缺陷检测方法和装置与流程

1.本发明实施例涉及图像识别领域，具体而言，涉及一种缺陷检测方法和装置。


背景技术：

2.近些年来，由于劳动力成本的不断攀升与机器人技术的迅速发展，越来越多的行业都迫切需要机器人的加入。人们对精装修房屋的需求越来越高，在这一背景下，建筑装修的施工模式逐渐向专业化，机械化，自动化的方向转变。建筑物墙壁缺陷包括裂缝和裂蚀斑或孔洞等填充物等，装修工人在对墙面进行粉刷前，需要先检测墙面的状态，发现墙面存在的某些问题，如凸包，凹陷和裂缝等。目前的检测方法大部分都是人工识别，一方面需要耗费大量的人力成本，另一方面，人工判断基于工人本身的经验，容易出现结果不准确的情况。
3.由此可知，相关技术中存在对墙面缺陷检测结果不准确的问题。
4.针对相关技术中存在的上述问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本发明实施例提供了一种缺陷检测方法和装置，以至少解决相关技术中存在对墙面缺陷检测结果不准确的问题。
6.根据本发明的一个实施例，提供了一种缺陷检测方法，包括：获取待进行缺陷检测的图片；对所述图片进行第一预处理，得到第一子图片组；将所述第一子图片组输入预先训练好的模型，得到第一输出结果，其中，所述预先训练好的模型是通过多组样本训练得到的，每组样本均包含缺陷图片和对应的缺陷等级，所述第一输出结果用于表示每个所述第一子图片组中的每个子图片是否存在缺陷；对所述图片进行第二预处理，得到第二子图片组；将所述第二子图片组输入所述预先训练好的模型，得到第二输出结果，其中，所述第二输出结果用于表示每个所述第二子图片组中的每个子图片是否存在缺陷；根据所述第一输出结果和所述第二输出结果得到缺陷检测结果。
7.进一步地，对所述图片进行第一预处理，得到第一子图片组包括：按照预设的第一像素间隔将所述图片进行分割，得到多个小图片；对所述多个小图片进行缩放，得到缩放图片，将所述缩放图片作为所述第一子图片组；对所述图片进行第二预处理，得到第二子图片组包括：按照预设的第二像素间隔将所述图片进行分割，得到多个小图片，作为所述第二子图片组。
8.进一步地，在将所述第一子图片组输入预先训练好的模型，得到第一输出结果之前，所述方法还包括：获取第一数量的缺陷样本图片和第二数量的非缺陷样本图片；对所述缺陷样本图片进行数据增强，将增强得到的图片和所述第一数量的缺陷样本图片作为第三数量的缺陷样本图片；基于所述第三数量的缺陷样本图片和所述第二数量的非缺陷样本图片进行模型训练，得到所述预先训练好的模型，其中，所述预先训练好的模型以卷积神经网络为主体，以全连接网络为神经元输出，经五次双重卷积后展平，经全连接网络输出三个元
素。
9.进一步地，基于所述第三数量的缺陷样本图片和所述第二数量的非缺陷样本图片进行模型训练，得到所述预先训练好的模型包括：对每个样本图片进行分割，得到多个小图片；对每个小图片进行打标签，其中，所述标签用于表征该小图片中的图像的缺陷程度；从多个小图片中随机选取两张进行随机旋转，并通过mixup算法进行数据增强得到增强图片，保存标签值符合期望值的增强图片；基于标签值符合期望值的增强图片进行模型训练，得到所述预先训练好的模型。
10.进一步地，将所述第一子图片组输入预先训练好的模型，得到第一输出结果包括：根据所述预先训练好的模型输出的三元素abc的值是否满足第一预设条件判断是否存在缺陷，其中，所述第一预设条件为：c》0.95或者a《0.05或者b c》α，在满足所述第一预设条件时判断存在缺陷，在不满足所述第一预设条件时判断为不存在缺陷；将缺陷判断的结果对应标注在所述待进行缺陷检测的图片中。
11.进一步地，将所述第二子图片组输入所述预先训练好的模型，得到第二输出结果包括：根据所述预先训练好的模型输出的三元素abc的值是否满足第二预设条件判断缺陷等级，其中，所述第二预设条件为：如果c》0.95或者a《0.05，则缺陷等级为高；如果c≤0.95且a≥0.05，且b c》α则缺陷等级为中；如果c≤0.95且a≥0.05，且b c≤α且a》β则不存在缺陷；如果c≤0.95且a≥0.05，且b c≤α且a≤β，则缺陷等级为低；将缺陷判断的结果对应标注在所述待进行缺陷检测的图片中。
