它人工智慧(AI)模型，其可利用如圖3B所示之公開資料171(如各種可撓性材及其基本特性)或其它已知資料172(實際量測各種材料及其基本特性)進行訓練(如圖3B所示之流程，以採用卷積神經網路170為例)，以當輸入(如圖1B所示之步驟S20之操作端進行輸入)皮膚拉伸率或其它規格需求時，該篩選器111能藉由該第二機器學習模型112選擇所需之材料資料。

另外，藉由該資料庫12儲存各種材料資料之來源，使該推薦模組11不僅可提供該目標物所需之材料資料之準確組合或相近組合，且可進一步提供各材料資料之來源。

應可理解地，若該分析模組10利用該第一機器學習模型100進行訓練，則該參考資訊可包含其它規格條件，如硬度等，並不限於拉伸率，故該推薦模組11可針對各種規格條件(如生物相容性、抗汗腐蝕、電阻變化率等)提供該目標資訊(如該目標物所需之材料資料之準確組合或相近組合)。

圖4係為本發明之製作產品之材料推薦方法之流程圖。如圖4所示，該材料推薦方法係配合該材料推薦系統1運作。於本實施例中，該目標物為運動衣物，故該材料推薦方法係用於查詢該運動衣物所需之材料。

於步驟S40中，提供至少一影像，如影片或一至五張圖像(照片)。於本實施例中，使用者可藉由該使用介面80上傳該影像至該電子裝置9。

於步驟S41中，該分析模組10分析該影像。於本實施例中，將該影像輸入至該第一機器學習模型100，以進行影像辨識作業及拉伸狀態分析作業。

於步驟S42中，該分析模組10基於該推薦原則產生參考資訊。於本實施例中，經由該第一機器學習模型100之影像辨識及拉伸狀態分析後，該第一機器學習模型100輸出一預判結果，即包含皮膚拉伸率(如拉伸率20%)或其它規格需求之參考資訊。

於步驟S43中，將該參考資訊輸入至該推薦模組11中，以進行預測機制92。於本實施例中，復可使用其它插入方式(如圖1B所示之步驟S20之操作端1b之人工輸入)將另一參考資訊(如防水、防腐蝕等其它規格需求)輸入至該推薦模組11中，如步驟S42’所示，使該推薦模組11接收多組參考資訊。

於步驟S44中，該推薦模組11依據該些參考資訊進行篩選(如圖1B所示之步驟S21~步驟S25)。於本實施例中，將該些參考資訊輸入至該第二機器學習模型112中，以令該第二機器學習模型112於分析該參考資訊後，依據該資料庫12輸出一預測結果。

於步驟S45中，該推薦模組11提供對應該參考資訊之目標資訊(如圖1B所示之步驟S26)。於本實施例中，若該預測結果係呈現該資料庫12具有符合該參考資訊所需之材料資料之準確組合(如拉伸率40%，其大於該參考資訊之拉伸率20%，即40>20)，則該篩選器111可從該資料庫12中選擇出所需之材料資料之準確組合，且該目標資訊復可呈現該材料資料之來源，如有關該運動衣物之各部件之製造商(或材料供應商)。應可理解地，該準確組合係表示所有材料均符合規格需求。

於步驟S46中，將該目標資訊顯示於該使用介面80之螢幕上，供使用者參酌。

另一方面，於步驟S50中，若該預測結果係無法從該資料庫12中提供符合該參考資訊所需之材料資料之準確組合(如該資料庫12中僅具有拉伸率5%之資料，其小於該參考資訊之拉伸率20%，即5<20)，則會將預測結果輸入至該輔助器113中，以進行輔助作業(或如圖1B所示之步驟S27所述之進階預測作業)，令該輔助器113提供所需之材料資料之相近組合(如拉伸率18%，其接近該參考資訊之拉伸率20%)，供作為另一目標資訊，並使該另一目標資訊顯示於該使用介面80之螢幕上，如步驟S46所示。應可理解地，該相近組合係表示至少一材料未符合規格需求。

於本實施例中，該材料資料之相近組合可提供予材料開發商，以令其參酌開發相關材料，供該操作端1b利用該資料反饋機制82補足該資料庫12之不足。

再者，該輔助器113進行該輔助作業之運作過程係如圖5所示，詳述如下。

於步驟S501中，進行分類作業。於本實施例中，將各該材料之特性範圍分類，以形成多個區間，供作為搜尋空間，如同圖1B’所示之步驟S270~步驟S271。例如，將該參考資訊中所列出之材料，將其特性分類為可撓性區間、防水性區間及其它區間。

