输电线路缺陷检测方法、模型剪枝方法、设备和介质与流程

1.本发明涉及输电线路技术领域，尤其是涉及一种输电线路缺陷检测方法、模型剪枝方法、设备和介质。


背景技术：

2.现有技术中已将深度学习模型应用到输电线路的缺陷智能识别上，而其中模型预测结果的准确性和实时性是两个重要指标。一方面，若为了确保准确可靠的检测结果，那么模型的深度和参数量将会设计的非常庞大，而这不可避免地意味着更高的计算量和资源消耗，也就是说实时性会较差。另一方面，若为了确保模型能在各种情况下都可以及时响应，就会对神经网络框架的实时性提出很高要求，但这就会损失一定的准确性，导致准确性会难以满足要求。可见，现有技术中很难使得一个模型的预测结果同时具备较高的准确性和实时性。


技术实现要素：

3.基于此，有必要提供输电线路缺陷检测方法、模型剪枝方法、设备和介质，以解决难以同时具备较高的准确性和实时性的问题。
4.一种缺陷检测模型的剪枝方法，所述方法包括：
5.获取已收敛的初始缺陷检测模型和预设的第一损失函数；其中，所述第一损失函数指示初始缺陷检测模型输出的特征图与通道剪枝模型输出的特征图之间的损失，所述通道剪枝模型为所述初始缺陷检测模型经过通道剪枝后得到的模型；
6.将多张第一训练图像输入所述初始缺陷检测模型，并基于影响因子对所述第一损失函数进行稀疏正则化，以计算得到所述初始缺陷检测模内多个通道的目标影响因子；其中，影响因子用于指示缺陷检测模型内对应通道的重要程度；
7.基于多个通道的目标影响因子在所述初始缺陷检测模型中筛选出待裁剪的通道，对所述初始缺陷检测模型中待裁剪的通道进行裁剪，以得到通道剪枝模型；
8.获取预设的第二损失函数，将多张第二训练图像输入所述通道剪枝模型，并迭代地对所述通道剪枝模型内的每一层进行层剪枝，以使得所述第二损失函数的损失值减小，当所述第二损失函数收敛时，获取层剪枝后的目标缺陷检测模型。
9.在其中一个实施例中，所述将多张第一训练图像输入所述初始缺陷检测模型，并基于影响因子对所述第一损失函数进行稀疏正则化，以计算得到所述初始缺陷检测模内多个通道的目标影响因子，包括：
10.将多张第一训练图像输入所述初始缺陷检测模型；
11.获取惩罚函数，固定所述惩罚函数内多个通道的参数，并通过最小二乘法对所述惩罚函数中多个通道的影响因子进行迭代求解，直至所述惩罚函数收敛，获取收敛时的影响因子作为目标影响因子；其中，所述惩罚函数包含所述第一损失函数和稀疏惩罚项，所述稀释惩罚项由多个通道的影响因子构成。
12.在其中一个实施例中，所述基于多个通道的目标影响因子在所述初始缺陷检测模型中筛选出待裁剪的通道，对所述初始缺陷检测模型中待裁剪的通道进行裁剪，以得到通道剪枝模型，包括：
13.基于数值大小对多个通道的目标影响因子进行排序，并基于预设的裁剪比例和排序后的目标影响因子确定裁剪阈值；
14.从多个通道的目标影响因子中筛选出小于裁剪阈值的作为待裁剪影响因子，并将待裁剪影响因子对应的通道作为待裁剪的通道裁剪掉，以得到通道剪枝模型。
15.在其中一个实施例中，所述初始缺陷检测模型内包含依次连接的第一卷积层、注意力机制模块和第二卷积层，所述将多张第一训练图像输入所述初始缺陷检测模型之后，包括：
16.获取所述第一卷积层输出的第一特征图并输入所述注意力机制模块；其中，其中，所述第一特征图为对第一训练图像经特征提取后得到的图像；
17.在所述注意力机制模块内，确定所述第一特征图内各个特征值的重要程度，并基于重要程度在第一特征图内进行倾向性标注，以生成第二特征图；
18.获取所述注意力机制模块输出的第二特征图并输入所述第二卷积层。
19.在其中一个实施例中，所述迭代地对所述通道剪枝模型内的每一层进行层剪枝，包括：
20.获取当前所述通道剪枝模型内第i层的目标稀疏度和总参数数量，根据所述目标稀疏度和所述总参数数量计算在第i层的参数裁剪数量；其中，所述通道剪枝模型包含n层，i∈n；
