智能食品检测系统及其方法与流程

1.本技术涉及食品检测技术领域，且更为具体地，涉及一种智能食品检测系统及其方法。


背景技术：

2.羊肉是我国人民食用的主要肉类之一，消费量呈现逐年上涨态势。羔羊比牛肉更鲜嫩，脂肪和胆固醇比猪肉和牛肉更少，易于消化和吸收。多吃羊肉有助于提升人体的免疫机能，羊肉非常鲜美可口。近年来，羊肉逐渐成为中国鲜肉消费的主流，进而人们对羊肉的质量提出更高的要求。水分在羊肉的组分中占有最重要的地位，其与蛋白质和脂肪一起占羊肉93％以上质量。水分含量的多少直接影响肉类产品的口感和品质，其不仅是肉类的重要营养和卫生指标，还是鉴别羊肉掺假的重要参数。
3.当前，随着百姓对肉类食品需求量增加，对肉类食品质量的要求也在逐步提高。为了获取暴利，部分肉类食品生产经营者开始大量生产和销售注水肉，这种做法严重降低了肉类食品品质并威胁着消费者的身体健康。注水肉是通过特定的方法来增加肉的重量。其注水方法是在屠宰前通过水管往牲畜的胃里打水或者屠宰后在鲜肉里打水。如果羊肉水分含量大于76％，既可以判断为注水肉。经营者为了使水分更多的注入生肉中会把一定含量的胶质粉末添加在水中，消费者一旦食用了这类注水肉会出现呼吸困难、食物中毒等现象。当肉类的水分含量过多时，细胞结构会被破坏，肉类含有的蛋白质和维生素等营养元素会大量的减少，并且会有病毒性微生物入侵到肉中。鉴于市场上注水羊肉现象的加剧，对于注水肉的检测变得尤为重要。
4.但是，现有对羊肉是否注水的检测方案大多数都是依靠肉眼进行肉质的颜色、品质进行观测，这样不仅难以对于注水羊肉和正常羊肉进行区分，当肉质在外界环境中放置时间较长时也可能会因环境因素出现肉质的变化，这都会降低对于注水羊肉检测的精准度。
5.因此，期望一种优化的智能食品检测系统，其能够对于羊肉是否为注水羊肉进行准确地检测，以保证羊肉的食品品质和食用健康。


技术实现要素：

6.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种智能食品检测系统及其方法，其结合了人工智能与高光谱成像技术，构建用于对注水羊肉检测的智能食品检测方案。具体地，进行羊肉的高光谱立方图的图像降噪以去除外界因素干扰，并提取出降噪后立方图中不同波长下的光谱特征之间的多尺度关联特征信息，即所述羊肉在不同断面下的空间隐含特征的多尺度关联性特征，并以此来进行羊肉的检测判断。这样，对于羊肉是否为注水羊肉进行准确地检测。
7.相应地，根据本技术的一个方面，提供了一种智能食品检测系统，其包括：
8.高光谱数据采集模块，用于获取待检测羊肉的高光谱立方图，所述高光谱立方图
包括多个波长下的光谱图像；
9.降噪模块，用于将所述高光谱立方图通过基于自动编解码器的图像降噪器以得到生成高光谱立方图；
10.空间注意力编码模块，用于将所述生成高光谱立方图中多个波长下的光谱图像的各个波长下的光谱图像通过使用空间注意力机制的第一卷积神经网络模型以得到多个图像特征矩阵；
11.三维排列模块，用于将所述多个图像特征矩阵沿着通道维度排列为三维特征张量；
12.多尺度关联特征提取模块，用于将所述三维特征张量通过包含第二卷积神经网络和第三卷积神经网络的双流网络模型以得到第一特征图和第二特征图，其中，所述第二卷积神经网络使用具有第一尺度的三维卷积核，所述第三卷积神经网络使用具有第二尺度的三维卷积核；
13.特征校正模块，用于对所述第一特征图和所述第二特征图分别进行相对类角度概率信息表示校正以得到第一校正特征图和第二校正特征图；
14.特征融合模块，用于融合所述第一校正特征图和所述第二校正特征图以得到多尺度关联特征图；以及
15.检测结果生成模块，用于将所述多尺度关联特征图作为分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测羊肉是否为注水羊肉。
16.在上述智能食品检测系统中，所述降噪模块，包括：编码单元，用于将所述高光谱立方图输入所述图像降噪器的编码器，其中，所述编码器使用卷积层对所述高光谱立方图进行显式空间编码以得到高光谱立方图图像特征；以及，解码单元，用于将所述高光谱立方图图像特征输入所述图像降噪器的解码器，其中，所述解码器使用反卷积层对所述高光谱立方图图像特征进行反卷积处理以得到所述生成高光谱立方图。
17.在上述智能食品检测系统中，所述空间注意力编码模块，进一步用于：使用所述第一卷积神经网络模型的卷积编码部分对所述光谱图像进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到图像特征图；以及，对所述图像特征图进行沿通道维度的全局均值池化处理以得到所述图像特征矩阵。
18.在上述智能食品检测系统中，所述多尺度关联特征提取模块，包括：第一尺度特征提取单元，用于使用所述使用具有第一尺度的三维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：基于所述具有第一尺度的三维卷积核对所述输入数据进行三维卷积处理、均值池化处理和非线性激活处理以得到第一特征图；以及，第二尺度特征提取单元，用于使用所述使用具有第二尺度的三维卷积核的第三卷积神经网络在层的正向传递中对输入数据分别进行：基于所述具有第二尺度的三维卷积核对所述输入数据进行三维卷积处理、均值池化处理和非线性激活处理以得到第二特征图。
19.在上述智能食品检测系统中，所述特征校正模块，包括：第一特征图校正单元，用于基于所述第二特征图以如下公式对所述第一特征图进行相对类角度概率信息表示校正以得到所述第一校正特征图；其中，所述公式为：
[0020][0021][0022]
