图像分割方法、装置、电子设备和存储介质与流程

1.本公开涉及人工智能领域，具体为深度学习和计算机视觉技术领域，尤其涉及一种图像分割方法、装置、电子设备和存储介质。


背景技术：

2.在工业质检或巡检中，零部件的检测能够帮助厂商检测零部件是否存在缺失或损坏等情况，但是由于零部件区域较为密集且零部件尺寸较小，人工检测对检测人员的要求较高。
3.因此，随着技术的发展，如今通常采用人工智能模型来进行检测，但上述模型在进行检测前，需要人工进行大量的数据标注用于该模型的训练。因此，存在人工标注成本高、效率低的问题。
4.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本公开提供了一种用于图像分割的图像分割方法、装置、电子设备和存储介质。
6.根据本公开的第一方面，提供了一种图像分割方法，包括：获取待分割图像；利用图像分割模型对待分割图像进行分割处理，得到分割结果，其中，图像分割模型通过训练样本和训练样本的掩码信息训练得到，掩码信息通过利用目标检测模型对训练样本进行检测得到的检测结果生成。
7.根据本公开的第二方面，提供了一种图像分割装置，包括：图像获取模块，用于获取待分割图像；分割模块，用于利用图像分割模型对待分割图像进行分割处理，得到分割结果，其中，图像分割模型通过训练样本和训练样本的掩码信息训练得到，掩码信息通过利用目标检测模型对训练样本进行检测得到的检测结果生成。
8.根据本公开的第三方面，提供了一种电子设备，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，存储器存储有可被至少一个处理器执行的指令，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上述实施例中任一项的图像分割方法。
9.根据本公开的第四方面，提供了一种存储有计算机指令的非瞬间计算机可读存储介质，其中，计算机指令用于使计算机执行根据上述实施例中任一项的图像分割方法。
10.在本公开上述的实施例中，在获取待分割图像后，利用通过训练图像和训练图像的掩码信息训练得到的图像分割模型对待分割图像进行处理，得到分割结果，其中，掩码信息通过利用目标检测模型对训练样本进行检测得到的检测结果生成。容易注意到的是，由于可以利用目标检测模型对训练样本进行检测得到检测结果，进而生成掩码信息，然后利用训练样本和掩码信息训练图像分割模型，无需通过人工标注的方式对训练样本进行像素级别的标注，从而达到了降低图像分割模型的标注成本，提高了分割结果的精度的效果，进而解决了现有技术中人工标注效率低、成本高的问题。
11.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
12.附图用于更好地理解本方案，不构成对本公开的限定。其中：
13.图1是根据本公开一个实施例的图像分割方法的示意图；
14.图2是根据本公开一个可选的实施例的带有标注框的训练样本的示意图；
15.图3是根据本公开一个可选的实施例的定位图和像素响应图的示意图；
16.图4是根据本公开一个优选实施例的图像分割方法示意图；
17.图5是根据本公开一个实施例的图像分割装置的结构示意图；
18.图6是用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
19.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
20.为了解决现有技术中存在人工标注效率低、成本高的技术问题，本公开提供了一种图像分割方法，该方法采用了利用训练图像和通过目标检测模型对训练样本进行检测结果生成的掩码信息训练得到的图像分割模型，无需人工进行数据标注，且能提高分割结果的精度，因此，利用掩码信息信息和训练图像训练过的分割模型处理待分割图像，能够高效的得到更精确的分割结果。
21.图1是根据本发明实施例的一种图像识别方法的流程图，如图1所示，该方法包括：
22.步骤s101，获取待分割图像。
23.具体地，待分割图像可以是包含待检测零部件的图片。例如，在自行车零部件检测场景中，如果需要检测自行车的把手、刹车以及链条等零部件，则待分割图像可以是自行车图片，且自行车图片中包含自行车把手、刹车以及自行车链条。
24.步骤s102，利用图像分割模型对待分割图像进行分割处理，得到分割结果，其中，图像分割模型通过训练样本和训练样本的掩码信息训练得到，掩码信息是通过利用目标检测模型对训练样本进行检测得到的检测结果生成。
25.具体地，上述图像分割模型可以是mask r-cnn(mask region-based convolutional neural networks，基于掩码区域的卷积神经网络)模型，目标检测模型可以是包含rpn(region proposal network，区域候选网络)网络的任意目标检测模型，例如：faster r-cnn(faster region-based convolutional neural networks，更快的速区域卷积神经网络)模型。上述掩码信息可以表征训练样本中每个像素是否为训练样本中不同目标的像素，如果一个像素是目标的像素，则该像素对应的掩码值可以设定为1，如果一个像素不是目标的像素，则该像素对应的掩码值可以设定为0。
26.在一种可选的实施例中，为了避免通过人工标注的方式对训练样本进行标注，可以预先训练一个目标检测模型，通过该检测模型可以检测出训练样本包含的不同目标所在