21.基于参数的绝对值大小对第i层内的所有参数进行排序，根据所述参数裁剪数量从排序后的参数中筛选出待裁剪参数；其中，所有待裁剪参数的绝对值均小于非待裁剪参数的绝对值；
22.基于待裁剪参数设置第i层对应的二值矩阵；其中，所述二值矩阵与第i层的尺寸相同，且所述二值矩阵内在待裁剪处的值为0，在非待裁剪处的值为1，所述待裁剪处为待裁剪参数在第i层的位置；
23.将第i层与对应的二值矩阵进行对应相乘，以使得对第i层内的参数进行层剪枝，当层剪枝后第i层的稀疏度变化值小于预设的稀疏度变化上限值时，返回所述获取当前所述通道剪枝模型内第i层的目标稀疏度和总参数数量的步骤及后续步骤，直至层剪枝后第i层的稀疏度变化值等于预设的稀疏度变化上限值。
24.在其中一个实施例中，所述方法，还包括：
25.获取预设的稀疏度变化函数及迭代次数；其中，所述稀疏度变化函数用于指示不同迭代次数下对应的稀疏度变化值；
26.将当前的迭代次数代入所述稀疏度变化函数，以得到目标稀疏度变化值；其中，当前的迭代次数为当前进行层剪枝的次数；
27.根据所述通道剪枝模型内第i层的初始稀疏度和所述目标稀疏度变化值计算所述目标稀疏度。
28.在其中一个实施例中，所述方法，还包括：
29.在层剪枝后，若第i层内存在被剪枝参数的绝对值大于预设阈值时，对二值矩阵进
行重置，以得到重置二值矩阵；其中，在所述重置二值矩阵内，大于预设阈值的被剪枝参数所对应的值由0重置为1；
30.将第i层与对应的重置二值矩阵进行对应相乘，以修复第i层内的参数。
31.一种输电线路缺陷检测方法，所述方法，包括：
32.获取待检测的输电线路图像及目标缺陷检测模型；其中，所述目标缺陷检测模型通过上述缺陷检测模型的剪枝方法训练得到；
33.将所述输电线路图像输入所述目标缺陷检测模型，获取所述目标缺陷检测模型输出的输电线路缺陷。
34.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述缺陷检测模型的剪枝方法及输电线路缺陷检测方法的步骤。
35.一种输电线路缺陷检测设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述缺陷检测模型的剪枝方法及输电线路缺陷检测方法的步骤。
36.本发明提供了输电线路缺陷检测方法、模型剪枝方法、设备和介质，首先获取已收敛的初始缺陷检测模型，该初始缺陷检测模型已具备较强的识别准确性。接着进行模型的通道剪枝，包括迭代的基于影响因子对预设的第一损失函数进行稀疏正则化，以计算得到初始缺陷检测模内多个通道的目标影响因子，及基于多个通道的目标影响因子在初始缺陷检测模型中筛选出待裁剪的通道，并进行裁剪，以得到通道剪枝模型；以及进行层剪枝，包括将多张第二训练图像输入通道剪枝模型，并迭代地对通道剪枝模型内的每一层进行层剪枝，以使得第二损失函数的损失值减小，当第二损失函数收敛时，获取层剪枝后的目标缺陷检测模型。该目标缺陷检测模型经过通道剪枝以及层剪枝，能保证在高准确性的前提下，降低模型对计算平台的算力、内存带宽、功耗等方面的要求，也即提高了模型的整体效能，实现了准确性和实时性的兼顾。
附图说明
37.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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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。
38.其中：
39.图1为一个实施例中缺陷检测模型的剪枝方法的流程示意图；
40.图2为一个实施例中通道剪枝的示意图；
41.图3为一个实施例中注意力机制模块的示意图；
42.图4为一个实施例中层剪枝的流程示意图；