其中f1表示所述第一特征图，f2表示所述第二特征图，和分别是所述第一特征图和所述第二特征图的第(i,j,k)位置的特征值，且和是所述第一特征图和所述第二特征图的全部特征值的均值，表示所述第一校正特征图的第(i,j,k)位置的特征值，log表示以2为底的对数函数值；以及，第二特征图校正单元，用于基于所述第一特征图以如下公式对所述第二特征图进行相对类角度概率信息表示校正以得到所述第二校正特征图；其中，所述公式为：
[0023][0024][0025]
其中f1表示所述第一特征图，f2表示所述第二特征图，和分别是所述第一特征图和所述第二特征图的第(i,j,k)位置的特征值，且和是所述第一特征图和所述第二特征图的全部特征值的均值，表示所述第二校正特征图的第(i,j,k)位置的特征值，log表示以2为底的对数函数值。
[0026]
在上述智能食品检测系统中，所述特征融合模块，进一步用于：以如下公式来融合所述第一校正特征图和所述第二校正特征图以得到多尺度关联特征图；其中，所述公式为：
[0027][0028]
其中，fc为所述多尺度关联特征图，fa为所述第一校正特征图，fb为所述第二校正特征图，表示所述第一校正特征图和所述第二校正特征图相对应位置处的元素相加，α和β为用于控制所述多尺度关联特征图中所述第一校正特征图和所述第二校正特征图之间的平衡的加权参数。
[0029]
在上述智能食品检测系统中，所述检测结果生成模块，包括：展开单元，用于将所述分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联处理以得到分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
[0030]
根据本技术的另一方面，还提供了一种智能食品检测方法，其包括：
[0031]
获取待检测羊肉的高光谱立方图，所述高光谱立方图包括多个波长下的光谱图像；
[0032]
将所述高光谱立方图通过基于自动编解码器的图像降噪器以得到生成高光谱立
方图；
[0033]
将所述生成高光谱立方图中多个波长下的光谱图像的各个波长下的光谱图像通过使用空间注意力机制的第一卷积神经网络模型以得到多个图像特征矩阵；
[0034]
将所述多个图像特征矩阵沿着通道维度排列为三维特征张量；
[0035]
将所述三维特征张量通过包含第二卷积神经网络和第三卷积神经网络的双流网络模型以得到第一特征图和第二特征图，其中，所述第二卷积神经网络使用具有第一尺度的三维卷积核，所述第三卷积神经网络使用具有第二尺度的三维卷积核；
[0036]
对所述第一特征图和所述第二特征图分别进行相对类角度概率信息表示校正以得到第一校正特征图和第二校正特征图；
[0037]
融合所述第一校正特征图和所述第二校正特征图以得到多尺度关联特征图；以及
[0038]
将所述多尺度关联特征图作为分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测羊肉是否为注水羊肉。
[0039]
在上述智能食品检测方法中，所述将所述高光谱立方图通过基于自动编解码器的图像降噪器以得到生成高光谱立方图，包括：将所述高光谱立方图输入所述图像降噪器的编码器，其中，所述编码器使用卷积层对所述高光谱立方图进行显式空间编码以得到高光谱立方图图像特征；以及，将所述高光谱立方图图像特征输入所述图像降噪器的解码器，其中，所述解码器使用反卷积层对所述高光谱立方图图像特征进行反卷积处理以得到所述生成高光谱立方图。
[0040]
在上述智能食品检测方法中，所述将所述生成高光谱立方图中多个波长下的光谱图像的各个波长下的光谱图像通过使用空间注意力机制的第一卷积神经网络模型以得到多个图像特征矩阵，包括：使用所述第一卷积神经网络模型的卷积编码部分对所述光谱图像进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到图像特征图；以及，对所述图像特征图进行沿通道维度的全局均值池化处理以得到所述图像特征矩阵。
[0041]
在上述智能食品检测方法中，所述将所述三维特征张量通过包含第二卷积神经网络和第三卷积神经网络的双流网络模型以得到第一特征图和第二特征图，包括：使用所述使用具有第一尺度的三维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：基于所述具有第一尺度的三维卷积核对所述输入数据进行三维卷积处理、均值池化处理和非线性激活处理以得到第一特征图；以及，使用所述使用具有第二尺度的三维卷积核的第三卷积神经网络在层的正向传递中对输入数据分别进行：基于所述具有第二尺度的三维卷积核对所述输入数据进行三维卷积处理、均值池化处理和非线性激活处理以得到第二特征图。
[0042]
在上述智能食品检测方法中，所述将所述多尺度关联特征图作为分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测羊肉是否为注水羊肉，包括：将所述分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联处理以得到分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的softmax分
类函数以得到所述分类结果。
[0043]
根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的智能食品检测方法。
[0044]
根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智能食品检测方法。
[0045]
