电导率与流型背景预测方法、图像重建方法、设备及介质与流程

1.本发明属于图像处理技术领域，特别涉及一种电导率与流型背景预测方法、图像重建方法、设备及介质。


背景技术：

2.作为目前过程层析成像技术(pt)的研究热点之一，电阻层析成像(electrical resistance tomography，简记ert)技术在冶金、石油、造纸、环境工程等诸多工业领域具有广阔的应用前景，与核磁共振等其他pt技术相比，它具有成本低廉、结构简单、安全性好以及易操作等优点。
3.采用ert技术获取测量区域内的电导率分布情况，从而间接的进行电导率的测量。根据敏感场反投影算法可得：
[0004][0005]
其中，表示测量区域内的电导率分布，b为测量区域被划分的子域数量；σ0是初始管道内充满水时的电导率参考值；为敏感场矩阵，其中a是独立测量的电阻抗数量；分别表示测量时和初始参考时的流体阻抗值；
·
/表示对应元素值相除。
[0006]
上述方法中，为了获取传感器在管道内充满水时的r
r
，ert系统需要在运行前灌满水并记录下r
r
值。然而在系统运行时，如果环境因素如温度等发生变化，则需要更新r
r
值，意味着系统要停止运行重新灌满水测量。但在实际情况下，系统运行后不允许频繁停止运行，因此会造成测量误差。


技术实现要素：

[0007]
本说明书实施例的目的是提供一种电导率与流型背景预测方法、图像重建方法、设备及介质。
[0008]
为解决上述技术问题，本技术实施例通过以下方式实现的：
[0009]
第一方面，本技术提供一种电导率与流型背景预测方法，该方法包括：
[0010]
获取管道内充满空气时的第一电容频谱数据及管道内当前流体的第二电容频谱数据；
[0011]
将第一电容频谱数据与第二电容频谱数据的电容差频谱数据，输入预建神经网络，输出管道内当前流体的流型背景及电导率。
[0012]
在其中一个实施例中，第一电容频谱数据和/或第二电容频谱数据为采用复值多频电容层析成像装置测量的复值电容频谱数据。
[0013]
在其中一个实施例中，复值多频电容层析成像装置包括若干电极传感器，若干电极传感器设置于管道外壁。
[0014]
在其中一个实施例中，预建神经网络采用改进的resnet神经网络。
[0015]
在其中一个实施例中，将第一电容频谱数据与第二电容频谱数据的电容差频谱数据，输入预建神经网络，包括：
[0016]
将第一电容频谱数据与第二电容频谱数据均进行归一化处理，得到第一归一化电容频谱数据和第二归一化电容频谱数据；
[0017]
将第一归一化电容频谱数据和第二归一化电容频谱数据的归一化电容差频谱数据，输入预建神经网络。
[0018]
第二方面，本技术提供一种图像重建方法，该方法包括：
[0019]
根据第一方面的电导率与流型背景预测方法预测的当前流体的流型背景及电导率，选取预测的流型背景的电容频谱数据作为线性点进行图像重建。
[0020]
在其中一个实施例中，预测的当前流体的流型背景为空气；
[0021]
选取预测的流型背景的电容频谱数据作为线性点进行图像重建，包括：
[0022]
选取第一电容频谱数据作为线性点进行图像重建。
[0023]
在其中一个实施例中，预测的当前流体的流型背景为水；
[0024]
选取预测的流型背景的电容频谱数据作为线性点进行图像重建，包括：
[0025]
根据预测的电导率，获取电导率对应的管道内充满水时的第三电容频谱数据；
[0026]
选取第三电容频谱数据作为线性点进行图像重建。
[0027]
第三方面，本技术提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的电导率与流型背景预测方法和/或第二方面的图像重建方法。
[0028]
第四方面，本技术提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的电导率与流型背景预测方法和/或第二方面的图像重建方法。
[0029]
由以上本说明书实施例提供的技术方案可见，该方案通过获取管道内充满空气时的第一电容频谱数据和管道内当前流体的第二电容频谱数据，即可预测管道内当前流体的流型背景及电导率，无需采集管道内充满水时的电容频谱数据，能够简化系统运行步骤，并且不会受环境因素影响等造成的误差。
附图说明
[0030]
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0031]
