一种基于红外图像和机器学习的绝缘子故障诊断方法与流程

1.本发明属于电力设备运行与维护领域，涉及了一种基于红外图像和机器学习的绝缘子故障诊断方法。


背景技术：

2.绝缘子的在线监控与劣化诊断对于维护电力系统的安全稳定运行具有重要意义。在电网运行中，电力设备部件因绝缘破损、接触面氧化腐蚀、设计载流量不足等原因导致的劣化及过热运行，会引起具有异于常态的温度分布。红外热像法基于视场内待测物体的辐射量差异，即响应辐射量的相对变化值，得到待测物体温升分布的热像图，依据温升曲线的异常分布，检测出待测设备是否劣化故障。但目前，同时融入红外图像和机器学习的绝缘子故障诊断方法还没有见到相关报道。


技术实现要素：

3.有鉴于此，本发明的目的之一是提供一种基于红外图像和机器学习的绝缘子故障诊断方法。实现了将红外图像和机器学习有机融合，对绝缘子故障进行精准、高效、智能化地诊断，有效地提高绝缘子在线故障诊断的效率。
4.本发明的目的之一是通过以下技术方案实现的：
5.本发明的一种基于红外图像和机器学习的绝缘子故障诊断方法，包括以下步骤：
6.步骤s1：进行样本准备；
7.步骤s2：进行绝缘子红外图像预训练；
8.步骤s3：进行空间金字塔池化操作；
9.步骤s4：进行识别和检测；
10.步骤s5：进行网络训练；
11.步骤s6:进行绝缘子红外图像状态判别。
12.进一步的，所述步骤s1包括如下子步骤：
13.步骤s11：通过现场拍摄和采集绝缘子红外图像
14.步骤s12：对数据进行如下标准化处理，
[0015][0016]
式中：为第i张原始图像的均值，为原始图像的标准差，为标准化之后的图像；
[0017]
步骤s13：对进行随机旋转角度处理进得到xi，提高模型的鲁棒性，同时可增加样本量；
[0018]
步骤s14：对xi提取r、g、b三通道分量，分别记为v
ri
,v
gi
,v
bi
；
[0019]
步骤s15：进行绝缘子红外图像数据集标注，记yi为如果第i张图像xi里绝缘子是否
有故障的标签，如有故障，则标签为yi＝1，否则标签yi＝0yi＝0
[0020]
步骤s16：对红外图像xi，在绝缘子红外xi图像中，寻找过热区域，提取过热区域作为种子seed，其在图像xi中坐标为(x
seed
,y
seed
)，其对应的rgb 三通道分量值为v
ri
(x
seed
,y
seed
)，v
gi
(x
seed
,y
seed
)，v
bi
(x
seed
,y
seed
)；
[0021]
步骤s17：分别在r、g、b三个通道中，计算以种子为中心的8个方向(垂直、水平以及两个对角方向)的差值，以r通道为例：
[0022]
r通道水平方向：
[0023]
dv
rh,1
＝vr(x
seed
,y
seed
)-vr(x
seed
1,y
seed
)
[0024]
dv
rh,2
＝vr(x
seed
,y
seed
)-vr(x
seed-1,y
seed
)
[0025]
r通道平方向：
[0026]
dv
rv,1
＝vr(x
seed
,y
seed
)-vr(x
seed
,y
seed
1)
[0027]
dv
rv,2
＝vr(x
seed
,y
seed
)-vr(x
seed
,y
seed-1)
[0028]
r通道水平方向：
[0029]
dv
rs,1
＝vr(x
seed
,y
seed
)-vr(x
seed-1,y
seed-1)
[0030]
dv
rs,2
＝vr(x
seed
,y
seed
)-vr(x
seed-1,y
seed
1)
[0031]
dv
rs,3
＝vr(x
seed
,y
seed
)-vr(x
seed
1,y
seed-1)
[0032]
dv
rs,4
＝vr(x
seed
,y
seed
)-vr(x
seed
1,y
seed
1)
[0033]
同理可得g、b两个通道上八个方向的差；
[0034]
步骤s18：计算八个方向与种子点的欧式距离；
[0035]
步骤s19：设置阈值δ，如果max(dv
