缺陷识别方法、装置、电子装置及可读存储介质与流程

1.本技术涉及产品检测领域，尤其涉及一种缺陷识别方法、装置、电子装置及可读存储介质。


背景技术：

2.轮毂是汽车部件中非常重要的一部分，但轮毂在生产过程中受到加工工艺的限制，不可避免的会出现各种缺陷，将这些缺陷在生产过程中及时检测出来是必要的。目前主要采用深度学习的方式对缺陷进行识别，但深度学习的效果非常依赖于用于训练神经网络的数据集，如果数据集中各个缺陷的样本不均则容易导致最终训练出的神经网络可能对样本较多的缺陷的识别效果较好，对样本较少的缺陷的识别效果较差，从而影响整体识别结果。


技术实现要素：

3.本技术提供了一种缺陷识别方法、装置、电子装置及可读存储介质，旨在解决现有技术中数据集中各个缺陷的样本不均影响整体识别结果的技术问题。
4.为了解决上述技术问题或者至少部分地解决上述技术问题，本技术提供了一种缺陷识别方法，所述方法包括步骤：获取训练样本库，基于所述训练样本库确定小样本缺陷类型；生成与所述小样本缺陷类型对应的伪样本数据，并将所述伪样本数据添加到所述训练样本库中以对所述训练样本库进行更新，以使所述小样本缺陷类型的样本数量满足预设样本要求；基于更新后的所述训练样本库对初始缺陷识别模型进行训练得到训练完成的缺陷识别模型；通过所述训练完成的缺陷识别模型进行缺陷识别操作。
5.可选地，所述基于所述训练样本库确定小样本缺陷类型的步骤包括：获取所述训练样本库的样本总量，以及所述训练样本库中各缺陷类型对应的样本数量；计算各所述样本数量在所述样本总量中对应的样本比例；基于各所述样本比例确定各所述缺陷类型是否为小样本缺陷类型。
6.可选地，所述基于所述样本比例确定各所述缺陷类型是否为小样本缺陷类型的步骤包括：基于所述样本总量以及所述缺陷类型的数量确定比例阈值；分别判断各所述样本比例是否小于所述比例阈值；确定样本比例小于所述比例阈值的缺陷类型为所述小样本缺陷类型。
7.可选地，所述将所述伪样本数据添加到所述训练样本库中以对所述训练样本库进行更新，以使所述小样本缺陷类型的样本数量满足预设样本要求的步骤包括：
获取所述训练样本库的样本总量，以及所述缺陷类型的类型数量；基于所述样本总量以及所述类型数量计算比例阈值；将所述伪样本数据添加到所述训练样本库中以对所述训练样本库进行更新，以使所述小样本缺陷类型的样本数量与所述样本总量的样本比例大于或等于所述比例阈值。
8.可选地，所述生成与所述小样本缺陷类型对应的伪样本数据的步骤包括：获取与所述小样本缺陷类型对应的训练完成的对抗生成网络模型；通过所述训练完成的对抗生成网络模型生成与所述小样本缺陷类型对应的伪样本数据。
9.可选地，所述获取与所述小样本缺陷类型对应的训练完成的对抗生成网络模型的步骤之前包括：获取与所述小样本缺陷类型对应的训练样本数据以及初始对抗生成网络模型；通过所述训练样本数据对所述初始对抗生成网络模型进行训练，得到训练完成的对抗生成网络模型。
10.可选地，所述通过所述训练完成的缺陷识别模型进行缺陷识别操作的步骤之后包括：若所述缺陷识别操作的识别结果不为小样本缺陷类型，则获取识别对象的实际缺陷类型；判断所述实际缺陷类型是否为小样本缺陷类型；若所述实际缺陷类型为小样本缺陷类型，则将所述识别对象作为所述小样本缺陷类型对应的训练样本数据添加到所述训练样本库中，以对所述训练样本库进行更新；基于更新后的所述训练样本库对所述训练完成的缺陷识别模型进行更新。
11.为实现上述目的，本发明还提供一种缺陷识别装置，所述缺陷识别装置包括：第一获取模块，用于获取训练样本库，基于所述训练样本库确定小样本缺陷类型；第一生成模块，用于生成与所述小样本缺陷类型对应的伪样本数据，并将所述伪样本数据添加到所述训练样本库中以对所述训练样本库进行更新，以使所述小样本缺陷类型的样本数量满足预设样本要求；第一训练模块，用于基于更新后的所述训练样本库对初始缺陷识别模型进行训练得到训练完成的缺陷识别模型；第一执行模块，用于通过所述训练完成的缺陷识别模型进行缺陷识别操作。
12.可选地，所述第一获取模块包括：第一获取单元，用于获取所述训练样本库的样本总量，以及所述训练样本库中各缺陷类型对应的样本数量；第一计算单元，用于计算各所述样本数量在所述样本总量中对应的样本比例；第一确定单元，用于基于各所述样本比例确定各所述缺陷类型是否为小样本缺陷类型。
13.可选地，所述第一确定单元包括：第一确定子单元，用于基于所述样本总量以及所述缺陷类型的数量确定比例阈值；第一判断子单元，用于分别判断各所述样本比例是否小于所述比例阈值；
