一种用于浮游生物监测的压缩成像识别方法及系统与流程

1.本发明涉及浮游生物监测技术领域，特别是涉及一种用于浮游生物监测的压缩成像识别方法及系统。


背景技术：

2.随着智慧海洋工程建设的发展，我国对海洋信息采集与传输技术有了更高的要求，其中，深度融合工业化和信息化得到的智慧海洋工程是认知和经略海洋的体系工程，是在海洋基础信息技术的依托下，利用新一代信息技术将海洋环境、人为活动深度结合，形成完善的海洋信息体系，以实现海洋信息的精准获取、数据共享和创新应用。目前，我国的智慧海洋工程建设已经取得了初步成果，但依旧面临一些关键技术问题，例如复杂的海洋环境造成的数据获取困难以及后端系统处理和共享不足的问题。因此，对海洋信息采集技术的研究变得愈发重要，而浮游生物的实时监测就是一个重要的研究方向。浮游生物的实时监测对建设智慧海洋工程，实现对海洋信息的透彻感知、海洋生态系统的评估和灾害的预防有着重要的意义。
3.浮游生物水下光学原位成像仪主要由光学成像镜头和图像传感器组成，部分成像仪还搭载光源模块，为水下暗环境提供照明，提升成像效果。该成像仪作为监测仪器，可对微米毫米级尺度目标能够有效成像，即使考虑水下光强的吸收衰减，光学成像方式也能正常工作。监测仪的图像获取能力、数据处理效率都直接影响其实际使用效果，其中，存在以下关键问题(1)大多数浮游生物监测仪需要长时间乃至于全天候工作，当前端获取的图像质量较高时，会产生更多的数据量，提高了传输带宽需求，增加了处理时间，存在大量数据不易存储、不易传输的问题；而当前端获取的图像质量较低时，不利于后端的分类识别，降低了监测识别的准确率。除数据量大的问题外，现有监测仪还存在以下问题：(2)采样过程中，由于光的吸收、散射及湍流等效应，采样数据中包含大量噪声干扰，可用信息少，价值密度低。(3)对于高复杂性、高碎片性的采样结果，缺乏合理的数据处理手段，无法实现较高的浮游生物识别准确率。


技术实现要素：

4.本发明的目的在于解决浮游生物监测识别准确率低的技术问题，提出一种用于浮游生物监测的压缩成像识别方法及系统。
5.本发明的技术问题通过以下的技术方案予以解决：
6.一种用于浮游生物监测的压缩成像识别方法，包括如下步骤：
7.s1、使用浮游生物原位图像数据集进行参数优化；
8.s2、将优化得到的最优测量模式组合依次加载到硬件系统的数字微反射镜上，对当前场景的像进行光学调制，得到测量结果；
9.s3、通过分类网络完成识别任务；
10.其中，步骤s1中，包括：
11.s11、使用离散余弦变换基底，计算生成正交确定性测量矩阵，提高信息熵聚集特性；
12.s12、通过自适应特征选择方法，在有限的数据内采样最关键的压缩特征以最大化浮游生物图像类间差异；
13.其中s12中，自适应特征选择方法中，利用图像特征学习，设定统计计算时的截止参数，量化每个特征的重要性，学习并选出相应数量的关键特征，优化得到最优测量模式组合。
14.在一些实施例中，还包括如下技术特征：
15.步骤s1还包括：建立概率模型并对概率模型中的参数进行优化，通过概率分布选择测量矩阵。
16.所述概率模型为伯努利概率模型，所述伯努利概率模型建立方法包括：通过产生一个特征采样概率向量x，将特征与重要性尺度关联起来。
17.进一步地，
18.所述伯努利概率模型建立方法还包括：假设第i个频率特征被选中的概率为pr[xi＝1]＝pi，根据pi确定随机变量xi的值，xi只有两种状态，即被选择和不被选择，这两种状态分别被表示为{xi＝1,xi＝0}，最终x是所有随机变量xi的集合；概率pi的值通过gumbel-softmax采样确定；对每个频率特征都分配一个向量[η
i1
,η
i2
]，通过比较η
i1
和η
i2
的取值确定xi的取值，公式如下：
[0019][0020]
之后使用softmax操作对η
i1
和η
i2
进行归一化，使其能够表示概率，再使用gumbel采样方法使采样可导的同时最接近真实的分布，最终，完整的gumbel-softmax过程如下述公式所示：
