CN114749342A

CN114749342A - 一种锂电池极片涂布缺陷识别方法、装置及介质

Info

Publication number: CN114749342A
Application number: CN202210414846.4A
Authority: CN
Inventors: 钟健平; 袁鹏; 韩有军
Original assignee: South China University of Technology SCUT
Current assignee: South China University of Technology SCUT
Priority date: 2022-04-20
Filing date: 2022-04-20
Publication date: 2022-07-15
Anticipated expiration: 2042-04-20
Also published as: CN114749342B

Abstract

本发明公开了一种锂电池极片涂布缺陷识别方法、装置及介质，其中方法包括：采集锂电池极片涂布图像；对采集到的锂电池极片涂布图像进行预处理；将经过预处理的锂电池极片涂布图像中的缺陷目标区域进行分割，获取缺陷目标区域的坐标位置，以及提取缺陷目标区域的形态特征、灰度特征和纹理特征，将提取到的特征进行特征融合，获得融合特征向量；搭建BP神经网络，将融合特征向量作为BP神经网络的输入，对BP神经网络进行训练；获取待识别图像，将待识别图像输入到训练后的BP神经网络，输出识别结果。本发明采用包含形态、灰度和纹理特征在内的多特征融合方式，提升锂电池极片涂布缺陷的识别准确率，可广泛应用于机器视觉缺陷检测技术领域。

Description

一种锂电池极片涂布缺陷识别方法、装置及介质

技术领域

本发明涉及机器视觉缺陷检测技术领域，尤其涉及一种锂电池极片涂布缺陷识别方法、装置及介质。

背景技术

近年来，随着新能源汽车、智能穿戴、无人机等新兴行业的崛起，锂电池的应用得到了更为广泛的延伸。在锂电产业蓬勃发展的同时，锂电池安全事故也频频发生，锂电安全依旧还是一个行业痛点。电池的起火和***威力巨大，会直接对人们的生命、财产安全造成威胁。

由于扫描面积广、要求精度高、检测速率快、表面缺陷类型复杂多样等，锂电检测中的极片涂布缺陷检测被视为其中最硬核的一环。如何在高速检测环境中最大程度的降低漏检率和误检率，并提高缺陷的识别分类准确率，这不仅仅考验着硬件的性能，也对软件算法效率提出了更高的要求。

虽然关于锂电池极片检测的研究已经有不少，但各家算法性能参差不齐，研究针对的对象也难以覆盖全面，尚不能满足实际工业现场中高速高精度的多项质检要求。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种锂电池极片涂布缺陷识别方法、装置及介质。

本发明所采用的技术方案是：

一种锂电池极片涂布缺陷识别方法，包括以下步骤：

采集锂电池极片涂布图像；

对采集到的锂电池极片涂布图像进行预处理；

将经过预处理的锂电池极片涂布图像中的缺陷目标区域进行分割，获取缺陷目标区域的坐标位置，以及提取缺陷目标区域的形态特征、灰度特征和纹理特征，将提取到的特征进行特征融合，获得融合特征向量；

搭建BP神经网络，将融合特征向量作为BP神经网络的输入，对BP神经网络进行训练；

获取待识别图像，将待识别图像进行预处理和图像分割后，输入到训练后的BP神经网络，输出识别结果。

进一步地，所述对采集到的锂电池极片涂布图像进行预处理，包括：

对采集到的锂电池极片涂布图像进行图像平滑去噪操作和图像对比度增强操作；

其中，在图像平滑去噪操作中，使用中值滤波器对锂电池极片涂布图像进行中值滤波，消除图像中的干扰信息，保留锂电池极片涂布图像中的关键信息，所述关键信息包括轮廓信息和边缘信息；

在图像对比度增强操作中，采用全局线性灰度变换算法对锂电池极片涂布图像进行增强处理，以提高图像的清晰度和对比度，强化图像目标区域的特征。

进一步地，所述将经过预处理的锂电池极片涂布图像中的缺陷目标区域进行分割，获取缺陷目标区域的坐标位置，包括：

采用阈值分割算法将经过预处理的锂电池极片涂布图像中的缺陷目标区域进行分割，将局部缺陷区域与背景区域进行分离，获得二值化表示的缺陷分割图像；

采用形态学算法的腐蚀操作和膨胀操作，从缺陷分割图像中获取精确分割目标；

根据精确分割目标获取缺陷目标区域的坐标位置，并采用矩形框对缺陷目标区域进行标注。

进一步地，所述形态特征包括圆形度、偏心率和最小外接矩形长宽比，所述灰度特征包括灰度均值、灰度方差、灰度熵和灰度偏斜系数，所述纹理特征包括灰度共生矩阵的能量、局部均匀性、相关性和对比度。

