面板亮度校正方法、装置及计算机可读存储介质与流程

1.本发明涉及移动通信技术领域，尤其涉及一种面板亮度校正方法、装置及计算机可读存储介质。


背景技术：

2.随着国内面板厂工艺的逐渐成熟，主流的oled面板的产能也随之提升，但由于小尺寸oled屏幕材料的物理特性，导致生产出产品的良率较低。demura(去除亮暗不均)是一种以外部补偿的方式来提升显示面板的显示一致性的技术，但补偿精度、运行效率分别受屏幕子像素亮度提取算法、灰阶校正算法影响较大。
3.对于同一型号的面板产品，其子像素阵列排布固定。但随着摆放位置、成像环境、表面灰尘数量、不同面板生产用料的变化，传统的屏幕子像素亮度提取算法的参数调整显得尤为复杂、繁琐，且边缘部分的处理精度低，从而导致面板亮度校正的准确度不高。
4.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

5.本发明的主要目的在于提供一种面板亮度校正方法、装置及计算机可读存储介质，旨在达成提高对面板亮度校正的准确度的效果。
6.为实现上述目的，本发明提供一种面板亮度校正方法，所述面板亮度校正方法包括以下步骤：
7.获取待处理图像；所述待处理图像是指通过拍摄装置拍摄显示面板得到的图像；
8.将所述待处理图像输入识别模型，通过所述识别模型输出识别结果；所述识别结果用于表示所述待处理图像上各个像素区域为子像素的概率；所述子像素是指由一个高亮度像素与多个低亮度像素构成的像素区域；
9.根据所述识别结果，对所述显示面板进行亮度校正。
10.可选地，所述根据所述识别结果，对所述显示面板进行亮度校正的步骤包括：
11.根据所述识别结果确定所述待处理图像中的多个目标子像素；
12.将多个所述目标子像素中最大亮度值对应的像素点作为中心像素；
13.通过曲线拟合，对多个所述中心像素进行灰阶校正，得到校正数据；
14.根据所述校正数据，对所述显示面板进行亮度校正。
15.可选地，所述根据所述识别结果确定所述待处理图像中的目标子像素的步骤包括：
16.根据所述识别结果，确认所述待处理图像上各个区域为子像素的概率；
17.当所述概率大于或等于阀值时，确认所述概率对应的像素区域为目标子像素；
18.当所述概率小于阀值时，确认所述概率对应的像素区域为非目标子像素。
19.可选地，在所述获取待处理图像的步骤之前，还包括：
20.获取训练图像组以及所述训练图像组对应的标签；所述训练图像组包括若干训练图像；
21.将所述训练图像输入所述识别模型，得到由所述识别模型输出的第一特征图像；
22.选取不同大小的卷积核对所述第一特征图像进行池化处理，并对池化结果进行特征融合，得到所述第一特征图像对应的第二特征图像；
23.基于所述第二特征图像，在所述识别模型中进行后续的识别处理，得到初始结果；
24.计算所述初始结果与所述标签之间的损失；
25.根据所述损失优化所述识别模型。
26.可选地，所述获取待处理图像的步骤包括：
27.获取原始图像；
28.对所述原始图像进行预处理，得到所述待处理图像；所述预处理包括归一化处理和插值处理。
29.可选地，所述通过曲线拟合，对多个所述中心像素进行灰阶校正，得到校正数据的步骤包括：
30.基于图像处理器上的多个线程，并行对多个所述中心像素进行灰阶校正，得到校正数据。
31.可选地，所述识别模型为卷积神经网络模型。
32.此外，为实现上述目的，本发明还提供一种面板亮度校正装置，所述面板亮度校正装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的面板亮度校正程序，所述面板亮度校正程序被所述处理器执行时实现如上所述的面板亮度校正方法的步骤。
33.此外，为实现上述目的，本发明还提供一种面板亮度校正装置，所述面板亮度校正装置包括：
34.获取模块，用于获取待处理图像；所述待处理图像是指通过拍摄装置拍摄显示面板得到的图像；