[0021]
pi＝softmax{[ln(η
i1
) gi]/temperature}
[0022]
其中η
i1
是随机给定的初始值，gi是独立同分布且服从gumbel分布的采样结果，temperature是一个大于0的超参数。
[0023]
在一些实施例中，还包括如下技术特征：
[0024]
所述概率模型中需要优化的参数包括：表征单个压缩特征的概率值pi和实际选择的特征数量l(x)；两者均通过连续链式求导反向传播进行迭代优化。
[0025]
所述概率模型中优化的计算公式如下：
[0026][0027]
其中，和分别是第j轮和j 1轮过程中概率参数pi的取值，α是一个为正数的学习率，为求解偏导操作，l
cla
是分类误差产生的损失函数；
[0028][0029]
其中，numf是当前采样率时应该采样的频率特征数量，l(x)是x中1的个数，也是实
际选择的频率特征数量，lj(x)和l
j 1
(x)分别是第j轮和j 1轮过程中选择的特征数量l(x)的取值。
[0030]
所述分类网络为基于swin transformer建立的基准网络模型，即识别模型；步骤s3具体包括：将测量结果输入优化好的识别模型，以获得最终的类别结果。
[0031]
所述识别模型的优化具体包括：
[0032]
所述识别模型使用深度学习算法进行优化，以最小化分类模型和特征选择模型产生的误差损失函数，该损失函数如下述公式所示：
[0033][0034]
其中，μ
θ
表示识别模型，θ代表模型参数，x表示特征采样概率向量，s代表信源解码后的输入，c＝μ
θ
(s)，其中c是输出的预测类别，argmin表示使目标函数f(x)取最小值时的变量值，是分类模型产生的损失函数，是用于计算分类损失的交叉熵损失函数；c是预测的类别，l是真实的类别标签；l
num
是由于选择特征数量产生的误差；λ是一个用于平衡分类误差与特征选择误差的超参数；
[0035][0036]
其中，ln为自然对数。
[0037]
本发明还采用如下技术方案：
[0038]
一种用于浮游生物监测的压缩成像识别系统，包括存储器、处理器以及存储在所述存储器中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前述的方法。
[0039]
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程序，所述计算机程序被处理器执行时实现前述的方法。
[0040]
本发明与现有技术对比的有益效果包括：
[0041]
本发明提出的用于浮游生物监测的压缩成像识别方法，通过使用离散余弦变换基底作为测量模式，设计一种确定性压缩成像方法，能够实现减少图像中的冗余信息，直接在采样阶段获得压缩数据，从而降低浮游生物监测仪采样数据量，提升采样效率；在上述压缩成像方法基础上，本发明提出了一种自适应压缩特征选择方法，该方法利用了图像特征学习，设定了统计计算时的截止参数，量化每个特征的重要性，可以学习并选出相应数量的关键特征，最大化了浮游生物图像的类间差异；该方法在对浮游生物原位图像降维过程中，提高了选择结果的类内相关性，提高了选择结果的类间差异，从而有效提升浮游生物监测识别的准确率。
[0042]
此外，在一些实施例中，还具有如下有益效果：
[0043]
本发明提供适用于压缩成像数据的识别算法，从低级特征中逐步提取得到复合高级特征，识别准确率得到提升，以完善及确保浮游生物检测的准确率。
[0044]
本发明实施例中的其他有益效果将在下文中进一步述及。
附图说明
[0045]
图1是本发明实施例中一种用于浮游生物监测的压缩成像识别方法的流程图；
[0046]
图2是本发明实施例中一种压缩成像识别系统整体框架示意图；
[0047]
图3是本发明实施例中一种显微成像系统示意图；
[0048]