12.进一步地，根据所述第一输出结果和所述第二输出结果得到缺陷检测结果包括：将标注了所述第一输出结果和所述第二输出结果的两个图片合并，取缺陷等级高的结果作为所述缺陷检测结果，其中，所述第一输出结果包括是否存在缺陷，如果存在缺陷则将所述待进行缺陷检测的图片对应的位置标注为第一深度的颜色；所述第二输出结果包括缺陷等级，缺陷等级从高到低对应第三深度的颜色、第二深度的颜色、第一深度的颜色和无色。
13.根据本发明的另一个实施例，提供了一种缺陷检测装置，包括：获取单元，用于获取待进行缺陷检测的图片；第一处理单元，用于对所述图片进行第一预处理，得到第一子图片组；第一输入单元，用于将所述第一子图片组输入预先训练好的模型，得到第一输出结果，其中，所述预先训练好的模型是通过多组样本训练得到的，每组样本均包含缺陷图片和对应的缺陷等级，所述第一输出结果用于表示每个所述第一子图片组中的每个子图片是否存在缺陷；第二处理单元，用于对所述图片进行第二预处理，得到第二子图片组；第二输入单元，用于将所述第二子图片组输入所述预先训练好的模型，得到第二输出结果，其中，所述第二输出结果用于表示每个所述第二子图片组中的每个子图片是否存在缺陷；输出单元，用于根据所述第一输出结果和所述第二输出结果得到缺陷检测结果。
14.根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
15.根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
16.通过本发明，获取待进行缺陷检测的图片；对图片进行第一预处理，得到第一子图
片组；将第一子图片组输入预先训练好的模型，得到第一输出结果，其中，预先训练好的模型是通过多组样本训练得到的，每组样本均包含缺陷图片和对应的缺陷等级，第一输出结果用于表示每个第一子图片组中的每个子图片是否存在缺陷；对图片进行第二预处理，得到第二子图片组；将第二子图片组输入预先训练好的模型，得到第二输出结果，其中，第二输出结果用于表示每个第二子图片组中的每个子图片是否存在缺陷；根据第一输出结果和第二输出结果得到缺陷检测结果，因此，可以解决相关技术中存在的对墙面缺陷检测结果不准确的问题，达到提高墙面缺陷检测结果的准确率的效果。
附图说明
17.图1是本发明实施例的一种缺陷检测方法的移动终端的硬件结构框图；
18.图2是根据本发明实施例的缺陷检测方法的流程图；
19.图3是本实施例的模型示意图；
20.图4是本实施例的缺陷检测的示意图
21.图5是根据本发明实施例的缺陷检测装置的结构框图。
具体实施方式
22.下文中将参考附图并结合实施例来详细说明本发明的实施例。
23.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
24.本技术实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种缺陷检测方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
25.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的缺陷检测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
26.传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
27.建筑物墙壁缺陷包括裂缝和裂蚀斑或孔洞等填充物等，缺陷检测是通过红外、超声波、激光、机器视觉或人的视觉等技术来判断出物体表面或内部存在的缺陷。目前的缺陷检测通常是指对物体表面上所存在的缺陷的检测，表面缺陷检测所采用技术主要有红外线测量技术，超波分测距技术等，通过先进技术对物体表面的孔洞、斑点、色差、凹坑、划痕、诱蚀、重叠、缺损等缺陷进行检测。
28.在本实施例中提供了一种缺陷检测方法，图2是根据本发明实施例的缺陷检测方法的流程图，如图2所示，该流程包括如下步骤：
29.步骤s101，获取待进行缺陷检测的图片；
30.步骤s102，对图片进行第一预处理，得到第一子图片组；
31.步骤s103，将第一子图片组输入预先训练好的模型，得到第一输出结果，其中，预先训练好的模型是通过多组样本训练得到的，每组样本均包含缺陷图片和对应的缺陷等级，第一输出结果用于表示每个第一子图片组中的每个子图片是否存在缺陷；
32.步骤s104，对图片进行第二预处理，得到第二子图片组；