与现有技术相比，本技术提供的智能食品检测系统及其方法，其结合了人工智能与高光谱成像技术，构建用于对注水羊肉检测的智能食品检测方案。具体地，进行羊肉的高光谱立方图的图像降噪以去除外界因素干扰，并提取出降噪后立方图中不同波长下的光谱特征之间的多尺度关联特征信息，即所述羊肉在不同断面下的空间隐含特征的多尺度关联性特征，并以此来进行羊肉的检测判断。这样，对于羊肉是否为注水羊肉进行准确地检测。
附图说明
[0046]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0047]
图1为根据本技术实施例的智能食品检测系统的场景示意图。
[0048]
图2为根据本技术实施例的智能食品检测系统的框图。
[0049]
图3为根据本技术实施例的智能食品检测系统的架构示意图。
[0050]
图4为根据本技术实施例的智能食品检测系统中检测结果生成模块的框图。
[0051]
图5为根据本技术实施例的智能食品检测方法的流程图。
[0052]
图6为根据本技术实施例的电子设备的框图。
具体实施方式
[0053]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0054]
申请概述
[0055]
如上述背景技术所言，当前，随着百姓对肉类食品需求量增加，对肉类食品质量的要求也在逐步提高。为了获取暴利，部分肉类食品生产经营者开始大量生产和销售注水肉，这种做法严重降低了肉类食品品质并威胁着消费者的身体健康。注水肉是通过特定的方法来增加肉的重量。其注水方法是在屠宰前通过水管往牲畜的胃里打水或者屠宰后在鲜肉里打水。如果羊肉水分含量大于76％，既可以判断为注水肉。经营者为了使水分更多的注入生肉中会把一定含量的胶质粉末添加在水中，消费者一旦食用了这类注水肉会出现呼吸困难、食物中毒等现象。当肉类的水分含量过多时，细胞结构会被破坏，肉类含有的蛋白质和维生素等营养元素会大量的减少，并且会有病毒性微生物入侵到肉中。鉴于市场上注水羊肉现象的加剧，对于注水肉的检测变得尤为重要。
[0056]
但是，现有对羊肉是否注水的检测方案大多数都是依靠肉眼进行肉质的颜色、品质进行观测，这样不仅难以对于注水羊肉和正常羊肉进行区分，当肉质在外界环境中放置时间较长时也可能会因环境因素出现肉质的变化，这都会降低对于注水羊肉检测的精准度。因此，期望一种优化的智能食品检测系统，其能够对于羊肉是否为注水羊肉进行准确地检测，以保证羊肉的食品品质和食用健康。
[0057]
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0058]
近年来，深度学习以及神经网络的发展为羊肉注水的智能食品检测提供了新的解决思路和方案。
[0059]
相应地，由于高光谱成像技术是基于非常多窄波段的影像数据技术，它将成像技术与光谱技术相结合，探测目标的二维几何空间及一维光谱信息，获取高光谱分辨率的连续、窄波段的图像数据。高光谱成像技术融合了传统的成像和光谱技术的优点,可以同时获取被检测物体的空间信息和光谱信息,因此该技术既可以像传统的成像技术检测物体的外部品质,又可以像光谱技术一样检测物体的内部品质和品质安全。因此，高光谱成像技术的迅速发展，使其广泛应用于食品安全等领域。
[0060]
基于此，在本技术的技术方案中，可以采用高光谱成像技术来进行注水羊肉的检测，但是，在实际对于注水羊肉进行检测时，由于所采集的图像中会因环境因素以及羊肉表面血水等因素的干扰使得对于羊肉的注水检测的精准度较低。并且，所采集的图像中具有较多的干扰信息，这给羊肉的信息提取带来了困难，进而也就给注水羊肉的检测带来了难度。因此，在本技术的技术方案中，期望采用基于机器视觉的人工智能技术来进行羊肉的高光谱立方图的图像降噪以去除外界因素干扰，进一步提取出降噪后立方图中不同波长下的光谱特征之间的多尺度关联特征信息，即所述羊肉在不同断面下的空间隐含特征的多尺度关联性特征，并以此来进行羊肉是否为注水羊肉的检测判断。也就是，将人工智能技术与高光谱成像技术相结合以构建用于对注水羊肉检测的智能食品检测方案。这样，能够对于羊肉是否为注水羊肉进行准确地检测，以保证羊肉的食品品质和食用健康。
[0061]
具体地，在本技术的技术方案中，首先，通过高光谱分析仪采集待检测羊肉的高光谱立方图。接着，考虑到在实际对于所述待检测羊肉的高光谱立方图进行采集的过程中，可能会由于外界环境因素以及羊肉表面血水等因素的干扰造成图像的模糊，进而导致对于注水羊肉检测的精准度较低。因此，在本技术的技术方案中，进一步将所述待检测羊肉的高光谱立方图输入基于自动编解码器的图像降噪器中进行图像降噪以得到生成高光谱立方图。特别地，这里，所述基于自动编解码器的图像降噪器包括有编码器和解码器，所述编码器使用卷积层对所述待检测羊肉的高光谱立方图进行显式空间编码以得到图像特征，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述生成高光谱立方图。
[0062]
然后，针对所述高光谱立方图，应注意到，所述高光谱立方图具有三维数据结构，所述待检测羊肉每个断面的数据为每个波长下的图像信息，也就是，所述高光谱立方图在数据结构上具有波长层级结构。应可以理解，由于所述高光谱立方图包括多个波长下的光谱图像，所述不同波长下的光谱图像信息所蕴含的信息量都有所不同，且在不同的空间位置上具有着不同的隐藏特征。因此，在本技术的技术方案中，将所述光谱图像作为图像数
据，并使用具有空间注意力机制的第一卷积神经网络模型作为特征提取器来提取所述生成高光谱立方图中各个波长下的图像数据的基于空间位置的高维局部隐含特征分布信息，从而得到多个图像特征矩阵。