进一步地，所述灰度均值的计算公式为：

所述灰度方差的计算公式为：

所述灰度熵的计算公式为：

所述灰度偏斜系数的计算公式为：

其中，L表示目标区域灰度级数，r_i表示区域中的第i个灰度级，P(r_i)表示目标区域中像素灰度值为r_i的概率，P(r_i)的计算公式为：

式中，i表示目标区域灰度级数，G(i)表示目标区域中像素灰度值为i的像素个数，Num表示目标区域中的像素总数。

进一步地，所述灰度共生矩阵的能量的计算公式为：

所述局部均匀性的计算公式为：

所述相关性的计算公式为：

所述对比度的计算公式为：

其中，m、n分别表示两个像素点的灰度值；d表示步长，θ表示方向，P(m,n；d,θ)表示在θ方向上、相距为d的两个像素点灰度值(m,n)的取值频率；μ₁和μ₂分别表示图像目标区域中行和列的平均值，σ₁和σ₂分别表示图像目标区域中行和列的标准差。

进一步地，所述将提取到的特征进行特征融合，获得融合特征向量，包括：

采用串行融合方式将形态特征、灰度特征和纹理特征中的特征向量首尾相连，合成一个多维的融合特征向量；

采用最大最小归一化算法对融合特征向量进行归一化处理，使特征向量统一到同一量纲，进而达成可比性。

进一步地，所述对BP神经网络进行训练，包括：

使用鲸鱼优化算法获取BP神经网络的最佳初始权重及阈值，以进一步提高模型的识别准确率。

本发明所采用的另一技术方案是：

一种锂电池极片涂布缺陷识别装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。

本发明所采用的另一技术方案是：

一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。

本发明的有益效果是：本发明采用包含形态、灰度和纹理特征在内的多特征融合方式，能够有效地提升锂电池极片涂布缺陷的识别准确率，提升目前锂电池极片涂布缺陷检测的性能水平。

附图说明

为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。

图1是本发明实施例中一种基于多特征融合策略的锂电池极片涂布缺陷识别方法的作业流程图；

图2是本发明实施例中检测成像***示意图；

图3是本发明实施例中基于多特征融合的BP神经网络结构示意图；图中，F为缺陷区域的圆形度，E为缺陷区域的偏心率，r为缺陷区域的最小外接矩形长宽比，m为缺陷区域的灰度均值，e为缺陷区域的灰度熵，cor为缺陷区域的相关性、con为缺陷区域的对比度；

图4是本发明实施例中基于鲸鱼优化算法的BP神经网络参数调优流程示意图；

图5是本发明实施例中一种基于多特征融合策略的锂电池极片涂布缺陷识别方法的步骤流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，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或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

如图1所示，本实施例提供一种基于多特征融合策略的锂电池极片涂布缺陷识别方法，该方法包括以下步骤：

S101、在图2所示的检测成像***中采集锂电池极片涂布图像，并将含有缺陷的图像集中归纳，以用于BP神经网络分类模型的训练和测试。

S102、对采集到的锂电池极片涂布图像进行图像预处理操作，以去除图像噪声，增强图像特征，提高图像的成像质量。

S103、采用阈值分割算法将图像中的缺陷目标区域分割出来后，获取其坐标位置，并提取其形态、灰度、纹理特征，并将提取到的特征进行特征融合操作。

S104、搭建BP神经网络，如图3所示，将融合特征向量作为网络的输入，对神经网络分类模型分别进行训练和测试。

S105、在训练神经网络分类模型的过程中，如图4所示，使用鲸鱼优化算法获取神经网络的最佳初始权重及阈值，以进一步提高模型的识别准确率。

如图5所示，本实施例提供一种基于多特征融合策略的锂电池极片涂布缺陷识别方法，具体包括以下步骤：

S201、采集目标图像。

如图2所示，在传动***的带动下，200mm宽的极片卷带以60m/min的速率往收卷机方向移动，在经过检测区域的时候，传感***会在线性光源的打光下以0.05mm的成像精度对图像数据进行采集，并通过数据传输线将所采集到的数据传输到以工控机为核心的中央控制***内。在传感***中，通过两套线阵相机相结合的方式，同时对极片正反两面进行扫描，可以实现极片正反面实时同步检测的功能。