33.步骤s105，将第二子图片组输入预先训练好的模型，得到第二输出结果，其中，第二输出结果用于表示每个第二子图片组中的每个子图片是否存在缺陷。
34.步骤s106，根据第一输出结果和第二输出结果得到缺陷检测结果。
35.在上述实施例中，待进行缺陷检测的图片是指待进行墙面缺陷检测的图片，可以是对建筑物外墙或者内墙拍摄得到的图片或者视频截图等，第一预处理和第二预处理分别对应不同的处理方式，主要是不同比例的分割或者缩放等，以适应模型，每种预处理后得到多张子图片，作为子图片组，两个子图片组分别进行识别，第一子图片组输入到预先训练好的模型中，得到图片上每个位置处是否存在缺陷，第二子图片组输入到预先训练好的模型中，得到每个位置的缺陷等级，将两个结果进行综合叠加可以得到缺陷检测结果，需要说明的是，预先训练好的模型可以是同一个模型，两个子图片组的数据分别输入到模型的不同接口中。通过对两个子图片组的数据分别可以解决相关技术中存在的对墙面缺陷检测结果不准确的问题，达到提高墙面缺陷检测结果的准确率的效果。
36.作为一种可选的实施方式，对图片进行第一预处理，得到第一子图片组包括：按照预设的第一像素间隔将图片进行分割，得到多个小图片；对多个小图片进行缩放，得到缩放图片，将缩放图片作为第一子图片组；对图片进行第二预处理，得到第二子图片组包括：按照预设的第二像素间隔将图片进行分割，得到多个小图片，作为第二子图片组。
37.对图片进行分割可以是将需要识别的图片按64像素间隔分割为若干128
×
128小图片，缩放为64
×
64，作为第一子图片组，对图片进行第二预处理可以是需要识别的图片按64像素间隔分割为若干64
×
64小图片，作为第二子图片组。
38.作为一种可选的实施方式，在将第一子图片组输入预先训练好的模型，得到第一输出结果之前，获取第一数量的缺陷样本图片和第二数量的非缺陷样本图片；对缺陷样本图片进行数据增强，将增强得到的图片和所述第一数量的缺陷样本图片作为第三数量的缺陷样本图片；基于第三数量的缺陷样本图片和第二数量的非缺陷样本图片进行模型训练，得到预先训练好的模型，其中，预先训练好的模型以卷积神经网络为主体，以全连接网络为神经元输出，经五次双重卷积后展平，经全连接网络输出三个元素。
39.在使用模型前，先通过一定数量的样本数据训练模型，采集的图片裁剪后，无缺陷
的图片远远多于有缺陷的图片，因而需要对缺陷样本图片进行数据增强，可以均衡正负样本的数量。增强得到的图片和原始的缺陷样本图片一起进行模型训练，例如，原始缺陷样本图片是100张，增强后新增了500张，则将这600张图片都作为缺陷样本图片，共同进行模型训练，本模型以卷积神经网络为主体，以全连接网络为神经元输出。本实施例中的模型输入为64
×
64的灰度图，经五次双重卷积(same卷积 2倍下采样卷积)后展平，经全连接网络输出abc 3个元素。
40.作为一种可选的实施方式，基于第三数量的缺陷样本图片和第二数量的非缺陷样本图片进行模型训练，得到预先训练好的模型包括：对每个样本图片进行分割，得到多个小图片；对每个小图片进行打标签，其中，标签用于表征该小图片中的图像的缺陷程度；从多个小图片中随机选取两张进行随机旋转，并通过mixup算法进行数据增强得到增强图片，保存标签值符合期望值的增强图片；基于标签值符合期望值的增强图片进行模型训练，得到预先训练好的模型。
41.在进行模型训练时，小图片上都打上该小图片的缺陷程度的标签，小图片的数据增强可以采用mixup算法，保存标签符合期望的增强图片，基于这些图片进行模型训练，得到预先训练好的模型。
42.作为一种可选的实施方式，将第一子图片组输入预先训练好的模型，得到第一输出结果包括：根据预先训练好的模型输出的三元素abc的值是否满足第一预设条件判断是否存在缺陷，其中，第一预设条件为：c》0.95或者a《0.05或者b c》α，在满足第一预设条件时判断存在缺陷，在不满足第一预设条件时判断为不存在缺陷；将缺陷判断的结果对应标注在待进行缺陷检测的图片中。
43.通过预先设定的条件来判断是否存在缺陷，其中，预先设定的条件是在模型训练以及修正过程中通过多次试验调整得到的，在满足第一预设条件时存在缺陷，不满足时不存在缺陷，这些数据可以通过调整以适应不同的场景。
