基于深度学习的表面缺陷检测方法、装置、系统和介质与流程

1.本发明涉及视觉检测技术领域，尤其是涉及基于深度学习的表面缺陷检测方法、装置、系统和介质。


背景技术：

2.转子是发动机相位调节器的重要组成部分，通常由粉末冶金工艺制造而成。在粉末成型与烧结过程中，因材料剥落与黏连等问题导致缺角、划痕和变形等瑕疵，这些瑕疵会对转子乃至发动机的整体性能和使用寿命造成影响。高曝光图像能够在边缘轮廓与背景之间形成较好的区分度，有利于检测磕伤等边缘缺陷，但对于表面缺陷特别是不明显的小尺寸缺陷存在抑制作用，容易造成漏检；正常曝光下采集到的图像细节信息丰富、漏检风险较小，但缺陷与正常区域对比度低，表面纹理与加工痕迹造成检测难度大，容易错误检出。因此，对发动机转子的表面缺陷检测技术提出了更高的要求。
3.随着计算机视觉技术的发展，机器视觉系统的研究与应用范围不断扩大，基于机器视觉的产品表面质量检测在智能制造中得到了越来越多的重视。然而，在针对转子表面缺陷的检测中，受到金属纹理和加工痕迹的影响，基于颜色、亮度、梯度等特征的传统检测方法，比如利用图像梯度信息的sobel算子和广泛应用的canny算子、基于阈值和区域的图像分割方法、基于人工设计特征的scg(sparse code gradients)方法等，无法良好地适用于正常曝光条件下采集到的弱对比度图像，检测到的区域中存在目标缺陷与大量伪缺陷混合和缺陷区域检测不完整的问题。


技术实现要素：

4.本发明的目的在于克服上述技术不足，提出一种基于深度学习的表面缺陷检测方法、装置、系统和介质，解决现有技术中无法良好地适用于正常曝光条件下采集到的弱对比度图像，检测到的区域中存在目标缺陷与大量伪缺陷混合和缺陷区域检测不完整的技术问题。
5.为达到上述技术目的，第一方面，本发明的技术方案提供一种基于深度学习的表面缺陷检测方法，包括以下步骤：
6.获取检测部件的多角度光图像以及常规照明下所述检测部件的二维图像；
7.利用光度立体方法对所述多角度光图像进行计算得到实时检测部件的表面形貌信息；
8.将所述表面形貌信息在所述检测部件的二维图像进行堆叠得到待检测图像；
9.利用改进rcf模型所述待测图像中的缺陷信息。
10.与现有技术相比，本发明的有益效果包括：
11.本发明利用光度立体方法增强待测表面的形貌信息，将高度信息和曲率信息按通道堆叠至正常曝光下的二维图像中形成待检测图像，再利用改进rcf模型识别图像中的缺陷信息，将光度立图方法计算的表面形貌信息与传统图像信息结合，增强了划伤和凸起等
三维缺陷的检测能力，降低了复杂背景干扰和表面纹理对缺陷检测的不良影响；改进rcf模型使用跳层连接的思想和注意力模块优化模型中的卷积神经网络结构，同时区分缺陷的具体类型和具体区域，提高了缺陷检测精度。
12.根据本发明的一些实施例，所述表面形貌信息包括：高度图、曲率图和反射率。
13.根据本发明的一些实施例，所述利用改进rcf模型所述待测图像中的缺陷信息，包括步骤：
14.以池化层为界线将所述改进rcf模型划分出五个中间阶段，利用所述中间阶段提取多尺度多层次的特征图；
15.将不同中间阶段的所述特征图从不同尺度下恢复成与待检测图像相同的尺寸；
16.将第一个所述中间阶段侧输出特征图与后续四个所述中间阶段上采样后的特征图堆叠合并，使用卷积消除混叠现象并对卷积特征进行降维，最终形成5个侧输出；
17.将5个侧输出堆叠形成全局信息，对不同所述中间阶段的特征图整体加权形成通道注意力，并对特征图中的不同区域进行加权形成空间注意力，融合不同中间阶段的特征图以输出最终分割图像。
18.根据本发明的一些实施例，在融合不同中间阶段的特征以输出最终分割图像之后，包括步骤：
19.将所述最终分割图像输出为适合多类别信息输出的独热模式，并将所述最终分割图像分割为不同的缺陷区域，识别所述缺陷区域的缺陷类型。
20.根据本发明的一些实施例，在获取检测部件的多角度光图像以及常规照明下所述检测部件的二维图像之后，包括步骤：
21.对所述检测部件的多角度光图像以及常规照明下所述检测部件的二维图像进行滤波降噪处理和图像增强处理。
22.根据本发明的一些实施例，利用光度立体方法对所述多角度光图像进行计算得到实时检测部件的表面形貌信息，包括步骤：
23.对所述检测部件的多角度光图像进行计算表面法向量处理得到高度图和曲率图。
24.第二方面，本发明的技术方案提供一种基于深度学习的表面缺陷检测装置，包括：
25.图像采集模块，获取检测部件的多角度光图像以及常规照明下所述检测部件的二维图像；
26.光度立体模块，利用光度立体方法对所述多角度光图像进行计算得到实时检测部件的表面形貌信息；