35.输入模块，用于将所述待处理图像输入识别模型，通过所述识别模型输出识别结果；所述识别结果用于表示所述待处理图像上各个像素区域为子像素的概率；所述子像素是指由一个高亮度像素与多个低亮度像素构成的像素区域；
36.校正模块，用于根据所述识别结果，对所述显示面板进行亮度校正。
37.此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有面板亮度校正程序，所述面板亮度校正程序被处理器执行时实现如上所述的面板亮度校正方法的步骤。
38.本发明实施例提出的一种面板亮度校正方法、装置及计算机可读存储介质，获取待处理图像；所述待处理图像是指通过拍摄装置拍摄显示面板得到的图像；将所述待处理图像输入识别模型，通过所述识别模型输出识别结果；所述识别结果用于表示所述待处理图像上各个像素区域为子像素的概率；所述子像素是指由一个高亮度像素与多个低亮度像素构成的像素区域；根据所述识别结果，对所述显示面板进行亮度校正。这样通过将拍摄到的显示面板的待处理图像发送至识别模型进行处理，确定所述待处理图像上各个像素区域为子像素的概率，基于该识别结果对显示面部进行亮度校正。因此，基于上述实施例给出的
方案，可以提高对面板亮度校正的准确度。
附图说明
39.图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；
40.图2为本发明面板亮度校正方法的一实施例的流程示意图；
41.图3为本发明面板亮度校正方法的另一实施例的流程示意图；
42.图4为本发明实施例涉及的面板亮度校正装置架构简图。
43.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
44.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
45.由于在相关技术中，显示面板会存在图像亮暗不均匀的问题，需要对显示面板进行亮度补偿，但是在像素亮度提取算法的参数调整尤为复杂、繁琐，且边缘不封的处理精度低。从而导致对显示面板的补偿效率太低。
46.为了提高对显示面板的补偿效率，本发明实施例提出一种面板亮度校正方法、装置及计算机可读存储介质，其中，所述方法的主要步骤包括：
47.获取待处理图像；所述待处理图像是指通过拍摄装置拍摄显示面板得到的图像；
48.将所述待处理图像输入识别模型，通过所述识别模型输出识别结果；所述识别结果用于表示所述待处理图像上各个像素区域为子像素的概率；所述子像素是指由一个高亮度像素与多个低亮度像素构成的像素区域；
49.根据所述识别结果，对所述显示面板进行亮度校正。
50.这样通过将拍摄到的显示面板的待处理图像输入识别模型获取识别结果，识别结果是待处理图像上各个像素区域为子像素的概率，基于该识别结果对显示面板进行亮度校正。因此，基于上述实施例给出的方案，可以提高对面板亮度校正的准确度。
51.以下结合附图对本发明权利要求要求保护的内容进行详细说明。
52.如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
53.本发明实施例终端可以是面板亮度校正装置。
54.如图1所示，该终端可以包括：处理器1001，例如cpu，存储器1003，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。存储器1003可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1003可选的还可以是独立于前述处理器1001的存储装置。
55.本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
56.如图1所示，作为一种计算机存储介质的存储器1003中可以包括操作系统以及面板亮度校正程序。
57.在图1所示的终端中，处理器1001可以用于调用存储器1003中存储的面板亮度校正程序，并执行以下操作：
