训练新闻视频识别模型的方法、检测视频的方法及其装置与流程

1.本公开涉及计算机技术领域，尤其涉及视频检测领域。具体地，本公开涉及一种用于训练新闻视频识别模型的方法及其装置、一种用于检测视频的方法及其装置、相应的电子设备以及计算机可读的存储介质。


背景技术：

2.随着多媒体技术的发展，视频已经成为人们获取信息的主要来源之一。在各类的视频资源中，新闻视频作为一种重量的视频类型，可以让人们快速及时地了解世界范围内的各种事件。
3.然而，面对网络中海量的视频资源，如何有效地筛选出用户需要的视频成为新的问题。新闻视频尤其具有很高的时效性。当用户的搜索列表或推送列表中包含大量的过时新闻时，将会使用户获得不需要甚至是错误的信息，这将严重降低用户体验。


技术实现要素：

4.本公开提供了一种用于训练新闻视频识别模型的方法及其装置、一种用于检测视频的方法及其装置、相应的电子设备以及计算机可读的存储介质。
5.根据本公开的第一方面，提供了一种用于训练新闻视频识别模型的方法。该方法可以包括：从多个视频文件中的每个视频文件的第一预定时间段中获取图像帧；并且基于第一样本数据集，训练新闻视频识别模型，其中第一样本数据集包括所获取的图像帧中具有定义的新闻视频特征表示的图像帧。
6.根据本公开的第二方面，提供了一种用于检测视频的方法。该方法可以包括：从待检测的视频文件的第二预定时间段中获取多个图像帧；将多个图像帧输入新闻视频识别模型；并且在多个图像帧中被识别为新闻视频的图像帧数量占多个图像帧的总图像帧数量的比例超过预定阈值的情况下，将待检测的视频文件识别为新闻视频。
7.根据本公开的第三方面，提供了一种用于训练新闻视频识别模型的装置。该装置可以包括：第一图像获取模块，被配置为从多个视频文件中的每个视频文件的第一预定时间段中获取图像帧；和模型训练模块，被配置为基于第一样本数据集，训练新闻视频识别模型，其中第一样本数据集包括所获取的图像帧中具有定义的新闻视频特征表示的图像帧。
8.根据本公开的第四方面，提供了一种用于检测视频的装置。该装置可以包括：第二图像获取模块，被配置为从待检测的视频文件的第二预定时间段中获取多个图像帧；输入模块，被配置为将多个图像帧输入新闻视频识别模型；和识别模块，被配置为在多个图像帧中被识别为新闻视频的图像帧数量占多个图像帧的总图像帧数量的比例超过预定阈值的情况下，将待检测的视频文件识别为新闻视频。
9.根据本公开的第五方面，提供了一种电子设备。该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有能够被至少一个处理器执行的指令，这些指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开
的第一方面的方法。
10.根据本公开的第六方面，提供了一种电子设备。该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有能够被至少一个处理器执行的指令，这些指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开的第二方面的方法。
11.根据本公开的第七方面，提供了一种计算机可读的存储介质。在该存储介质上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。
12.根据本公开的第八方面，提供了一种计算机可读的存储介质。在该存储介质上存储有计算机程序，该程序被处理器执行时实现根据本公开的第二方面的方法。
附图说明
13.结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
14.图1示出了用于实现根据本公开的实施例的环境示意图；
15.图2示出了根据本公开的实施例的用于训练新闻视频识别模型的方法的流程图；
16.图3示出了用于实现根据本公开的实施例的环境示意图；
17.图4示出了根据本公开的实施例的用于检测视频的方法的流程图；
18.图5示出了根据本公开的实施例的用于训练新闻视频识别模型的装置的框图；
19.图6示出了根据本公开的实施例的用于检测视频的装置的框图；
20.图7示出了能够实施本公开的多个实施例的设备的框图。
具体实施方式
21.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例作用，并非用于限制本公开的保护范围。
22.在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
23.随着网络技术的发展，人们获取信息的方式不再局限于传统的文字和图片形式。越来越多的人通过视频类型的文件从网络上获取感兴趣的信息。其中，新闻类视频作为一种特殊类型的视频，提供了具有高时效性和关注度的信息。对新闻视频的正确识别，能够方便对大量新闻视频素材进行有效管理和检索。
24.然而，传统方案通常通过模板匹配来识别新闻视频。但是，基于模板匹配的方案无法涵盖所以的模板特征，方案通用性和识别准确性都非常有限。另外，如果分别对每个模板特征进行单独匹配，虽然能一定程度提高识别精度，但是会严重增加系统耗时和识别复杂度。