第二确定子单元，用于确定样本比例小于所述比例阈值的缺陷类型为所述小样本缺陷类型。
14.可选地，所述第一生成模块包括：第二获取单元，用于获取所述训练样本库的样本总量，以及所述缺陷类型的类型数量；第二计算单元，用于基于所述样本总量以及所述类型数量计算比例阈值；第一更新单元，用于将所述伪样本数据添加到所述训练样本库中以对所述训练样本库进行更新，以使所述小样本缺陷类型的样本数量与所述样本总量的样本比例大于或等于所述比例阈值。
15.可选地，所述第一生成模块包括：第三获取单元，用于获取与所述小样本缺陷类型对应的训练完成的对抗生成网络模型；第一生成单元，用于通过所述训练完成的对抗生成网络模型生成与所述小样本缺陷类型对应的伪样本数据。
16.可选地，所述第一生成模块还包括：第四获取单元，用于获取与所述小样本缺陷类型对应的训练样本数据以及初始对抗生成网络模型；第一训练单元，用于通过所述训练样本数据对所述初始对抗生成网络模型进行训练，得到训练完成的对抗生成网络模型。
17.可选地，所述缺陷识别装置还包括：第二获取模块，用于若所述缺陷识别操作的识别结果不为小样本缺陷类型，则获取识别对象的实际缺陷类型；第一判断模块，用于判断所述实际缺陷类型是否为小样本缺陷类型；第一更新模块，用于若所述实际缺陷类型为小样本缺陷类型，则将所述识别对象作为所述小样本缺陷类型对应的训练样本数据添加到所述训练样本库中，以对所述训练样本库进行更新；第二更新模块，用于基于更新后的所述训练样本库对所述训练完成的缺陷识别模型进行更新。
18.为实现上述目的，本发明还提供一种电子装置，所述电子装置包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的缺陷识别方法的步骤。
19.为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的缺陷识别方法的步骤。
20.本发明提出的一种缺陷识别方法、装置、电子装置及可读存储介质，获取训练样本库，基于所述训练样本库确定小样本缺陷类型；生成与所述小样本缺陷类型对应的伪样本数据，并将所述伪样本数据添加到所述训练样本库中以对所述训练样本库进行更新，以使所述小样本缺陷类型的样本数量满足预设样本要求；基于更新后的所述训练样本库对初始缺陷识别模型进行训练得到训练完成的缺陷识别模型；通过所述训练完成的缺陷识别模型
进行缺陷识别操作。通过确定样本数量较少的小样本缺陷类型，并生成对应的伪样本数据来增加小样本缺陷类型的样本数量，从而保证各缺陷类型的样本充足，进而基于充足的样本训练缺陷识别模型，提高缺陷识别模型的识别效果。
附图说明
21.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
22.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
23.图1为本发明缺陷识别方法第一实施例的流程示意图；图2为本发明缺陷识别方法第二实施例步骤s10的细化流程图；图3为本发明电子装置的模块结构示意图。
具体实施方式
24.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
25.本发明提供一种缺陷识别方法，参照图1，图1为本发明缺陷识别方法第一实施例的流程示意图，所述方法包括步骤：步骤s10，获取训练样本库，基于所述训练样本库确定小样本缺陷类型；训练样本库中存储有用于对缺陷识别模型进行训练的训练样本数据；每个训练样本数据均与至少一个缺陷类型进行关联，具体的关联方式包括但不限于设置关联标识，或将同一缺陷类型对应的训练样本数据存储至同一位置，可以根据实际应用场景以及需要对关联方式进行选择，在此不进行限定。小样本缺陷类型是指训练样本数据较少的缺陷类型，具体地，可以是训练样本数据数量的绝对值较少，还可以是相对于其它缺陷类型的训练样本数据较少。可以理解的是，缺陷类型中的小样本缺陷类型的数量≥0。
26.步骤s20，生成与所述小样本缺陷类型对应的伪样本数据，并将所述伪样本数据添加到所述训练样本库中以对所述训练样本库进行更新，以使所述小样本缺陷类型的样本数量满足预设样本要求；伪样本数据是指生成的与某一缺陷类型的训练样本数据具有相同特点的样本数据；通过伪样本数据对小样本缺陷类型对应的训练样本数据进行扩充，以使所述小样本缺陷类型的样本数量满足预设样本要求；预设样本要求作为对缺陷类型是否为小样本缺陷类型的判断依据。
