危险品车辆识别方法、电子设备及存储介质与流程

1.本技术涉及图像处理技术领域，特别是涉及一种危险品车辆识别方法、电子设备及计算机可读存储介质。


背景技术：

2.从是否承载危险品的角度，可以将道路上的车辆划分为承载危险品的车辆(以下简称危险品车辆)和未承载危险品的车辆。随着智慧城市进程的加快，对道路上的车辆的管控变得越来越严格，尤其是对危险品车辆的管控。
3.要实现对危险品车辆的管控，前提是确定道路上哪些车辆为危险品车辆。但是，目前的危险品车辆识别方法，对车辆是否为危险品车辆的确定结果准确度不高。


技术实现要素：

4.本技术提供一种危险品车辆识别方法、电子设备及计算机可读存储介质，能够解决目前的危险品车辆识别方法，对车辆是否为危险品车辆的确定结果准确度不高的问题。
5.为解决上述技术问题，本技术采用的一个技术方案是：提供一种危险品车辆识别方法。该方法包括：获取目标车辆的待处理图像；根据待处理图像对目标车辆的车辆方向进行判断；利用与车辆方向对应的危险品标志检测模型对待处理图像进行危险品标志检测，得到检测结果，其中不同的车辆方向对应的危险品标志检测模型不同；基于检测结果确定目标车辆是否为危险品车辆。
6.为解决上述技术问题，本技术采用的另一个技术方案是：提供一种电子设备，该电子设备包括处理器、与处理器连接的存储器，其中，存储器存储有程序指令；处理器用于执行存储器存储的程序指令以实现上述方法。
7.为解决上述技术问题，本技术采用的又一个技术方案是：提供一种计算机可读存储介质，存储有程序指令，该程序指令被执行时能够实现上述方法。
8.通过上述方式，本技术获取待处理图像之后，判断待处理图像中目标车辆的车辆方向，根据不同的车辆方向选择不同的危险品标志检测模型对待处理图像进行危险品标志检测，以确定目标车辆是否为危险品车辆。从而，同一危险品标志检测模型无需兼容多个车辆方向下的车辆特征，能够提高危险品标志的检测精度和召回率，进而能够提高目标车辆是否为危险品车辆的确定结果的准确度。
附图说明
9.图1是菱形的危险品标志的示意图；
10.图2是车头方向放置危险品标志的示意图；
11.图3是车尾方向放置危险品标志的示意图；
12.图4是本技术危险品车辆识别方法一实施例的流程示意图；
13.图5是危险品标志检测模型的一结构示意图；
14.图6是本技术危险品车辆识别方法另一实施例的流程示意图；
15.图7是本技术危险品车辆识别方法又一实施例的流程示意图；
16.图8是待处理图像中待检测区域的示意图；
17.图9是本技术危险品车辆识别方法又一实施例的流程示意图；
18.图10是待处理图像的另一示意图；
19.图11是待处理图像的另一示意图；
20.图12是待处理图像的又一示意图；
21.图13是本技术危险品车辆识别方法再一实施例的流程示意图；
22.图14是本技术危险品车辆识别方法再一实施例的流程示意图；
23.图15是本技术危险品车辆识别方法再一实施例的流程示意图；
24.图16是本技术电子设备一实施例的结构示意图；
25.图17是本技术计算机可读存储介质一实施例的结构示意图。
具体实施方式
26.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
27.本技术中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
28.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，在不冲突的情况下，本文所描述的实施例可以与其它实施例相结合。
29.在介绍本技术提供的方法之前，先对涉及的危险品标志进行说明：
30.危险品车辆的车身设置有危险品标志。危险品标志可以分为两个类别，一个类别是第一危险品标志，表征车辆承载的货物是危险品，另一个类别是第二危险品标志，表征车辆承载的货物所属的危险品类别。
31.一般来说，第一危险品标志的形状包括三角形、矩形，矩形的第一危险品标志包括字符“危险品”，三角形的第一危险品标志包括字符“危险”。第二危险品标志的形状包括菱形、圆形，第二危险品标志包括的字符为危险品类别的名称。其中，菱形的第二危险品标志包括的字符为9大类危险品的名称中的一个，圆形的第二危险品标志包括的字符为“燃”、“腐”、“爆”、“热”、“毒”中的一个。图1是菱形的第二危险品标志的示意图。如图1所示，9大类危险品的名称包括爆炸品、遇湿易燃物品、剧毒品、感染性物品、易燃气体、不燃气体、有毒气体、氧化剂、有毒品、腐蚀品、易燃液体、易燃固体、自燃物品、有机过氧化物、有害品。