[0063]
进一步地，为了捕捉不同波长下光谱特征之间的关联，进一步将所述多个图像特征矩阵按通道维度进行排列为三维特征张量后通过作为特征检测器的卷积神经网络中以得到分类特征图。特别地，考虑到所述不同波长下的光谱特征之间具有着不同程度的关联性特征信息，因此，为了能够充分地提取出不同波长下光谱特征的关联以更为精准地提取出所述待检测羊肉的特征信息来进行注水羊肉的检测，进一步使用包含第二卷积神经网络和第三卷积神经网络的双流网络模型来进行所述三维特征张量的特征挖掘，以得到多尺度关联特征图。特别地，这里，所述第二卷积神经网络使用具有第一尺度的三维卷积核，所述第三卷积神经网络使用具有第二尺度的三维卷积核，所述第一尺度不同于所述第二尺度。应可以理解，通过采用不同尺度的三维卷积核的卷积神经网络来进行所述三维特征张量的特征提取，能够提取出所述三维特征张量中关于所述不同波长下光谱特征间的多尺度关联性特征分布信息，即所述待检测羊肉的不同断面空间特征上的多尺度关联特征，从而得到所述多尺度关联特征图。
[0064]
接着，进一步再将所述多尺度关联特征图作为分类特征图来通过分类器中进行分类处理，以得到用于表示待检测羊肉是否为注水羊肉的分类结果。这样，能够对于羊肉是否为注水羊肉进行智能检测，以保证羊肉的食品品质和食用健康。
[0065]
特别地，在本技术的技术方案中，这里，将所述三维特征张量通过包含第二卷积神经网络和第三卷积神经网络的双流网络模型得到所述多尺度关联特征图作为所述分类特征图时，需要将所述三维特征张量分别通过包含第二卷积神经网络和第三卷积神经网络得到的第一特征图和第二特征图融合以获得所述分类特征图。并且，由于所述第二卷积神经网络和所述第三卷积神经网络使用不同尺度的三维卷积核，这使得所述第一特征图和所述第二特征图的特征分布在高维特征空间内会存在空间位置误差，从而影响所述第一特征图和所述第二特征图的融合效果。
[0066]
本技术的申请人考虑到所述第一特征图和所述第二特征图都是从所述三维特征张量获得的，因此其作为同源特征图在特征分布上存在一定的对应性，因此，可以对所述第一特征图和所述第二特征图分别进行相对类角度概率信息表示校正，表示为：
[0067][0068][0069][0070]
其中和分别是所述第一特征图f1和所述第二特征图f2的第(i,j,k)位置的特征值，且和是所述第一特征图f1和所述第二特征图f2的全部特征值的均值。
[0071]
这里，所述相对类角度概率信息表示校正通过所述第一特征图f1和所述第二特征图f2之间的相对类角度概率信息表示，来进行所述第一特征图f1和所述第二特征图f2在高维特征空间内的特征分布的空间位置误差的几何精度稀释，从而在所述第一特征图f1和所述第二特征图f2间具有一定对应性的情况下，基于所述第一特征图f1和所述第二特征图f2各自的各位置的特征值分布相较于彼此整体的分布约束性，来通过按位置的逐点回归来进行特征的隐式上下文对应性校正，从而提高所述第一特征图f1和所述第二特征图f2的融合效果，进而提高分类的准确性。这样，能够对于羊肉是否为注水羊肉进行准确地检测，以保证羊肉的食品品质和食用健康。
[0072]
基于此，本技术提供了一种智能食品检测系统，其包括：高光谱数据采集模块，用于获取待检测羊肉的高光谱立方图，所述高光谱立方图包括多个波长下的光谱图像；降噪模块，用于将所述高光谱立方图通过基于自动编解码器的图像降噪器以得到生成高光谱立方图；空间注意力编码模块，用于将所述生成高光谱立方图中多个波长下的光谱图像的各个波长下的光谱图像通过使用空间注意力机制的第一卷积神经网络模型以得到多个图像特征矩阵；三维排列模块，用于将所述多个图像特征矩阵沿着通道维度排列为三维特征张量；多尺度关联特征提取模块，用于将所述三维特征张量通过包含第二卷积神经网络和第三卷积神经网络的双流网络模型以得到第一特征图和第二特征图，其中，所述第二卷积神经网络使用具有第一尺度的三维卷积核，所述第三卷积神经网络使用具有第二尺度的三维卷积核；特征校正模块，用于对所述第一特征图和所述第二特征图分别进行相对类角度概率信息表示校正以得到第一校正特征图和第二校正特征图；特征融合模块，用于融合所述第一校正特征图和所述第二校正特征图以得到多尺度关联特征图；以及，检测结果生成模块，用于将所述多尺度关联特征图作为分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测羊肉是否为注水羊肉。
[0073]
图1为根据本技术实施例的智能食品检测系统的场景示意图。如图1所示，在所述智能食品检测系统的应用场景中，首先通过高光谱分析仪(例如，如图1中所示意的se)采集待检测羊肉(例如，如图1中所示意的m)的高光谱立方图。进而，将所述高光谱立方图输入至部署有智能食品检测算法的服务器(例如，如图1所示意的s)中，其中，所述服务器能够以所述智能食品检测算法对所述高光谱立方图进行处理以得到用于表示待检测羊肉是否为注水羊肉的分类结果。
[0074]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0075]
示例性系统
[0076]
图2为根据本技术实施例的智能食品检测系统的框图。如图2所示，根据本技术实施例的智能食品检测系统100，包括：高光谱数据采集模块110，用于获取待检测羊肉的高光谱立方图，所述高光谱立方图包括多个波长下的光谱图像；降噪模块120，用于将所述高光谱立方图通过基于自动编解码器的图像降噪器以得到生成高光谱立方图；空间注意力编码模块130，用于将所述生成高光谱立方图中多个波长下的光谱图像的各个波长下的光谱图像通过使用空间注意力机制的第一卷积神经网络模型以得到多个图像特征矩阵；三维排列模块140，用于将所述多个图像特征矩阵沿着通道维度排列为三维特征张量；多尺度关联特征提取模块150，用于将所述三维特征张量通过包含第二卷积神经网络和第三卷积神经网