ri
,i∈{1,2,...,8})≤δ，则将该点与种子点合并，否则将该点与种子点分割。
[0036]
进一步的，所述步骤s2包括如下子步骤：
[0037]
步骤s21：每次从训练集取y张缘子红外图像，对绝缘子红外图像xi通过 cnn自编码网络进行无监督学习；y为正整数；
[0038]
步骤s22：去掉cnn自编码器的decoder部分，只保留cnn自编码器的encoder 部分。
[0039]
进一步的，所述步骤s3包括如下子步骤：
[0040]
步骤s31：将cnn自编码器的encoder部分的第四层卷积层的输出分别分割成三个不同尺寸的网格，并在三个不同尺寸的大小图像里设置候选区域 d1，d2，其中d1为绝缘子区域，d2为非绝缘子区域；
[0041]
步骤s32：为了突出绝缘子的边缘以及故障特征，对三个不同尺寸的大小图像进行max池化操作，得到x
16
,x4,x4三个特征；
[0042]
进一步的，所述步骤s4包括如下子步骤：
[0043]
步骤s41：将x
16
,x4,x1三个特征通过一个全连接网络netc，并对其进行大小调整，得到类别特征矩阵xc，即：
[0044]
xc＝relu(wc[x
16
,x4,x1]' bc)
[0045]
其中wc和bc为全连接网络netc的权重和偏置；
[0046]
步骤s42：将xc通过softmax得到包含每个类的预测分数，即计算每个区域中各个类别的概率，具体形式如下：
[0047][0048]
其中c1，c2分别表示绝缘子正常的红外图像和故障图像，xc为类别特征矩阵，[s
class
(xc)]
ij
为对于第ci,i∈{1,2}类而言，金字塔池化后的列向量xc(i,:)属于第i个类的概率，xc(i,:)为xc的第i行，为xc的第i行第j元素；
[0049]
步骤s43：将x
16
,x4,x1三个特征通过一个全连接网络netd，并将大小调整至2*256，得到类别特征矩阵xd，即：
[0050]
xd＝relu(wd[x
16
,x4,x1]' bd)
[0051]
其中wd和bd为全连接网络netd的权重和偏置；
[0052]
步骤s44：将xd通过softmax得到包含每个类的预测分数，即计算每个区域中正常和故障类别的概率，具体形式如下：
[0053][0054]
其中r1，r2分别表示绝缘子区域和非绝缘子区域，xd为类别特征矩阵， [s
zone
(xd)]
ij
为对于第ri,i∈{1,2}类而言，金字塔池化后的列向量xd(i,:)属于区域 i的概率，xd(i,:)为xc的第i行，为xd的第i行第j元素；
[0055]
步骤s45：将每个类的预测分数和每个区域的预测分数进行卷积，即：
[0056][0057]
这里表示卷积运算，xr为每个区域的最终得分；
[0058]
步骤s46：计算整个红外图像故障概率，即：
[0059][0060]
这里y
p
为红外图像级故障概率矩阵，为每个区域的得分xr的第j列。
[0061]
进一步的，所述步骤s5包括如下子步骤：
[0062]
步骤s51：计算损失函数：
[0063][0064]
其中j(w)为网络的损失函数，w为整个网络的权重和偏置矩阵(包括cnn 自编码器的encoder、全连接网络netc和netd)，x＝y
ki
(y
p
(k,i)-0.5) 0.5，这里 y
p
(k,i)为红外图像级故障概率矩阵y
p
第k行第i列元素，为正则项，w2为权重矩阵的二范数，λ为正则化系数，α控制损失函数的鲁棒性；
[0065]
步骤s52：采用nadam算法更新权重：
[0066][0067]mt
＝γm
t-1
ηg
t
[0068]wt 1
＝w
t-m
t
[0069]
其中w
t 1
和w
t
为第t 1和t次的权重和偏置，m
t
表示第t次的梯度动量，m
t-1
为第t-1次的梯度动量，γ＝0.6，η＝0.2，g
t
为t-1次的梯度；
[0070]
步骤s53：训练网络直至收敛。
[0071]