58.获取待处理图像；所述待处理图像是指通过拍摄装置拍摄显示面板得到的图像；
59.将所述待处理图像输入识别模型，通过所述识别模型输出识别结果；所述识别结
果用于表示所述待处理图像上各个像素区域为子像素的概率；所述子像素是指由一个高亮度像素与多个低亮度像素构成的像素区域；
60.根据所述识别结果，对所述显示面板进行亮度校正。
61.进一步地，处理器1001可以调用存储器1003中存储的面板亮度校正程序，还执行以下操作：
62.根据所述识别结果确定所述待处理图像中的多个目标子像素；
63.将多个所述目标子像素中最大亮度值对应的像素点作为中心像素；
64.通过曲线拟合，对多个所述中心像素进行灰阶校正，得到校正数据；
65.根据所述校正数据，对所述显示面板进行亮度校正。
66.进一步地，处理器1001可以调用存储器1003中存储的面板亮度校正程序，还执行以下操作：
67.根据所述识别结果，确认所述待处理图像上各个区域为子像素的概率；
68.当所述概率大于或等于阀值时，确认所述概率对应的像素区域为目标子像素；
69.当所述概率小于阀值时，确认所述概率对应的像素区域为非目标子像素。
70.进一步地，处理器1001可以调用存储器1003中存储的面板亮度校正程序，还执行以下操作：
71.获取训练图像组以及所述训练图像组对应的标签；所述训练图像组包括若干训练图像；
72.将所述训练图像输入所述识别模型，得到由所述识别模型输出的第一特征图像；
73.选取不同大小的卷积核对所述第一特征图像进行池化处理，并对池化结果进行特征融合，得到所述第一特征图像对应的第二特征图像；
74.基于所述第二特征图像，在所述识别模型中进行后续的识别处理，得到初始结果；
75.计算所述初始结果与所述标签之间的损失；
76.根据所述损失优化所述识别模型。
77.进一步地，处理器1001可以调用存储器1003中存储的面板亮度校正程序，还执行以下操作：
78.获取原始图像；
79.对所述原始图像进行预处理，得到所述待处理图像；所述预处理包括归一化处理和插值处理。
80.进一步地，处理器1001可以调用存储器1003中存储的面板亮度校正程序，还执行以下操作：
81.基于图像处理器上的多个线程，并行对多个所述中心像素进行灰阶校正，得到校正数据。
82.随着国内面板厂工艺的逐渐成熟，主流的oled面板的产能也随之提升，然而小尺寸的oled屏幕生成工艺需要提高。由于小尺寸oled屏幕材料的物理特性，导致生产出产品的良率较低。demura(去除亮暗不均)是一种以外部补偿的方式来提升显示面板的显示一致性的技术，但补偿精度、运行效率分别受屏幕子像素亮度提取算法、灰阶校正算法影响较大。
83.对于同一型号的面板产品，其子像素阵列排布固定，这种采用屏幕子像素亮度提
取算法容易提前亮度信息，但随着摆放位置、成像环境、表面灰尘数量、不同面板生产用料的变化，传统的屏幕子像素亮度提取算法的参数调整显得尤为复杂、繁琐，且边缘部分的处理精度低，基于低精度的亮度信息对显示面板进行补偿技术，会导致面板亮度校正的准确度不高。
84.由此可见，在相关面板亮度校正方法中，存在上述缺陷。本发明实施例为解决上述缺陷，提出一种可以应用于显示面板装置的面板亮度校正方法，旨在达成通过卷积网络对显示面板的显示画面进行亮度信息的提取，达成提升面板亮度校正的准确度的效果。
85.以下，通过具体示例性方案对本发明权利要求要求保护的内容，进行解释说明，以便本领域技术人员更好地理解本发明权利要求的保护范围。可以理解的是，以下示例性方案不对本发明的保护范围进行限定，仅用于解释本发明。
86.示例性地，参照图2，在本发明面板亮度校正方法的一实施例中，所述面板亮度校正方法包括以下步骤：
87.步骤s10、获取待处理图像；所述待处理图像是指通过拍摄装置拍摄显示面板得到的图像；
88.在本实施例中，面板是一块由一个或若干个显示器件组成，可以显示图像的面板，但是由于面板工艺的局限性，面板上不同位置的显示器件会产生亮度差异，这种现象被称为mura(亮暗不均)。为了使显示效果稳定，需要采取补偿(校正)的方式对面板上的亮度进行调整。