27.图像融合模块，将所述表面形貌信息在所述检测部件的二维图像进行堆叠得到待检测图像；
28.深度学习模块，利用改进rcf模型所述待测图像中的缺陷信息。
29.根据本发明的一些实施例，基于深度学习的表面缺陷检测装置还包括：
30.预处理模块，与所述图像采集模块通信连接，所述预处理模块用于对所述检测部件的多角度光图像以及常规照明下所述检测部件的二维图像进行滤波降噪处理和图像增强处理。
31.第三方面，本发明的技术方案提供一种基于深度学习的表面缺陷检测系统，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计算机程序，所述处理
器执行所述计算机程序时实现如第一方面中任意一项所述的基于深度学习的表面缺陷检测方法。
32.第四方面，本发明的技术方案提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面中任意一项所述的基于深度学习的表面缺陷检测方法。
33.本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
34.本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中摘要附图要与说明书附图的其中一幅完全一致：
35.图1为本发明一个实施例提供的基于深度学习的表面缺陷检测方法的流程图；
36.图2为本发明另一个实施例提供的基于深度学习的表面缺陷检测方法的采集的图；
37.图3为本发明另一个实施例提供的基于深度学习的表面缺陷检测方法的光度立体计算出的表面形貌信息图；
38.图4为本发明另一个实施例提供的基于深度学习的表面缺陷检测方法的改进rcf模型的结构图；
39.图5为本发明另一个实施例提供的基于深度学习的表面缺陷检测方法的rcf模型侧输出对比图；
40.图6为本发明另一个实施例提供的基于深度学习的表面缺陷检测方法的rcf模型最终输出对比图；
41.图7为本发明另一个实施例提供的基于深度学习的表面缺陷检测方法的构建的数据集的部分样例及其可视化标签图；
42.图8为本发明另一个实施例提供的基于深度学习的表面缺陷检测方法的多种方法的缺陷检测结果对比图。
具体实施方式
43.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
44.需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。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。
45.rcf模型(语义分割模型，richer convolutional features)能够良好的区分图像纹理、阴影等干扰以及有效目标轮廓，这使其在弱对比度的缺陷检测中具有良好的潜力。rcf模型中采用的特征分层思想保证了模型在训练过程中能够充分进行多尺度、多层次的特征学习，但对于深层卷积神经网络而言，多个池化层的下采样后再反卷积导致精确尺寸
与位置信息的误差增大、精细尺度特征丢失。这导致了使用rcf模型对转子表面缺陷进行检测存在缺陷边界信息不精确、缺陷和干扰信息同时被提取出来等问题。
46.本发明提供了一种基于深度学习的表面缺陷检测方法，利用光度立体方法增强待测表面的形貌信息，将高度信息和曲率信息按通道堆叠至正常曝光下的二维图像中形成待检测图像，再利用改进rcf模型识别图像中的缺陷信息，将光度立图方法计算的表面形貌信息与传统图像信息结合，增强了划伤和凸起等三维缺陷的检测能力，降低了复杂背景干扰和表面纹理对缺陷检测的不良影响。
47.下面结合附图，对本发明实施例作进一步阐述。
48.参照图1，图1为本发明一个实施例提供的基于深度学习的表面缺陷检测方法的流程图；基于深度学习的表面缺陷检测方法包括但是不仅限于以下步骤：
49.步骤s110，获取检测部件的多角度光图像以及常规照明下检测部件的二维图像；
50.步骤s120，利用光度立体方法对多角度光图像进行计算得到实时检测部件的表面形貌信息；
51.步骤s130，将表面形貌信息在检测部件的二维图像进行堆叠得到待检测图像；
52.步骤s140，利用改进rcf模型待测图像中的缺陷信息。
53.在一实施例中，基于深度学习的表面缺陷检测方法包括步骤：获取检测部件的多角度光图像以及常规照明下检测部件的二维图像；利用光度立体方法对多角度光图像进行计算得到实时检测部件的表面形貌信息；将表面形貌信息在检测部件的二维图像进行堆叠得到待检测图像；利用改进rcf模型待测图像中的缺陷信息。