进一步，所所述步骤s6是将新的绝缘子红外图像输入训练好的网络中，如果输出结果大于0.8，则该绝缘子有故障，否则为正常的绝缘子。
[0072]
进一步，所述步骤s21中，
[0073]
所述步骤s21中，设置cnn结构和参数如下：
[0074][0075][0076]
进一步，λ为正则化系数，取0.2，α控制损失函数的鲁棒性，取0.8。
[0077]
本发明的目的之二是提供一种基于红外图像和机器学习的绝缘子故障诊断装置，包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前所述的方法。
[0078]
本发明的有益效果是：本专利基于绝缘子的红外图像，将cnn自编码网络在绝缘子红外图像数据集上使用图像分类任务进行预训练，提取绝缘子红外图像区域级的原始特征，接着在最后一层卷积层得到的特征映射层上设置候选区域，然后进行空间金字塔池化操作，通过将空间金字塔池化结果分别经过识别网络和分类网络，并将识别网络和检测网络和结果拼在一起，并经过全连接网络得到预测的绝缘子红外图像故障状态。从而实现了
将红外图像和机器学习有机融合，对绝缘子故障进行精准、高效、智能化地诊断。
[0079]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。
附图说明
[0080]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
[0081]
图1为实施例中的绝缘子红外图像金字塔池化的过程示意图。
具体实施方式
[0082]
以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
[0083]
本发明旨在提出一种从绝缘子红外图像判断绝缘子故障状态的方法，从而提高绝缘子在线故障诊断的效率。
[0084]
本发明中，令r表示整幅绝缘子红外图像，可以将分割任务等价为划分 n个子区域r1,r2,...,rn的过程：
[0085]
在绝缘子红外rgb图像中，寻找过热区域，本专利设置过热区域门槛值为50摄氏度，提取过热区域作为种子seed，其在图像中坐标为(x
seed
,y
seed
)，
[0086]
其rgb图像像素值为：
[0087]vr
(x
seed
,y
seed
)，vg(x
seed
,y
seed
)，vb(x
seed
,y
seed
)；
[0088]
将绝缘子红外rgb图像分离成r、g、b三个通道，分别在三个通道中，计算以种子为中心的8个方向(垂直、水平以及两个对角方向)的差值，以 r通道为例：
[0089]
r通道水平方向：
[0090]
dv
rh,1
＝vr(x
seed
,y
seed
)-vr(x
seed
1,y
seed
)
[0091]
dv
rh,2
＝vr(x
seed
,y
seed
)-vr(x
seed-1,y
seed
)
[0092]
r通道平方向：
[0093]
dv
rv,1
＝vr(x
seed
,y
seed
)-vr(x
seed
,y
seed
1)
[0094]
dv
rv,2
＝vr(x
seed
,y
seed
)-vr(x
seed
,y
seed-1)
[0095]
r通道水平方向：
[0096]
dv
rs,1
＝vr(x
seed
,y
seed
)-vr(x
seed-1,y
seed-1)
[0097]
dv
rs,2
＝vr(x
seed
,y
seed
)-vr(x
seed-1,y
seed
1)
[0098]
dv
rs,3
＝vr(x
seed
,y
seed
)-vr(x
seed
1,y
seed-1)
[0099]
dv
rs,4
＝vr(x
seed
,y
seed
)-vr(x
seed
1,y
seed
1)
[0100]
同理可得g、b两个通道上八个方向的差。
[0101]
计算八个方向与种子的欧式距离：
[0102]
dv1＝dv
rh,12
dv
gh,12
dv
bh,12
[0103]
dv2＝dv
rh,22
dv
gh,22