32.一般来说，危险品标志放置在危险品车辆的车头和车尾。并且，危险品车辆的车头放置的是第一危险品标志(矩形和三角形)，危险品的车尾放置的是第一危险品标志(矩形)
和第二危险品标志。图2是车头方向放置危险品标志的示意图。如图2所示，车头方向放置有三角形的第一危险品标志a1和矩形的第一危险品标志a2，a1包括字符“危险”、a2包括字符“危险品”，c表示车牌。图3是车尾方向放置危险品标志的示意图。如图3所示，车尾方向放置有矩形的第一危险品标志a2、菱形的第二危险品标志b1和圆形的第二危险品标志b2，a2包括字符“危险品”，b1包括字符“易燃液体”和b2包括字符“热”，c表示车牌。
33.在其他情况下，上述列举的内容，如危险品车辆上放置危险品标志的位置、数量以及危险品标志的形状、字符，是可以根据实际需求而更改的。因此，上述列举的内容并不造成对本技术方案的限定。本技术后文以一般情况进行说明。
34.图4是本技术危险品车辆识别方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图4所示的流程顺序为限。如图4所示，本实施例可以包括：
35.s11：获取目标车辆的待处理图像。
36.可以利用摄像头获取关于目标车辆的场景图像；利用车辆检测模型对场景图像检测，得到场景图像中的车辆位置；可以将场景图像中车辆位置对应的区域截取出来作为待处理图像，或者可以将场景图像中车辆位置对应的区域标记，将经标记的场景图像作为待处理图像，后续的处理在标记区域的基础上进行。
37.车辆检测模型可以是yolo系列、ssd等。由于一般来说，危险品标志设置在危险品车辆的车头和车尾，故场景图像是利用摄像头从目标车辆的车头方向视角或者车尾方向视角获取的。
38.s12：根据待处理图像对目标车辆的车辆方向进行判断。
39.车辆方向包括车头方向和车尾方向。若场景图像是从车头方向视角获取的，目标车辆的车辆方向为车头方向。若场景图像是从车尾方向视角获取的，目标车辆的车辆方向为车尾方向。
40.摄像头获取场景图像的视角(监控视角)可能是已知的，也可能是未知的。例如，电警场景下，已知摄像头的监控视角为车尾方向视角；卡口场景下，已知摄像头的监控视角为车头方向视角。在已知的情况下，预先存储有摄像头的标识信息与车辆方向的映射表。
41.由此，在未知的情况下，可以利用训练好的车辆方向分类模型，对待处理图像进行分类，以确定目标车辆的车辆方向。车辆方向分类模型可以是alexnet、vggnet、resnet等等。在已知的情况下，可以从映射表中查找摄像头标识信息对应的车辆方向，作为目标车辆的车辆方向。
42.s13：利用与车辆方向对应的危险品标志检测模型对待处理图像进行危险品标志检测，得到检测结果。
43.其中不同的车辆方向对应的危险品标志检测模型不同。
44.车头方向对应的危险品标志检测模型可以是利用包含车头图像的训练样本训练得到的，车尾方向对应的危险品标志检测模型可是利用包含车尾图像的训练样本训练得到的。
45.作为一实施例，可以利用危险品标志检测模型提取待处理图像的单个尺度的特征图，利用危险品标志检测模型基于单个尺度的特征图得到检测结果。
46.考虑到有些危险品标志(例如三角形、矩形的第二危险品标志)的尺寸小，在待处理图像中的占比小，不易被检测到。因此，为了提高危险品标志的检测精度，作为另一实施
例，可以利用危险品标志检测模型提取待处理图像的若干个不同尺寸的特征图；利用危险品标志检测模型对若干个不同尺寸的特征图进行融合，得到融合特征图；利用危险品标志检测模型基于融合特征图得到检测结果。此方式下，危险品标志检测模型可以是vgg、resnet等。
47.结合图5举例说明，图5是危险品标志检测模型的一结构示意图，将待处理图像送入危险品标志检测模型，危险品标志检测模型进行如下处理：
48.1)依序提取到4个尺寸逐渐减小的特征图fc1、fc2、fc3和fc4，其中后一个尺寸的特征图是在前一个尺寸的特征图的基础上提取的。
49.2)利用池化层(unpool)将fc4放大2倍之后，与fc3进行拼接(concat)，依序利用卷积核为1
×
1、3
×
3的卷积层(conv)对拼接结果处理，得到特征图c1。
50.3)采用类似的步骤得到c2、c3，利用卷积层对c3处理，得到融合特征图。
51.4)利用检测层对融合特征图处理，得到检测结果。
52.s14：基于检测结果确定目标车辆是否为危险品车辆。
53.可以理解的是，不同的车辆方向视角下，车辆特征差异大，如果对不同的车辆方向，均采用同一危险品标志检测模型，由于要兼容不同车辆方向视角下的车辆特征，检测精度和召回率会下降。