43.图5为一个实施例中稀疏度变化的示意图；
44.图6为一个实施例中输电线路缺陷检测方法的流程示意图；
45.图7为一个实施例中输电线路缺陷检测设备的结构框图。
具体实施方式
46.下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
47.如图1所示，图1为一个实施例中缺陷检测模型的剪枝方法的流程示意图，本实施例中缺陷检测模型的剪枝方法提供的步骤包括：
48.s101，获取已收敛的初始缺陷检测模型和预设的第一损失函数。
49.该初始缺陷检测模型为预先训练并已经收敛的模型，在输电线路的缺陷检测场景下，该初始缺陷检测模可以是yolo3网络模型、siamese网络模型或shufflenet网络模型等检测模型，在此不做具体限定。而为了确保准确可靠的检测结果，该初始缺陷检测模型的深度和参数量将会设计的非常庞大，那么这不可避免地意味着更高的计算量和资源消耗，也就是说实时性会较差。
50.这里的第一损失函数指示初始缺陷检测模型输出的特征图与通道剪枝模型输出的特征图之间的损失，而该通道剪枝模型为初始缺陷检测模型经过通道剪枝后得到的模型。s101-s103旨在使得该第一损失函数的损失值最小的同时，得到通道剪枝模型。
51.参照图2，图2为通道剪枝的示意图。其中，图2中的a、b、c为特征图，conv1和conv2为依次连接的卷积层。通道剪枝的目标为，在减少特征图b内通道数的同时，保持特征图c的输出基本不变。为实现该目标，通道剪枝需移除conv2中的相应通道，以及conv1中生成这些通道的卷积核。
52.本实施例是将从特征图b中采样得到的输入体x(n
×c×
kh×kw
)应用到卷积核h(n
×c×
kh×kw
)。这里n指示输入体的样本数量，n为conv2内卷积核的数量，c指示特征图b和conv2的通道数量，kh，kw则是conv2中一个卷积核的大小。为了将输入通道从c修剪到c'(修剪后的通道数量)，同时最小化剪枝带来的损失，这里将第一损失函数定义为：
[0053][0054]
上式中，y指示初始缺陷检测模型输出的特征图，xi是从输入体x的第i个通道切去的矩阵n
×
khkw，wi是从conv2的第i个通道切去的n
×
khkw的权重，βi是第i个通道的影响因子，用于指示缺陷检测模型内对应通道的重要程度。
[0055]
s102，将多张第一训练图像输入初始缺陷检测模型，并基于影响因子对第一损失函数进行稀疏正则化，以计算得到初始缺陷检测模内多个通道的目标影响因子。
[0056]
为了使得上述第一损失函数最小，本实施例中分两个步骤来优化问题，首先固定w值，求解β来进行通道选择，也就是s102；然后固定β值，求解w来重构误差，也就是s103。
[0057]
在一个具体实施例中，该目标影响因子的计算方式为：
[0058]
(1)、将多张第一训练图像输入初始缺陷检测模型。
[0059]
(2)、获取惩罚函数，固定惩罚函数内多个通道的参数，并通过最小二乘法对惩罚函数中多个通道的影响因子进行迭代求解，直至惩罚函数收敛，获取收敛时的影响因子作为目标影响因子。
[0060]
其中，该惩罚函数的表达式如下：
[0061][0062]
subjectto||β||0≤c
′
[0063]
上式中，zi为固定后的参数，λ||β||1为稀疏惩罚项，β指示多个通道的影响因子，λ为设定的稀疏惩罚项的权重。在将多张第一训练图像输入初始缺陷检测模型后，初始令λ＝0，此时没有惩罚，||β||0＝c。接着逐渐增加λ，通过最小二乘法对上述惩罚函数进行迭代求解，直至惩罚函数收敛，且满足subjectto||β||0≤c
′
。最后将收敛时的影响因子作为目标影响因子。
[0064]
s103，基于多个通道的目标影响因子在初始缺陷检测模型中筛选出待裁剪的通道，对初始缺陷检测模型中待裁剪的通道进行裁剪，以得到通道剪枝模型。