25.为了解决至少一个上述问题，本公开提供一种用于检测视频的方法，能够快速高
效且低成本地实现对新闻视频的检测和识别。该检测方法通过使用经训练的模型(例如神经网络模型)进行新闻视频识别。为此，本公开还提供了一种用于训练新闻视频识别模型的方法。
26.根据本公开的实施例，提出了一种模型训练方案。在该方案中，可以将大量视频素材中具有新闻视频特征表示的图像帧标注为第一样本(例如作为正样本)，并且基于第一样本来训练新闻视频识别模型。具体地，本公开的新闻视频识别模型的训练过程可以包括：从多个视频文件中的每个视频文件的第一预定时间段中获取图像帧；并且基于第一样本数据集，训练所述新闻视频识别模型，其中第一样本数据集包括所获取的图像帧中具有定义的新闻视频特征表示的图像帧。利用基于上述方式训练的新闻视频识别模型，可以对视频文件进行检测，以便从中筛选出新闻类相关的视频，从而可以对这些新闻视频进行后续处理。由此，实现了高效、准确的模型训练和视频检测。
27.此外，为了优化模型训练方案，还可以将大量视频素材中不具有新闻视频特征表示的图像帧标注为第二样本(例如作为负样本)，并且基于第二样本来训练新闻视频识别模型。由此可以加快模型的训练速度和检测准确性。
28.图1示出了用于实现根据本公开的实施例的环境示意图。该示例环境100包括计算设备104。计算设备104可以利用训练图像102来训练新闻视频检测模型106。新闻视频检测模型106可以用于识别新闻视频。
29.计算设备104包括但不限于个人计算机、服务器计算机、手持或膝上型设备、多处理器系统、消费电子产品、小型计算机、大型计算机、包括上述系统或设备中的任意一个的分布式计算环境、云平台中的虚拟机或其他计算设备等。
30.计算设备104接收训练图像102。训练图像102来自大量的视频类素材。在一些实施例中，训练图像102包括第一样本数据集，其中第一样本数据集中的每个图像包括预先定义的新闻视频特征表示。例如，新闻视频特征表示可以是特定的新闻节目背景，或者是一个或多个新闻播音员，又或者是特殊的新闻字幕(例如蓝底白字的标题字幕栏)。当然，新闻视频特征表示还可以包括其他类似的项目，在此不做限定。
31.在生成训练图像102时，可以从大量不同类型的视频中分别截取图像。示例性地，可以对每个视频的前5
‑
15秒进行切帧，例如每秒切1帧从而生成10个图像。然后，从所生成的10个图像中随机选取一个或多个图像，并且根据上述新闻视频特征表示对这些图像进行标注。可选地，可以将这些图像缩放成统一的尺寸并使其具有统一的格式。例如，将图像调整成380*380尺寸、rgb格式的图像。
32.通过将标注后的图像作为训练图像102输入到计算设备104中的新闻视频检测模型106中，可以得到检测结果108。通过验证检测结果108，可以推断出模型收敛程度，进而确实是否已完成对新闻视频检测模型106的训练。
33.图2描述了根据本公开的实施例的用于训练新闻视频识别模型的方法的流程图。该方法例如可以由图1中的计算设备104或其它任意合适的设备来实现。新闻视频识别模型可以是神经网络模型，例如卷积神经网络模型。
34.在框202处，计算设备104获取多个视频文件中位于预定时间段中的图像帧。
35.在一些实施例中，从每个视频文件的预定时间段中均匀地获取多个图像帧。在一些实施例中，预定时间段是视频开始后的第5
‑
15秒。经统计，通常在视频的第5
‑
15秒期间的
图像帧中，新闻视频更高概率地具有体现新闻视频的特征，例如是包含新闻播音员的口播帧或者是包含新闻字幕的字幕帧。通过这种方式，能够更高效地获得用于训练模型的训练图像。
36.在一些实施例中，从每个视频文件的预定时间段中分别每秒截取一个图像帧，并且从这些图像帧中随机地选取一个图像帧，最后将所选取的图像帧缩放至预定尺寸。目前的网络视频的帧数通常是25
‑
30帧/秒，1秒内的图像帧通常仅具有细微的差别。为了能够提高样本的多样性，可以每秒截取一个图像帧并进行随机选取。另外，通过将图像帧调整到相同尺寸和格式，可以更利于模型训练。
37.在框204处，计算设备104基于由特定图像帧组成的第一样本数据集来训练新闻视频识别模型106，其中这些特定图像帧都具有预先定义的新闻视频特征表示。
38.在一些实施例中，新闻特征表示可以包括新闻节目背景、新闻播音员、新闻字幕中的一项或多项。通过这种方式，能够准确地对训练图像102进行标注。
39.在一些实施例中，还基于另外的第二样本数据集来训练新闻视频识别模型106，其中第二样本数据集中的图像帧具有不同于上述新闻视频特征表示的特征表示。
40.在训练二分类模型的情况下，第一样本数据集可以作为判断新闻视频的正样本，第二样本数据集可以作为负样本，输入到新闻视频识别模型106进行训练。此时，第二样本数据集中的图像帧是不具有上述新闻视频特征表示的图像帧。
41.在训练多分类模型的情况下，第一样本数据集可以作为判断新闻视频的样本，第二样本数据集可以作为判断其他类别视频的样本，例如电影视频、体育视频、游戏视频等。此时，第二样本数据集中的图像帧是具有相应特征表示的图像帧，该相应特征表示不同于新闻视频特征表示。