54.通过本实施例的实施，本技术获取待处理图像之后，判断待处理图像中目标车辆的车辆方向，根据不同的车辆方向选择不同的危险品标志检测模型对待处理图像进行危险品标志检测，以确定目标车辆是否为危险品车辆。从而，同一危险品标志检测模型无需兼容多个车辆方向下的车辆特征，能够提高危险品标志的检测精度和召回率，进而能够提高目标车辆是否为危险品车辆的确定结果的准确度。
55.图6是本技术危险品车辆识别方法另一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图6所示的流程顺序为限。本实施例中，s21是对s13的进一步扩展，s22是对s14的进一步扩展。如图6所示，本实施例可以包括：
56.s21：利用危险品标志检测模型对待处理图像进行危险品标志检测，得到目标车辆上包含的危险品标志及其第一置信度。
57.危险品标志的检测结果中，危险品标志包括第一危险品标志和/或第二危险品标志。危险品标志的信息可以包括危险品标志的位置，还可以包括危险品标志的类别。危险品标志的位置的表现形式为检测框。
58.作为一实施例，无论目标车辆的车辆方向是车头方向还是车尾方向，危险品标志的检测对象均为待处理图像本身。
59.作为另一实施例，若目标车辆的车辆方向是车尾方向，检测对象为待处理图像本身。而考虑到车头方向视角下得到待处理图像包括车窗区域，而危险品标志放置在车窗区域之外，车窗区域放置的物品可能对检测产生干扰。因此，若目标车辆的车辆方向是车头方向，可以基于车窗确定待处理图像中的待检测区域，将待检测区域作为危险品标志的检测对象。但是如果受限于车窗检测的精度而没有检测到车窗区域，那么仍然将待处理图像本身作为危险品标志的检测对象。
60.s22：基于第一置信度，确定目标车辆是否为危险品车辆。
61.检测到的危险品标志数量可能是一个，也可能是多个。可以仅基于第一置信度，确
定目标车辆是否为危险品车辆。若危险品标志数量仅为一个，则判断第一置信度是否大于置信度阈值。若第一置信度大于阈值，则确定目标车辆为危险品车辆，否则确定目标车辆不为危险品车辆。若危险品标志数量为多个，则计算多个危险品标志的第一置信度的均值(第一平均置信度，计算方式参考后面的实施例)；判断第一平均置信度是否大于置信度阈值。若大于，则确定目标车辆为危险品车辆，否则确定目标车辆为非危险品车辆。
62.或者，可以基于第一置信度和第二置信度(相关说明参考后面的实施例)，确定目标车辆是否为危险品车辆。此方式参考后面实施例的说明。
63.图7是本技术危险品车辆识别方法又一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图7所示的流程顺序为限。本实施例是对s21的进一步扩展。目标车辆的车辆方向为车头方向，危险品标志的检测对象为待检测区域。如图7所示，本实施例可以包括：
64.s31：确定待处理图像中的车窗区域。
65.可以利用车窗检测模型对待处理图像进行车窗检测，得到待处理图像中的车窗区域。
66.s32：根据车窗区域确定放置危险品标志的待检测区域。
67.待检测区域可以位于车窗区域的上方区域和/或车窗区域的下方区域作为待检测区域。
68.或者，考虑到物品一般放置在车窗区域中的下半部分，从而，待检测区域可以位于车窗区域的下方区域和/或车窗区域的中心线以上的区域。
69.图8是待处理图像中待检测区域的示意图。其中的d表示车窗区域，e表示车窗区域的中心线。待处理图像中的中心线以上区域为待检测区域1，待处理图像中的车窗区域的下方区域为待检测区域2。
70.s33：利用危险品标志检测模型对待检测区域进行危险品标志检测。
71.继续结合图8进行说明，矩形的第二危险品标志放置在待检测区域2，则对待检测区域2进行危险品标志检测。三角形的第二危险品标志放置在待检测区域1，则对待检测区域1进行危险品标志检测。
72.通过本实施例的实施，不仅可以排除车窗区域内物品导致的误检，还可以使得危险品标志在待检测区域的占比变大，有利于提升检测结果中危险品标志的召回率。
73.图9是本技术危险品车辆识别方法又一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图9所示的流程顺序为限。本实施例是对上述实施例的进一步扩展，s41～s42是s21之后可以包括的步骤，s43-s45是对s22的进一步扩展。如图9所示，本实施例可以包括：
74.s41：判断危险品标志是否包括矩形的第一危险品标志。
75.若不包括，则意味着矩形的第一危险品标志被漏检，执行s42-s43；若不包括，则意味着矩形的第一危险品标志未被漏检，执行s45。
76.s42：对矩形的第一危险品标志进行字符识别，得到字符识别结果。