的区域，以及目标的类型，在此基础上，可以确定训练样本中每个像素点是否为目标中的像素点，从而生成相应的掩码信息，达到对训练样本进行像素级标注的目的。进一步利用训练样本和训练样本的掩码信息作为图像分割模型的训练数据，并对图像分割模型进行训练。
27.训练好的图像分割模型可以对输入的待分割图像进行分割处理，得到待分割图像中包含的不同目标的图像，例如，在自行车零部件检测场景中，利用图像分割模型对自行车图片进行分割处理，可以得到自行车把手图像、刹车图像以及自行车链条图像。
28.上述目标检测模型对训练样本进行检测中，会基于训练图像的标注框生成候选框，再将全部的候选框合并，得到一个定位图，最后将定位图与像素响应图叠加，获得初步掩码信息并对其进行优化，获得掩码信息，将检测结果中的该掩码信息和训练图像用于对图像分割模型的训练，并将训练后的图像分割模型用于处理待分割图像。
29.可选地，该方法还包括：目标检测模型通过训练样本和训练样本的标注框训练得到。
30.具体地，用于训练目标检测模型的训练样本和用于训练图像模型的训练样本相同。此时，只需要人工标注训练样本中不同目标的检测框，进一步将训练样本和检测框作为训练数据完成目标检测模型的训练过程。
31.可选地，待分割图像中的目标包含多个零部件，分割结果至少包括：多个零部件对应的图像。
32.具体地，上述分割结果可以是从待分割图像中分割出的不同零部件的图像。
33.在本公开上述的实施例中，在获取待分割图像后，利用通过训练图像和训练图像的掩码信息训练得到的图像分割模型对待分割图像进行处理，得到分割结果，其中，掩码信息通过利用目标检测模型对训练样本进行检测得到的检测结果生成。容易注意到的是，由于可以利用目标检测模型对训练样本进行检测得到检测结果，进而生成掩码信息，然后利用训练样本和掩码信息训练图像分割模型，无需通过人工标注的方式对训练样本进行像素级别的标注，从而达到了降低图像分割模型的标注成本，提高了分割结果的精度的效果，进而解决了现有技术中人工标注效率低、成本高的问题。
34.可选地，检测结果包括：多个目标区域，以及每个目标区域对应的分类结果，该方法还包括：获取训练样本和训练样本的标注框。其中，标注框用于表征训练样本的包含的目标所在区域；基于多个目标区域所在的位置信息和每个目标区域对应的分类结果，生成像素响应图，其中，像素响应图用于表征训练样本中每个像素是否为目标的像素；基于训练样本的标注框，生成训练样本中包含的所有目标的定位图；将定位图与像素响应图进行叠加，得到掩码信息。
35.具体地，训练样本可以是包括不同目标的图像，且训练样本可以包含单个或多个目标。标注框可以表征目标的图像在训练样本中的位置，即上述训练样本的包含的目标所在区域，可以采用人工方式进行标注。上述目标区域所在的位置信息，即目标检测模型输出的检测框的坐标信息，例如可以是检测框的左上角和右下角的坐标或检测框的左上角坐标和检测框的长宽。再根据多个目标区域的位置信息和每个目标区域对应的分类结果，构建损失函数，再通过梯度下降法求解该损失函数，得到每个目标区域的掩码，再根据多个目标区域的掩码生成像素响应图。最后，将定位图与像素响应图进行叠加，得到掩码信息。
36.在一个可选实施例中，如图2所示的训练样本，图中所示的矩形检测框是训练样本
的标注框，该图像中的目标可以是自行车零部件，则目标的种类包括：左把手、右把手、左刹车、右刹车、车铃、前车灯、车头、前车轮、前挡泥板、车座、前脚蹬、后脚蹬、车链、车链壳、脚架、后车轮、后车灯、后车轮、后挡泥板等部位。
37.在上述实施例中，通过标注框和标注所表征目标区域的分类结果生成像素响应图，并基于训练样本的标注框的生成定位图，然后，基于像素响应图和定位图生成掩码信息，利用该掩码信息和训练样本训练图像分割模型，无需通过人工标注的方式对训练样本进行像素级别的标注，从而达到了降低图像分割模型的标注成本，提高了分割结果的精度的效果，进而解决了现有技术中人工标注效率低、成本高的问题。
38.可选地，基于训练样本的标注框，生成训练样本中包含的目标的定位图包括：通过随机抖动算法对标注框进行处理，得到多个初始框；利用目标检测模型对多个初始框进行检测，得到至少一个候选框；将至少一个候选框进行合并，得到定位图。
39.具体地，随机抖动算法是对固定阈值抖动算法的一种改进算法，将固定的阈值改成随机数。上述目标检测模型中至少包括rpn，例如，上述目标检测模型可以是r-cnn、fast r-cnn(fast region-based convolutional neural networks，快速区域卷积神经网络)、faster r-cnn、spp-net(spatial pyramid pooling network，空间金字塔池化网络)、r-fcn(region-based fully convolutional networks，基于区域的全卷积网络)等。上述定位图是包含一张训练样本中的全部目标区域。例如，如图3所示，图3的左侧是定位图。
40.在上述实施例中，利用随机抖动算法得到至少一个候选框后，将至少一个候选框合并为定位图，然后，基于像素响应图和定位图生成掩码信息，利用该掩码信息和训练样本训练图像分割模型，无需通过人工标注的方式对训练样本进行像素级别的标注，从而达到了降低图像分割模型的标注成本，提高了分割结果的精度的效果，进而解决了现有技术中人工标注效率低、成本高的问题。
