样本生成方法、装置、电子设备和存储介质与流程

1.本技术涉及数据处理技术领域，具体而言，涉及样本生成方法、装置、电子设备和存储介质。


背景技术：

2.在数据分析，机器学习领域，数据量的大小决定了构建模型的可用性。
3.目前业内ai实现场景下普遍存在数据不够，特别在进行深度学习训练时需要的数据量不够，通常通过合成或数据增强等方法来补充训练数据，在文档图像数据上，通常其合成数据与真实数据存在很大的差距，比如图像的清晰度、背景颜色多样、亮度、折叠、缺角、方框线、印章缺口效果等等。


技术实现要素：

4.有鉴于此，本技术实施例的目的在于提供样本生成方法、装置、电子设备和存储介质，能够生成任意量的样本数据，且样本数据和真实数据接近。
5.第一方面，本技术实施例提供了一种样本生成方法，包括：
6.获取图片样本；
7.将所述图片样本输入到文本检测模型，得到所述图片样本中的文字边框区域；
8.将所述文字边框区域和所述图片样本输入到文字轨迹区域预测模块，得到文字轨迹区域；
9.将所述文字轨迹区域输入到擦除模块进行擦除，得到新图像；
10.生成文字；
11.将所述文字填充于所述新图像上，得到新样本。
12.在上述实现过程中，与现有技术不同的是，本技术实施例是首先识别出文字边框区域，将文字边框区域输出到文字文集区域预测模块，因此，文字轨迹区域预测模块能够更加精准地获取出文字轨迹区域，减少了预测误差，再次基础上，将文字轨迹区域输入到擦除模块进行擦除，得到新图像，生成的新图像由于只是将文字轨迹区域进行擦除并修复，因此，得到的新图像更加自然，进一步地，文字填充于新图像上，得到新样本。
13.进一步地，所述文本检测模型包括特征提取模块、概率分布获取模块，阈值分布获取模块；
14.所述特征提取模块包括：第一卷积层、第二卷积层、第三卷积层、采样层、融合层，文字边框获取层；
15.所述第一卷积层、所述第二卷积层和所述第三卷积层用于从所述图片样本中提取出不同大小的特征图，得到多个不同大小的特征图；
16.所述采样层用于对所述多个不同大小的特征图进行上采样，得到多个相同大小的特征图；
17.所述文本检测模型还用于将所述多个相同大小的特征图进行融合，得到特征图；
18.所述概率分布获取模块用于根据预先设立的损失函数、所述特征图生成所述图片样本对应的概率分布图；
19.所述阈值分布获取模块用于根据预先设立的损失函数、所述特征图生成所述图片对应的阈值分布图；
20.所述文字边框获取层用于根据所述概率分布图和所述阈值分布图获取是所述文字边框。
21.在上述实现过程中，与现有技术不同的是，本技术实施例设置了多个卷积层，多个卷积层用于提取不同维度，不同尺度的特征，最终将多个尺度的特征进行合并之后得到最能代表图片的特征值基于特征值构建阈值分布图和概率分布图，能够提高获得的文字边框的准确性。
22.进一步地，所述文字轨迹区域预测模块包括：编码器和解码器；所述编码器包括：三个卷积层和四个残差模块。
23.进一步地，所述生成文字的步骤，包括：
24.获取文本字典；
25.确定影像场景；
26.根据所述文本字典、所述影像场景生成所述文字。
27.在上述实现过程中，样本中包括了大量的样本，不同的背景通常具有不同的文字格式，颜色，因此，首先获取文本字典，确定影响场景，根据文字、文本字典生成文字。基于上述实施方式，能够保证生成的新样本更具真实性，有利于后续的数据分析以及机器学习的训练。
28.进一步地，所述生成文字的步骤，包括：
29.获取所述图片样本中的所有文字样式；
30.所述将所述文字轨迹区域输入到擦除模块进行擦除，得到新图像的步骤，包括：
31.将所述图片样本进行复制，得到多组新图像；
32.生成不同的文字样式对应的多组文字；
33.所述将所述文字填充于所述新图像上，得到新样本的步骤，包括：
34.将所述多组文字分别和所述多组新图像进行融合，得到所述新样本。
35.在上述实现过程中，由于生成不同的文字文字样式对应的多组文字，将多组文字分别和多组新图像进行融合，得到新样本，样本的数量得到扩充。
36.进一步地，所述新样本具有多个，在所述将所述文字填充于所述新图像上，得到新样本的步骤之后，还包括：
37.在多个所述新样本中选取预设比例的样本，得到抽取样本；
38.将所述抽取样本的像素进行处理。
39.在上述实现过程中，由于上述实现方式中，都是基于同样的方式生成新样本，为了进一步提高新样本的随机性，在多个新样本中选取预设比例的样本，得到抽取样本，将多个抽取样本点的像素进行处理。这样，整个新生成的样本的随机性会有所提升，可以提高后续机器学习、数据分析中构建出的样本对不同的数据的适应性。
40.进一步地，所述将所述抽取样本的像素进行处理的步骤，包括：
41.在预先设定的高斯模糊半径中随机选取一个高斯半径；
42.根据随机选取的高斯半径对所述抽取样本进行高斯模糊，得到高斯模糊后的抽取样本；
43.对所述抽取样本进行锐化处理。
44.在上述实现过程中，提供了一种对像素进行处理方式，为了进一步提高样本的多样性同时保留样本的真实性，根据随机选取的高斯半径对所述抽取样本进行高斯模糊，得到高斯模糊后的抽取样本；对所述抽取样本进行锐化处理。
45.第二方面，本技术实施例提供了一种样本生成装置，包括：
46.获取模块，用于获取图片样本；
47.文字边框区域获取模块，将所述图片样本输入到文本检测模型，得到所述图片样本中的文字边框区域；
48.文字轨迹区域获取模块，将所述文字边框和所述图片样本输入到文字轨迹区域预测模块，得到文字笔画预测区域；
49.擦除模块，将所述文字笔画预测区域进行擦除，得到新图像；
50.生成模块，用于生成文字；
51.填充模块，将所述文字填充于所述新图像上，得到新样本。
52.在上述实现过程中，与现有技术不同的是，本技术实施例是首先识别出文字边框区域，将文字边框区域输出到文字文集区域预测模块，因此，文字轨迹区域预测模块能够更加精准地获取出文字轨迹区域，减少了预测误差，再次基础上，将文字轨迹区域输入到擦除模块进行擦除，得到新图像，生成的新图像由于只是将文字轨迹区域进行擦除并修复，因此，得到的新图像更加自然，进一步地，文字填充于新图像上，得到新样本。