77.其中第一危险品标志表征目标车辆为危险品车辆。
78.可以理解的是，一般情况下矩形的第一危险品标志放置在车牌附近。例如，图10-12所示的待处理图像中，矩形的第一危险品标志a2放置在车牌c附近。并且，矩形的第一危
险品标志与车牌的颜色、形状、大小等相似度高，因此矩形的第一危险品标志容易被误检。由此，本实施例为了提高危险品标志的检测结果的精度，可以基于矩形的第一危险品标志包含的字符，判断矩形的第一危险品标志是否被误检。
79.可以利用字符识别模型对矩形的第一危险品标志进行识别，得到字符识别结果。字符识别模型可以是crnn、transformer、seq2seq、传统图像处理模型等等。字符识别结果为矩形的第一危险品标志包括的字符。
80.s43：基于字符识别结果确定矩形的第一危险品标志是否被误检。
81.若字符识别结果包含的字符有“危险”、“危险品”等，则意味着矩形的第一危险品标志未被误检；否则意味着矩形的第一危险品标志被误检。
82.若被误检，则执行s44；否则执行s45。
83.s44：基于未被误检的危险品标志的第一置信度，确定目标车辆是否为危险品车辆。
84.s45：基于所有的危险品标志的第一置信度，确定目标车辆是否为危险品车辆。
85.其中，在不包括矩形的第一危险品标志的情况下，本步骤为仅基于所有的危险品标志的第一置信度，确定目标车辆是否为危险品车辆。在包括矩形的第一危险品标志，且矩形的第一危险品标志未被误检的情况下，可以仅基于所有的危险品标志的第一置信度，确定目标车辆是否为危险品车辆。也可以基于所有的危险品标志的第一置信度以及矩形的第一危险品标志的第二置信度，确定目标车辆是否为危险品车辆。
86.另外，为了避免矩形的第一危险品标志因为与车牌位置近而被误检，在训练阶段，还可以利用人工、ps、gan等方式生成一些类似训练样本对危险品标志模型进行训练，以降低第一危险品标志被误检的可能性。
87.在危险品标志包括矩形的第一危险品标志，且矩形的第一危险品标志未被误检的基础上，若基于第一置信度和第二置信度，确定目标车辆是否为危险品车辆，则还可以对上述实施例进一步扩展，具体如下：图13是本技术危险品车辆识别方法再一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图13所示的流程顺序为限。本实施例中，s51是s45之前可以包括的步骤，s52-s55是对s45的进一步扩展。如图13所示，本实施例可以包括：
88.s51：获取字符识别结果中每个字符的第二置信度。
89.s52：基于所有的危险品标志的第一置信度计算第一平均置信度，以及基于矩形的第一危险品标志的所有字符的第二置信度计算第二平均置信度。
90.第一平均置信度可以通过下式计算：
[0091][0092]
其中，p1表示第一平均置信度，n表示检测到的危险品标志的个数，pi表示检测到的第i个危险品标志的第一置信度。
[0093]
第二平均置信度可以通过下式计算：
[0094]
[0095]
其中，r1表示第二平均置信度，m表示字符识别结果中的字符个数，rj表示检测到的第j个字符的第二置信度。
[0096]
s53：计算第一平均置信度与第二平均置信度的加权结果。
[0097]
加权结果可以表示为：
[0098]
t＝w1p1 w2r1；
[0099]
其中，t表示加权结果，w1和w2分别表示第一平均置信度的权重和第二平均置信度的权重。
[0100]
s54：判断加权结果是否大于置信度阈值。
[0101]
设置信度阈值为t1，可以判断是否满足t＞t1。
[0102]
若加权结果大于置信度阈值，则执行s55；否则执行s56。
[0103]
s55：确定目标车辆为危险品车辆。
[0104]
s56：确定目标车辆不为危险品车辆。
[0105]
此外，在确定目标车辆为危险品车辆的情况下，可以对上述实施例进一步扩展，具体如下：
[0106]
图14是本技术危险品车辆识别方法再一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图14所示的流程顺序为限。本实施例中，目标车辆方向为车尾方向。如图14所示，本实施例可以包括：
[0107]
s61：确定危险品标志是否包括第二危险品标志。
[0108]
第二危险品标志表征目标车辆装载的货物所属的危险品类别。
[0109]
若包括第二危险品标志，则执行s62；若不包括第二危险品标志，则结束本次危险品车辆识别。
[0110]
s62：对第二危险品标志进行分类，得到目标车辆装载的货物所属的危险品类别。
[0111]
对第二危险品标志分类的模型，可以是alexnet、vggnet、resnet等。