图4是本发明实施例中浮游生物原位图像数据集在不同信噪比情况下的识别准确率示意图。
具体实施方式
[0049]
名词解释：
[0050]
测量矩阵：测量矩阵是压缩感知中对测量数据进行降维的矩阵，将测量数据与测量矩阵进行哈达玛内积达到降维的目的，在硬件系统中测量矩阵将二值化后加载到dmd中，以此控制dmd阵列的翻转形态；正交确定性测量矩阵含义是该矩阵是相互正交的，同时每一个元素都是确定的。
[0051]
最关键的压缩特征：指成像目标的特征。在本发明一些实施例中，主要指浮游生物的纹路、轮廓等特征，测量时也使用频域特征信息进行量化。
[0052]
图像类间差异：指浮游生物的类别。在本发明一些实施例中，在分类时将浮游生物分成12个种类。
[0053]
截止参数：指测量所需的特征点数，与采样率直接相关，也表示所选择的测量模式的数量。
[0054]
关键特征：指在测量中，进行图像特征提取时所选择的频谱分布(即将图像变换到频域，再选择频域中的若干个点进行测量)，本质为频域特征。
[0055]
识别模型：识别模型为对浮游生物进行分类的网络模型。
[0056]
伯努利概率模型：伯努利概率模型为选择测量矩阵时的概率分布。
[0057]
特征选择模型：特征选择模型为压缩成像时使用的测量矩阵的组合，加载在dmd硬件系统中，用于图像测量。
[0058]
在介绍本发明的具体实施方式之前，先对本发明的思路介绍如下：
[0059]
本发明的主要思路是使用离散余弦变换基底，计算生成正交确定性测量矩阵，提高信息熵聚集特性，并通过自适应特征选择技术，在有限的数据内采样最关键的压缩特征以最大化浮游生物图像类间差异，最终通过分类网络完成识别任务。
[0060]
下面对照附图并结合优选的实施方式对本发明作进一步说明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
[0061]
此外，在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0062]
实施例
[0063]
本发明实施例提供一种用于浮游生物监测仪的压缩成像识别方法，该方法的流程如图1所示，包括如下步骤：
[0064]
s1、使用浮游生物原位图像数据集进行参数优化；
[0065]
s2、将优化得到的最优测量模式组合依次加载到硬件系统的数字微反射镜上，对当前场景的像进行光学调制，得到测量结果；
[0066]
s3、通过分类网络完成识别任务。
[0067]
以下对本发明实施例方法的原理进行具体说明：(1)基于压缩感知理论，使用离散余弦变换基底作为测量模式，设计了一种确定性压缩成像方法，减少图像中的冗余信息，直接在采样阶段获得压缩数据，以降低浮游生物监测仪采样数据量，提升采样效率。离散余弦变换具备使图像能量在频谱中聚集的特性，每次测量的结果都是图像的频谱系数，而每个基底具备特定的频率信息，因此只需要针对性地测量这些系数就可以完成压缩成像重构，增加了压缩测量的先验信息，提高了成像质量和速度。(2)在上述压缩成像方法基础上，提出了一种自适应压缩特征选择方法，该方法利用了图像特征学习，设定了统计计算时的截止参数，量化每个特征的重要性，可以学习并选出相应数量的关键特征，最大化了浮游生物图像的类间差异；该方法在对浮游生物原位图像降维过程中，提高了选择结果的类内相关性，提高了选择结果的类间差异。(3)在上述压缩成像方法和自适应压缩特征选择方法的基础上，设计了适用于压缩成像数据的识别算法，从低级特征中逐步提取得到复合高级特征，识别准确率得到提升，以完善及确保浮游生物检测的准确率。
[0068]