dv
bh,22
[0104]
dv3＝dv
rv,32
dv
gv,32
dv
bv,32
[0105]
dv4＝dv
rv,42
dv
gv,42
dv
bv,42
[0106]
dv5＝dv
rs,12
dv
gs,12
dv
bs,12
[0107]
dv6＝dv
rs,22
dv
gs,22
dv
bs,22
[0108]
dv7＝dv
rs,32
dv
gs,32
dv
bs,32
[0109]
dv8＝dv
rs,42
dv
gs,42
dv
bs,42
[0110]
本发明中，绝缘子红外图像所涉及绝缘子一般为正常和故障两种状态，故设置分类数为2，分别为c1，c2。
[0111]
同时，由于绝缘子红外图像一般较干净，且分成两个区域d1，d2，其中d1为绝缘子区域，d2为非绝缘子区域。
[0112]
绝缘子红外图像中需要定位绝缘子的具体位置，将上述得到的候选区域 d1，d2添加至最后一个卷积层上，进行绝缘子位置定位预测，然后将不同大小候选区域进行金字塔池化，将每个区域通过线性映射到5*256类别特征矩阵xc,接着通过softmax得到包含每个类的预测分数，即计算每个区域中各个类别的概率，具体形式如下：
[0113][0114]
其中xc为类别特征矩阵，[s
class
(xc)]
ij
为对于第ci,i∈{1,2}类而言，金字塔池化后的列向量xc(i,:)属于第i个类的概率，xc(i,:)为xc的第i行，为xc的第i行第j元素。
[0115]
另一方面，绝缘子红外图像中绝缘子和非绝缘子两个区域的边界通常有较大重叠，故边界像素点极有可能导致绝缘子定位错误，为此还需要候选区域添加d1,d2至最后一个卷积层上，将每个区域通过不同的线性映射到 2*256区域特征矩阵xd,接着通过softmax得到包含每个区域的预测分数，即正常和故障两类在所有区域中的概率，具体形式如下：
[0116][0117]
其中xd为类别特征矩阵，[s
zone
(xd)]
ij
为对于第ri,i∈{1,2}类而言，金字塔池化后的列向量xd(i,:)属于区域i的概率，xd(i,:)为xc的第i行，为xd的第i行第j元素。
[0118]
将每个类的预测分数和每个区域的预测分数进行卷积，即：
[0119][0120]
这里表示卷积运算，xr为每个区域的最终得分。
[0121]
对按区域得分排序，只留下可能性大的区域，得到绝缘子位于红外图像中最大可能区域。
[0122]
由于绝缘子故障的标注信息很少，还需进一步得到整个红外图像故障概率，即：
[0123]
[0124]
这里y
p
为红外图像级故障概率矩阵，为每个区域的得分xr的第j 列。
[0125]
对于网络的网损函数，为了提高网络的鲁棒性，本专利采用了一个新的损失函数，其中损失函数的鲁棒性可以改变，并可以在训练网络的同时训练这个超参数以提高性能。这比通过执行网格搜索交叉验证来寻找最佳损失所花费的时间要少得多，该损失函数的具体形式如下：
[0126][0127]
α控制损失函数的鲁棒性，ρ是尺度参数，在x＝0附近控制弯曲的尺度。
[0128]
故本专利的损失函数为：
[0129][0130]
其中w为整个网络的权重矩阵，x＝y
ki
(y
p
(k,i)-0.5) 0.5，这里y
p
(k,i)为红外图像级故障概率矩阵y
p
第k行第i列元素，为正则项，||w||2为权重矩阵的二范数，λ为正则化系数，本专利取0.2。
[0131]
综上，如图1所示，本实施例提出的基于红外图像的绝缘子故障诊断方法如下：
[0132]
步骤s1：样本准备；
[0133]
步骤s11：通过现场拍摄和采集绝缘子红外图像
[0134]
步骤s12：对数据进行如下标准化处理，
[0135][0136]
式中：为第i张原始图像的均值，为原始图像的标准差，为标准化之后的图像；
[0137]
步骤s13：对进行随机旋转角度处理进得到xi，提高模型的鲁棒性，同时可增加样本量；
[0138]
步骤s14：对xi提取r、g、b三通道分量，分别记为v
ri
,v
gi
,v
bi