图1为本技术提供的电导率与流型背景预测方法的流程示意图；
[0032]
图2为本技术提供的四种典型气水两相流流型分布示意图；
[0033]
图3为图2对应的四种流型得到的电容差频谱图；
[0034]
图4为本技术提供的预建神经网络的框架示意图；
[0035]
图5为本技术提供的电子设备的结构示意图。
具体实施方式
[0036]
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
[0037]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
[0038]
在不背离本技术的范围或精神的情况下，可对本技术说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本技术的说明书得到的其他实施方式对技术人员而言是显而易见得的。本技术说明书和实施例仅是示例性的。
[0039]
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
[0040]
本技术中的“份”如无特别说明，均按质量份计。
[0041]
相关技术中，采用ert技术获取测量区域内的电导率分布情况，从而间接的进行电导率的测量时，为了获取传感器在管道内充满水时的r
r
，ert系统需要在运行前灌满水并记录下r
r
值。然而在系统运行时，如果环境因素如温度等发生变化，则需要更新r
r
值，意味着系统要停止运行重新灌满水测量。但在实际情况下，系统运行后不允许频繁停止运行，因此会造成测量误差。
[0042]
基于上述缺陷，本技术提出一种电导率与流型背景预测方法，无需采集管道内充满水时的阻抗值，减小了由于测量管道内充满水时的阻抗值漂移带来的误差。
[0043]
下面结合附图和实施例对本发明进一步详细说明。
[0044]
参照图1，其示出了适用于本技术实施例提供的电导率与流型背景预测方法的流程示意图。
[0045]
如图1所示，电导率与流型背景预测方法，可以包括：
[0046]
s110、获取管道内充满空气时的第一电容频谱数据及管道内当前流体的第二电容频谱数据；
[0047]
s120、将第一电容频谱数据与第二电容频谱数据的电容差频谱数据，输入预建神经网络，输出管道内当前流体的流型背景及电导率。
[0048]
可选的，第一电容频谱数据和/或第二电容频谱数据为采用复值多频电容层析成像装置测量的复值电容频谱数据。复值多频电容层析成像装置包括若干电极传感器，若干电极传感器设置于管道外壁。
[0049]
可选的，将第一电容频谱数据与第二电容频谱数据的电容差频谱数据，输入预建神经网络，包括：
[0050]
将第一电容频谱数据与第二电容频谱数据均进行归一化处理，得到第一归一化电容频谱数据和第二归一化电容频谱数据；
[0051]
将第一归一化电容频谱数据和第二归一化电容频谱数据的归一化电容差频谱数
据，输入预建神经网络。
[0052]
具体的，复值多频电容层析成像(complex
‑
valued multi
‑
frequency electrical capacitance tomography，cvmf
‑
ect)是一种非侵入式、非接触式和无辐射的新兴成像技术，可用于重建多相流的复介电常数分布。由于采用了复值测量技术，cvmf
‑
ect可以有效测量含导电相的多相流的复值多频电容数据，即复值电容频谱。复值电容频谱中包含比传统电容数据更多的信息，比如电容值随频率变化的趋势和电容实部与虚部间的相对大小关系，拓宽了电容层析成像技术的应用范围。
[0053]
可以理解的，复值多频电容层析成像装置包括若干电极传感器，若干电极传感器可以等间距的设置于管道外壁。如图2所示，复值多频电容层析成像装置采用8电极传感器，分别用1，2，...，8表示。每个电极传感器还连接有测量电路，用于测量任意两个电极传感器之间的复值电容，获取设定频率范围内的复值电容，即可得到电容频谱数据，将电容频谱数据可以发送至电导率与流型背景预测方法的执行主体。可以理解的，管道内充满空气时的第一电容频谱数据可以预先存储于存储介质或存储设备等具备存储功能的独立或部件中。电导率与流型背景预测方法的执行主体从存储介质或存储设备等中进行读取得到。
[0054]
根据电磁学理论，cvmf
‑
ect测量的复值电容c可由式(1)计算：
[0055][0056]