络的双流网络模型以得到第一特征图和第二特征图，其中，所述第二卷积神经网络使用具有第一尺度的三维卷积核，所述第三卷积神经网络使用具有第二尺度的三维卷积核；特征校正模块160，用于对所述第一特征图和所述第二特征图分别进行相对类角度概率信息表示校正以得到第一校正特征图和第二校正特征图；特征融合模块170，用于融合所述第一校正特征图和所述第二校正特征图以得到多尺度关联特征图；以及，检测结果生成模块180，用于将所述多尺度关联特征图作为分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测羊肉是否为注水羊肉。
[0077]
图3为根据本技术实施例的智能食品检测系统的架构示意图。如图3所示，首先获取待检测羊肉的高光谱立方图，所述高光谱立方图包括多个波长下的光谱图像。接着，将所述高光谱立方图通过基于自动编解码器的图像降噪器以得到生成高光谱立方图。然后，将所述生成高光谱立方图中多个波长下的光谱图像的各个波长下的光谱图像通过使用空间注意力机制的第一卷积神经网络模型以得到多个图像特征矩阵。进而，将所述多个图像特征矩阵沿着通道维度排列为三维特征张量。接着，将所述三维特征张量通过包含第二卷积神经网络和第三卷积神经网络的双流网络模型以得到第一特征图和第二特征图，其中，所述第二卷积神经网络使用具有第一尺度的三维卷积核，所述第三卷积神经网络使用具有第二尺度的三维卷积核。然后，对所述第一特征图和所述第二特征图分别进行相对类角度概率信息表示校正以得到第一校正特征图和第二校正特征图，并融合所述第一校正特征图和所述第二校正特征图以得到多尺度关联特征图。进而，将所述多尺度关联特征图作为分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测羊肉是否为注水羊肉。
[0078]
在上述智能食品检测系统100中，所述高光谱数据采集模块110，用于获取待检测羊肉的高光谱立方图，所述高光谱立方图包括多个波长下的光谱图像。如上述背景技术所言，现有对羊肉是否注水的检测方案大多数都是依靠肉眼进行肉质的颜色、品质进行观测，这样不仅难以对于注水羊肉和正常羊肉进行区分，当肉质在外界环境中放置时间较长时也可能会因环境因素出现肉质的变化，这都会降低对于注水羊肉检测的精准度。因此，期望一种优化的智能食品检测系统，其能够对于羊肉是否为注水羊肉进行准确地检测，以保证羊肉的食品品质和食用健康。
[0079]
相应地，由于高光谱成像技术是基于非常多窄波段的影像数据技术，它将成像技术与光谱技术相结合，探测目标的二维几何空间及一维光谱信息，获取高光谱分辨率的连续、窄波段的图像数据。高光谱成像技术融合了传统的成像和光谱技术的优点,可以同时获取被检测物体的空间信息和光谱信息,因此该技术既可以像传统的成像技术检测物体的外部品质,又可以像光谱技术一样检测物体的内部品质和品质安全。因此，高光谱成像技术的迅速发展，使其广泛应用于食品安全等领域。
[0080]
基于此，在本技术的技术方案中，可以采用高光谱成像技术来进行注水羊肉的检测，但是，在实际对于注水羊肉进行检测时，由于所采集的图像中会因环境因素以及羊肉表面血水等因素的干扰使得对于羊肉的注水检测的精准度较低。并且，所采集的图像中具有较多的干扰信息，这给羊肉的信息提取带来了困难，进而也就给注水羊肉的检测带来了难度。因此，在本技术的技术方案中，期望采用基于机器视觉的人工智能技术来进行羊肉的高光谱立方图的图像降噪以去除外界因素干扰，进一步提取出降噪后立方图中不同波长下的光谱特征之间的多尺度关联特征信息，即所述羊肉在不同断面下的空间隐含特征的多尺度
关联性特征，并以此来进行羊肉是否为注水羊肉的检测判断。也就是，将人工智能技术与高光谱成像技术相结合以构建用于对注水羊肉检测的智能食品检测方案。这样，能够对于羊肉是否为注水羊肉进行准确地检测，以保证羊肉的食品品质和食用健康。具体地，在本技术的技术方案中，首先，通过高光谱分析仪采集待检测羊肉的高光谱立方图。在采集高光谱立方图的过程中，所述待检测羊肉放置于所述高光谱分析仪中。
[0081]
在上述智能食品检测系统100中，所述降噪模块120，用于将所述高光谱立方图通过基于自动编解码器的图像降噪器以得到生成高光谱立方图。考虑到在实际对于所述待检测羊肉的高光谱立方图进行采集的过程中，可能会由于外界环境因素以及羊肉表面血水等因素的干扰造成图像的模糊，进而导致对于注水羊肉检测的精准度较低。因此，在本技术的技术方案中，进一步将所述待检测羊肉的高光谱立方图输入基于自动编解码器的图像降噪器中进行图像降噪以得到生成高光谱立方图。特别地，这里，所述基于自动编解码器的图像降噪器包括有编码器和解码器，所述编码器使用卷积层对所述待检测羊肉的高光谱立方图进行显式空间编码以得到图像特征，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述生成高光谱立方图。
[0082]
具体地，在本技术实施例中，所述降噪模块120，首先，通过编码单元将所述高光谱立方图输入所述图像降噪器的编码器，其中，所述编码器使用卷积层对所述高光谱立方图进行显式空间编码以得到高光谱立方图图像特征。然后，通过解码单元将所述高光谱立方图图像特征输入所述图像降噪器的解码器，其中，所述解码器使用反卷积层对所述高光谱立方图图像特征进行反卷积处理以得到所述生成高光谱立方图。
