接触网支架装置紧固件缺陷检测方法、系统、装置和介质

1.本发明涉及图像处理技术领域，尤其是一种接触网支架装置紧固件缺陷检测方法、系统、计算机装置和存储介质。


背景技术：

2.铁路车辆通过安装在接触网支架装置(csd)上的受电弓与接触网系统(ocs)接触，从而使得接触网向铁路车辆供电。受电弓与接触网系统之间的接触力很大，而且铁路车辆高速运动，对接触网支架装置造成强烈的振动激励，接触网支架装置上的螺栓等紧固件容易发生松动甚至损坏等缺陷，从而影响铁路车辆的正常运行。
3.目前对接触网支架装置上的紧固件进行缺陷检测的相关技术中，是在车辆上接触网支架装置的安装位置附近安装摄像头，在行车过程中拍摄接触网支架装置的图像，通过对拍摄得到的图像进行图像分析来识别接触网支架装置的缺陷。而对接触网支架装置拍摄得到的图像的特点是，图像本身可能有数千万像素，但是图像中的每个紧固件部分可能只有几百个像素，因此拍摄所得的图像中所包含的紧固件缺陷的语义信息实际上非常有限，而且不同的紧固件也有不同的朝向，这都成为紧固件缺陷检测过程中，对紧固件的定位和缺陷识别的障碍。


技术实现要素：

4.针对上述对接触网支架装置拍摄得到的图像所包含的语义信息少，紧固件朝向缺乏规律，对紧固件的定位和缺陷识别造成障碍等至少一个技术问题，本发明的目的在于提供一种接触网支架装置紧固件缺陷检测方法、系统、计算机装置和存储介质。
5.一方面，本发明实施例包括一种接触网支架装置紧固件缺陷检测方法，包括：
6.获取待检测图像；所述待检测图像中包括接触网支架装置；
7.建立cyolo模型；
8.建立rrnet模型；
9.将所述待检测图像输入至所述cyolo模型中，所述cyolo模型提取所述待检测图像中接触网支架装置的紧固件区域进行输出；
10.将所述紧固件区域输入至所述rrnet模型中，所述rrnet模型输出对所述紧固件区域的缺陷识别结果。
11.进一步地，所述接触网支架装置紧固件缺陷检测方法还包括对所述cyolo模型的训练步骤，所述对所述cyolo模型的训练步骤包括：
12.获取第一样本图像和第一标签；所述第一样本图像中包括接触网支架装置以及接触网支架装置上的紧固件，所述第一标签用于标记所述第一样本图像中的紧固件的类型；
13.使用框标记所述第一样本图像中的紧固件；
14.通过基于大小的k-均值聚类算法对所述第一样本图像中的框进行聚类；
15.所述cyolo模型以所述第一样本图像中的紧固件为检测目标，根据检测目标的大
小设定相应大小的预测网格，在所述预测网格中使用盒子对所述检测目标进行检测，输出紧固件类型识别结果；
16.设定第一损失函数；
17.根据所述紧固件类型识别结果和所述第一标签确定所述第一损失函数的值；
18.根据所述第一损失函数的值调整所述cyolo模型的网络参数或者结束训练。
19.进一步地，所述对所述cyolo模型的训练步骤还包括：
20.在所述cyolo模型对所述第一样本图像进行检测前，对所述第一样本图像进行网格遮罩处理。
21.进一步地，所述第一损失函数为：
[0022][0023]
其中，s表示所述预测网格中的网格数，b表示所述预测网格，和是二进制值，表示预测偏移向量，v
ijk
表示地面真值的目标向量，表示预测参考，表示目标参考，λ
coord
表示坐标损失项的权重因子，λ
obj
和λ
noobj
表示参考损失项的权重因子，λ
cls
表示负样本锚定的参考损失项的权重因子，坐标损耗l
reg
为l1损耗，参考损耗l
conf
为焦点损耗，类损耗l
cls
为s形交叉熵，i、j和k表示序号，x和y表示盒子的中心坐标，w表示盒子的宽度，h表示盒子的高度，表示紧固件类型识别结果的预测概率分布，p
ij
＝1是所述第一标签的真值。
[0024]
进一步地，所述接触网支架装置紧固件缺陷检测方法还包括对所述rrnet模型的训练步骤，所述对所述rrnet模型的训练步骤包括：
[0025]
获取第二样本图像和第二标签；所述第二样本图像中包括紧固件，所述第二标签用于标记所述第二样本图像中紧固件缺陷的类型；
[0026]
设定旋转框的参数；
[0027]
所述rrnet模型通过预测框预测所述第二样本图像中紧固件的偏移向量，通过所述旋转框旋转调整所述第二样本图像中紧固件的方向，设置锚定框对所述所述第二样本图像中的紧固件进行采样和缺陷类型识别，输出缺陷类型识别结果；
[0028]
设定第二损失函数；
[0029]
根据所述缺陷类型识别结果和所述第二标签确定所述第二损失函数的值；
[0030]