其中，v为电极传感器电极对间的电位差；ε(x，y)和σ(x，y)分别为测量区域的介电常数分布和电导率分布；f为电路激励频率；γ为积分面积；φ(x，y)为电势分布；s为电极传感器的面积；为电极传感器的电极面的法向量。
[0057]
如图2(包括图2a、2b、2c、2d)所示为四种典型气水两相流流型，图2a所示为流型分布s1：水背景单棒；图2b所示为流型分布s2：水背景双棒；图2c所示为流型分布s3：空气背景单棒；图2d所示为流型分布s4：空气背景双棒。图2中cvmf
‑
ect装置采用8电极传感器，分别用1，2，...，8表示(其中图2b、2c、2d中未标识电极传感器的编号)。图2中管道的外径为60mm，内径为56mm；水背景和空气背景下的单棒直径为24mm，位于测量区域正中央；双棒直径为15mm，分别靠近1电极和4电极。
[0058]
由于图2中的4种两相流都含有导电水，由式(1)可知，这时使用cvmf
‑
ect测得的复值电容会随着频率变化。因此，可以得到这四种流型得到的电容差频谱图，如图3(包括图3a、3b、3c、3d)所示，其中，图3a、3b、3c、3d分别为图2a、2b、2c、2d对应的电容差频谱图。图3中c
air
为管道内充满空气时的电容测量值(即第一电容频谱数据)，c
s1
、c
s2
、c
s3
和c
s4
分别为图3中四种流型的电容测量值(即第二电容频谱数据)；横轴为σ/f，范围为10
‑5‑
101s/(m
·
mhz)；左纵轴表示复值电容差的实部，右纵轴表示复值电容差的虚部。由于测量时采用的是8电极传感器，因此有28个独立复值电容测量值，由δc
r
和δc
i
分别表示复值电容差的实部和虚部。这里选取电极1、2与电极1、5之间的电容差，即和为代表进行分析。
[0059]
测量时，激励频率设定为从0.1mhz到1mhz，步长为0.1mhz，所以图3中反映的电导率范围为10
‑5‑
1s/m。当σ/f的值太小(＜10
‑4)或太大(＞0.1)时，δc
r
和δc
i
几乎不变，所以很难根据此时的频谱图区分不同的电导率。下述以0.001s/m和0.01s/m两种电导率对应的
频谱图举例，来说明电导率可由频谱数据进行区分。
[0060]
图3中，斜线阴影区域代表0.001s/m电导率下的频谱图。在图3a中，随着σ/f的增加，在开始时缓慢的在减小，而后加速减小；而一直在增加，直到达到了最高点后略微回落；则是加速增加；而减小到了最小值后略微增加。从图3b中可以看出，同为水背景的流型分布s2的δc
r
和δc
i
与图3a中的非常相似。而空气背景下，图3c和图3d中电容的总体变化趋势与水背景下的有所不同：和变化趋势和水背景下的相似，但是更缓；而和变化很小。以上就是在电导率0.001s/m时，各流型分布频谱图的特征趋势。根据这些当电导率为0.001s/m时才有的特征趋势，就能够从测量所得的频谱中识别出这种电导率。同理，分析灰色阴影区域代表的0.01s/m电导率下的频谱图，可以发现此时电容的变化趋势变得很不一样：随着σ/f的增加，对于所有四种分布，在开始时迅速减小，而后趋于平稳；一直在减小；对于图3a、3b对应的水背景分布，的趋势则是加速增加；而对于图3c、3d对应的空气背景分布，的变化趋势与水背景下的相似，但是更平缓；四种分布的趋势与各自的趋势相似。
[0061]
通过以上分析可以看出，无论是空气背景还是水背景分布，其0.001s/m电导率下的频谱图与0.01s/m下的各有不同的特征趋势，而这些特征趋势可以帮助识别不同的电导率。
[0062]
在一个实施例中，上述预建神经网络可以采用改进的resnet神经网络，预建神经网络框架如图4所示。采用改进的resnet神经网络，可以有效地提取电容频谱数据的信息，对背景和电导率进行准确的预测。
[0063]
预建神经网络的输入是电容差频谱数据(或归一化后的电容差频谱数据)，维度为10
×
56；第一个卷积的卷积核尺寸为7
×
7，输出通道数为16；第一到四层的卷积组中的卷积核尺寸均为3
×
3，输出通道数分别为16、32、64、128，步长分别为1
×
1、1
×
2、1
×
2、1
×
2。背景预测分支的全连接层输出为1
×
2，其中最大值所在的位置即为背景的最终预测结果，结果为1代表预测为空气背景，2代表水背景。可以理解的，背景预测分支的全连接层输出根据实际预测的流型背景数进行确定，即预测的流型背景数为3时，背景预测分支的全连接层输出为1
×
3。电导率预测分支的全连接层输出为1
×
4，其中最大值所在的位置即为电导率的最终预测结果，1
‑