[0083]
在上述智能食品检测系统100中，所述空间注意力编码模块130，用于将所述生成高光谱立方图中多个波长下的光谱图像的各个波长下的光谱图像通过使用空间注意力机制的第一卷积神经网络模型以得到多个图像特征矩阵。针对所述高光谱立方图，应注意到，所述高光谱立方图具有三维数据结构，所述待检测羊肉每个断面的数据为每个波长下的图像信息，也就是，所述高光谱立方图在数据结构上具有波长层级结构。应可以理解，由于所述高光谱立方图包括多个波长下的光谱图像，所述不同波长下的光谱图像信息所蕴含的信息量都有所不同，且在不同的空间位置上具有着不同的隐藏特征。因此，在本技术的技术方案中，将所述光谱图像作为图像数据，并使用具有空间注意力机制的第一卷积神经网络模型作为特征提取器来提取所述生成高光谱立方图中各个波长下的图像数据的基于空间位置的高维局部隐含特征分布信息，从而得到多个图像特征矩阵。
[0084]
具体地，在本技术实施例中，所述空间注意力编码模块130，进一步用于：使用所述第一卷积神经网络模型的卷积编码部分对所述光谱图像进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到图像特征图；以及，对所述图像特征图进行沿通道维度的全局均值池化处理以得到所述图像特征矩阵。
[0085]
在上述智能食品检测系统100中，所述三维排列模块140，用于将所述多个图像特征矩阵沿着通道维度排列为三维特征张量。进一步地，为了捕捉不同波长下光谱特征之间的关联，进一步将所述多个图像特征矩阵输入作为特征检测器的卷积神经网络中进行特征提取。在本技术的技术方案中，作为特征检测器的卷积神经网络采用包含第二卷积神经网
络和第三卷积神经网络的双流网络模型，且所述第二卷积神经网络和所述第三卷积神经网络使用具有不同尺度三维卷积核，因此，这里，需要先将所述多个图像特征矩阵沿着通道维度排列为三维特征张量，也就是，将数据进行结构化处理，以便于后续模型的计算。
[0086]
在上述智能食品检测系统100中，所述多尺度关联特征提取模块150，用于将所述三维特征张量通过包含第二卷积神经网络和第三卷积神经网络的双流网络模型以得到第一特征图和第二特征图，其中，所述第二卷积神经网络使用具有第一尺度的三维卷积核，所述第三卷积神经网络使用具有第二尺度的三维卷积核。考虑到所述不同波长下的光谱特征之间具有着不同程度的关联性特征信息，因此，为了能够充分地提取出不同波长下光谱特征的关联以更为精准地提取出所述待检测羊肉的特征信息来进行注水羊肉的检测，进一步使用包含第二卷积神经网络和第三卷积神经网络的双流网络模型来进行所述三维特征张量的特征挖掘，以得到多尺度关联特征图。特别地，这里，所述第二卷积神经网络使用具有第一尺度的三维卷积核，所述第三卷积神经网络使用具有第二尺度的三维卷积核，所述第一尺度不同于所述第二尺度。应可以理解，通过采用不同尺度的三维卷积核的卷积神经网络来进行所述三维特征张量的特征提取，能够提取出所述三维特征张量中关于所述不同波长下光谱特征间的多尺度关联性特征分布信息，即所述待检测羊肉的不同断面空间特征上的多尺度关联特征，从而得到所述多尺度关联特征图。
[0087]
具体地，在本技术实施例中，所述多尺度关联特征提取模块150，包括：第一尺度特征提取单元，用于使用所述使用具有第一尺度的三维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：基于所述具有第一尺度的三维卷积核对所述输入数据进行三维卷积处理、均值池化处理和非线性激活处理以得到第一特征图；以及，第二尺度特征提取单元，用于使用所述使用具有第二尺度的三维卷积核的第三卷积神经网络在层的正向传递中对输入数据分别进行：基于所述具有第二尺度的三维卷积核对所述输入数据进行三维卷积处理、均值池化处理和非线性激活处理以得到第二特征图。
[0088]
这里，所述第二卷积神经网络和所述第三卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层，且各层都可以输出特征图。
[0089]
在上述智能食品检测系统100中，所述特征校正模块160，用于对所述第一特征图和所述第二特征图分别进行相对类角度概率信息表示校正以得到第一校正特征图和第二校正特征图。特别地，在本技术的技术方案中，这里，将所述三维特征张量通过包含第二卷积神经网络和第三卷积神经网络的双流网络模型得到所述多尺度关联特征图作为所述分类特征图时，需要将所述三维特征张量分别通过包含第二卷积神经网络和第三卷积神经网络得到的第一特征图和第二特征图融合以获得所述分类特征图。并且，由于所述第二卷积神经网络和所述第三卷积神经网络使用不同尺度的三维卷积核，这使得所述第一特征图和所述第二特征图的特征分布在高维特征空间内会存在空间位置误差，从而影响所述第一特征图和所述第二特征图的融合效果。
[0090]
本技术的申请人考虑到所述第一特征图和所述第二特征图都是从所述三维特征张量获得的，因此其作为同源特征图在特征分布上存在一定的对应性，因此，可以对所述第一特征图和所述第二特征图分别进行相对类角度概率信息表示校正。
[0091]
具体地，在本技术实施例中，所述特征校正模块160，包括：第一特征图校正单元，用于基于所述第二特征图以如下公式对所述第一特征图进行相对类角度概率信息表示校
正以得到所述第一校正特征图；其中，所述公式为：
[0092][0093][0094]