经过图像采集之后，可获得分辨率大小为5120×4096像素的高质量锂电池极片涂布图像，每幅图像对应的实际成像范围为250mm×200mm。在采集到的锂电池极片涂布图像数据集中，包含有正极划痕、负极划痕、正极漏铝、负极漏铜、孔洞、裂纹、异污、脱碳等8种常见的锂电池极片涂布缺陷。

S202、对图像进行预处理。

在获得现场采集的真实图像之后，使用图像预处理技术来提高图像质量，所涉及到的图像预处理技术主要包括图像平滑去噪、图像对比度增强等方式。

在图像平滑去噪中，使用7×7大小的中值滤波器对图像进行中值滤波，消除图像中的干扰信息，并保留图像中的轮廓和边缘等关键信息。

在图像对比度增强中，采用全局线性灰度变换算法对图像进行增强处理，提高图像的清晰度和对比度，强化图像目标区域的特征。全局线性灰度变换是将图像中的所有像素灰度同时乘上一个相同的系数，然后做等比例的拉伸或压缩。全局线性灰度变换的灰度映射公式为：

式中，f(i,j)和g(i,j)分别为输入图像和输出图像在坐标(i,j)处的像素点灰度值，[a,b]为输入图像的灰度范围，[c,d]为输出图像的灰度范围，[c,d]通常取值[0,255]。

S203、分割与定位缺陷目标区域。

针对锂电池极片涂布缺陷灰度分布不统一、缺陷面积占比不大的问题，选用自适应阈值分割法对缺陷进行分割，将局部缺陷区域与背景区域相分离，最终获得二值化表示的缺陷分割图像。自适应阈值分割法是一种局部阈值分割法，与全局阈值分割法不同的是，该算法的阈值并不是一成不变的。在自适应阈值分割法中，图像中的每个像素点都会根据其周围邻域像素点的灰度均值来确定自己的阈值，平均灰度值越高的区域，通常阈值就越高。在计算机视觉开源软件库OpenCV中，自适应阈值分割算法可通过adaptiveThreshold()函数算子实现。

接着使用形态学算法的腐蚀和膨胀操作进一步精确分割目标、完善分割细节。在完全将缺陷目标提取出来后，对缺陷的几何中心位置坐标进行确认，并用红色矩形框为缺陷区域打上标注。

S204、提取缺陷特征。

使用多线程机制以提高***的检测与识别效率，在并行的副线程中，分别对缺陷区域的形态、灰度、纹理特征参数进行计算提取。

其中形态特征包括了圆形度、偏心率和最小外接矩形长宽比。

圆形度可按公式(2)计算得出：

式中，F为圆形度，S为区域面积，C为区域周长。

偏心率可按公式(3)计算得出：

式中，M_ij表示目标区域的i+j阶中心距。

最小外接矩形长宽比可按公式(4)计算得出：

式中，L表示矩形框的长度，W表示矩形框的宽度。

灰度特征包括了灰度均值、灰度方差、灰度熵和灰度偏斜系数。

灰度均值可按公式(5)计算得出：

灰度方差可按公式(6)计算得出：

灰度熵可按公式(7)计算得出：

灰度偏斜系数可按公式(8)计算得出：

在式(5)～式(8)中，L表示目标区域灰度级数，r_i表示区域中的第i个灰度级，P(r_i)表示目标区域中像素灰度值为r_i的概率，P(r_i)的计算公式为：

纹理特征包括了灰度共生矩阵的能量、局部均匀性、相关性和对比度等4个主要参量。

能量可按公式(10)计算得出：

式中，m、n分别表示两个像素点的灰度值；d表示步长，θ表示方向，P(m,n；d,θ)表示在θ方向上、相距为d的两个像素点灰度值(m,n)的取值频率。

局部均匀性可按公式(11)计算得出：

相关性可按公式(12)计算得出：

式中：μ₁和μ₂分别表示图像目标区域中行和列的平均值，其计算公式分别如式(13)和式(14)所示；σ₁和σ₂分别表示图像目标区域中行和列的标准差，其计算公式分别如式(15)和式(16)所示。

对比度可按公式(17)计算得出：

S205、融合多特征。

在特征融合策略中，采用简单易行的串行融合方式，即将各个单一特征向量首尾相连，最终合成一个11维的融合特征向量。串行融合的表达式为：

γ＝(α,β) (18)

式中，γ是特征向量α和特征向量β融合后的特征向量。

在实施特征融合之后，采用最大最小归一化算法对融合特征向量进行归一化处理，使特征向量统一到同一量纲，进而达成可比性。最大最小归一化中，通过式(19)的调节，能够使最终的数据落在[0,1]区间内。