4分别表示预测的电导率为0.001s/m，0.005s/m，0.01s/m或0.05s/m。可以理解的，电导率预测分支的全连接层输出根据实际预测的电导率数量进行确定，即预测的电导率数量为6时，电导率预测分支的全连接层输出为1
×
6。
[0064]
训练过程中各分支的损失函数采用交叉熵损失函数：
[0065][0066]
背景预测分支的损失函数为l
b
，电导率预测分支的损失函数为l
c
。
[0067]
其中，x是预建神经网络的预测结果，k是真实值，k是类别数，例如，背景预测分支的l
b
中的k＝2，电导率预测分支的l
c
中的k＝4。
[0068]
预建神经网络在训练时使用的总损失函数为l
cp
：
[0069]
l
cp
＝λ1l
b
λ2l
c
ꢀꢀꢀ
(3)
[0070]
其中，λ1和λ2分别是背景预测分支的损失函数和电导率预测分支的损失函数的权重，可以根据实际需求进行设定。例如，λ1为0.1，λ2为0.9。
[0071]
训练所用数据可以由仿真所得，包括水背景下不同直径和位置的空气单棒与双棒分布，和空气背景下不同直径和位置的水单棒与双棒分布，以及不同高度和斜度的层流(层流设定为水背景)在0.001s/m、0.005s/m、0.01s/m和0.05s/m四种电导率下的电容频谱数据。通过加入噪声进行数据增强后共有42000组训练数据。训练时使用pytorch框架，在两块英伟达1070ti gpu上进行，采用adam优化器使用5e
‑
5的学习率优化15轮次。
[0072]
通过实验验证本技术的实际效果。实验流型如表1中的第一列所示，共有7种，其中，灰色为水，白色为空气。实验数据由是德科技公司的e4990a型号阻抗分析仪采集，最终的电导率预测结果列举在表1中。通过本文发明的方法，背景预测的准确率达到了100％，水背景下电导率预测的准确率也达到了100％；空气背景下电导率预测的准确率达到了87.5％，但是，空气背景下即使电导率预测错误，不会影响后续的成像结果。
[0073]
表1实验数据电导率预测结果
[0074][0075][0076]
本技术实施例通过获取管道内充满空气时的第一电容频谱数据和管道内当前流体的第二电容频谱数据，即可预测管道内当前流体的流型背景及电导率，无需采集管道内充满水时的电容频谱数据，能够简化系统运行步骤，并且不会受环境因素影响等造成的误差。
[0077]
本技术预建神经网络，直接利用cvmf
‑
ect装置测量所得的复值电容频谱数据进行电导率的预测，无需额外安装电导率传感器。
[0078]
本技术根据复值电容频谱数据在不同电导率下的特征趋势对电导率和流型背景进行识别，复值电容频谱数据由cvmf
‑
ect系统采集，无需接触流体，做到了非接触、非侵入测量电导率。并且从表1的实验效果来看，可以准确的判断流型分布的背景以及预测电导率
大小。
[0079]
为了简化计算，cvmf
‑
ect采用线性化方法进行成像问题的求解，并且将复值划分为实部和虚部两部分。通过引入线性点，可以将cvmf
‑
ect的正问题构建为：
[0080][0081]
式中，分别是由于复介电常数扰动引起的复值电容实部和虚部变化；分别是复介电常数从线性点扰动的实部和虚部的变化值，其中δε
r
代表介电常数的变化值；是δε
r
，δε
i
映射到δc
r
的雅可比矩阵，而是δε
r
，δε
i
映射到δc
i
的雅可比矩阵。上标m根据cvmf
‑
ect传感器电极传感器数量n确定，对于n个电极传感器构成的成像系统，独立测量的电容值数目为m＝n(n
‑
1)/2。而上标n为测量区域介电常数成像的像素点数量。为简化书写，可将式(4)写为：
[0082]
c＝jg
ꢀꢀꢀ
(5)
[0083]
式中，
[0084]
通过求解式(5)的逆问题，便可以得到cvmf
‑
ect重建的介质分布图像。通常式(5)的逆问题可以通过表述为以下优化问题求解：
[0085][0086]
s.t.c＝jg
ꢀꢀꢀ
(6)
[0087]
式中l(
·
)和分别表示正则化函数和正则化参数。
[0088]
在线性化方法中，线性点的选取至关重要。如果线性点选取不恰当，重建的图像会有严重的畸变。线性点是依据流型背景和水的电导率而设定的，基于上述电导率与流型背景预测方法对流型背景和电导率进行了预测，可以选取恰当的线性点。
[0089]
本技术还提出了基于上述电导率与流型背景预测方法预测的电导率及流型背景进行的图像重建方法。
[0090]