27.步骤s30，基于更新后的所述训练样本库对初始缺陷识别模型进行训练得到训练完成的缺陷识别模型；具体的缺陷识别模型的类型可以根据实际应用场景以及需要进行选择，在此不进
行限定。具体训练方式、训练完成条件、损失函数等设置也可以基于实际应用场景以及需要进行设置，在此不进行限定。
28.步骤s40，通过所述训练完成的缺陷识别模型进行缺陷识别操作。
29.在得到训练完成的缺陷识别模型之后，即可通过训练完成的缺陷识别模型进行缺陷识别操作。
30.本实施例通过所述训练完成的缺陷识别模型进行缺陷识别操作。通过确定样本数量较少的小样本缺陷类型，并生成对应的伪样本数据来增加小样本缺陷类型的样本数量，从而保证各缺陷类型的样本充足，进而基于充足的样本训练缺陷识别模型，提高缺陷识别模型的识别效果。
31.进一步地，参见图2，在基于本发明的第一实施例所提出的本发明缺陷识别方法第二实施例中，所述步骤s10包括步骤：步骤s11，获取所述训练样本库的样本总量，以及所述训练样本库中各缺陷类型对应的样本数量；步骤s12，计算各所述样本数量在所述样本总量中对应的样本比例；步骤s13，基于各所述样本比例确定各所述缺陷类型是否为小样本缺陷类型。
32.样本总量为训练样本库中所有样本的数量；样本数量是指某一缺陷类型包含的所有样本的数量；每个缺陷类型均对应一个样本数量。将缺陷类型对应的样本数量除以样本总量得到该缺陷类型对应的样本比例。在分别得到各缺陷类型对应的样本比例之后，通过比较各样本比例来确定小样本缺陷类型。
33.所述步骤s13包括步骤：步骤s131，基于所述样本总量以及所述缺陷类型的数量确定比例阈值；步骤s132，分别判断各所述样本比例是否小于所述比例阈值；步骤s133，确定样本比例小于所述比例阈值的缺陷类型为所述小样本缺陷类型。
34.比例阈值可以根据实际的缺陷类型的类型数量确定，具体地，将缺陷类型的类型数量的倒数作为比例阈值，如缺陷类型的类型数量为5，则比例阈值为20%，考虑到在实际应用过程中，不同缺陷类型包含的训练样本数据的数量不需要完全相同，可以设置一定的宽容量，如3%，即将计算得到的比例阈值更新为20%-3%=17%；当样本比例小于17%时，则认为对应缺陷类型为小样本缺陷类型。
35.在其它的实施例中，还可以设置数量阈值，当一缺陷类型中的训练样本数据的数量小于数量阈值时，则认为该缺陷类型为小样本缺陷类型。数量阈值可根据实际应用场景以及经验进行设置，在此不进行赘述。
36.本实施例能够合理地确定小样本缺陷类型。
37.进一步地，在基于本发明的第一实施例所提出的本发明缺陷识别方法第三实施例中，所述步骤s20包括步骤：步骤s21，获取所述训练样本库的样本总量，以及所述缺陷类型的类型数量；步骤s22，基于所述样本总量以及所述类型数量计算比例阈值；步骤s23，将所述伪样本数据添加到所述训练样本库中以对所述训练样本库进行更新，以使所述小样本缺陷类型的样本数量与所述样本总量的样本比例大于或等于所述比例阈值。
38.比例阈值的计算方法可类比上述实施例，在此不进行赘述。通过生成伪样本数据来对小样本缺陷类型的训练样本数据进行扩充，以使小样本缺陷类型中的训练样本数据充足，具体地，当小样本缺陷类型的样本数量与所述样本总量的样本比例大于或等于所述比例阈值认为该缺陷类型中的训练样本数据充足。
39.在其它的实施例中，还可以设置数量阈值，将所述伪样本数据添加到所述训练样本库中以对所述训练样本库进行更新，以使所述小样本缺陷类型的样本数量与所述样本总量的样本比例大于或等于所述数量阈值。
40.本实施例能够保证更新后的训练样本库中，各缺陷类型的对应的训练样本数据充足。
41.进一步地，在基于本发明的第一实施例所提出的本发明缺陷识别方法第四实施例中，所述步骤s20包括步骤：步骤s24，获取与所述小样本缺陷类型对应的训练完成的对抗生成网络模型；步骤s25，通过所述训练完成的对抗生成网络模型生成与所述小样本缺陷类型对应的伪样本数据。
42.对抗生成网络是一种深度学习模型；本实施例中的对抗生成网络用于根据无缺陷的轮毂图像生成有缺陷的轮毂图像。
43.在所述步骤s24之前包括步骤：步骤s26，获取与所述小样本缺陷类型对应的训练样本数据以及初始对抗生成网络模型；步骤s27，通过所述训练样本数据对所述初始对抗生成网络模型进行训练，得到训练完成的对抗生成网络模型。