其中f1表示所述第一特征图，f2表示所述第二特征图，和分别是所述第一特征图和所述第二特征图的第(i,j,k)位置的特征值，且和是所述第一特征图和所述第二特征图的全部特征值的均值，表示所述第一校正特征图的第(i,j,k)位置的特征值，log表示以2为底的对数函数值；以及，第二特征图校正单元，用于基于所述第一特征图以如下公式对所述第二特征图进行相对类角度概率信息表示校正以得到所述第二校正特征图；其中，所述公式为：
[0095][0096][0097]
其中f1表示所述第一特征图，f2表示所述第二特征图，和分别是所述第一特征图和所述第二特征图的第(i,j,k)位置的特征值，且和是所述第一特征图和所述第二特征图的全部特征值的均值，表示所述第二校正特征图的第(i,j,k)位置的特征值，log表示以2为底的对数函数值。
[0098]
这里，所述相对类角度概率信息表示校正通过所述第一特征图f1和所述第二特征图f2之间的相对类角度概率信息表示，来进行所述第一特征图f1和所述第二特征图f2在高维特征空间内的特征分布的空间位置误差的几何精度稀释，从而在所述第一特征图f1和所述第二特征图f2间具有一定对应性的情况下，基于所述第一特征图f1和所述第二特征图f2各自的各位置的特征值分布相较于彼此整体的分布约束性，来通过按位置的逐点回归来进行特征的隐式上下文对应性校正，从而提高所述第一特征图f1和所述第二特征图f2的融合效果，进而提高分类的准确性。
[0099]
在上述智能食品检测系统100中，所述特征融合模块170，用于融合所述第一校正特征图和所述第二校正特征图以得到多尺度关联特征图。所述多尺度关联特征图包含了所述待检测羊肉的不同断面空间特征上的多尺度关联特征，以提高分类的准确性。
[0100]
具体地，在本技术实施例中，所述特征融合模块170，进一步用于：以如下公式来融合所述第一校正特征图和所述第二校正特征图以得到多尺度关联特征图；其中，所述公式为：
[0101][0102]
其中，fc为所述多尺度关联特征图，fa为所述第一校正特征图，fb为所述第二校正
特征图，表示所述第一校正特征图和所述第二校正特征图相对应位置处的元素相加，α和β为用于控制所述多尺度关联特征图中所述第一校正特征图和所述第二校正特征图之间的平衡的加权参数。
[0103]
在上述智能食品检测系统100中，所述检测结果生成模块180，用于将所述多尺度关联特征图作为分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测羊肉是否为注水羊肉。也就是，以所述分类器对所述分类特征图的高维数据流形进行类边界划分和确定以得到用于表示待检测羊肉是否为注水羊肉的分类结果。这样，能够对于羊肉是否为注水羊肉进行智能检测，以保证羊肉的食品品质和食用健康。
[0104]
图4为根据本技术实施例的智能食品检测系统中检测结果生成模块的框图。如图4所示，所述检测结果生成模块180，包括：展开单元181，用于将所述分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联处理以得到分类特征向量；全连接编码单元182，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元183，用于将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
[0105]
综上，基于本技术实施例的智能食品检测系统100被阐明，其结合了人工智能与高光谱成像技术，构建用于对注水羊肉检测的智能食品检测方案。具体地，进行羊肉的高光谱立方图的图像降噪以去除外界因素干扰，并提取出降噪后立方图中不同波长下的光谱特征之间的多尺度关联特征信息，即所述羊肉在不同断面下的空间隐含特征的多尺度关联性特征，并以此来进行羊肉的检测判断。这样，对于羊肉是否为注水羊肉进行准确地检测。
[0106]
如上所述，根据本技术实施例的智能食品检测系统100可以实现在各种终端设备中，例如智能食品检测的服务器等。在一个示例中，根据本技术实施例的智能食品检测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智能食品检测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智能食品检测系统100同样可以是该终端设备的众多硬件模块之一。
[0107]
替换地，在另一示例中，该智能食品检测系统100与该终端设备也可以是分立的设备，并且该智能食品检测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0108]
示例性方法
[0109]
图5为根据本技术实施例的智能食品检测方法的流程图。如图5所示，根据本技术实施例的智能食品检测方法，包括：s110，获取待检测羊肉的高光谱立方图，所述高光谱立方图包括多个波长下的光谱图像；s120，将所述高光谱立方图通过基于自动编解码器的图像降噪器以得到生成高光谱立方图；s130，将所述生成高光谱立方图中多个波长下的光谱图像的各个波长下的光谱图像通过使用空间注意力机制的第一卷积神经网络模型以得到多个图像特征矩阵；s140，将所述多个图像特征矩阵沿着通道维度排列为三维特征张量；s150，将所述三维特征张量通过包含第二卷积神经网络和第三卷积神经网络的双流网络模型以得到第一特征图和第二特征图，其中，所述第二卷积神经网络使用具有第一尺度的三维卷积核，所述第三卷积神经网络使用具有第二尺度的三维卷积核；s160，对所述第一特征图和所述第二特征图分别进行相对类角度概率信息表示校正以得到第一校正特征图和第
二校正特征图；s170，融合所述第一校正特征图和所述第二校正特征图以得到多尺度关联特征图；以及，s180，将所述多尺度关联特征图作为分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测羊肉是否为注水羊肉。
