船只检测方法、装置、设备终端和可读存储介质与流程

1.本技术涉及计算机视觉技术领域，具体涉及一种船只检测方法、装置、设备终端和可读存储介质。


背景技术：

2.随着海洋产业的发展，船只识别与检测的重要性日益突出，相关技术也不断发展，例如采用光流法、背景差法和基于机器学习的方法。
3.然而，上述船只检测方法仍然不能够满足对船只进行快速准确的识别和检测的实际需求，特别是当船只较为密集时，对应的检测结果可能会存在错误，相应的船只识别准确度较低。


技术实现要素：

4.鉴于此，本技术提供一种船只检测方法、装置、设备终端和可读存储介质，以解决现有船只检测方法中对船只进行识别和检测准确度过低的技术问题。
5.一种船只检测方法，包括：
6.获取船只的训练数据；
7.基于yolo网络对训练数据中的每张训练图片进行特征提取，以得到三种不同尺度的特征图；
8.对三种不同尺度的特征图分别使用对应的检测器进行检测以生成对应的预测值；
9.结合每张训练图片中的船只类型，采用动态标签平滑算法调整识别预测值是否正确的识别精确度；
10.根据调整后的识别精确度，将预测值与对应的真实量进行比较，得到对应的比较结果；
11.根据所述比较结果，生成对应的船只检测模型；
12.获取船只的测试数据；
13.根据所述船只检测模型对所述测试数据进行测试，输出对应的船只检测结果。
14.在一个实施例中，根据所述比较结果，生成对应的船只检测模型的步骤包括：
15.当比较结果为预测值错误时，基于错误的预测值进行损失函数计算，获得优化梯度，进行权重和偏置更新，直至损失函数收敛以生成对应的船只检测模型。
16.在一个实施例中，结合船只图像中的船只类型，采用动态标签平滑算法调整识别预测值是否正确的识别精确度的步骤包括：
17.获取每张训练图片中的船只类型；
18.当船只类型包括第一预设船只类型且未包括第二预设船只类型时，采用动态标签平滑算法提高识别预测值是否正确的识别精确度至第一识别精确度，第一预设船只类型中对应的船只尺寸小于预设船只尺寸；
19.当船只类型包括第二预设船只类型且未包括所述第一预设船只类型时，采用动态
标签平滑算法降低识别预测值是否正确的识别精确度至第二识别精确度，第二识别精确度低于第一识别精确度，第二预设船只类型中对应的船只尺寸大于或等于预设船只尺寸；
20.当船只类型包括第一预设船只类型和第二预设船只类型时，采用动态标签平滑算法调整识别预测值是否正确的识别精确度至第三识别精确度，第三识别精确度高于第二识别精确度且低于第一识别精确度。
21.在一个实施例中，当船只类型包括第一预设船只类型且未包括第二预设船只类型时，动态标签平滑算法采用以下公式：
[0022][0023]
其中，α和ε均属于(0,1)，α为自适应调节系数，ε为动态标签平滑因子，k和n均属于n+，y
i
＝1表示船只为第一预设船只类型，y'
i
表示动态标签平滑算法所对应的预测值，n表示每张训练图片中包含船只的标签框的总数，l
label
表示包含船只的标签框的对角线长度，l表示每张训练图片的对角线长度，为向上取整函数。
[0024]
在一个实施例中，当船只类型包括第二预设船只类型且未包括所述第一预设船只类型时，动态标签平滑算法采用以下公式：
[0025][0026]
其中，ε属于(0,1)，α为自适应调节系数，ε为动态标签平滑因子，k和n均属于n+，y
i
＝0表示船只为第二预设船只类型，y'
i
表示动态标签平滑算法所对应的预测值，n表示每张训练图片中包含船只的标签框的总数，l
label
表示包含船只的标签框的对角线长度，l表示每张训练图片的对角线长度，为向上取整函数。
[0027]
在一个实施例中，当船只类型包括第一预设船只类型和第二预设船只类型时，动态标签平滑算法采用以下公式：
[0028][0029]
其中，ε均属于(0,1)，α为自适应调节系数，ε为动态标签平滑因子，k、n1、n2和n均属于n+且n＝n1+n2，y
i
＝0表示船只为第二预设船只类型，y
i
＝1表示船只为第一预设船只类型，y'
i
表示动态标签平滑算法所对应的预测值，n表示每张训练图片中包含船只的标签框的总数，n1表示每张训练图片中包含第二预设船只类型的标签框的数量，n2表示每张训练图片中包含第一预设船只类型的标签框的数量，l