[0065]
在一个具体实施例中，通过如下步骤进行重构：
[0066]
(1)、基于数值大小对多个通道的目标影响因子进行排序，并基于预设的裁剪比例和排序后的目标影响因子确定裁剪阈值；
[0067]
(2)、从多个通道的目标影响因子中筛选出小于裁剪阈值的作为待裁剪影响因子，并将待裁剪影响因子对应的通道作为待裁剪的通道裁剪掉，以得到通道剪枝模型。
[0068]
然而由于上述方式并没有能够完全反映不同卷积核之间重要程度的差异，因此本发明引入额外的监督信息，即注意力机制来进行区分。本技术的初始缺陷检测模型内包含依次连接的第一卷积层、注意力机制模块和第二卷积层。参见图3，输入的特征图xc′×w′×h′
在经第一卷积层多次处理后输出为第一特征图uc×w×h，接着将该第一特征图uc×w×h输入注意力机制模块。在注意力机制模块内，将其进行压缩操作fsq()，即对w
×
h的维度进行聚集，产生1
×1×
c大小的特征描述通道；随后，对该特征描述通道进行激活操作，即对每个通道进行自选通fex(，w)处理，从而相应地产生权重值fscale，该权重值fscale指示第一特征图内各个特征值的重要程度。再基于重要程度在第一特征图内进行倾向性标注fscale，就能生成第二特征图
[0069]
可以理解的是，将注意力机制模块加入到网络的不同位置会产生不同的影响。如果是加入到浅层网络中，因为浅层网络主要表征了不同特征的细节信息，因此注意力机制会删除掉部分不重要的特征细节，却加强相关的特征细节。而深层网络由于其对于特征的提取更为纯粹，因此注意力机制模块对于特征的提取会显得更加突出。
[0070]
s104，获取预设的第二损失函数，将多张第二训练图像输入通道剪枝模型，并迭代地对通道剪枝模型内的每一层进行层剪枝，以使得第二损失函数的损失值减小，当第二损失函数收敛时，获取层剪枝后的目标缺陷检测模型。
[0071]
在阐述详细内容前，首先对s104中用到的相关符号进行简单介绍。对于一个已经被训练的深度卷积神经网络，使用wi(0≤i≤n)来表示模型中某一层的连接权重，将其所有卷积核中的学习参数展开成一个张量参与数据的前向过程，mi作为连接权重wi中的总参数数量。例如，对于一个全连接层，它有一个m维的向量输入和一个n维的向量输出，因此wi可以用m*n来表示。同时，对于一个将要被剪枝的层，我们通过添加一个只包含0-1的二值矩阵ci
来进行层剪枝，该二值矩阵与权重矩阵wi有相同的尺寸并且决定哪一个参数将要参与以后的前向传播过程。
[0072]
其中，该第二损失函数的公式表示如下：
[0073][0074][0075]
上式中的符号表示矩阵wi和二值矩阵ci进行元素的对应相乘，其中wi和ci是具有相同尺寸的向量展开式。函数zi表示一个分段函数，i表示矩阵wi中含有的元素的个数。本实施例的目标是不断的最小化损失函数j(wi,ci)。
[0076]
在一个具体实施例中，参见图4，通过如下方式进行层剪枝，包括：
[0077]
s1041，获取当前通道剪枝模型内第i层的目标稀疏度和总参数数量，根据目标稀疏度和总参数数量计算在第i层的参数裁剪数量。
[0078]
其中，这里的总参数数量就是上文中的mi，可直接获取得到，而目标稀疏度为current_spr，在第i层的参数裁剪数量为current_spr
×
mi。
[0079]
为了确定目标稀疏度current_spr，在这里提出一种稀疏度变化函数，并用这个稀疏度变化函数去指导整个模型稀疏度变化的过程，通过该方法，一个已经被训练过的模型可以逐步且稳定地被裁剪，最终达到预期的稀疏度且几乎没有预测精度的损失。该稀疏度变化函数表示为：
[0080][0081]