根据所述第二损失函数的值调整所述rrnet模型的网络参数或者结束训练。
[0031]
进一步地，所述旋转框的参数为：
[0032]
t
x
＝(x-xa)/wa，ty＝(y-ya)/ha[0033]
tw＝log(w/wa)，th＝log(h/ha)，t
θ
＝θ-θa[0034]
rrnet模型中，rrnet模型可以输出对紧固件区域的缺陷识别结果，从而完成对接触网支架装置紧固件缺陷的检测。实施例中的接触网支架装置紧固件缺陷检测方法，针对接触网支架装置图像的特点，结合了cyolo模型和rrnet模型的优点对接触网支架装置图像进行检测，能够保持较高的处理速度以及达到可靠的检测精度。
附图说明
[0049]
图1为实施例中接触网支架装置紧固件缺陷检测方法的流程图；
[0050]
图2为实施例中cyolo模型的结构示意图；
[0051]
图3为实施例中对cyolo模型进行训练的原理图；
[0052]
图4为实施例中进行网格遮罩处理的原理图；
[0053]
图5为实施例中rrnet模型的结构示意图；
[0054]
图6为实施例中rrnet模型的工作原理图。
具体实施方式
[0055]
本实施例中，参照图1，接触网支架装置紧固件缺陷检测方法包括以下步骤：
[0056]
s1.获取待检测图像；待检测图像中包括接触网支架装置；
[0057]
s2.建立cyolo模型；
[0058]
s3.建立rrnet模型；
[0059]
s4.将待检测图像输入至cyolo模型中，cyolo模型提取待检测图像中接触网支架装置的紧固件区域进行输出；
[0060]
s5.将紧固件区域输入至rrnet模型中，rrnet模型输出对紧固件区域的缺陷识别结果。
[0061]
步骤s1中，可以通过安装在铁路车辆上的摄像头对接触网支架装置进行拍摄，获得待检测图像，也可以在将拍摄得到的待检测图像存储在数据库中，从数据库中读取出待检测图像。
[0062]
步骤s2中，可以基于yolov3模型建立cyolo模型。如果使用原始yolov3模型，那么一般设置yolov3模型中的系数为32，通过五个下采样层将图像调整为320
×
320、416
ꢀ×
416或608
×
608分辨率，以减少计算开销和内存使用。然而，拍摄得到的接触网支架装置图像中包含几百像素甚至几千像素的关节通常会通过五个下采样层进行压缩，从而导致连接的有效像素数量非常有限。因此，本实施例中基于yolov3模型建立的cyolo模型的结构如图2所示。
[0063]
参照图2(a)所示，在cyolo模型中仅使用了四个下采样层。与yolov3类似，本实施例中使用的cyolo模型的基本单元也是由conv、bn和lrelu层组成的cbl区块。如图2(b)所示，每个cbl区块中，在conv层之后添加bn和relu层，可以确保模型的快速收敛和非线性。具体地说，rdb_n(即剩余块n)由包含两个cbl的rdb(1到n)组成。例如，rdb_2(即n＝2)包括残余块_1和残余块_2，如图2(c)所示。将输入图像的大小调整为416
×
512以匹配原始图像的大小比。因此，416
×
512图像将生成26
×
32预测网格。同时，为了解决小对象和缺乏语义信息的问题，特征层重构将52
×
64、104
×
128和208
×
256 层的可用语义信息连接到最后一个yolo预测层上，允许网络从最后扩展的yolo层(26
×
32 和52
×
64)获得更精细的特征信息。
例如，在图2(d)中，cyolo使用stride＝4将rdb_1 (输出特征映射大小：w
×h×
c)输出的w/4
×
h/4
×
2c特征连接到最后一个yolo预测层(52
ꢀ×
64)上。值得注意的是，浅层包含丰富的对象边缘信息，因此在两个不同的起点上以4的下采样因子从rdb_1重构两组特征(将n
×n×
c重构为n/4
×
n/4
×
2c)，以保留边界特征。其中，w、h和c分别表示输出特征图的宽度、高度和通道数。
[0064]
在建立cyolo模型后，使用cyolo模型对待检测图像进行检测前，还执行对cyolo 模型的训练步骤。本实施例中，对cyolo模型的训练步骤包括：
[0065]
p1a.获取第一样本图像和第一标签；第一样本图像中包括接触网支架装置以及接触网支架装置上的紧固件，第一标签用于标记第一样本图像中的紧固件的类型；
[0066]
p2a.使用框标记第一样本图像中的紧固件；
[0067]
p3a.通过基于大小的k-均值聚类算法对第一样本图像中的框进行聚类；
[0068]