44.对抗生成网络包括生成器和判别器，本实施例中，生成器用于根据无缺陷的图像生成包含小样本缺陷类型的缺陷图像，判别器用于对缺陷图像以及小样本缺陷类型对应的训练样本数据进行比较以进行偏差修正；对抗生成网络模型的训练过程即不断地进行生成与偏差修正，当满足训练完成条件时，得到训练完成的对抗生成网络模型。需要说明的是，具体的训练设置可以根据实际应用场景以及需要进行选择，在此不进行赘述。
45.进一步地，在基于本发明的第一实施例所提出的本发明缺陷识别方法第五实施例中，在所述步骤s40之后包括步骤：步骤s50，若所述缺陷识别操作的识别结果不为小样本缺陷类型，则获取识别对象的实际缺陷类型；步骤s60，判断所述实际缺陷类型是否为小样本缺陷类型；步骤s70，若所述实际缺陷类型为小样本缺陷类型，则将所述识别对象作为所述小样本缺陷类型对应的训练样本数据添加到所述训练样本库中，以对所述训练样本库进行更新；步骤s80，基于更新后的所述训练样本库对所述训练完成的缺陷识别模型进行更新。
46.当缺陷识别操作的识别结果不为小样本缺陷类型而实际的识别对象的缺陷类型为小样本缺陷类型时，说明识别错误，此时，认为缺陷识别模型仍然缺乏足够的该缺陷类型的训练样本数据，此时，将当前的识别对象作为该缺陷类型的训练样本数据以作补充，进而
基于补充的训练样本数据对缺陷识别模型训练，以提高缺陷识别模型的识别准确率。
47.本实施例能够在实际应用过程中不断地提高缺陷识别模型的识别准确率。
48.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。
49.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献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（如rom/ram、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本技术各个实施例所述的方法。
50.本技术还提供一种用于实施上述缺陷识别方法的缺陷识别装置，缺陷识别装置包括：第一获取模块，用于获取训练样本库，基于所述训练样本库确定小样本缺陷类型；第一生成模块，用于生成与所述小样本缺陷类型对应的伪样本数据，并将所述伪样本数据添加到所述训练样本库中以对所述训练样本库进行更新，以使所述小样本缺陷类型的样本数量满足预设样本要求；第一训练模块，用于基于更新后的所述训练样本库对初始缺陷识别模型进行训练得到训练完成的缺陷识别模型；第一执行模块，用于通过所述训练完成的缺陷识别模型进行缺陷识别操作。
51.本缺陷识别装置通过所述训练完成的缺陷识别模型进行缺陷识别操作。通过确定样本数量较少的小样本缺陷类型，并生成对应的伪样本数据来增加小样本缺陷类型的样本数量，从而保证各缺陷类型的样本充足，进而基于充足的样本训练缺陷识别模型，提高缺陷识别模型的识别效果。
52.需要说明的是，该实施例中的第一获取模块可以用于执行本技术实施例中的步骤s10，该实施例中的第一生成模块可以用于执行本技术实施例中的步骤s20，该实施例中的第一训练模块可以用于执行本技术实施例中的步骤s30，该实施例中的第一执行模块可以用于执行本技术实施例中的步骤s40。
53.进一步地，所述第一获取模块包括：第一获取单元，用于获取所述训练样本库的样本总量，以及所述训练样本库中各缺陷类型对应的样本数量；第一计算单元，用于计算各所述样本数量在所述样本总量中对应的样本比例；第一确定单元，用于基于各所述样本比例确定各所述缺陷类型是否为小样本缺陷类型。
54.进一步地，所述第一确定单元包括：第一确定子单元，用于基于所述样本总量以及所述缺陷类型的数量确定比例阈值；
第一判断子单元，用于分别判断各所述样本比例是否小于所述比例阈值；第二确定子单元，用于确定样本比例小于所述比例阈值的缺陷类型为所述小样本缺陷类型。
55.进一步地，所述第一生成模块包括：第二获取单元，用于获取所述训练样本库的样本总量，以及所述缺陷类型的类型数量；第二计算单元，用于基于所述样本总量以及所述类型数量计算比例阈值；第一更新单元，用于将所述伪样本数据添加到所述训练样本库中以对所述训练样本库进行更新，以使所述小样本缺陷类型的样本数量与所述样本总量的样本比例大于或等于所述比例阈值。
56.进一步地，所述第一生成模块包括：第三获取单元，用于获取与所述小样本缺陷类型对应的训练完成的对抗生成网络模型；第一生成单元，用于通过所述训练完成的对抗生成网络模型生成与所述小样本缺陷类型对应的伪样本数据。