本发明实施例还提供一种压缩成像识别系统，该系统整体框架如图2所示，整体框架主要分为后端优化、前端测量、后端处理这三个工作流程：(1)首先，使用浮游生物原位图像数据集进行参数优化，内容包括压缩特征自适应选择和识别模型参数的优化，优化结果包含两部分，即可处理压缩测量数据的识别模型，以及最优测量模式组合。这些测量模式与dct(discrete cosine transform，离散余弦变换)基底中的频率特征一一对应，相互之间是正交的，可最大限度地扩大类间差异。优化结果中，不同的信息簇以较高的优先级被采样，在减少原始数据数量的同时，捕捉有效的特征信息，过滤噪声数据，可解决测量数据中原始信息的病态求解问题。(2)其次，优化得到的最优测量模式组合被依次加载到硬件系统的dmd(digital micromirror device，数字微反射镜)上，对当前场景的像进行光学调制。该硬件系统构成了被动式(像面共轭)单像素相机模块，实现了在线压缩采样。压缩采样框架中，中控系统发出同步时序控制信号，控制dmd和单光子探测器工作，得到测量结果。(3)最后，硬件系统测量得到的调制结果被直接输入优化好的识别模型，以获得最终的类别结果。
[0069]
在一些实施例中，步骤s1还包括：建立概率模型并对概率模型中的参数进行优化，通过概率分布选择测量矩阵。将测量模式分布从低频至高频排列，即构成了特征采样概率向量x。之后将浮游生物原位数据集输入网络进行参数优化，优化目标为每一个频率特征被选择的概率(重要性)，每一次反向传播都会对第i个频率特征被选中的概率进行更新，直到最后得到概率值排在最前的若干个频率特征，即为所选(每一个频率特征都有相应的测量矩阵一一对应)。
[0070]
以下对本发明实施例的参数优化方法设计进行具体说明：
[0071]
优化过程在后端进行，涉及两个模型的优化，分别是伯努利概率模型和基于swin transformer框架设计的浮游生物识别模型。
[0072]
本发明实施例用于对浮游生物进行压缩成像，在图像中，低频特征代表图像的整体轮廓信息，高频特征代表图像的边缘纹理信息。根据浮游生物的目标特点，既需要获得浮游生物的整体轮廓，也需要获得其边缘纹理特征。因此，需要在压缩测量时找到“最优频率组合”，即包含每种浮游生物独有的频率特征。为了量化每个频率特征的重要性，建立伯努
利概率模型，具体做法是通过产生一个特征采样概率向量x，从而将特征与重要性尺度关联起来。假设第i个频率特征被选中的概率为pr[xi＝1]＝pi，根据pi确定随机变量xi的值，xi只有两种状态，即{被选择，不被选择}，这两种状态分别被表示为{xi＝1,xi＝0}，最终x是所有随机变量xi的集合。然而为了能够在优化概率参数的反向传播过程中不断地进行链式求导，概率pi的值通过gumbel-softmax(gumbel，耿贝尔分布；softmax，一种函数)采样确定，具体做法如下：对每个频率特征都分配一个向量[η
i1
,η
i2
]，通过比较η
i1
和η
i2
的取值确定xi的取值，如式所示：
[0073][0074]
之后使用softmax操作对η
i1
和η
i2
进行归一化，使其能够表示概率，再使用gumbel采样方法使采样可导的同时最接近真实的分布，最终，完整的gumbel-softmax过程如公式所示：
[0075]
pi＝softmax{[ln(η
i1
) gi]/temperature}
ꢀꢀꢀꢀꢀꢀꢀ
(2)
[0076]
其中η
i1
是随机给定的初始值，gi是独立同分布且服从gumbel分布的采样结果，temperature是一个大于0的超参数，temperature的取值越大，pi结果的分布越平滑；temperature的取值越小，pi结果的分布越接近离散的one-hot码。由于η
i1
是可训练的参数，因此在优化过程中，如果第i个特征包含有效信息，则η
i1
会朝着使pi尽可能大的方向收敛，反之，η
i1
的收敛方向会使pi尽可能小。
[0077]
gumbel-softmax过程相当于一个再参数化的过程，用一个标准变量来表示一个复杂变量，因此该概率模型可用于后续的压缩特征自适应选择算法，从而选出测量过程最关键的浮游生物原位图像特征信息。
[0078]