54.参照图2至图8，图2为本发明另一个实施例提供的基于深度学习的表面缺陷检测方法的采集的图；图3为本发明另一个实施例提供的基于深度学习的表面缺陷检测方法的光度立体计算出的表面形貌信息图；图4为本发明另一个实施例提供的基于深度学习的表面缺陷检测方法的改进rcf模型的结构图；图5为本发明另一个实施例提供的基于深度学习的表面缺陷检测方法的rcf模型侧输出对比图；图6为本发明另一个实施例提供的基于深度学习的表面缺陷检测方法的rcf模型最终输出对比图；图7为本发明另一个实施例提供的基于深度学习的表面缺陷检测方法的构建的数据集的部分样例及其可视化标签图；图8为本发明另一个实施例提供的基于深度学习的表面缺陷检测方法的多种方法的缺陷检测结果对比图。
55.在一实施例中，基于深度学习的表面缺陷检测方法包括步骤：获取检测部件的多角度光图像以及常规照明下检测部件的二维图像；利用光度立体方法对多角度光图像进行计算得到实时检测部件的表面形貌信息；将表面形貌信息在检测部件的二维图像进行堆叠得到待检测图像；利用改进rcf模型待测图像中的缺陷信息。
56.本发明利用光度立体方法增强待测表面的形貌信息，将高度信息和曲率信息按通道堆叠至正常曝光下的二维图像中形成待检测图像，再利用改进rcf模型识别图像中的缺陷信息，方法包括步骤：
57.采集正常照明下的二维图像和光度立体计算所需的图像；
58.利用光度立体方法计算待测物体的表面形貌信息；
59.将高度、反射率和曲率等表面相貌信息与正常照明下的二维图像进行堆叠
60.采用基于改进rcf模型的表面缺陷检测方法对待测图像中的缺陷信息进行提取，
包括：
61.step1.使用vgg16模型的卷积和池化部分作为改进模型的主干网络，以池化层为界线划分出五个中间阶段，这些中间阶段分别提取出了多尺度多层次的特征信息；
62.step2.阶段内使用矩阵加法和卷积融合特征，并对特征图进行上采样，将不同中间阶段的特征图从不同尺度下恢复成与输入图像相同的尺寸；
63.step3.第一阶段侧输出特征图与后续四个阶段上采样后的特征图堆叠合并，使用卷积消除混叠现象并对卷积特征进行降维，最终形成5个侧输出；
64.step4.将五个侧输出堆叠，使用cbam(convolutional block attention module)注意力模块对所有中间阶段的侧输出进行加权以协助最终输出的形成，根据由中间阶段堆叠形成的全局信息，对不同阶段的特征图整体加权形成通道注意力，同时对特征图中的不同区域进行加权形成空间注意力，融合不同中间阶段的特征以输出最终的分割图像。
65.step5.最终输出为更适合多类别信息输出的独热模式，最大值所在的通道维索引代表了背景或缺陷类别。
66.训练过程中，使用多分类交叉熵作为损失函数计算输出值与手工标注的真实值之间的差距，累加背景及每通道的损失值作为总损失并进行反向传播，因此，总损失函数可写成：
[0067][0068]
其中，s表示模型侧输出与最终输出的个数(本文中s＝6)；|i|表示每张图像的像素数；k表示缺陷类别数(本文中k＝4)，bg表示非缺陷类；l(xi，y)表示输出图像的损失值，其计算函数可表示为：
[0069][0070][0071]
其中，|y

|与|y-|分别表示真值图中目标像素数与非目标像素数；λ作为超参数平衡训练图像中目标缺陷区域相对于非目标区域比例不均衡的问题；μ1、μ2是用于缓解训练样本为背景或图像中无目标区域时损失值骤降问题的超参数。
[0072]
在试验过程中，对转子的端面图像进行采集与处理，结合人工标注的方式制作缺陷区域数据集。考虑到训练效率与显存限制的问题，进一步将图像裁剪为320
×
320像素大小的子集，最终获得3781对样本。随机选取其中的488对样本组成测试集，剩余3293对样本组成训练与验证集。训练集数据的丰富程度对模型的训练效果具有较大影响，为保证训练效果，训练过程中进一步采用中心旋转、镜像翻转等方式对训练样本进行数据增广处理。
[0073]
使用在imagenet上预训练的vgg16模型参数对本文模型中的主干网络进行初始化以降低过拟合风险并提高训练效率。
[0074]
对于新添加的卷积层采用均值为0、方差为0.01的正态分布完成初始化。
[0075]
采用随机梯度下降法，设置批处理大小为10，初始学习率为1e-4，所有训练样本均训练过10轮后学习率下降为原来的0.5，动量优化系数设为0.9，权重衰减设为2e-5，损失函数中的超参数λ根据类别的不同设为分别对背景、黑斑、磕伤、划伤、凸起设置为0.2、1.0、1.0、0.7、0.8，μ1和μ2设为0.05。
[0076]