label
表示包含船只的标签框的对角线长度，l表示每张训练图片的对角线长度，为向上取整函数。
[0030]
在一个实施例中，获取船只的训练数据的步骤包括：
[0031]
对船只图像进行预处理操作以得到训练数据，所述预处理操作包括定义初始化函数、对获取的船只图像进行数据增强和对船只图像进行标注。
[0032]
一种船只检测装置，包括：
[0033]
训练数据获取单元，用于获取船只的训练数据；
[0034]
特征图生成单元，用于基于yolo网络对所述训练数据进行特征提取，以得到三种不同尺度的特征图；
[0035]
预测值生成单元，用于对三种不同尺度的特征图分别使用对应的检测器进行检测以生成对应的预测值；
[0036]
识别精确度调整单元，用于结合每张训练图片中的船只类型，采用动态标签平滑算法调整识别所述预测值是否正确的识别精确度；
[0037]
比较单元，用于根据调整后的识别精确度，将所述预测值与对应的真实量进行比较，得到对应的比较结果；
[0038]
模型生成单元，用于根据所述比较结果，生成对应的船只检测模型；
[0039]
测试数据获取单元，用于获取船只的测试数据；
[0040]
船只检测单元，用于根据所述船只检测模型对所述测试数据进行测试，输出对应的船只检测结果。
[0041]
此外，还提供一种设备终端，设备终端包括处理器和存储器，存储器用于存储计算机程序，处理器运行计算机程序以使设备终端执行上述船只检测方法。
[0042]
此外，还提供一种可读存储介质，可读存储介质存储有计算机程序，计算机程序在被处理器执行时执行上述船只检测方法。
[0043]
上述船只检测方法，通过获取船只的训练数据，基于yolo网络对训练数据中的每张训练图片进行特征提取，以得到三种不同尺度的特征图，对三种不同尺度的特征图分别
使用对应的检测器进行检测以生成对应的预测值，结合每张训练图片中的船只类型，采用动态标签平滑算法调整识别预测值是否正确的识别精确度，根据调整后的识别精确度，将预测值与对应的真实量进行比较，得到对应的比较结果，根据比较结果，生成对应的船只检测模型，获取船只的测试数据，根据船只检测模型对测试数据进行测试，输出对应的船只检测结果，其中，本船只检测方法通过对yolo网络中的标签算法进行适当改变，结合每张训练图片中的船只类型，采用动态标签平滑算法调整识别预测值是否正确的识别精确度，例如，针对船只类型为第二预设船只类型时，可将识别预测值是否正确的识别精确度降低，进而降低将第一预设船只类型识别为第二预设船只类型的概率，从整体上提高船只识别和检测的准确度，换言之，针对船只图像中所包括的不同的船只类型，通过动态标签平滑算法将识别预测值是否正确的识别精确度进行调整，能够使得上述yolo网络针对船只图像中所包括的不同的船只类型均能够作出更具有适应性和灵活性的船只识别和检测，这样一来可从整体上提高了船只识别和检测的准确度。
附图说明
[0044]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0045]
图1是本技术一实施例提供的一种船只检测方法的流程示意图；
[0046]
图2是本技术的一实施例提供的采用动态标签平滑算法调整识别预测值是否正确的识别精确度的方法流程示意图；
[0047]
图3是本技术的一实施例提供的一种船只检测装置的结构框图。
具体实施方式
[0048]
下面结合附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而非全部实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。在不冲突的情况下，下述各个实施例及其技术特征可以相互组合。
[0049]
如图1所示，提供一种船只检测方法，包括：
[0050]
步骤s110，获取船只的训练数据。
[0051]
其中，在获得船只图像之后，并不能直接将该船只图像直接用于后续步骤的处理，需要对船只图像进行预处理，以提取生成船只样本数据集，船只样本数据集中通常包括训练数据。
[0052]
步骤s120，基于yolo网络对训练数据中的每张训练图片进行特征提取，以得到三种不同尺度的特征图。