明确采样方法后，对伯努利概率模型中的参数进行优化。模型中需要优化的参数分为两类，表征单个压缩特征的概率值pi和实际选择的特征数量l(x)。两者均通过连续链式求导反向传播进行迭代优化。如公式和式所示：
[0079][0080]
其中，和分别是第j轮和j 1轮过程中概率参数pi的取值，α是一个为正数的学习率，为求解偏导操作，l
cla
是分类误差产生的损失函数。
[0081][0082]
其中，numf是当前采样率时应该采样的频率特征数量，l(x)是x中“1”的个数，也是实际选择的频率特征数量，lj(x)和l
j 1
(x)分别是第j轮和j 1轮过程中选择的特征数量l(x)的取值。
[0083]
接着对识别模型的参数进行优化，根据浮游生物原位图像自身的特点，选择有效的网络模型，并对其进行改进以适用于压缩测量数据。在浮游生物的识别中，对于整体轮廓差距较大的类别，通过全局特征提取可以达到比较好的分辨效果，同时也对应了压缩测量中的低频部分；而对于整体轮廓上较为相似的类别，就需要通过比较局部特征的纹理信息
才能够分辨，同时也对应了压缩测量中的高频部分。因此，对于浮游生物的识别，所选用的基准网络需要兼顾提取局部特征和全局特征的能力。而swin transformer中“窗口偏移”的操作可以在不同窗口之间传递信息，既提取了局部特征，又兼顾了全局特征，符合浮游生物原位图像的识别要求。
[0084]
图2所示的识别模型μ
θ
就是基于swin transformer框架设计的，其中θ代表模型参数，s代表信源解码后的输入。由于分类任务中的输出可以描述为推理类别，也就是c＝μ
θ
(s)，其中c是输出的预测类别，该模型使用深度学习算法进行优化，以最小化分类模型和特征选择模型产生的误差损失函数，该损失函数如式所示：
[0085][0086]
其中n为应选择的特征模式数量，l(x)为实际选择的特征模式数量，l(x)是l(x)经过若干次迭代更新后的值，argmin表示使目标函数f(x)取最小值时的变量值，是分类模型产生的损失函数，是用于计算分类损失的交叉熵损失函数，如式所示；c是预测的类别，l是真实的类别标签；l
num
是由于选择特征数量产生的误差；λ是一个用于平衡分类误差与特征选择误差的超参数，λ的取值越大，说明该模型越关注特征选择数量的优化，更加注重在浮游生物图像采集端的准确率，直接影响欠采样率的设置；λ的取值越小，则说明该模型越关注分类模型参数的优化。
[0087][0088]
其中ln为自然对数。
[0089]
通过伯努利概率模型，得到选择概率最大的若干个测量矩阵，组成特征选择模型。
[0090]
本发明实施例还提供一种压缩采样系统，根据所使用的被动式(像面共轭)单像素相机的框架，按照总体设计方案，示意图如图3所示，固定各器件的位置关系，保证有良好的测量效果。在该示意图中，首先是用于目标成像的显微镜头；其次是在apd(avalanche photo diode,雪崩光电二极管)探测器前端由聚光透镜a和聚光透镜b构成的聚光系统，该系统确保被调制后的光强全部被探测器收集到。本发明实施例提供的像面共轭单像素相机的框架对目标的像进行光学调制，实现了实时在线的压缩采样。
[0091]
验证例
[0092]
1、浮游生物原位图像仿真结果
[0093]
不同采样率下不同模型对于浮游生物原位图像数据集的仿真准确率如表1所示，展示了不同采样率情况下浮游生物原位图像数据集的准确率结果，对比了三种模型：即swin transformer的全采样模型、优先采样低频特征的“低频特征模型”以及本发明实施例提出的“特征选择模型”，仿真准确率保留至小数点后两位。
[0094]
表1
[0095][0096]
可以看出，本发明实施例所提出的“特征选择模型”相较于“低频特征模型”整体表现最优，即使在0.01这种极端的压缩采样率情况下，识别准确率依旧有88.58％；而与全采样模型对比时，0.25采样率比swin transformer全采样基准模型减少了75％的数据量，因此准确率下降1.06％是可以接受的。