89.对于一块面板来说，首先需要点亮该面板，使其显示画面，通过外部拍摄装置拍显示面板的显示画面，可以得到待处理图像，待处理图像可以是黑白图像，仅有灰度值，方便对其进行校正计算，同时，待处理图像是由若干个像素组成的，通过待处理图像可以确定待处理面板在显示时的mura缺陷，所以可以待处理图像进行对待处理显示面板的亮度补偿。
90.可选地，执行面板亮度校正方法的主体可以是面板亮度校正装置，面板亮度校正装置包括拍摄装置，通过自带的拍摄装置获取显示面板的待处理图像。
91.可选地，面板亮度校正装置可以与具有拍摄装置的设备连接或者与拍摄装置建立通信连接，在拍摄装置拍摄待处理图像后，接收待处理图像，并基于接收到的待处理图像进行下一步处理。
92.步骤s20、将所述待处理图像输入识别模型，通过所述识别模型输出识别结果；所述识别结果用于表示所述待处理图像上各个像素区域为子像素的概率；所述子像素是指由一个高亮度像素与多个低亮度像素构成的像素区域；
93.在本实施例中，将获取到的待处理图像输入识别模型，待处理图像输入识别模型后，识别模型对其进行处理，得到识别结果，识别结果用于表示待处理图像上各个像素区域为子像素的概率，子像素是指由一个高亮度像素与多个低亮度像素构成的像素区域。
94.可选地，在将获取到的待处理图像输入识别模型之前，获取原始图像；对所述原始图像进行预处理，得到所述待处理图像；所述预处理包括归一化处理和插值处理。原始图像是通过拍摄装置直接获取的显示面板的图像，原始图像很可能无法满足识别模型的输入要求，所以需要对原始图像进行预处理，得到待处理图像，以使原始图像满足识别模型的输入要求。预处理操作包括对原始图像进行归一化处理和插值处理等。
95.可选地，在将获取到的待处理图像输入识别模型之前，对所述原始图像进行数据
增强处理，将原始图像进行部分和/或整体像素区域的旋转、亮度、对比度的变换、裁剪、镜像和扭曲等，进行数据增强后的图像在输入识别模型后更容易确定识别结果，识别结果也会更加准确。
96.步骤s30、根据所述识别结果，对所述显示面板进行亮度校正；
97.在本实施例中，待处理图像输入识别模型后可以确定识别结果，识别结果是待处理图像上各个像素区域是子像素的概率，子像素是一个高亮度像素与多个低亮度像素构成的像素区域。待处理图像可以划分为多个的像素区域，像素区域是的子像素的概率越高，说明该像素区域具有亮度的概率越高；该像素区域的是的子像素的概率越低，说明该像素区域不具有亮度的概率越高，即该像素是背景像素的概率越高。根据概率可以确认了待处理图像的亮度分布情况，待处理图像的亮度分布情况也标识面板中亮度显示不均匀的地方，即mura，根据亮度分布情况对待处理图像对应的显示面板进行亮度校正，将亮度过高的区域的亮度调低，将亮度过低的区域亮度调低。
98.可选地，根据所述识别结果确定所述待处理图像中的多个目标子像素；将多个所述目标子像素中最大亮度值对应的像素点作为中心像素；通过曲线拟合，对多个所述中心像素进行灰阶校正，得到校正数据；根据所述校正数据，对所述显示面板进行亮度校正。目标子像素是根据识别结果确定的待处理图像中的子像素，子像素是具有亮度信息的像素的集合，由于不同的面板材质或工艺，目标子像素会呈周期性排布，在一个待处理图像中，子像素有多个，遍历每个子像素中的像素点，确定亮度值最高的像素是所在子像素的中心像素，如果是灰度图像，确认灰度值最大的像素是所在子像素的中心像素，可以理解的是，在灰度图像中，灰度值最大即使亮度值最高。待处理图像中的中心像素也有多个，它们的亮度各不相同。通过曲线拟合，对多个中心像素进行灰阶校正，得到校正数据，根据校正数据对显示面板的显示参数进行调整，实现对显示面板的亮度校正。
99.进一步地，可以对识别结果设置一个预设二分阀值，以实现待处理图像上的目标子像素进行确认，首先根据所述识别结果，确认所述待处理图像上各个区域为子像素的概率；当所述概率大于或等于阀值时，确认所述概率对应的像素区域为目标子像素；当所述概率小于阀值时，确认所述概率对应的像素区域为非目标子像素。