[0053]
其中，yolo网络(you only look once，你只看一次)处理过程中，需要对训练数据中的每张训练图片进行特征提取，得到三种不同尺度的特征图，例如13*13、26*26和52*52三种不同尺度的特征图。
[0054]
步骤s130，对三种不同尺度的特征图分别使用对应的检测器进行检测以生成对应
的预测值。
[0055]
其中，对三种不同尺度的特征图分别使用对应的检测器进行检测，进而针对每个像素点，通过检测器预测输出3个不同尺度和长宽比的预测边界框，这3个预测边界框中选择与真实框最接近的作为预测值。
[0056]
步骤s140，结合每张训练图片中的船只类型，采用动态标签平滑算法调整识别预测值是否正确的识别精确度。
[0057]
其中，得到预测值之后，往往需要进一步识别预测值是否在对应的预设识别区间内以识别预测值是否正确，每个预设识别区间均对应一识别精确度，若预设识别区间范围较宽，则对应的预设识别精确度较低；若预设识别区间范围较窄，则对应的预设识别精确度较高，因此，这里结合每张训练图片中的船只类型，采用动态标签平滑算法调整识别预测值是否正确的识别精确度，即可将上述预设识别空间的范围对应进行调整。
[0058]
在一个实施例中，第一预设船只类型中对应的船只尺寸小于预设船只尺寸，第二预设船只类型中对应的船只尺寸大于或等于预设船只尺寸，为便于理解，第一预设船只类型通常可理解为“小船”，第二预设船只类型通常理解为“大船”。
[0059]
例如，当每张训练图片中的船只类型包括第二预设船只类型且未包括第一预设船只类型时，可采用动态标签平滑算法下调识别预测值是否正确的识别精确度使得对应的预设识别区间范围变宽，减少获得的多余细节，降低将第一预设船只类型识别为第二预设船只类型的概率；当每张训练图片中的船只类型包括第一预设船只类型且未包括第二预设船只类型时，可采用动态标签平滑算法上调识别预测值是否正确的识别精确度使得对应的预设识别区间范围变窄，此时可获得更多的第一预设船只类型细节，可降低将其他小物体识别为第一预设船只类型的概率，从整体上提高船只识别和检测的准确度。
[0060]
步骤s150，根据调整后的识别精确度，将预测值与对应的真实量进行比较，得到对应的比较结果。
[0061]
其中，上述预测值可认为是上述动态标签平滑算法对应的输出值，每个调整后的识别精确度，通常与识别预测值是否正确的一预设识别区间相对应，实际处理中，当预测值在该预设识别区间范围内时，则认为该预测值正确的比较结果，当预测值不在该预设识别区间范围内时，则认为该预测值不正确的比较结果。
[0062]
步骤s160，根据对应的比较结果，生成对应的船只检测模型。
[0063]
其中，在得到对应的比较结果之后，还需要进一步根据该比较结果调整对应的模型参数，生成对应的船只检测模型。
[0064]
步骤s170，获取船只的测试数据。
[0065]
其中，在生成船只检测模型之后，还需要船只的测试数据对船只检测模型的检测效果进行测试。
[0066]
步骤s180，根据船只检测模型对所述测试数据进行测试，输出对应的船只检测结果。
[0067]
上述船只检测方法，通过对yolo网络中的标签算法进行适当改变，结合每张训练图片中的船只类型，采用动态标签平滑算法调整识别预测值是否正确的识别精确度，进而得到应的船只检测模型，然后根据所述船只检测模型对测试数据进行测试，输出对应的船只检测结果，其中，本船只检测方法通过对yolo网络中的标签算法进行适当改变，结合每张
训练图片中的船只类型，采用动态标签平滑算法调整识别预测值是否正确的识别精确度，例如，针对船只类型为第二预设船只类型时，可将识别预测值是否正确的识别精确度降低，进而降低将第一预设船只类型识别为第二预设船只类型的概率，从整体上提高船只识别和检测的准确度，换言之，针对船只图像中所包括的不同的船只类型，通过动态标签平滑算法将识别预测值是否正确的识别精确度进行调整，能够使得上述yolo网络针对船只图像中所包括的不同的船只类型均能够作出更具有适应性和灵活性的船只识别和检测，这样一来可从整体上提高了船只识别和检测的准确度。
[0068]