[0097]
2、噪声图像仿真结果
[0098]
如图4所示，展示了浮游生物原位图像数据集在不同信噪比情况下的识别准确率，准确率数据保留两位小数。其中，横坐标为信噪比(db)，纵坐标为准确率(％)。
[0099]
从图4中可以看出，信噪比为30db时，图像被大量噪声覆盖，但是识别准确率达到了91.51％，即使是在信噪比为20db的极端情况下，准确率也有88.83％，因此，本发明实施例提供的“特征选择模型”有足够的抗噪性能，可用于实际的测量场景。
[0100]
3、形变图像仿真结果
[0101]
浮游生物原位图像形变模拟准确率如表2所示，展示了浮游生物形变图像的识别准确率，准确率数据保留两位小数。
[0102]
表2
[0103][0104]
通过比较表2中准确率与表1中准确率，可以看出，浮游生物目标的不完整性确实对识别带来了负面影响，所有模型的准确率都呈现了一定程度的下降，但是“特征选择模型”的表现相比于“低频特征模型”依旧是整体最优，说明低频特征并不是最合适的用于浮游生物识别的特征，此外，0.25采样率时，“特征选择模型”的准确率为91.52％，符合预期目标。
[0105]
经过实验验证，本发明实施例方法在压缩采样率为0.25，减少75％数据量的情况下，可达到以下指标：(1)对于像素分辨率为224
×
224的浮游生物原位图像识别准确率可以达到92.04％。(2)对于信噪比为30db的浮游生物原位图像识别准确率可以达到91.51％。(3)对于目标形变、不完整的浮游生物原位图像识别准确率可以达到91.52％。(4)在压缩采样率为调整为0.007时，浮游生物图像实际桌面实验识别准确率可以达到83.33％。
[0106]
应用场景
[0107]
1、可用于海域中的浮游生物实时监测，防范海洋生态灾害。在海洋应用中，本发明实施例所提出的方法可用于拍摄海底的浮游生物原位图像，为后续关于浮游生物的科学研究提供原始的图片数据集。本发明实施例所提出的方法可应用至海洋信息的采集中，实现
海洋信息的精确获取，建设深度融合工业化和信息化的智慧海洋工程。
[0108]
2、在自然水域中，对浮游生物的类别和数量进行探测，对该水域的生态系统进行评估。在水域监控应用中，本发明实施例所提出的方法也可用于探测仪器中，减少监测仪所产生的数据，同时保证了准确率，使其具有更好的探测性能。本发明实施例所提出的方法可应用于浮游生物监测仪中，实现对水域中浮游生物种群和数量的实时监控，防范水域生态灾害。
[0109]
3、需要大数据实时监测的场景，例如森林火灾防范、监控行业等。本发明实施例所提出的方法可以减少获取的数据量，同时保证了目标的识别精度，降低了数据的存储和传输带宽的压力。
[0110]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0111]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0112]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0113]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0114]
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式作出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。在本说明书的描述中，参考术语“一种实施例”、“一些实施例”、“优选实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。尽管已经详细描述了本发明的实施例及其优点，但应当理解，在不脱离专利申请的保护范围的情况下，可以在本
文中进行各种改变、替换和变更。