试验使用硬件主要包括一块nvidia rtx 2070s和一块amd r5 3600，所有试验均在同一设备下完成。
[0077]
选择迭代训练多轮后稳定收敛的模型进行效果测试与评估。将像素准确率(pa)和交并比(iou)作为评价指标，像素准确率代表模型输出结果中真正缺陷像素数在总像素数中的占比；交并比代表模型输出结果中真正缺陷像素数在输出像素数中的占比，计算公式可表示为：
[0078][0079][0080]
式中，k为识别的类别数，tp是正确提取与检出的缺陷像素数，tn是正确提取与检出的非目标缺陷像素数，total表示缺陷像素数总和，fp是错误检出的缺陷像素数，fn是未被提取与检出的缺陷像素数。
[0081]
比较本文方法与其他相关方法，如表1所示。相较于自适应阈值分割方法，基于深度学习的语义分割模型在提取缺陷区域的效果方面提升巨大，rcf和本文模型在像素准确率方面领先传统算法一倍。深度学习模型的输出结果不仅能够更好的分割出缺陷区域，还能够区分缺陷类型，为后续缺陷的筛选与判定提供了更多依据。
[0082]
表1不同方法对转子表面缺陷的检测结果对比
[0083][0084]
fcn模型和ocrnet模型虽然像素准确率略高但对黑斑与磕伤的检测能力较弱，黑斑与磕伤的交并比均低于60％。unet 模型的效果相较于fcn模型有所提升但检测效果仍然不够理想。rcf模型融合多尺度多层次特征并使用侧输出协助模型训练，在黑斑与磕碰的检测上获得了检测能力的提升，像素准确率达93％。本文模型比rcf模型具有更高的像素准确率，且各种缺陷的交并比都提高了约1至7个百分点，取得了更好的检测效果。在执行效率方面，本文构建的优化模型在网络结构上相比于原模型更加复杂且参数数量略有增加，执
行速度有所下降但依然能够实现约每秒32张图像的高效处理。
[0085]
不同方法的缺陷区域检测结果如图8所示，自适应阈值分割方法能够大致分割出缺陷区域，但存在缺陷区域分割不完全和非缺陷区域与缺陷区域混杂等问题。传统方法受工件制造工艺影响较大，容易在打磨不充分的表面造成大量错误检出，且对细长型的划伤缺陷提取区域存在不连续的问题，这容易在后续判断中形成频繁误判与漏检。fcn模型更倾向于输出块状区域，在尺寸较小的缺陷上准确性不高，尤其是呈散点状分布的黑斑、小磕伤等缺陷存在漏检与误检。unet 模型存在较为严重的过检问题，错误分割出了较多正常表面区域且分割出的区域较为粗大。ocrnet模型对磕伤和划伤缺陷存在漏检且对黑斑缺陷的检测识别能力较弱。相比于rcf模型，本文模型的输出结果更加完整与精细，目标区域的形貌与真值图像中的区域形貌更加相似且缺陷区域更加精准，甚至能够提取出真值图中未标注出的细微缺陷。
[0086]
在一实施例中，基于深度学习的表面缺陷检测方法包括步骤：获取检测部件的多角度光图像以及常规照明下检测部件的二维图像；利用光度立体方法对多角度光图像进行计算得到实时检测部件的表面形貌信息；将表面形貌信息在检测部件的二维图像进行堆叠得到待检测图像；利用改进rcf模型待测图像中的缺陷信息。表面形貌信息包括：高度图、曲率图和反射率。
[0087]
在一实施例中，基于深度学习的表面缺陷检测方法包括步骤：获取检测部件的多角度光图像以及常规照明下检测部件的二维图像；利用光度立体方法对多角度光图像进行计算得到实时检测部件的表面形貌信息；将表面形貌信息在检测部件的二维图像进行堆叠得到待检测图像；利用改进rcf模型待测图像中的缺陷信息。
[0088]
利用改进rcf模型待测图像中的缺陷信息，包括步骤：以池化层为界线将改进rcf模型划分出五个中间阶段，利用中间阶段提取多尺度多层次的特征图；将不同中间阶段的特征图从不同尺度下恢复成与待检测图像相同的尺寸；将第一个中间阶段侧输出特征图与后续四个中间阶段上采样后的特征图堆叠合并，使用卷积消除混叠现象并对卷积特征进行降维，最终形成5个侧输出；将5个侧输出堆叠形成全局信息，对不同中间阶段的特征图整体加权形成通道注意力，并对特征图中的不同区域进行加权形成空间注意力，融合不同中间阶段的特征以输出最终分割图像。
[0089]
在一实施例中，基于深度学习的表面缺陷检测方法包括步骤：获取检测部件的多角度光图像以及常规照明下检测部件的二维图像；利用光度立体方法对多角度光图像进行计算得到实时检测部件的表面形貌信息；将表面形貌信息在检测部件的二维图像进行堆叠得到待检测图像；利用改进rcf模型待测图像中的缺陷信息。
[0090]