[0110]
在一个示例中，在上述智能食品检测方法中，所述将所述高光谱立方图通过基于自动编解码器的图像降噪器以得到生成高光谱立方图，包括：将所述高光谱立方图输入所述图像降噪器的编码器，其中，所述编码器使用卷积层对所述高光谱立方图进行显式空间编码以得到高光谱立方图图像特征；以及，将所述高光谱立方图图像特征输入所述图像降噪器的解码器，其中，所述解码器使用反卷积层对所述高光谱立方图图像特征进行反卷积处理以得到所述生成高光谱立方图。
[0111]
在一个示例中，在上述智能食品检测方法中，所述将所述生成高光谱立方图中多个波长下的光谱图像的各个波长下的光谱图像通过使用空间注意力机制的第一卷积神经网络模型以得到多个图像特征矩阵，包括：使用所述第一卷积神经网络模型的卷积编码部分对所述光谱图像进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到图像特征图；以及，对所述图像特征图进行沿通道维度的全局均值池化处理以得到所述图像特征矩阵。
[0112]
在一个示例中，在上述智能食品检测方法中，所述将所述三维特征张量通过包含第二卷积神经网络和第三卷积神经网络的双流网络模型以得到第一特征图和第二特征图，包括：使用所述使用具有第一尺度的三维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：基于所述具有第一尺度的三维卷积核对所述输入数据进行三维卷积处理、均值池化处理和非线性激活处理以得到第一特征图；以及，使用所述使用具有第二尺度的三维卷积核的第三卷积神经网络在层的正向传递中对输入数据分别进行：基于所述具有第二尺度的三维卷积核对所述输入数据进行三维卷积处理、均值池化处理和非线性激活处理以得到第二特征图。
[0113]
在一个示例中，在上述智能食品检测方法中，所述将所述多尺度关联特征图作为分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测羊肉是否为注水羊肉，包括：将所述分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联处理以得到分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
[0114]
综上，本技术实施例的智能食品检测方法被阐明，其结合了人工智能与高光谱成像技术，构建用于对注水羊肉检测的智能食品检测方案。具体地，进行羊肉的高光谱立方图的图像降噪以去除外界因素干扰，并提取出降噪后立方图中不同波长下的光谱特征之间的多尺度关联特征信息，即所述羊肉在不同断面下的空间隐含特征的多尺度关联性特征，并以此来进行羊肉的检测判断。这样，对于羊肉是否为注水羊肉进行准确地检测。
[0115]
示例性电子设备
[0116]
下面，参考图6来描述根据本技术实施例的电子设备。图6为根据本技术实施例的电子设备的框图。
[0117]
如图6所示，电子设备10包括一个或多个处理器11和存储器12。
[0118]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0119]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的智能食品检测方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如待检测羊肉的高光谱立方图等各种内容。
[0120]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0121]
该输入装置13可以包括例如键盘、鼠标等等。
[0122]
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0123]
当然，为了简化，图6中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0124]
示例性计算机程序产品和计算机可读存储介质
[0125]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的智能食品检测方法中的功能中的步骤。
[0126]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0127]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的智能食品检测方法中的功能中的步骤。
[0128]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0129]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中
提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0130]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0131]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0132]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0133]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。