100.进一步地，基于图像处理器上的多个线程，并行对多个所述中心像素进行灰阶校正，得到校正数据，面板亮度校正装置包括gpu，本实施例提供的面板亮度校正方法可以在gpu上执行，根据确定的中心像素在gpu上进行灰阶校正计算，在gpu上使用多个线程对多个所述中心像素进行灰阶校正，以确认校正数据。传统灰阶校正算法在cpu上处理，受限于线程数及调度开销，存在运行效率与耗时波动的矛盾gpu的多核特性在处理重复性的简单运算时有天然优势，可以提升系统运行效率及稳定性。通过使用gpu并行加速方法代替传统的基于cpu的灰阶校正算法，可以提升面板亮度校正处理过程的效率、稳定性。
101.可选地，上述识别模型可以是卷积神经网络模型。
102.在本实施例公开的技术方案中，获取待处理图像；所述待处理图像是指通过拍摄装置拍摄显示面板得到的图像；将所述待处理图像输入识别模型，通过所述识别模型输出识别结果；所述识别结果用于表示所述待处理图像上各个像素区域为子像素的概率；所述子像素是指由一个高亮度像素与多个低亮度像素构成的像素区域；根据所述识别结果，对所述显示面板进行亮度校正。这样通过拍摄装置拍摄显示面板后得到待处理图像，将待处
理图像其输入至识别模型中，得到待处理图像的识别结果，识别结果是待处理图像中像素区域为子像素的概率，根据该识别结果可以更准确地确定待处理图像的亮度分布情况，所以基于识别结果，对所述显示面板进行亮度校正，补偿面板上亮度不均匀的缺陷，从而可以提升对显示面板进行补偿时的准确性和易用性。
103.可选地，参照图3，基于上述任一实施例，在本发明面板亮度校正方法的另一实施例中，所述面板亮度校正方法还包括：
104.步骤s40、获取训练图像组以及所述训练图像组对应的标签；所述训练图像组包括若干训练图像；
105.在本实施例中，识别模型需要预先进行训练。故需先获取训练图像组以及所述训练图像组对应的标签，训练图像组包括若干训练图像，训练图像可以是黑白图像，仅具有灰度值，标签是对训练图像组的每个训练图像中的子像素的中心像素进行的标记，标签是预先处理，通过精度更高的算法或者人工标记确定，也可以根据预设子像素中心像素生成训练图像，这样对训练图像子像素中心像素添加标签会更加准确。
106.可选地，为了更好地模拟识别模型对显示面板的待处理图像的处理，训练图像组包括若干通过拍摄装置拍摄多块大小不一的显示面板得到的训练图像。
107.步骤s50、将所述训练图像输入所述识别模型，得到由所述识别模型输出的第一特征图像；
108.步骤s60、选取不同大小的卷积核对所述第一特征图像进行池化处理，并对池化结果进行特征融合，得到所述第一特征图像对应的第二特征图像；
109.在本实施例中，将训练图像组中的每一个训练图像输入识别模型，识别模型中特征提取层具有多个卷积层和不同卷积核大小的多个池化层，每一个池化层会对训练图像进行池化处理。其中，采用不同卷积核大小的多个池化层的缘由如下：
110.由于子像素大小会存在大小不一的情况(例如：3*3、4*4或5*5等，单位为像素)，故为了适应不同的子像素大小，故在训练阶段时，采用不同的大小的卷积核对第一特征图像进行池化处理，并对池化结果进行特征融合，得到第一特征图像对应的第二特征图像，以使识别模型可以在使用阶段适用于不同的子像素大小。
111.可选地，池化处理采用的卷积核大小可以分别为当前特征层尺寸、1/2当前特征层尺寸或1/3当前特征层尺寸。
112.步骤s70、基于所述第二特征图像，在所述识别模型中进行后续的识别处理，得到初始结果；
113.后续的识别处理是指全连接层等后续网络层级的处理过程。初始结果包括识别模型计算的该训练图像中每个训练图像中像素区域为子像素的概率。
114.步骤s80、计算所述初始结果与所述标签之间的损失；
115.步骤s90、根据所述损失优化所述识别模型。
116.将训练图像组中的每个训练图像以及每个训练图像对应的标签，依次执行上述过程，不断得优化识别模型。