p4a.cyolo模型以第一样本图像中的紧固件为检测目标，根据检测目标的大小设定相应大小的预测网格，在预测网格中使用盒子对检测目标进行检测，输出紧固件类型识别结果；
[0069]
p5a.设定第一损失函数；
[0070]
p6a.根据紧固件类型识别结果和第一标签确定第一损失函数的值；
[0071]
p7a.根据第一损失函数的值调整cyolo模型的网络参数或者结束训练。
[0072]
步骤p1a中，第一样本图像可以是预先拍摄的包括接触网支架装置的图像，其中包括螺钉、螺栓和销等紧固件，步骤p2a中，通过第一标签将第一样本图像中的紧固件类型标注出来。参照图3(a)，通过c0、c1、c2、c3、c4和c5等六种类型的框来标记第一样本图像中的紧固件，步骤p3a中，通过基于大小的k-均值算法，对这些框进行聚类。
[0073]
步骤p4a中，在26
×
32预测网格上使用最大的三个盒子检测大目标，在52
×
64预测网格上使用其他三个盒子检测小目标。图3(b)中的方框表示防鸟罩的地面真值(标有框)。图3(c)中的盒子表示由k-均值算法生成的三个盒子(三个最大的盒子或其他三个最小的盒子)。对于最后一个m
×
n特征图上的默认框，预测了5个类对象、一个置信度以及框的四个坐标(x、y、w、h)，因此，cyolo模型的输出张量具有m
×n×
(5+5)
×
3维。
[0074]
步骤p5a中，设定第一损失函数为：
[0075][0076]
其中，s表示预测网格中的网格数，b表示预测网格，和是二进制值，具体地，如果则该框负责测试对象。否则，它不负责测试对象，表示预测偏移向量，v
ijk
表示地面真值的目标向量，表示预测参考，表示目标参考，λ
coord
表示坐标损失项的权重因子，λ
obj
和λ
noobj
表示参考损失项的权重因子，具体地，λ
obj
表示正样本锚定的参考损失项
权重，λ
noobj
表示负样本锚定的参考损失项权重，λ
cls
表示负样本锚定的参考损失项的权重因子，坐标损耗l
reg
为l1损耗，参考损耗l
conf
为焦点损耗，类损耗l
cls
为s形交叉熵，i、j和k表示序号，x和y表示盒子的中心坐标，w表示盒子的宽度，h表示盒子的高度，表示紧固件类型识别结果的预测概率分布，p
ij
＝1是第一标签的真值。
[0077]
步骤p6a中，可以将紧固件类型识别结果和第一标签代入第一损失函数的公式中，计算第一损失函数的值，如果所得到的第一损失函数的值未达到预设范围，则在步骤p7a中调整 cyolo模型的网络参数之后重新跳转到步骤p1a开始执行步骤p1a-p6a，如果所得到的第一损失函数的值在预设范围内，那么可以结束对cyolo模型的训练。
[0078]
本实施例中，在对cyolo模型进行训练时，在执行步骤p4a-p7a，也就是在cyolo 模型对第一样本图像进行检测前，还对第一样本图像进行网格遮罩处理。
[0079]
本实施例中，对第一样本图像进行网格遮罩处理的过程可以表示为 output(i,j)＝input(i,j)
×
mask(i,j)，其中input(i,j)∈rh
×w×
c表示经过网格遮罩处理前的第一样本图像，output(i,j)表示经过网格遮罩处理后的第一样本图像，mask(i,j)表示网格遮罩处理所使用的遮罩。mask(i,j)中的各点是二进制值，如果mask(i,j)＝1，则经过网格遮罩处理时input(i,j)中的点(i,j)的像素值会被保持在图像output(i,j)中，否则将被截断。
[0080]
参照图4，遮罩的形状类似于网格，每个遮罩都是通过平铺单元(即图4左侧的小矩形) 形成的，如图4左侧所示。遮罩可由四个参数(s、l、δx、δy)定义。s和l分别是单位中的灰色边缘和单位长度的比率。δx和δy分别是从第一个单元到图像最近边界的水平和垂直距离。
[0081]
为了充分利用网格遮罩方法，遮罩的比率k计算为这意味着k 与整个输入图像上的保留区域成比例。如果忽略遮罩中的不完整单位，k可计算为：
[0082]
k＝1-(1-s)2＝2s-s2。
[0083]
此外，为了考虑随机性来丰富csd数据集的多样性，l可以从以下范围随机选择：
[0084]
l＝random(l
min
，l
max
)。
[0085]
因此，δx和δy从以下范围中选择：
[0086]
δx(δy)＝random(0，l-1)。
[0087]
合理选择上述参数可以实现过度拟合和欠拟合之间的平衡。在本实施例中，l
min
设置为 96，l
max
设置为224，s设置为0.6。
[0088]