44.作为一种可选的实施方式，将第二子图片组输入预先训练好的模型，得到第二输出结果包括：根据预先训练好的模型输出的三元素abc的值是否满足第二预设条件判断缺陷等级，其中，第二预设条件为：如果c》0.95或者a《0.05，则缺陷等级为高；如果c≤0.95且a≥0.05，且b c》α则缺陷等级为中；如果c≤0.95且a≥0.05，且b c≤α且a》β则不存在缺陷；如果c≤0.95且a≥0.05，且b c≤α且a≤β，则缺陷等级为低；将缺陷判断的结果对应标注在待进行缺陷检测的图片中。
45.根据模型输出的三元素的值来判断缺陷等级，在判断出来后，将对应的不同等级以不同颜色深度标识出来，需要说明的是，除了不同颜色深度以外，也可以是其他方式，只要能够标识出缺陷等级即可。
46.作为一种可选的实施方式，根据第一输出结果和第二输出结果得到缺陷检测结果包括：将标注了第一输出结果和第二输出结果的两个图片合并，取缺陷等级高的结果作为缺陷检测结果，其中，第一输出结果包括是否存在缺陷，如果存在缺陷则将待进行缺陷检测的图片对应的位置标注为第一深度的颜色；第二输出结果包括缺陷等级，缺陷等级从高到低对应第三深度的颜色、第二深度的颜色、第一深度的颜色和无色。
47.将两个输出结果进行合并时的原则是，取颜色深的结果进行输出，作为缺陷检测结果。
48.本实施例还给出了一种具体实施方式，下面结合具体实施方式对本实施例的技术方案进行说明。
49.本发明实施例可以应用于建筑行业各类墙面的缺陷(包括且不限于裂缝、色块等)检测，可搭载在建筑机器人及各类检测仪器中，通过以卷积神经网络为主体的深度模型对设备采集的图像进行缺陷检测。可以解决现有算法对模糊的缺陷特征的召回率较低；现有算法的检测结果多为二分，即有无缺陷，没有对缺陷进行定级，缺乏注意力；深度模型较复杂、检测速度慢等普遍性问题。
50.本实施例的技术方案可分为数据处理、模型搭建和模型预测三个阶段。
51.1)数据处理阶段
52.①
数据采集：相机采集需要的缺陷图片，裁剪为64
×
64的小图片；
53.②
数据划分：将原始图片(64
×
64)分三类(人为判断)：无缺陷、弱缺陷、强缺陷，对应标签值分别为0.0(无缺陷)、0.5(弱缺陷)、1.0(强缺陷)；
54.③
数据增强：随机选取两张图片进行随机旋转，并按mixup算法进行增强；
55.mixup数据增强：依据λ～beta(0.5,0.5)随机生成λ，按下列公式融合两张图片：
56.x
new
＝λx1 (1-λ)x257.y
new
＝λy1 (1-λ)y258.其中，x为像素值，y为标签值。保存标签值为0.45-0.55(弱缺陷)和0.9-1.0(强缺陷)的增强图片。需要说明的是，弱缺陷原则上是标签为0.5的图片，这里给了
±
0.05的区间(是指保存算法生成的标签在0.45-0.55区间内的图片)，具体数据稍微调整，但不宜调整过大。
59.2)模型搭建及训练阶段
60.图3是本实施例的模型示意图，本模型以卷积神经网络为主体，以全连接网络为神经元输出。模型输入为64
×
64的灰度图，经五次双重卷积(same卷积 2倍下采样卷积)后展平，经全连接网络输出abc 3个元素。
61.需要强调的是输入尺寸是64
×
64固定的，以及五次双重卷积(即十层卷积)。当然也可以通过其他的卷积方式获得相同尺寸的输出。但经过多次实验，目前的模型参数达到的效果比较优选的。
62.abc输入图片对应的标签，对应规则如下：
63.表1图片对应的标签数值
[0064][0065]
模型训练过程强缺陷(原始 增强)、弱缺陷(原始 增强)、无缺陷(原始)数据的比例设置为1：1：2。
[0066]
网络模型整体轻量简洁，推理速度快，并可一次输入多张图片并行运算。
[0067]
3)模型预测阶段
[0068]
本阶段是缺陷检测的主体，检测过程分两步同时进行，图4是本实施例的缺陷检测的示意图，如图4所示。
[0069]
检测一(上)：
[0070]
①
将需要识别的图片按64像素间隔分割为若干128
×
128小图片，缩放为64
×
64；
[0071]
②
按行喂入训练好的模型；
[0072]
③
模型输出a b c三元素值，按以下规则进一步判断是否为缺陷(t or f)：
[0073]
if c》0.95or a《0.05or b c》α
[0074]
then l
←
t
[0075]
else l
←f[0076]
其中，可通过调整阈值α改变tp，适应不同检测任务对r(召回率)、p(准确率)的需求。
[0077]
④
将检测结果(128
×
128)对应至原图(64
×
64
×