式中，x_i表示归一化前的特征数值，z表示归一化后的特征数值，max(x_i)和min(x_i)分别表示特征数值x_i中的最大值和最小值。

S206、设计BP神经网络。

搭建BP神经网络，确定网络层数，确定输入层、隐含层和输出层的神经元节点个数，确定学习速率，确定期望误差。

1.网络层数的确定：根据映射网络存在定理，本实施例将BP神经网络的网络层数设为3层。可以明确的是，3层BP神经网络足以训练出一个合适的分类模型，并且可以满足基本分类需求。

2.输入层神经元节点个数的确定：由于所输入的融合特征向量维数为11，因而输入层的神经元节点个数对应设为11。

3.输出层神经元节点个数的确定：由于需要识别的缺陷类别数为8，因而输出层的神经元节点个数对应设为8。

4.隐含层神经元节点个数的确定：在3层BP神经网络模型中，隐含层的神经元节点个数通常由经验公式计算得出，本实施例选用的经验公式为：

式中，p为隐含层的神经元节点个数，m为输入层的神经元节点个数，n为输出层的神经元节点个数，α为1到10之间的调节常数。

经过计算后，隐含层的神经元节点个数设置为10。

5.学习速率的确定：学习速率与神经网络每次迭代训练的权值变化快慢有关。本实施例的初始学习速率设为0.001，为提高训练速度，在训练过程中使用了自适应学习速率算法。

6.期望误差的确定：本实施例的目标误差值设为0.005。

S207、BP神经网络分类器训练与调优。

在BP神经网络的训练中，初始权重和初始阈值对网络来说尤为重要，但又难以准确获取。如果随机选取初始权重和初始阈值，并使用梯度下降算法进行寻优，很容易会使得模型陷入局部最优，甚至很可能会造成网络训练震荡、收敛速度变慢等问题。为了尽可能的减少上述问题，选择一种有效的网络参数调优算法就显得尤为重要。

鲸鱼优化算法(Whale Optimization Algorithm，WOA)是一种模拟鲸鱼捕食猎物行为的元启发式群智能优化算法，该算法操作简单，参数少，速度快，稳定性强，常用于解决各种计算问题中的寻优问题。

鲸鱼在经过漫长的进化后，形成了一种独特的捕食策略，即通过“螺旋气泡网”路径去寻找猎物、包围猎物和捕捉猎物，而鲸鱼优化算法正是根据这三个捕食步骤来建立起相应的数学模型。

寻找某个问题的解可以类比为鲸鱼寻找猎物的过程，将鲸鱼随机寻找猎物的过程建立起如下数学模型：

D＝|X(t)-CX_rand(t)| (21)

X(t+1)＝X_rand(t)-AD (22)

式中，t为迭代次数；X为鲸鱼的位置向量；X_rand为随机选择的鲸鱼位置向量，其中包括了最优解；A、C为系数向量，其计算公式为：

A＝2ar₁-a (23)

C＝2r₂ (24)

式中，r₁、r₂为区间[0,1]范围内的随机向量；a为收敛因子，在迭代过程中从2到0线性减小；T_max为最大迭代次数。

鲸鱼优化算法通常会以一系列随机解开始，通过不断的迭代来更新鲸鱼位置。在模型中，A取区间[-a,a]范围内的随机值，A的波动范围会随着收敛因子a的减小而不断减小，因此可以通过调节a的值来实现搜索机制。当|A|≥1时，鲸鱼会扩大搜索范围，此时可以选择一个随机解来更新鲸鱼的位置向量；而当|A|＜1时，则应选择当前的最优解来更新鲸鱼的位置向量。

获取问题的最优解可以类比为鲸鱼包围目标猎物的过程，如果认定当前猎物为最佳猎物，则需要对鲸鱼的位置向量进行更新，相应的数学模型如下：

D＝|X(t)-CX_best(t)| (26)

X(t+1)＝X_best(t)-AD (27)

式中，X_best为当前鲸鱼的最佳位置向量。

设当前鲸鱼的位置向量为X，目标猎物的位置向量为X^*，则鲸鱼可以通过调整向量A和向量C来靠近目标猎物。

认定猎物后，鲸鱼会通过螺旋收缩上升的方式对猎物进行捕捉，相应的数学模型如下所示：

D′＝|X^*(t)-X(t)| (28)

X(t+1)＝X^*(t)+D′e^blcos(2πl) (29)