在一个实施例中，上述步骤s160包括：当比较结果中预测值错误时，基于错误的预测值进行损失函数计算，获得优化梯度，进行权重和偏置更新，直至损失函数收敛以生成对应的船只检测模型。
[0069]
其中，上述yolo网络的训练过程中，需要基于错误的预测值进行损失函数计算，从而获得优化梯度以进行权重和偏置更新，直至损失函数收敛时，该船只检测模型可认为已经训练完毕。
[0070]
在一个实施例中，如图2所示，步骤s140包括：
[0071]
步骤s141，获取每张训练图片中包含的船只类型，当船只类型包括第一预设船只类型且未包括第二预设船只类型时，则进入步骤s142进行处理；当船只类型包括第二预设船只类型且未包括所述第一预设船只类型时，则进入步骤s143进行处理；当船只类型包括第一预设船只类型和第二预设船只类型时，则进入步骤s144进行处理。
[0072]
步骤s142，采用动态标签平滑算法提高识别预测值是否正确的识别精确度至第一识别精确度。
[0073]
其中，当船只类型包括第一预设船只类型且未包括第二预设船只类型时，此时需要采用动态标签平滑算法提高识别预测值是否正确的识别精确度至第一识别精确度，对应的预设识别区间范围则变窄，此时可获得更多的第一预设船只类型细节，可降低将其他小物体识别为第一预设船只类型的概率。
[0074]
步骤s143，采用动态标签平滑算法降低识别预测值是否正确的识别精确度至第二识别精确度，第二识别精确度低于第一识别精确度。
[0075]
其中，当船只类型包括第二预设船只类型且未包括所述第一预设船只类型时，此时需要采用动态标签平滑算法降低识别预测值是否正确的识别精确度至第二识别精确度，使得对应的预设识别区间范围变宽，此时可降低将第一预设船只类型识别为第二预设船只类型的概率。
[0076]
步骤s144，采用动态标签平滑算法调整识别预测值是否正确的识别精确度至第三识别精确度，第三识别精确度高于第二识别精确度且低于第一识别精确度。
[0077]
其中，当船只类型包括第一预设船只类型和第二预设船只类型时，此时需要采用动态标签平滑算法降低识别预测值是否正确的识别精确度至一个合适的第三识别精确度，第三识别精确度高于第二识别精确度且低于第一识别精确度，以保证上述yolo网络整体的船只识别和检测的准确度。
[0078]
通过区分船只图像中存在的三种不同类型的船只情况，采用动态标签平滑算法识别预测值是否正确的识别精确度分别至第一识别精确度(对应船只类型包括第一预设船只类型且未包括第二预设船只类型)、第二识别精确度(对应船只类型包括第二预设船只类型
且未包括第一预设船只类型)和第三识别精确度(对应船只类型包括第一预设船只类型和第二预设船只类型)，能够使得上述yolo网络针对船只图像中所包括的不同的船只类型均能够作出更具有适应性以及灵活性的船只识别和检测，这样一来可从整体上进一步提高船只识别和检测的准确度。
[0079]
在一个实施例中，当船只类型包括第一预设船只类型且未包括第二预设船只类型时，动态标签平滑算法采用以下公式：
[0080][0081]
其中，α和ε均属于(0,1)，α为自适应调节系数，ε为动态标签平滑因子，k和n均属于n+，y
i
＝1表示船只为第一预设船只类型，y'
i
表示动态标签平滑算法所对应的预测值，n表示每张训练图片中包含船只的标签框的总数，l
label
表示包含船只的标签框的对角线长度，l表示每张训练图片的对角线长度，为向上取整函数。
[0082]
其中，在实际工程应用中，ε的实际取值范围通常为(0,0.1)。
[0083]
其中，l
label
/l是衡量每张训练图片中船只大小的参量，自适应调节系数α以l
label
/l为参量进行计算，每张训练图片中小船数量过多或者小船的尺寸过小时则会导致自适应调节系数α过小，因而对l
label
/l进行k次开方以计算自适应调节系数α，可使得自适应调节系数α适当变大。
[0084]
其中，船只类型包括第一预设船只类型(y
i
＝1时)，此时对应的预设识别区间为[1
‑
αε,1]，只要预测值y'
i
在[1
‑
αε,1]内，则认为上述预测值为正确值，对应的第一预设精度为1
‑