4)，按照t(浅红)、f(无色)绘制在原图中。
[0078]
检测二(下)：
[0079]
①
将需要识别的图片按64像素间隔分割为若干64
×
64小图片；
[0080]
②
按行喂入训练好的模型；
[0081]
③
模型输出a b c三元素值，按以下规则进一步判断缺陷等级l：
[0082][0083][0084]
④
其中，可通过调整阈值α、β改变tp、fp，适应不同检测任务对r(召回率)、p(准确率)的需求。其中，tp、fp是评价指标，表示真阳和假阳。
[0085]
⑤
缺陷等级从高到低对应输出颜色为l3(深红)-l2(红)-l1(浅红)-l0(无色)，并绘制在原图中。
[0086]
最后将检测一与检测二的预测图合并，取颜色深的结果。
[0087]
本发明实施例将缺陷检测视为三分类任务，增加了弱缺陷一类，在实质上拓展了模型功能，提高了模型对较模糊缺陷的识别精度；检测模型采用轻量高效的卷积神经网络，结合全连接神经网络输出，能以较快的速度进行高精度缺陷检测；在缺陷预测阶段的预测过程按两步并行，步骤一的大尺度检测提高了检测召回率，步骤二的小尺度检测对缺陷目标精确定级，提高了检测质量。
[0088]
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根据上述实施例的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一个存储
介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0089]
在本实施例中还提供了一种缺陷检测装置，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。
[0090]
图5是根据本发明实施例的缺陷检测装置的结构框图，如图5所示，该装置包括：
[0091]
获取单元10，用于获取待进行缺陷检测的图片；
[0092]
第一处理单元20，用于对图片进行第一预处理，得到第一子图片组；
[0093]
第一输入单元30，用于将第一子图片组输入预先训练好的模型，得到第一输出结果，其中，预先训练好的模型是通过多组样本训练得到的，每组样本均包含缺陷图片和对应的缺陷等级，第一输出结果用于表示每个第一子图片组中的每个子图片是否存在缺陷；
[0094]
第二处理单元40，用于对图片进行第二预处理，得到第二子图片组；
[0095]
第二输入单元50，用于将第二子图片组输入预先训练好的模型，得到第二输出结果，其中，第二输出结果用于表示每个第二子图片组中的每个子图片是否存在缺陷；
[0096]
输出单元60，用于根据第一输出结果和第二输出结果得到缺陷检测结果。
[0097]
通过本实施例，可以解决相关技术中存在的对墙面缺陷检测结果不准确的问题，达到提高墙面缺陷检测结果的准确率的效果。
[0098]
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
[0099]
本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
[0100]
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：u盘、只读存储器(read-only memory，简称为rom)、随机存取存储器(random access memory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
[0101]
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0102]
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0103]
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
[0104]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作
成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0105]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。