117.在本实施例中，计算述初始结果与标签之间的损失，也表示识别模型对训练图像组造成的损失，损失主要包括在处理时造成的子像素内部空洞以及子像素的漏、误提取。根据训练图像组的一致性损失对识别模型进行迭代优化。
118.可选地，在将获取到的训练图像组输入识别模型之前，对训练图像组进行预处理，以使训练图像组满足识别模型的输入要求。预处理操作包括对训练图像组中的训练图像进行归一化处理和插值处理等。
119.可选地，在将获取到的训练图像组输入识别模型之前，对训练图像组进行数据增强处理，根据训练图像组中标签可以确定每个训练图像的子像素，所以可以对：对子像素进行旋转、亮度、对比度的变换、随机裁剪、镜像以及扭曲等，进行数据增强后的训练图像在输入识别模型后更容易确定识别结果，识别结果也会更加准确。
120.可选地，上述识别模型可以是卷积神经网络模型。
121.在本实施例公开的技术方案中，获取训练图像组以及所述训练图像组对应的标签；所述训练图像组包括若干训练图像；将所述训练图像输入所述识别模型，得到由所述识别模型输出的第一特征图像；选取不同大小的卷积核对所述第一特征图像进行池化处理，并对池化结果进行特征融合，得到所述第一特征图像对应的第二特征图像；基于所述第二特征图像，在所述识别模型中进行后续的识别处理，得到初始结果；计算所述初始结果与所述标签之间的损失；根据所述损失优化所述识别模型。这样通过将训练图像组发送至识别模型，得到初始识别结果，和训练图像组对应的标签进行比较，确定识别模型在进行识别处理时对训练图像组造成的损失，根据损失优化识别模型，减少识别模型在识别处理待处理图像时的缺陷，加强特征图像的一致性表达，使得到特征图像完整性更强，减少识别模型在处理待处理图像时相关信息的误、漏提取。
122.此外，本发明实施例还提出一种面板亮度校正装置，所述面板亮度校正装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的面板亮度校正程序，所述面板亮度校正程序被所述处理器执行时实现如上各个实施例所述的面板亮度校正方法的步骤。
123.此外，本发明实施例还提出一种面板亮度校正装置，示例性地，参照图4，所述面板亮度校正装置100包括：
124.获取模块101、输入模块102和校正模块103，其中，获取模块101，用于获取待处理图像；所述待处理图像是指通过拍摄装置拍摄显示面板得到的图像；输入模块102，用于将所述待处理图像输入识别模型，通过所述识别模型输出识别结果；所述识别结果用于表示所述待处理图像上各个像素区域为子像素的概率；所述子像素是指由一个高亮度像素与多个低亮度像素构成的像素区域；校正模块103，用于根据所述识别结果，对所述显示面板进行亮度校正。
125.此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有面板亮度校正程序，所述面板亮度校正程序被处理器执行时实现如上各个实施例所述的面板亮度校正方法的步骤。
126.需要说明的是，在本文中，术语“包括”和“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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
127.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
128.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得面板亮度校正装置执行本发明各个实施例所述的方法。
129.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明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，均同理包括在本发明的专利保护范围内。