αε，通过设置自适应调节系数α和动态标签平滑因子ε，并调节自适应调节系数α值的变小，使得上述船只检测方法中在船只类型包括第一预设船只类型且未包括第二预设船只类型时，识别预测值y'
i
是否正确的预设识别区间[1
‑
αε,1]变窄，此时可获得更多的第一预设船只类型细节，可降低将其他小物体识别为第一预设船只类型的概率，从整体上提高船只识别和检测的准确度。
[0085]
在一个实施例中，当船只类型包括第二预设船只类型且未包括所述第一预设船只类型时，动态标签平滑算法采用以下公式：
[0086][0087]
其中，ε属于(0,1)，α为自适应调节系数，ε为动态标签平滑因子，k和n均属于n+，y
i
＝0表示船只为第二预设船只类型，y'
i
表示动态标签平滑算法所对应的预测值，n表示每张训练图片中包含船只的标签框的总数，l
label
表示包含船只的标签框的对角线长度，l表示每张训练图片的对角线长度，为向上取整函数。
[0088]
其中，在实际工程应用中，ε的实际取值范围通常为(0,0.1)。
[0089]
其中，由于这里l大于l
label
，因此，α通常为大于1的实数。
[0090]
其中，每张训练图片中大船数量过多时，一只大船容易被另一只大船遮挡，此时如果自适应调节系数α若太大，则容易将两只大船误识别成一只大船，因此当大船数量多的时候自适应调节系数α要变小，显然，对l/l
label
进行k次开方以计算自适应调节系数α，可使得自适应调节系数α适当变小，避免出现船只类型均为第二预设类型船只时自适应调节系数α过大的问题。
[0091]
其中，船只类型包括第二预设船只类型且未包括所述第一预设船只类型(y
i
＝0时)，此时对应的预设识别区间为[0，αε]，只要预测值y'
i
在[0，αε]内，则认为上述预测值y'
i
为正确值，对应的第二识别精确度为1
‑
αε，由于公式(2)中的自适应调节系数α值大于公式(1)中的自适应调节系数α值，因此，此时第二识别精确度低于第一识别精确度。
[0092]
通过设置自适应调节系数α和动态标签平滑因子ε，并调节自适应调节系数α值的变大，使得上述船只检测方法中在船只类型包括第二预设船只类型且未包括所述第一预设船只类型时，识别预测值y'
i
是否正确的预设识别区间[1
‑
αε,1]变宽，此时可减少获得的多余细节，降低将第一预设船只类型识别为第二预设船只类型的概率，从整体上提高船只识别和检测的准确度。
[0093]
在一个实施例中，当船只类型包括第一预设船只类型和第二预设船只类型时，动态标签平滑算法采用以下公式：
[0094][0095]
其中，ε均属于(0,1)，α为自适应调节系数，ε为动态标签平滑因子，k、n1、n2和n均属于n+且n＝n1+n2，y
i
＝0表示船只为第二预设船只类型，y
i
＝1表示船只为第一预设船只类型，y'
i
表示动态标签平滑算法所对应的预测值，n表示每张训练图片中包含船只的标签框的总数，l
label
表示包含船只的标签框的对角线长度，l表示每张训练图片的对角线长度，为向上取整函数。
[0096]
其中，在实际工程应用中，ε的实际取值范围通常为(0,0.1)。
[0097]
其中，船只类型包括第一预设船只类型和第二预设船只类型，当识别第二预设船只类型时(y
i
＝0)时，只要预测值y'
i
在[0，αε]内，则认为预测值y'
i
为正确值，同样地，当识别第一预设船只类型时(y
i
＝1)时，只要预测值y'
i
在[1
‑
αε,1]内，则认为预测值y'
i
为正确值，此时由于公式(3)中对应的自适应调节系数α值大于公式(1)中的自适应调节系数α值，且小于公式(2)中的自适应调节系数α值，因此第三识别准确度1
‑
αε则位于第二识别精确度和第一识别精确度之间。
[0098]
上述船只检测方法中，通过设置自适应调节系数α和动态标签平滑因子ε，以调节自适应调节系数α值位于公式(1)对应的自适应调节系数α值和公式(2)对应的自适应调节系数α值之间，使得在船只类型包括第一预设船只类型和第二预设船只类型时，一方面，在识别第二预设船只类型的情况下，识别预测值y'
i
是否正确的预设识别区间[0，αε]相对于仅仅包括第二预设船只类型时对应的预设识别区间范围变窄，另一方面，在识别第一预设船只类型的情况下，识别预测值y'
i
是否正确的预设识别区间[1