(由于此技术已经非常成熟，且与本专利内容相关性不大，此处不再赘述)：
[0139]
步骤s15：进行绝缘子红外图像数据集标注，记yi为如果第i张图像xi里绝缘子是否有故障的标签，如有故障，则标签为yi＝1，否则标签yi＝0yi＝0
[0140]
步骤s16：对红外图像xi，在绝缘子红外xi图像中，寻找过热区域，(本实施例中，设置过热区域门槛值为50摄氏度，当然，也可以根据需要选择其他温度)提取过热区域作为种子seed，其在图像xi中坐标为 (x
seed
,y
seed
)，其对应的rgb三通道分量值为 v
ri
(x
seed
,y
seed
)，v
gi
(x
seed
,y
seed
)，v
bi
(x
seed
,y
seed
)；
[0141]
步骤s17：分别在r、g、b三个通道中，计算以种子为中心的8个方向 (垂直、水平以
及两个对角方向)的差值，以r通道为例：
[0142]
r通道水平方向：
[0143]
dv
rh,1
＝vr(x
seed
,y
seed
)-vr(x
seed
1,y
seed
)
[0144]
dv
rh,2
＝vr(x
seed
,y
seed
)-vr(x
seed-1,y
seed
)
[0145]
r通道平方向：
[0146]
dv
rv,1
＝vr(x
seed
,y
seed
)-vr(x
seed
,y
seed
1)
[0147]
dv
rv,2
＝vr(x
seed
,y
seed
)-vr(x
seed
,y
seed-1)
[0148]
r通道水平方向：
[0149]
dv
rs,1
＝vr(x
seed
,y
seed
)-vr(x
seed-1,y
seed-1)
[0150]
dv
rs,2
＝vr(x
seed
,y
seed
)-vr(x
seed-1,y
seed
1)
[0151]
dv
rs,3
＝vr(x
seed
,y
seed
)-vr(x
seed
1,y
seed-1)
[0152]
dv
rs,4
＝vr(x
seed
,y
seed
)-vr(x
seed
1,y
seed
1)
[0153]
同理可得g、b两个通道上八个方向的差。
[0154]
步骤s18：计算八个方向与种子点的欧式距离：
[0155]
dv1＝dv
rh,12
dv
gh,12
dv
bh,12
[0156]
dv2＝dv
rh,22
dv
gh,22
dv
bh,22
[0157]
dv3＝dv
rv,32
dv
gv,32
dv
bv,32
[0158]
dv4＝dv
rv,42
dv
gv,42
dv
bv,42
[0159]
dv5＝dv
rs,12
dv
gs,12
dv
bs,12
[0160]
dv6＝dv
rs,22
dv
gs,22
dv
bs,22
[0161]
dv7＝dv
rs,32
dv
gs,32
dv
bs,32
[0162]
dv8＝dv
rs,42
dv
gs,42
dv
bs,42
[0163]
步骤s19：设置阈值δ，如果max(dv
ri
,i∈{1,2,...,8})≤δ，则将该点与种子点合并，否则将该点与种子点分割；本实施例中，设置δ＝10，当然也可以根据需要将该参数设置成其它。
[0164]
步骤s2：绝缘子红外图像预训练,包括如下子步骤：
[0165]
步骤s21：每次从训练集取y张缘子红外图像，对绝缘子红外图像xi通过cnn自编码网络进行无监督学习，本实施例中，y为正整数，取值为100，设置cnn结构和参数如下：
[0166][0167][0168]
步骤s22：去掉cnn自编码器的decoder部分，只保留cnn自编码器的encoder部分；
[0169]
步骤s3：空间金字塔池化操作,包括子步骤如下：
[0170]
步骤s31：将cnn自编码器的encoder部分的第四层卷积层的输出分别分割成三个不同尺寸的网格(本实施例中，是分割成16*16,4*4和1*1的网格)，并在三个不同尺寸的大小图像里设置候选区域d1，d2，其中d1为绝缘子区域，d2为非绝缘子区域；