式中，b为对数螺旋线形状常数，l为区间[-1,1]范围内的随机数，D′为鲸鱼当前位置到猎物位置之间的距离。

实际上，鲸鱼收缩包围猎物与捕捉猎物这两个行为是可以同时发生的，相应的数学模型如下所示：

X(t+1)＝X^*(t)-AD,p<0.5 (30)

X(t+1)＝X^*(t)+D′e^blcos(2πl),p≥0.5 (31)

式(30)和式(31)中，p为区间[0,1]范围内的随机数。

本实施例使用鲸鱼优化算法获取神经网络的最佳初始权重及阈值，并在此基础上完成对网络的训练过程，相应的算法流程图如图4所示，具体步骤如下：

(1)数据采集及预处理。采集缺陷图像特征数据，将特征数据进行串行融合和归一化处理之后，再作为BP神经网络模型的输入。

(2)初始化鲸鱼种群。设定种群规模N、最大迭代次数T_max、收敛因子a等基本参数，采用随机选取法确定N组初始权重和阈值，并将每组初始权重和阈值作为每个鲸鱼的初始位置向量。

(3)将均方差损失作为每头鲸鱼的适应度值并纳入计算，记录产生最佳适应度值的位置，此位置即为最佳猎物位置X_best。

(4)更新参数A、C、a、p，根据p、A的值来选用不同的位置更新策略：当p≥0.5时，使用式(31)更新鲸鱼位置；当p＜0.5且|A|＜1时，使用式(30)更新鲸鱼位置；当p＜0.5且|A|≥1时，使用式(22)更新鲸鱼位置。

(5)不断迭代过程(2)和过程(3)，当迭代次数到达最大值或误差损失减小到一定值时，终止迭代过程，并将最优初始权重和阈值输出给BP神经网络。

分配140份缺陷数据样本作为训练集训练神经网络，分配60份缺陷数据样本作为测试集以评估算法的准确率。

为研究特征融合策略给分类性能带来的影响，本实施例将特征种类作为变量，用测试集测试训练好的BP神经网络模型，结果如表1所示。

表1不同特征下的模型分类准确率

由表中数据得知，在单类特征中要数纹理特征的分类贡献效果最明显，而特征融合策略也使得分类准确率有了显著提升，尤其是引入了纹理特征后，97.08％的分类准确率更加令人满意。

为研究鲸鱼优化算法的优异性能，本实施例特意将其与遗传算法(GeneticAlgorithm，GA)和粒子群优化算法(Particle Swarm Optimization，PSO)这两种杰出、经典、常用的参数优化算法做对比，实验结果如表2所示。

表2不同优化算法下的模型分类准确率

由表可见，相较于另两种算法，对于BP神经网络模型，鲸鱼优化算法能够为其取得更优异的分类准确性能。

S208、使用分类模型进行图像识别。

通过安装在检测成像***上的高清摄像头获取新的锂电池极片涂布图像，经过预处理和图像分割后，将提取到的缺陷特征输入到训练好的BP神经网络分类模型中，从而实现对锂电池极片涂布缺陷的识别。

综上所述，本发明方法相对于现有技术，具有优点和有益效果：

(1)本发明可实现在0.05mm的检测高精度和60m/min的检测高速度下对锂电池极片涂布缺陷区域的准确分割和定位，并且在运作过程中具备极低的漏检率和误检率。

(2)本发明可精准辨别涂布缺陷的种类，其中可辨别的种类包括正极划痕、负极划痕、正极漏铝、负极漏铜、孔洞、裂纹、异污、脱碳等8种常见的锂电池极片涂布缺陷。

(3)本发明采用BP神经网络对锂电池极片涂布缺陷种类进行识别，相比与其他传统分类算法，神经网络算法具有更高的分类准确率，很好的解决了目前锂电池极片涂布缺陷识别准确率低的问题。

(4)本发明使用鲸鱼优化算法优化了神经网络的初始权重和阈值，显著提高了缺陷识别的准确率，进一步满足了实际应用的需要。

(5)本发明采用了多特征融合策略，实践证明，包含了形态、灰度和纹理特征在内的多特征融合方式可以显著提升锂电池极片涂布缺陷的识别准确率，因此本发明具有推广实用意义。

本实施例还提供了一种锂电池极片涂布缺陷识别装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现图5所示方法。

本实施例的一种锂电池极片涂布缺陷识别装置，可执行本发明方法实施例所提供的一种锂电池极片涂布缺陷识别方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图5所示的方法。

本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种锂电池极片涂布缺陷识别方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：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。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式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方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，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做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申请权利要求所限定的范围内。