42.在一些实施例中，可以将从另外的视频文件中获得的另外的图像帧加入第一样本数据集，以用于进一步训练新闻视频识别模型106，其中这些另外的视频文件被新闻视频识别模型106识别为新闻视频。
43.为了获得高检测精度的模型，需要向模型提供大量的训练素材。然而，获得相关训练素材并进行标注是一件高成本高耗时的工作。为了解决该问题，可以采用分批次训练的方式。具体地，可以首先提供来自相对少量视频的训练图像102，对新闻视频接触模型106进行训练，获得第一版本的模型。然后，利用第一版本的模型，对其他视频进行检测，从而筛选出高概率属于新闻视频的视频文件。最后，从所筛选出的视频文件中截取图像帧，对其进行标注并作为新的训练图像102，以进一步地对新闻视频接触模型106进行迭代训练。通过这种方式，可以更高效地获取具有新闻视频特征表示的图像帧，从而更快速地增加样本数量。
44.在一些实施例中，可以将从另外的视频文件中获得的另外的图像帧加入第一样本数据集，以用于进一步训练新闻视频识别模型106，其中另外的视频文件是预先确定的新闻视频，并且被新闻视频识别模型106识别为非新闻视频。
45.在一些实施例中，可以将从另外的视频文件中获得的另外的图像帧加入第二样本数据集，以用于进一步训练新闻视频识别模型106，其中另外的视频文件是预先确定的非新闻视频，并且被新闻视频识别模型106识别为新闻视频。
46.在对模型进行大量训练后，仍然存在一些较难识别的样本，模型对这类难识别样本会得出错误的检测结果。对此，本公开的实施例将这些得出错误检测结果的难识别样本
重新进行标注，并且加入到相应的样本数据集中，以进一步地对新闻视频接触模型106进行迭代训练，从而强化新闻视频识别模型106对这类难识别视频帧的区分能力。通过这种方式，能够进一步地提升模型的识别准确率。
47.图3示出了用于实现根据本公开的实施例的环境示意图。该示例环境300包括计算设备304。计算设备304可以接收待检测视频302，从中获取多个图像帧310，并且将所获取的图像帧310输入到新闻视频检测模型306，以获得检测结果308。计算设备304最后输出该检测结果308，即待检测视频302是否为新闻视频。
48.计算设备304包括但不限于个人计算机、服务器计算机、手持或膝上型设备、多处理器系统、消费电子产品、小型计算机、大型计算机、包括上述系统或设备中的任意一个的分布式计算环境、云平台中的虚拟机或其他计算设备等。
49.在此的新闻视频检测模型306例如是结合上述模型训练环境和上述训练方法得到的经训练的检测模型。
50.图4描述了根据本公开的实施例的用于检测视频的方法的流程图。该方法例如可以由图3中的计算设备304或其它任意合适的设备来实现。
51.在框402处，计算设备304从待检测的视频文件302的预定时间段中获取多个图像帧。
52.在一些实施例中，从待检测的视频文件302的预定时间段中均匀地获取多个图像帧。在一些实施例中，预定时间段是待检测的视频文件302开始后的第3
‑
13秒。在该时间段中，待检测的视频文件302更高概率地包括用于检测的特征表示，特别是体现新闻视频的特征表示。由此，能够提高检测结果的准确性。
53.在一些实施例中，从待检测的视频文件302的预定时间段中分别每秒截取一个图像帧，并且将这些图像帧缩放至预定尺寸。通过这种方式，通过合理间隔的图像帧和合适尺寸，可以更利于视频检测，提高检测准确率。
54.在框404处，计算设备304将所获取的多个图像帧输入到新闻视频识别模型306。
55.在框406处，通过新闻视频识别模型306分别对每个图像帧进行检测并得到针对每个图像帧的中间检测结果。其中，在被识别为新闻视频的图像帧数量占总图像帧数量的比例超过预定阈值的情况下，将待检测的视频文件302识别为新闻视频。
56.假设阈值例如被设定为0.6。如果从待检测的视频文件302中截取了总共10个图像帧并分别输入到新闻视频识别模型306中得到10个中间检测结果，则当中间检测结果中存在6个以上指示是新闻视频时(即，10个图像帧中被识别为新闻视频的帧占比大于等于0.6时)，计算设备304最终给出待检测的视频文件302属于新闻视频的检测结果。应当理解，该阈值可以根据实际的模型性能和检测数据情况进行调节。
57.通过根据本公开的实施例的视频检测方法，可以基于模型更高效地检测出新闻视频，而不局限于特定的模板匹配，也不需针对每个模板特征进行单独匹配。由此能够很大程度地缩短检测时间并降低检测复杂度。通过准确识别出新闻视频，可以对这类视频进行更精准的后续处理。例如降低不具有时效性的新闻视频的推荐分发，从而提高用户的使用体验。
58.图5示出了根据本公开的实施例的用于训练新闻视频识别模型的装置的框图。如图5所示，装置500可以包括：第一图像获取模块502，被配置为从多个视频文件中的每个视
频文件的第一预定时间段中获取图像帧；和模型训练模块504，被配置为基于第一样本数据集，训练新闻视频识别模型，其中第一样本数据集包括所获取的图像帧中具有定义的新闻视频特征表示的图像帧。