利用改进rcf模型待测图像中的缺陷信息，包括步骤：以池化层为界线将改进rcf模型划分出五个中间阶段，利用中间阶段提取多尺度多层次的特征图；将不同中间阶段的特征图从不同尺度下恢复成与待检测图像相同的尺寸；将第一个中间阶段侧输出特征图与后续四个中间阶段上采样后的特征图堆叠合并，使用卷积消除混叠现象并对卷积特征进行降维，最终形成5个侧输出；将5个侧输出堆叠形成全局信息，对不同中间阶段的特征图整体加权形成通道注意力，并对特征图中的不同区域进行加权形成空间注意力，融合不同中间阶段的特征以输出最终分割图像。在融合不同中间阶段的特征以输出最终分割图像之后，包括步骤：将最终分割图像输出为适合多类别信息输出的独热模式，并将最终分割图像分
割为不同的缺陷区域，识别缺陷区域的缺陷类型。
[0091]
在一实施例中，基于深度学习的表面缺陷检测方法包括步骤：获取检测部件的多角度光图像以及常规照明下检测部件的二维图像；利用光度立体方法对多角度光图像进行计算得到实时检测部件的表面形貌信息；将表面形貌信息在检测部件的二维图像进行堆叠得到待检测图像；利用改进rcf模型待测图像中的缺陷信息。在获取检测部件的多角度光图像以及常规照明下检测部件的二维图像之后，包括步骤：对检测部件的多角度光图像以及常规照明下检测部件的二维图像进行滤波降噪处理和图像增强处理。
[0092]
在一实施例中，基于深度学习的表面缺陷检测方法包括步骤：获取检测部件的多角度光图像以及常规照明下检测部件的二维图像；利用光度立体方法对多角度光图像进行计算得到实时检测部件的表面形貌信息；将表面形貌信息在检测部件的二维图像进行堆叠得到待检测图像；利用改进rcf模型待测图像中的缺陷信息。在获取检测部件的多角度光图像以及常规照明下检测部件的二维图像之后，包括步骤：对检测部件的多角度光图像以及常规照明下检测部件的二维图像进行滤波降噪处理和图像增强处理。利用光度立体方法对多角度光图像进行计算得到实时检测部件的表面形貌信息，包括步骤：对检测部件的多角度光图像进行计算表面法向量处理得到高度图和曲率图。
[0093]
本发明还提供了一种基于深度学习的表面缺陷检测装置，包括：图像采集模块，获取检测部件的多角度光图像以及常规照明下检测部件的二维图像；光度立体模块，利用光度立体方法对多角度光图像进行计算得到实时检测部件的表面形貌信息；图像融合模块，将表面形貌信息在检测部件的二维图像进行堆叠得到待检测图像；深度学习模块，利用改进rcf模型待测图像中的缺陷信息。
[0094]
在一实施例中，一种基于深度学习的表面缺陷检测装置包括：图像采集模块，获取检测部件的多角度光图像以及常规照明下检测部件的二维图像；光度立体模块，利用光度立体方法对多角度光图像进行计算得到实时检测部件的表面形貌信息；图像融合模块，将表面形貌信息在检测部件的二维图像进行堆叠得到待检测图像；深度学习模块，利用改进rcf模型待测图像中的缺陷信息；预处理模块，与图像采集模块通信连接，预处理模块用于对检测部件的多角度光图像以及常规照明下检测部件的二维图像进行滤波降噪处理和图像增强处理。
[0095]
本发明还提供了一种基于深度学习的表面缺陷检测系统，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的基于深度学习的表面缺陷检测方法。
[0096]
处理器和存储器可以通过总线或者其他方式连接。
[0097]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。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。
[0098]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。
可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0099]
此外，本发明的一个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存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述终端实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的基于深度学习的表面缺陷检测方法。
[0100]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0101]
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
[0102]
以上本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。