[0171]
步骤s32：为了突出绝缘子的边缘以及故障特征，对三个不同尺寸的大小图像进行 max池化操作，得到x
16
,x4,x4三个特征；
[0172]
步骤s4：进行识别和检测，包括以下子步骤：
[0173]
步骤s41：将x
16
,x4,x1三个特征通过一个全连接网络netc，并将大小调整至 5*256，得到类别特征矩阵xc，即：
[0174]
xc＝relu(wc[x
16
,x4,x1]' bc)
[0175]
其中wc和bc为全连接网络netc的权重和偏置；
[0176]
步骤s42：将xc通过softmax得到包含每个类的预测分数，即计算每个区域中各个类别的概率，具体形式如下：
[0177][0178]
其中c1，c2分别表示绝缘子正常的红外图像和故障图像，xc为类别特征矩阵， [s
class
(xc)]
ij
为对于第ci,i∈{1,2}类而言，金字塔池化后的列向量xc(i,:)属于第i个类的
概率，xc(i,:)为xc的第i行，为xc的第i行第j元素；
[0179]
步骤s43：将x
16
,x4,x1三个特征通过一个全连接网络netd，并将大小调整至 2*256，得到类别特征矩阵xd，即：
[0180]
xd＝relu(wd[x
16
,x4,x1]' bd)
[0181]
其中wd和bd为全连接网络netd的权重和偏置；
[0182]
步骤s44：将xd通过softmax得到包含每个类的预测分数，即计算每个区域中正常和故障类别的概率，具体形式如下：
[0183][0184]
其中r1，r2分别表示绝缘子区域和非绝缘子区域，xd为类别特征矩阵，[s
zone
(xd)]
ij
为对于第ri,i∈{1,2}类而言，金字塔池化后的列向量xd(i,:)属于区域i的概率，xd(i,:)为xc的第i行，为xd的第i行第j元素；
[0185]
步骤s45：将每个类的预测分数和每个区域的预测分数进行卷积，即：
[0186][0187]
这里表示卷积运算，xr为每个区域的最终得分；
[0188]
步骤s46：计算整个红外图像故障概率，即：
[0189][0190]
这里y
p
为红外图像级故障概率矩阵，为每个区域的得分xr的第j列；
[0191]
步骤s5：进行网络训练，包括：
[0192]
步骤s51：计算损失函数：
[0193][0194]
其中j(w)为网络的损失函数，w为整个网络的权重和偏置矩阵(包括cnn自编码器的encoder、全连接网络netc和netd)，x＝y
ki
(y
p
(k,i)-0.5) 0.5，这里y
p
(k,i)为红外图像级故障概率矩阵y
p
第k行第i列元素，为正则项，||w||2为权重矩阵的二范数，λ为正则化系数，本实施例取0.2，α控制损失函数的鲁棒性，本实施例取0.8。
[0195]
步骤s52：采用nadam算法更新权重：
[0196][0197]mt
＝γm
t-1
ηg
t
[0198]wt 1
＝w
t-m
t
[0199]
其中w
t 1
和w
t
为第t 1和t次的权重和偏置，m
t
表示第t次的梯度动量，m
t-1
为第t-1次
的梯度动量，γ＝0.6，η＝0.2，g
t
为t-1次的梯度；
[0200]
步骤s53：训练网络直至收敛；
[0201]
步骤s6：绝缘子红外图像状态判别
[0202]
将新的绝缘子红外图像输入训练好的网络中，如果输出结果大于0.8，则该绝缘子有故障，否则为正常的绝缘子。
[0203]
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
[0204]
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
[0205]
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
[0206]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。