通过对第一样本图像进行网格遮罩处理，可以克服样本之间的相似性和有限样本问题导致的过度拟合，在图像中某些区域信息的保留和删除之间实现合理的平衡，从而实现数据增强。
[0089]
步骤s3中，所建立的rrnet模型是基于视网膜网的单级旋转检测器，即旋转视网膜网 (rrnet)。参照图5，rrnet由两部分组成：(1)用于提取特征的back bone网络和(2) 用于回归和分类的子网络。其中，特征金字塔网络(fpn)用作主干网络，它通过自上而下的路径和横向连接的多尺度金字塔结构增强检测器。金字塔中的每一层都用于检测不同比例的对象。rrnet的主干由resnet和fpn组成，如图5(a)和图5(b)所示。p表示金字塔层(p3、p4、p5、p6)。每个金字塔层包含两个子网，用于分类和坐标回归，如图5(c)和 (d)所示。来自分类网
络的特征图的大小为w
×h×k×
a，其中w和h分别是特征图的宽度和高度，k是类的数量，a是生成的框的数量。
[0090]
在基于锚的检测器中，s值是特征映射相对于原始图像的缩减因子(2的指数幂)。rrnet 使用resnet中的c3和c4作为压缩级联存储机制，可以平衡语义信息和位置信息。例如，对于压缩级联存储机制，网络对p5进行上采样以融合c4，从而获得p4。
[0091]
如图6中的左侧所示，在p7(s＝128)上生成的这些锚定点“+”稀疏地布置在输入图像上。因此，在超参数设置iou＝0.4的情况下，这些锚定点上的锚盒(虚线盒)很难与地面真值(实线盒)匹配，从而导致大量锚盒的废弃(例如，最大iou＝0.31和0.16，如图6所示)。因此，较大的s可以直接在p7预测层上倾斜对象。相反，如图6中的右侧所示，在p6(s＝64) 上生成的这些锚定点“+”密集地排列在输入图像上，因此较小的s更容易对感兴趣区域进行采样。此外，根据以前的经验，csd数据集中的大多数紧固件(例如螺母和销)都小于128 像素，因此在金字塔中只使用四个级别[p3、p4、p5、p7]。
[0092]
在建立rrnet模型后，使用rrnet模型对待检测图像进行检测前，还执行对rrnet模型的训练步骤。本实施例中，对rrnet模型的训练步骤包括：
[0093]
p1b.获取第二样本图像和第二标签；第二样本图像中包括紧固件，第二标签用于标记第二样本图像中紧固件缺陷的类型；
[0094]
p2b.设定旋转框的参数；
[0095]
p3b.rrnet模型通过预测框预测第二样本图像中紧固件的偏移向量，通过旋转框旋转调整第二样本图像中紧固件的方向，设置锚定框对第二样本图像中的紧固件进行采样和缺陷类型识别，输出缺陷类型识别结果；
[0096]
p4b.设定第二损失函数；
[0097]
p5b.根据缺陷类型识别结果和第二标签确定第二损失函数的值；
[0098]
p6b.根据第二损失函数的值调整rrnet模型的网络参数或者结束训练。
[0099]
步骤p1b中，第二样本图像可以是预先拍摄的包括紧固件的图像，不同的第二样本图像中紧固件的缺陷可以是松动、损坏等不同类型。步骤p2b中，设定预测框、锚定框和旋转框的参数：
[0100]
t
x
＝(x-xa)/wa，ty＝(y-ya)/ha[0101]
tw＝log(w/wa)，th＝log(h/ha)，t
θ
＝θ-θa[0102][0103][0104]
其中，x和y表示旋转框的中心坐标，w表示旋转框的宽度，h表示旋转框的高度，θ表示旋转框的方向角度，xa和ya表示锚定框的中心坐标，wa表示锚定框的宽度，ha表示锚定框的高度，θa表示锚定框的方向角度，和表示预测框的中心坐标，，表示预测框的宽度，表示预测框的高度，表示预测框的方向角度。t
x
、tw、表示旋转框的回归。
[0105]
具体地，预测框、锚定框和旋转框分别可以用(x,y,w,h,θ)等五个参数表示，这与opencv 一致。具体地，θ是指框与x轴的角度，相应的边定义为宽度w，另一侧定义为高度h。
[0106]
本实施例中，rrnet模型的损失定义如下：
[0107][0108]
其中，，表示预测偏移向量，v
ijk
表示地面真值的目标向量，是二进制值，的取值可以是0或1，如果等于1，则锚中有一个对象，如果等于0，则锚中没有对象，n是锚的数量，pn表示缺陷类型识别结果的预测概率分布，tn表示第二标签的概率分布，λ
coord
、λ
cls
和λ
iou
表示权重因子。
[0109]
在损耗函数中引入了一种新的基于iou的旋转损耗，定义为：
[0110][0111]
其中表示在第n个锚的最小包围矩形和地面真值目标之间重新表示的iou值。