41.可选地，利用目标检测模型对多个初始框进行检测，得到至少一个候选框包括：利用目标检测模型对多个初始框进行检测，得到至少一个初始框的分类结果；确定至少一个初始框与标注框的交并比；获取交并比大于预设阈值的初始框，得到至少一个候选框。
42.具体地，上述交并比定义为两者交集与并集的比值，可以表征目标监测模型检测过程中找出的候选区域，即上述候选框，与实际的矩形框(即上述标注框)的差异，若该候选框与标注框的交并比达到了预设阈值，则该初始框就是候选框。
43.在一个可选实施例中，对于每个标注框，通过一个30％的随机抖动生成多个的proposal(候选框)，即上述初始框，包括：把标注框的坐标与x相乘，该x是0.7至1.3之间的随机值，得到的新的坐标表示的矩形框就是初始框，利用目标检测模型对多个proposal进行检测，得到初始框的分类结果，若该分类结果与真值的交并比在0.8(即上述的预设阈值，可以根据需要进行设定，取值越小，候选框数量越多；取值越大，候选框的数量越少)以上，则定义该初始框为上述的候选框。
44.在上述实施例中，结合交并比筛选初始框，得到候选框来生成定位图后，基于像素响应图和定位图生成掩码信息，利用该掩码信息和训练样本训练图像分割模型，无需通过人工标注的方式对训练样本进行像素级别的标注，从而达到了降低图像分割模型的标注成本，提高了分割结果的精度的效果，进而解决了现有技术中人工标注效率低、成本高的问题。
45.可选地，在利用目标检测模型对多个初始框进行检测，得到至少一个候选框之后，方法还包括：通过条件随机场和掩码预选生成器对至少一个候选框进行优化，得到优化后的候选框；将优化后的候选框进行合并，得到定位图。
46.具体地，利用条件随机场和掩码预选生成器可以使得到的掩码信息更准确。
47.在上述实施例中，利用条件随机场和掩码预选生成器可以使得到更准确的掩码信息，利用该掩码信息和训练样本训练图像分割模型，无需通过人工标注的方式对训练样本进行像素级别的标注，从而达到了降低图像分割模型的标注成本，提高了分割结果的精度的效果，进而解决了现有技术中人工标注效率低、成本高的问题。
48.可选地，基于多个目标区域的位置信息和每个目标区域对应的分类结果，生成像素响应图包括：基于多个目标区域的位置信息和每个目标区域对应的分类结果，构建损失函数；通过梯度下降法求解损失函数，得到每个目标区域的掩码；基于多个目标区域的掩码，生成像素响应图。
49.具体地，根据目标检测模型输出的分类损失(classification loss)函数和定位损失(location loss)，构建损失函数，在通过梯度下降法优化损失函数，得到每个目标区域的掩码，再根据多个目标区域的掩码生成像素响应图，如图3所示，图3的右侧是像素响应图。
50.在上述实施例中，基于多个目标区域的掩码生成像素响应图，基于像素响应图和定位图生成掩码信息，利用该掩码信息和训练样本训练图像分割模型，无需通过人工标注的方式对训练样本进行像素级别的标注，从而达到了降低图像分割模型的标注成本，提高了分割结果的精度的效果，进而解决了现有技术中人工标注效率低、成本高的问题。
51.在一个可选的优选实施例中，如图4所示，需要进行数据采集和标注，采集的数据是用于检测器模型训练的训练样本图像，标注则是样本图像的标注框。在上述目标检测模型训练后，得到检测结果，从检测结果中获取像素响应图，再将该像素响应图与检测结果中的掩码进行叠加，得到掩码，再利用训练样本图像和该掩码对分割模型进行训练，无需通过人工标注的方式对训练样本进行像素级别的标注，并该完成训练后的分割模型用于零部件识别。
52.在一个优选实施例中，需要对自行车零部件的零件进行识别，将包含有自行车的图像作为训练样本，和带有标注框的自行车的图像对faster r-cnn模型进行训练，得到训练好的faster r-cnn模型。利用30％的随机抖动算法基于标注框生成多个初始框，并将多个初始框输入至faster r-cnn模型中，在检测过程中，若该faster r-cnn模型可以正确的预测出该初始框的类别，并且初始框与标注框的交并比在0.8以上，则将这些初始框定位候选框，再合并所以后的正候选框生成一个定位图，通过定位图与像素响应图的叠加，获得一个初步掩码，再利用通过条件随机场和掩码预选生成器来优化该初步掩码，得到一个掩码，最后，利用掩码信息和训练样本对mask rcnn模型进行训练，并采用经过上述训练后的mask rcnn模型对自行车图像中的零部件区域进行检测。
53.由于可以利用高精度模型的目标检测模型faster r-cnn模型对训练样本进行检测得到检测结果，进而生成掩码信息，然后利用训练样本和掩码信息训练图像分割模型，无需通过人工标注的方式对训练样本进行像素级别的标注，从而达到了降低图像分割模型的标注成本，提高了分割结果的精度的效果，进而解决了现有技术中人工标注效率低、成本高
的问题。
54.需要说明的是，本实施例中的二维人脸图像来自于公开数据集
55.根据本公开的实施例，本公开还提供了一种图像分割装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
56.图5是根据本发明实施例的一种图像分割装置的结构图，如图5所示，该装置包括：
57.图像获取模块51，用于获取待分割图像。
58.分割模块51，用于利用图像分割模型对待分割图像进行分割处理，得到分割结果，其中，图像分割模型通过训练样本和训练样本的掩码信息训练得到，掩码信息通过利用目标检测模型对训练样本进行检测得到的检测结果生成。