57.进一步地，所述第一生成模块还包括：第四获取单元，用于获取与所述小样本缺陷类型对应的训练样本数据以及初始对抗生成网络模型；第一训练单元，用于通过所述训练样本数据对所述初始对抗生成网络模型进行训练，得到训练完成的对抗生成网络模型。
58.进一步地，所述缺陷识别装置还包括：第二获取模块，用于若所述缺陷识别操作的识别结果不为小样本缺陷类型，则获取识别对象的实际缺陷类型；第一判断模块，用于判断所述实际缺陷类型是否为小样本缺陷类型；第一更新模块，用于若所述实际缺陷类型为小样本缺陷类型，则将所述识别对象作为所述小样本缺陷类型对应的训练样本数据添加到所述训练样本库中，以对所述训练样本库进行更新；第二更新模块，用于基于更新后的所述训练样本库对所述训练完成的缺陷识别模型进行更新。
59.此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。
60.参照图3，在硬件结构上所述电子装置可以包括通信模块10、存储器20以及处理器30等部件。在所述电子装置中，所述处理器30分别与所述存储器20以及所述通信模块10连接，所述存储器20上存储有计算机程序，所述计算机程序同时被处理器30执行，所述计算机程序执行时实现上述方法实施例的步骤。
61.通信模块10，可通过网络与外部通讯设备连接。通信模块10可以接收外部通讯设备发出的请求，还可以发送请求、指令及信息至所述外部通讯设备，所述外部通讯设备可以是其它电子装置、服务器或者物联网设备，例如电视等等。
62.存储器20，可用于存储软件程序以及各种数据。存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如基于所述训练样本库确定小样本缺陷类型）等；存储数据区可包括数据库，存储数据区可存储根据系统的使用所创建的数据或信息等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
63.处理器30，是电子装置的控制中心，利用各种接口和线路连接整个电子装置的各个部分，通过运行或执行存储在存储器20内的软件程序和/或模块，以及调用存储在存储器20内的数据，执行电子装置的各种功能和处理数据，从而对电子装置进行整体监控。处理器30可包括一个或多个处理单元；可选地，处理器30可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器30中。
64.尽管图3未示出，但上述电子装置还可以包括电路控制模块，所述电路控制模块用于与电源连接，保证其他部件的正常工作。本领域技术人员可以理解，图3中示出的电子装置结构并不构成对电子装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
65.本发明还提出一种计算机可读存储介质，其上存储有计算机程序。所述计算机可读存储介质可以是图3的电子装置中的存储器20，也可以是如rom（read-only memory，只读存储器）/ram（random access memory，随机存取存储器）、磁碟、光盘中的至少一种，所述计算机可读存储介质包括若干指令用以使得一台具有处理器的终端设备(可以是电视，汽车，手机，计算机，服务器，终端，或者网络设备等)执行本发明各个实施例所述的方法。
66.在本发明中，术语“第一”“第二”“第三”“第四”“第五”仅用于描述的目的，而不能理解为指示或暗示相对重要性，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
67.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“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。此外，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。
68.尽管上面已经示出和描述了本发明的实施例，本发明保护的范围并不局限于此，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改和替换，这些变化、修改和替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。