[0112]
步骤p4b中的第二损失函数是rrnet模型的损失与旋转损耗之和，即第二损失函数为：
[0113][0114]
这种损失可以通过向角度回归添加约束来解决错误预测的角度问题，l
sreg
表示平滑l1损耗，l
reg
表示l1损耗，l
cls
表示焦点损耗。
[0115]
步骤p5b中，可以将缺陷类型识别结果和第二标签代入第二损失函数的公式中，计算第二损失函数的值，如果所得到的第二损失函数的值未达到预设范围，则在步骤p6b中调整 rrnet模型的网络参数之后重新跳转到步骤p1b开始执行步骤p1b-p5b，如果所得到的第二损失函数的值在预设范围内，那么可以结束对rrnet模型的训练。
[0116]
经过步骤p1a-p7a训练的cyolo模型，以及经过步骤p1b-p6b训练的rrnet模型，具备了对待检测图像进行紧固件定位和缺陷检测的能力。具体地，经过训练的cyolo模型具有良好的识别待检测图像中小部分紧固件区域的性能，也就是具有从高度冗余的信息中提取有限的有效信息的性能，从而对待检测图像中的紧固件区域进行定位；经过训练的rrnet 模型可以通过基于旋转锚点的检测器检测不同方向的紧固件的缺陷。可以执行步骤s4，将待检测图像输入至cyolo模型中，cyolo模型提取待检测图像中接触网支架装置的紧固件区域进行输出，以及执行步骤s5，将紧固件区域输入至rrnet模型中，rrnet模型输出对紧固件区域的缺陷识别结果，从而完成对接触网支架装置紧固件缺陷的检测。
[0117]
本实施例中的接触网支架装置紧固件缺陷检测方法，针对接触网支架装置图像的特点，结合了cyolo模型和rrnet模型的优点对接触网支架装置图像进行检测，能够保持较高的处理速度以及达到可靠的检测精度。
[0118]
本实施例中，接触网支架装置紧固件缺陷检测系统包括：
[0119]
第一模块，用于获取待检测图像；待检测图像中包括接触网支架装置；
[0120]
第二模块，用于建立cyolo模型；
[0121]
第三模块，用于建立rrnet模型；
[0122]
第四模块，用于将待检测图像输入至cyolo模型中，cyolo模型提取待检测图像中接触网支架装置的紧固件区域进行输出；
[0123]
第五模块，用于将紧固件区域输入至rrnet模型中，rrnet模型输出对紧固件区域的缺陷识别结果。
[0124]
第一模块、第二模块、第三模块、第四模块和第五模块分别是具有相应功能的硬件模块、软件模块或者硬件模块和软件模块的组合。其中，第一模块可以用于执行本实施例中接触网支架装置紧固件缺陷检测方法中的步骤s1，第二模块可以用于执行步骤s2，第三模块可以用于执行步骤s3，第四模块可以用于执行步骤s4，第五模块可以用于执行步骤s5，从而使得接触网支架装置紧固件缺陷检测系统运行时，可以实现与接触网支架装置紧固件缺陷检测方法相同的技术效果。
[0125]
可以通过编写执行本实施例中的接触网支架装置紧固件缺陷检测方法的计算机程序，将该计算机程序写入至计算机装置或者存储介质中，当计算机程序被读取出来运行时，执行本实施例中的接触网支架装置紧固件缺陷检测方法，从而实现与实施例中的接触网支架装置紧固件缺陷检测方法相同的技术效果。
[0126]
需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
[0127]
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。
[0128]
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术
‑ꢀ
包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
[0129]
此外，可按任何合适的顺序来执行本实施例描述的过程的操作，除非本实施例另
外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
[0130]
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
[0131]
计算机程序能够应用于输入数据以执行本实施例所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
[0132]
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/ 或实施方式可以有各种不同的修改和变化。