[0112]
可以基于第二危险品标志的形状，选择不同的危险品标志分类模型。例如，如果第二危险品标志的形状包括菱形的第二危险品标志，则将菱形的第二危险品标志送入菱形危险品标志分类模型，得到其所属的危险品类别。
[0113]
如果第二危险品标志包括圆形的第二危险品标志，则将圆形的第二危险品标志送入圆形危险品标志分类模型，得到其所属的危险品类别。
[0114]
执行完本步骤之后，结束本次危险品车辆识别。
[0115]
通过本实施例的实施，可以在包括第二危险品标志的情况下，确定目标车辆装载的货物所属的危险品类别，方便相关部门的管控。
[0116]
此外，考虑到能够承载危险品的车辆(本技术后文称为疑似危险品车辆)的类型是已知的。例如，疑似危险品车辆包括油罐车、货车等等。因此为了进一步提高危险品标志检测的精度，还可以在s13之前，对目标车辆进行一次疑似危险品车辆的判断，在确定目标车辆为疑似危险品车辆的情况下，才执行s13。
[0117]
其中，可以利用车辆类型分类模型对待处理图像进行识别，以确定目标车辆的车辆类型，根据车辆类型确定目标车辆是否为疑似危险品车辆。其中，不同车辆方向对应的车辆类型分类模型可以相同，也可以不同。由于车头和车尾的车辆特征差异大，故在不同的情况下，确定结果更加准确。在不同情况下，可以对上述实施例进一步扩展，得到如下实施例：
[0118]
图15是本技术危险品车辆识别方法再一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图15所示的流程顺序为限。本实施例是对上述实施例的进一步扩展，s71～s72为s13之前可以包括的步骤，s73为对s13的进一步扩展。如图15所示，本实施例可以包括：
[0119]
s71：利用车辆方向对应的车辆类型分类模型对待处理图像进行识别，得到目标车辆的车辆类型。
[0120]
其中不同的车辆方向对应的车辆类型分类模型不同。
[0121]
目标车辆方向包括车头方向和车尾方向，车头方向对应的车辆类型分类模型是利用包含车头图像的训练样本训练得到的，车尾方向对应的车辆类型分类模型是利用包含车尾图像的训练样本训练得到的。
[0122]
车辆类型可以包括油罐车、货车、轿车、公交车、非机动车等等。车辆类型分类模型可以是alexnet、vggnet、resnet等。可以理解的是，由于不同车辆方向下，利用不同的车辆类型分类模型，无需兼容不同车辆视角下的车辆特征，检测精度会提高。
[0123]
s72：根据车辆类型判断目标车辆是否为疑似危险品车辆。
[0124]
例如，车辆类型为油罐车、货车，则目标车辆为疑似危险品车辆；车辆类型为轿车、公交车、非机动车，则目标车辆不为疑似危险品车辆。
[0125]
s73：利用危险品标志检测模型对判定为疑似危险品车辆的待处理图像进行危险品标志检测。
[0126]
图16是本技术电子设备一实施例的结构示意图。如图16所示，该电子设备包括处理器21、与处理器21耦接的存储器22。
[0127]
其中，存储器22存储有用于实现上述任一实施例的方法的程序指令；处理器21用于执行存储器22存储的程序指令以实现上述方法实施例的步骤。其中，处理器21还可以称为cpu(central processing unit，中央处理单元)。处理器21可能是一种集成电路芯片，具有信号的处理能力。处理器21还可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0128]
图17是本技术计算机可读存储介质一实施例的结构示意图。如图17所示，本技术实施例的计算机可读存储介质30存储有程序指令31，该程序指令31被执行时实现本技术上述实施例提供的方法。其中，该程序指令31可以形成程序文件以软件产品的形式存储在上述计算机可读存储介质30中，以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本技术各个实施方式方法的全部或部分步骤。而前述的计算机可读存储介质30包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
[0129]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或
通信连接，可以是电性，机械或其它的形式。
[0130]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本技术的实施方式，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。