59.在一些实施例中，模型训练模块504可以进一步被配置为：基于第二样本数据集，训练新闻视频识别模型，其中第二样本数据集包括所获取的图像帧中具有不同于新闻视频特征表示的特征表示的图像帧。
60.在一些实施例中，装置500还可以包括第一样本扩展模块，被配置为：将从另外的视频文件中获得的另外的图像帧加第一样本数据集，以用于进一步训练新闻视频识别模型，其中另外的视频文件被新闻视频识别模型识别为新闻视频。
61.在一些实施例中，装置500还可以包括第二样本扩展模块，被配置为：将从另外的视频文件中获得的另外的图像帧加入第一样本数据集，以用于进一步训练新闻视频识别模型，其中另外的视频文件是预先确定的新闻视频，并且被新闻视频识别模型识别为非新闻视频。
62.在一些实施例中，装置500还可以包括第三样本扩展模块，被配置为：将从另外的视频文件中获得的另外的图像帧加入第二样本数据集，以用于进一步训练新闻视频识别模型，其中另外的视频文件是预先确定的非新闻视频，并且被新闻视频识别模型识别为新闻视频。
63.在一些实施例中，第一图像获取模块502可以进一步被配置为：从第一预定时间段中均匀地获取多个图像帧。
64.在一些实施例中，第一预定时间段为视频文件的前5
‑
15秒。
65.在一些实施例中，第一图像获取模块502可以进一步被配置为：从每个视频文件的第一预定时间段中分别每秒截取一个图像帧，以获取对应该视频文件的多个图像帧；从多个图像帧中随机地选取一个图像帧；以及将所选取的图像帧缩放至预定尺寸。
66.在一些实施例中，新闻视频特征表示被设定为包括以下至少一项：新闻节目背景；新闻播音员；新闻字幕。
67.图6示出了根据本公开的实施例的用于检测视频的装置的框图。如图6所示，装置600可以包括：第二图像获取模块602，被配置为从待检测的视频文件的第二预定时间段中获取多个图像帧；输入模块604，被配置为将多个图像帧输入新闻视频识别模型；和识别模块606，被配置为在多个图像帧中被识别为新闻视频的图像帧数量占多个图像帧的总图像帧数量的比例超过预定阈值的情况下，将待检测的视频文件识别为新闻视频。
68.在一些实施例中，第二图像获取模块602可以进一步被配置为：从第二预定时间段中均匀地获取多个图像帧。
69.在一些实施例中，第二预定时间段可以被设定为待检测的视频文件的前3
‑
13秒。
70.在一些实施例中，第二图像获取模块602可以进一步被配置为：从待检测的视频文件的第二预定时间段中分别每秒截取一个图像帧，以获取多个图像帧；以及将多个图像帧缩放至预定尺寸。
71.在一些实施例中，新闻视频识别模型通过根据本公开的用于训练新闻视频识别模型的装置500进行训练。
72.根据本公开的实施例，还提供了相应的电子设备和相应的计算机可读的存储介
质。
73.图7示出了能够实施本公开的多个实施例的计算设备700的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
74.如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
75.设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
76.计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如过程300、400、500。例如，在一些实施例中，过程300、400、500可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的过程300、400、500的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行过程300、400、500。
77.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
78.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
79.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd
‑
rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
80.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
81.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
82.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。
83.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
84.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。