参加图5，其中x为迭代次数，对应横轴，f(x)为稀疏度变化值，对应纵轴，interval_pass参数表示对整个数据集迭代多少次后进行一次稀疏度的改变，sparsity_upper_bound参数表示卷积神经网络的某一层所能够达到的稀疏度变化上限值，end_pass参数表示对整个数据集迭代多少次。
[0082]
因此在一个具体实施例中，具体用过如下方式确定目标稀疏度：
[0083]
1、获取预设的稀疏度变化函数及迭代次数。
[0084]
2、将当前的迭代次数代入稀疏度变化函数，以得到目标稀疏度变化值。
[0085]
其中，当前的迭代次数为当前进行层剪枝的次数。也就是将迭代次数代入该函数中，求解目标稀疏度变化值。
[0086]
3、根据通道剪枝模型内第i层的初始稀疏度和目标稀疏度变化值计算目标稀疏度。也就是对这两个稀疏度求和。
[0087]
利用上述函数指导整个模型稀疏度变化的过程，能够解决在模型裁剪后期粒度难以控制的问题，并且不需要设置过多的超参数便能够对深度卷积网络模型进行有效的裁剪。
[0088]
s1042，基于参数的绝对值大小对第i层内的所有参数进行排序，根据参数裁剪数量从排序后的参数中筛选出待裁剪参数。
[0089]
其中，所有待裁剪参数的绝对值均小于非待裁剪参数的绝对值。也就是将绝对值较小的参数确认为待裁剪参数。
[0090]
s1043，基于待裁剪参数设置第i层对应的二值矩阵。
[0091]
其中，二值矩阵与第i层的尺寸相同，且二值矩阵内在待裁剪处的值为0，在非待裁
剪处的值为1，待裁剪处为待裁剪参数在第i层的位置。
[0092]
示例性的，第i层的尺寸为10*10，那么对应二值矩阵的尺寸也为10*10。该第i层内第1行第1列的参数为待裁剪参数，那么对应二值矩阵内第1行第1列的值为0；该第i层内第1行第2列的参数不为待裁剪参数，那么对应二值矩阵内第1行第2列的值为1。
[0093]
s1044，将第i层与对应的二值矩阵进行对应相乘，以使得对第i层内的参数进行层剪枝，当层剪枝后第i层的稀疏度变化值小于预设的稀疏度变化上限值时，返回获取当前通道剪枝模型内第i层的目标稀疏度和总参数数量的步骤及后续步骤，直至层剪枝后第i层的稀疏度变化值等于预设的稀疏度变化上限值。
[0094]
也就是由图5的稀疏度变化函数迭代的指导层剪枝进程的进行，直至满足终止条件。
[0095]
进一步的，裁剪意味着在某些连接没有价值时该连接会被中断，但如果一些重要的参数因为错误的裁剪而失去价值，那么应该重建这些神经元之间的连接，以恢复参数在网络中的表征能力。
[0096]
基于此，在一个具体实施例中，层剪枝每一次迭代的过程中还执行如下步骤：
[0097]
(1)、在层剪枝后，若第i层内存在被剪枝参数的绝对值大于预设阈值时，对二值矩阵进行重置，以得到重置二值矩阵。其中，在重置二值矩阵内，大于预阈值的被剪枝参数所对应的值由0重置为1。
[0098]
具体的来说，参数表示在模型第i层以，为坐标的参数的值，在某个参数的绝对值小于vi时，将对应的二值矩阵的相应位置设置为0，否则二值矩阵相应位置设置为1。通过二值矩阵实现对相应置0参数接下来的运算控制，使其不能参与网络的前向和反向传播。该过程表示为：
[0099][0100]
(2)、将第i层与对应的重置二值矩阵进行对应相乘，以修复第i层内的参数。
[0101]
上述方法首先获取已收敛的初始缺陷检测模型，该初始缺陷检测模型已具备较强的识别准确性。再经过通道剪枝以及层剪枝后得到目标缺陷检测模型，该目标缺陷检测模型能保证在高准确性的前提下，降低模型对计算平台的算力、内存带宽、功耗等方面的要求，也即提高了模型的整体效能，实现了准确性和实时性的兼顾。
[0102]
在一个实施例中，如图6所示，提出了一种输电线路缺陷检测方法，该方法包括：
[0103]
s601，获取待检测的输电线路图像及目标缺陷检测模型。
[0104]
其中，目标缺陷检测模型通过上述缺陷检测模型的剪枝方法训练得到。
[0105]