59.在本公开上述的实施例中，在获取待分割图像后，利用通过训练图像和训练图像的掩码信息得到的图像分割模型对待分割图像进行处理，得到分割结果，其中，掩码信息通过利用目标检测模型对训练样本进行检测得到的检测结果生成。容易注意到的是，由于可以利用目标检测模型对训练样本进行检测得到检测结果，进而生成掩码信息，然后利用训练样本和掩码信息训练图像分割模型，无需通过人工标注的方式对训练样本进行像素级别的标注，从而达到了降低图像分割模型的标注成本，提高了分割结果的精度的效果，进而解决了现有技术中人工标注效率低、成本高的问题。
60.可选地，检测结果包括：多个目标区域，以及每个目标区域对应的分类结果，装置还包括：数据获取模块，用于获取训练样本和训练样本的标注框，其中，标注框用于表征训练样本中包含的目标所在区域；响应图生成模块，用于基于多个目标区域的位置信息和每个目标区域对应的分类结果，生成像素响应图，其中，像素响应图用于表征训练样本中每个像素是否为目标的像素；定位图生成模块，用于基于训练样本的标注框，生成训练样本中包含的目标的定位图；叠加模块，用于将定位图与像素响应图进行叠加，得到掩码信息。
61.可选地，定位图生成模块包括：处理单元，用于通过随机抖动算法对标注框进行处理，得到多个初始框；检测单元，用于利用目标检测模型对多个初始框进行检测，得到至少一个候选框；合并单元，用于将至少一个候选框进行合并，得到定位图。
62.可选地，检测单元还用于执行如下步骤：利用目标检测模型对多个初始框进行检测，得到至少一个初始框的分类结果；确定至少一个初始框与标注框的交并比；获取交并比大于预设阈值的初始框，得到至少一个候选框。
63.可选地，该装置还用于通过条件随机场和掩码预选生成器对至少一个候选框进行优化，得到优化后的候选框；将优化后的候选框进行合并，得到定位图。
64.可选地，该装置还用于基于多个目标区域的位置信息和每个目标区域对应的分类结果，构建损失函数；通过梯度下降法求解损失函数，得到每个目标区域的掩码；基于多个目标区域的掩码，生成像素响应图。
65.根据本公开的实施例，本公开还提供了一种电子设备和一种存储有计算机指令的非瞬时可读存储介质。
66.图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。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。
67.如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(rom)602中的计算机程序或者从存储单元608加载到随机访问存储器(ram)602中的计算机程序，来执行各种适当的动作和处理。在ram 602中，还可存储设备600操作所需的各种程序和数据。计算单元601、rom 602以及ram 602通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
68.设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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。
69.计算单元601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601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601执行上文所描述的各个方法和处理，例如图像分割方法。例如，在一些实施例中，图像分割方法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608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram 602并由计算单元601执行时，可以执行上文描述的图像分割方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像分割方法。
70.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。
71.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。
72.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。
73.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。
74.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。
75.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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
76.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。
77.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。