於步驟S502中，進行最佳化演算作業。於本實施例中，以最佳化演算法於各該搜尋空間中取樣，如同圖1B’所示之步驟S272~步驟S273。例如，該最佳化演算法係包含格點搜索法(Grid Search)、隨機搜尋(Random Search)、演化演算法(Evolutionary Algorithm)、加強學習(Reinforcement Learning)或其它適當方法，以分別從可撓性區間、防水性區間及其它區間中選取相關資料，如影片、相片、文獻或其它關於材料之公開資料。

於步驟S503中，依據取樣之結果進行預測。於本實施例中，以人工智慧(AI)演算方式或其它演算方式預測拉伸率(及其它規格)，如同圖1B’所示之步驟S274。

於步驟S504中，針對第一機器學習模型100所輸出之預測結果進行分析，以判斷是否具有對應拉伸率(及其它規格)之材料，如同圖1B’所示之步驟S275。

於步驟S505中，若分析結果係具有對應拉伸率(及其它規格)之材料，則提供優化建議，供作為該另一目標資訊，如同圖1B’所示之步驟S276。

另一方面，若分析結果並未具有對應拉伸率(及其它規格)之材料，則重新進行最佳化演算作業S502。

因此，本發明之製作產品之材料推薦系統1及材料推薦方法，藉由人體同一部位之伸展影像，以該分析模組10預測皮膚拉伸率，並搭配該目標物(如運動衣物)之其它規格需求，再藉由該推薦模組11獲取包含該材料資料之準確組合，若沒有該材料資料之準確組合，則提出該材料資料之相近組合，以作為輔助建議。換言之，該材料推薦系統1及材料推薦方法係於現有資料中進行搜索，若如現有資料中無合適材料之準確組合，則藉由該輔助器113預測出該材料資料之相近組合。

圖6A係為材料推薦方法應用該材料推薦系統1之實際運作情況之第一實施例之流程圖。於本實施例中，使用者係藉由該操作端1b之使用介面80進入該主機端1a以查詢有關製作包含有電子元件之運動衣物所需之材料。

如圖6A所示，使用者將具有人物之影像(如一段投球影片P0)藉由該使用介面80上傳至該電子裝置9。接著，經由該分析模組10進行影像辨識，以獲取各人體部位之拉伸率，如列表P1所示。之後，該分析模組10將有關拉伸率之參考資訊輸入至該推薦模組11中，且使用者復可由該使用介面80輸入包含有電子元件之運動衣物(目標物)所需之規格(如列表P2所示)至該推薦模組11中，使該推薦模組11篩選出有關該運動衣物之目標資訊，例如該電子元件之各部件(如基板、導線、封裝材)之準確材料(如編號015材)及其來源(如A公司)。最後，該推薦模組11輸出該目標資訊(如列表P3所示)，以顯示於該使用介面80上，供使用者參酌。

如圖6B所示之第二實施例，使用者將具有人物之影像(如多張游泳照片P0’,P0”)藉由該使用介面80上傳至該電子裝置9。接著，經由該分析模組10進行影像辨識，以獲取各人體部位之拉伸率，如列表P1’所示。之後，該分析模組10將有關拉伸率之參考資訊輸入至該推薦模組11中，且使用者復可由該使用介面80輸入包含有電子元件之運動衣物(目標物)所需之規格(如列表P2’所示)至該推薦模組11中，使該推薦模組11進行篩選。當材料篩選範圍中無合適之材料之準確組合時，則藉由該輔助器113進行輔助作業，以提出優化建議，如導線之相近材料(若有材料供應商，該材料供應商會顯示於目標資訊上；若無材料供應商，則使用者可提供給材料供應商進行開發特製)。最後，該推薦模組11輸出目標資訊(如列表P3’所示)，以顯示於該使用介面80上，供使用者參酌。

綜上所述，本發明之製作產品之材料推薦系統及材料推薦方法，可藉由分析影像之方式，提供目標資訊，故藉由本發明之材料推薦系統能快速獲取材料選用之建議，以大幅縮減完成所有部件之材料組合之時間，因而能大幅加速產品開發之時程。

再者，對於客製化產品之製作，藉由本發明之材料推薦系統，能輕易獲取各種客製化產品所需之材料組合。

上述實施形態僅例示性說明本發明之原理及其功效，而非用於限制本發明。任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下，對上述實施形態進行修飾與改變。因此，本發明之權利保護範圍，應如後述之申請專利範圍所列。