s602，将输电线路图像输入目标缺陷检测模型，获取目标缺陷检测模型输出的输电线路缺陷。
[0106]
该方法能保证在高准确性的前提下，降低模型对计算平台的算力、内存带宽、功耗等方面的要求，也即提高了模型的整体效能，实现了准确性和实时性的兼顾。
[0107]
图7示出了一个实施例中输电线路缺陷检测设备的内部结构图。如图7所示，该输
电线路缺陷检测设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该输电线路缺陷检测设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现上述缺陷检测模型的剪枝方法及输电线路缺陷检测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行上述缺陷检测模型的剪枝方法及输电线路缺陷检测方法。本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的输电线路缺陷检测设备的限定，具体的输电线路缺陷检测设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0108]
一种输电线路缺陷检测设备，包括存储器、处理器以及存储在该存储器中并可在该处理器上执行的计算机程序，该处理器执行该计算机程序时实现如下步骤：获取已收敛的初始缺陷检测模型和预设的第一损失函数；将多张第一训练图像输入初始缺陷检测模型，并基于影响因子对第一损失函数进行稀疏正则化，以计算得到初始缺陷检测模内多个通道的目标影响因子；基于多个通道的目标影响因子在初始缺陷检测模型中筛选出待裁剪的通道，对初始缺陷检测模型中待裁剪的通道进行裁剪，以得到通道剪枝模型；获取预设的第二损失函数，将多张第二训练图像输入通道剪枝模型，并迭代地对通道剪枝模型内的每一层进行层剪枝，以使得第二损失函数的损失值减小，当第二损失函数收敛时，获取层剪枝后的目标缺陷检测模型。
[0109]
以及执行如下步骤：获取待检测的输电线路图像及目标缺陷检测模型；将输电线路图像输入目标缺陷检测模型，获取目标缺陷检测模型输出的输电线路缺陷。
[0110]
一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现如下步骤：获取已收敛的初始缺陷检测模型和预设的第一损失函数；将多张第一训练图像输入初始缺陷检测模型，并基于影响因子对第一损失函数进行稀疏正则化，以计算得到初始缺陷检测模内多个通道的目标影响因子；基于多个通道的目标影响因子在初始缺陷检测模型中筛选出待裁剪的通道，对初始缺陷检测模型中待裁剪的通道进行裁剪，以得到通道剪枝模型；获取预设的第二损失函数，将多张第二训练图像输入通道剪枝模型，并迭代地对通道剪枝模型内的每一层进行层剪枝，以使得第二损失函数的损失值减小，当第二损失函数收敛时，获取层剪枝后的目标缺陷检测模型。
[0111]
以及执行如下步骤：获取待检测的输电线路图像及目标缺陷检测模型；将输电线路图像输入目标缺陷检测模型，获取目标缺陷检测模型输出的输电线路缺陷。
[0112]
需要说明的是，上述输电线路缺陷检测方法、模型剪枝方法、设备和介质属于一个总的发明构思，输电线路缺陷检测方法、模型剪枝方法、设备和介质实施例中的内容可相互适用。
[0113]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器
(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0114]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0115]
以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。