‑
αε,1]变宽。换言之，一方面可获得更多的第一预设船只类型细节，可降低将其他小物体识别为第一预设船只类型的概率，另一方面，可减少获得的多余细节，降低将第一预设船只类型识别为第二预设船只类型的概率，对第二预设船只类型和第一预设船只类型总体的识别的容错能力做了均衡兼顾，从整体上提高船只识别和检测的准确度。
[0099]
在一个实施例中，步骤s110包括：对船只图像进行预处理操作以得到训练数据，预处理操作包括定义初始化函数、对获取的船只图像进行数据增强和对船只图像进行标注。
[0100]
其中，定义初始化函数过程中，可选定测试参数数据，设置参数数据的图像大小，设置数据增强的方式，设置训练数据的输入大小，选择采样方式，以及训练数据的类别和数目。
[0101]
其中，图像数据增强包括随机水平翻转数据图像、随机剪裁数据图像和随机水平旋转数据图像，以保证数据图像的一致性。
[0102]
在对船只图像进行标注的过程中，可获取目标图像的坐标信息和类别信息。
[0103]
此外，如图3所示，还提供一种船只检测装置100，包括：
[0104]
训练数据获取单元101，用于获取船只的训练数据；
[0105]
特征图生成单元102，用于基于yolo网络对所述训练数据进行特征提取，以得到三种不同尺度的特征图；
[0106]
预测值生成单元103，用于对三种不同尺度的特征图分别使用对应的检测器进行检测以生成对应的预测值；
[0107]
识别精确度调整单元104，用于结合每张训练图片中的船只类型，采用动态标签平滑算法调整识别所述预测值是否正确的识别精确度；
[0108]
比较单元105，用于根据调整后的识别精确度，将所述预测值与对应的真实量进行比较，得到对应的比较结果；
[0109]
模型生成单元106，用于根据所述比较结果，生成对应的船只检测模型；
[0110]
测试数据获取单元107，用于获取船只的测试数据；
[0111]
船只检测单元108，用于根据所述船只检测模型对所述测试数据进行测试，输出对应的船只检测结果。
[0112]
此外，还提供一种设备终端，设备终端包括处理器和存储器，存储器用于存储计算机程序，处理器运行计算机程序以使设备终端执行上述船只检测方法。
[0113]
此外，还提供一种可读存储介质，可读存储介质存储有计算机程序，计算机程序在被处理器执行时执行上述船只检测方法。
[0114]
上述船只检测装置100中各个单元的划分仅用于举例说明，在其他实施例中，可将船只检测装置100按照需要划分为不同的单元，以完成上述船只检测装置100的全部或部分功能。关于船只检测装置100的具体限定可以参见上文中对于船只检测方法的限定，在此不再赘述。
[0115]
即，以上所述仅为本技术的实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，例如各实施例之间技术特征的相互结合，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。
[0116]
另外，对于特性相同或相似的结构元件，本技术可采用相同或者不相同的标号进行标识。此外，术语“第一”、“第二”仅用于描述目的，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。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0117]
在本技术中，“例如”一词是用来表示“用作例子、例证或说明”。本技术中被描述为“例如”的任何一个实施例不一定被解释为比其它实施例更加优选或更加具优势。为了使本领域任何技术人员能够实现和使用本技术，本技术给出了以上描述。在以上描述中，为了解释的目的而列出了各个细节。
[0118]
应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本技术。在其它实施例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本技术的描述变得晦涩。因此，本技术并非旨在限于所示的实施例，而是与符
合本技术所公开的原理和特征的最广范围相一致。