图像重建方法，可以包括：根据上述的电导率与流型背景预测方法预测的当前流体的流型背景及电导率，选取预测的流型背景的电容频谱数据作为线性点进行图像重建。
[0091]
可选的，预测的当前流体的流型背景为空气；
[0092]
选取预测的流型背景的电容频谱数据作为线性点进行图像重建，包括：
[0093]
选取第一电容频谱数据作为线性点进行图像重建。
[0094]
可选的，预测的当前流体的流型背景为水；
[0095]
选取预测的流型背景的电容频谱数据作为线性点进行图像重建，包括：
[0096]
根据预测的电导率，获取电导率对应的管道内充满水时的第三电容频谱数据；
[0097]
选取第三电容频谱数据作为线性点进行图像重建。
[0098]
经过背景预测和电导率预测后，选取0.5mhz激励频率下的复值电容数据采用tikhonov算法进行成像，结果列举在表2中，灰色区域代表水，像素值设为1；白色区域代表空气，像素值设为0。δε表示重建的介电常数分布，δσ表示重建的电导率分布。
[0099]
表2实验数据成像结果
[0100][0101]
可以看出，当线性点选取不合适时，即在水背景分布下用空气线性点进行成像或者在空气背景分布下用水线性点进行成像，成像会有严重的伪影，无法识别真实分布。而通过本技术的电导率与流型背景预测方法先进行空气背景和电导率的预测之后，可为各流型分布提供合适的线性点，大大提高成像质量，减少了伪影。
[0102]
本实施例图像重建方法，基于电导率与流型背景预测方法，在不接触流体的情况下，能够实时准确的预测选定的电导率以及流型背景，为图像重建提供了适合的线性点，从而提高重建图像的质量。
[0103]
图5为本发明实施例提供的一种电子设备的结构示意图。如图5所示，示出了适于用来实现本技术实施例的电子设备500的结构示意图。
[0104]
如图5所示，电子设备500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram 503中，还存储有设备500操作所需的各种程序和数据。cpu 501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
[0105]
以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口506。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
[0106]
特别地，根据本公开的实施例，上文参考图1描述的过程可以被实现为计算机软件
程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，计算机程序包含用于执行上述电导率与流型背景预测方法和/或图像重建方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。
[0107]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0108]
描述于本技术实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
[0109]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、笔记本电脑、行动电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0110]
作为另一方面，本技术还提供了一种存储介质，该存储介质可以是上述实施例中前述装置中所包含的存储介质；也可以是单独存在，未装配入设备中的存储介质。存储介质存储有一个或者一个以上程序，前述程序被一个或者一个以上的处理器用来执行描述于本技术的电导率与流型背景预测方法和/或图像重建方法。
[0111]
存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd
‑
rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0112]
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0113]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实
施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。