53.第三方面，本技术实施例提供的一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。
54.第四方面，本技术实施例提供的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指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。
55.本技术公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本技术公开的上述技术即可得知。
56.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
57.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
58.图1为本技术实施例提供的样本生成方法的流程示意图；
59.图2为本技术实施例提供的样本生成装置的结构示意图；
60.图3为本技术实施例提供的电子设备的结构示意图。
具体实施方式
61.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描述。
62.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
63.在数据分析，机器学习领域，数据量的大小决定了构建模型的可用性。
64.目前业内ai实现场景下普遍存在数据不够，特别在进行深度学习训练时需要的数据量不够，通常通过合成或数据增强等方法来补充训练数据，在文档图像数据上，通常其合成数据与真实数据存在很大的差距，比如图像的清晰度、背景颜色多样、亮度、折叠、缺角、方框线、印章缺口效果等等。
65.实施例1
66.有鉴于此，本技术实施例提供一种样本生成方法，包括：
67.s1：获取图片样本；
68.s2：将所述图片样本输入到文本检测模型，得到所述图片样本中的文字边框区域；
69.s3：将所述文字边框区域和所述图片样本输入到文字轨迹区域预测模块，得到文字轨迹区域；
70.s4：将所述文字轨迹区域输入到擦除模块进行擦除，得到新图像；
71.s5：生成文字；
72.s6：将所述文字填充于所述新图像上，得到新样本。
73.在上述实现过程中，与现有技术不同的是，本技术实施例是首先识别出文字边框区域，将文字边框区域输出到文字文集区域预测模块，因此，文字轨迹区域预测模块能够更加精准地获取出文字轨迹区域，减少了预测误差，再次基础上，将文字轨迹区域输入到擦除模块进行擦除，得到新图像，生成的新图像由于只是将文字轨迹区域进行擦除并修复，因此，得到的新图像更加自然，进一步地，文字填充于新图像上，得到新样本。
74.在一种可能的实施方式中，所述文本检测模型包括特征提取模块、概率分布获取模块，阈值分布获取模块；
75.所述特征提取模块包括：第一卷积层、第二卷积层、第三卷积层、采样层、融合层，文字边框获取层；
76.所述第一卷积层、所述第二卷积层和所述第三卷积层用于从所述图片样本中提取出不同大小的特征图，得到多个不同大小的特征图；
77.所述采样层用于对所述多个不同大小的特征图进行上采样，得到多个相同大小的特征图；
78.所述文本检测模型还用于将所述多个相同大小的特征图进行融合，得到特征图；
79.所述概率分布获取模块用于根据预先设立的损失函数、所述特征图生成所述图片样本对应的概率分布图；
80.所述阈值分布获取模块用于根据预先设立的损失函数、所述特征图生成所述图片对应的阈值分布图；
81.所述文字边框获取层用于根据所述概率分布图和所述阈值分布图获取是所述文字边框。
82.示例性，将图片经过1/32，1/16，1/8以及1/4的特征融合成原图1/4大小的特征图作为fuse，然后对fuse输入融合层进行反卷积至原图大小，生成probability map(即segmentation map)和threshold map；其loss函数为l＝ls+α
×
lb+β
×
lt，其中，ls为概率图的loss，lb为二值图的loss，lt为阈值图的loss，ls与lb使用的是bceloss二值交叉熵求解，为平衡正负样本，采用了在线难例挖掘的策略，正负样本比例1:3，lt为l1loss，α和β取值分别为1.0和10，值分别为1.0和10，
83.y*表示阈值图的标签，lt是域值图的loss，rd是表示真实图像标签的多边形区域基础上向外扩张即膨胀一个预设距离形成的多边形.
84.在上述实现过程中，与现有技术不同的是，本技术实施例设置了多个卷积层，多个卷积层用于提取不同维度，不同尺度的特征，最终将多个尺度的特征进行合并之后得到最能代表图片的特征值基于特征值构建阈值分布图和概率分布图，能够提高获得的文字边框的准确性。
85.在一种可能的实施方式中，文本检测模型为dbnet。
86.在一种可能的实施方式中，所述文字轨迹区域预测模块包括：编码器和解码器；所述编码器包括：三个卷积层和四个残差模块。
87.具体地，将输入图像输入三个下采样卷积层和四个残差块编码，对来自残差块的特征图进行三个上采样转置卷积层解码，从而得到文本笔画掩摸，各层细节为：第一层：pconv(设置c:64；k:7；s:2)输出64
×
320；pconv
×
2(设置c:64；k:3；s:1)输出64
×
320；第二层：pconv c:128；k:5；s:2 32
×
160；pconv
×
2c:128；k:3；s:1 32
×
160第三层：pconv c:256；k:3；s:2 16
×
80，pconv
×
2c:256；k:3；s:1 16
×
80；第四层：gcblock c:512；ratio:4 16
×
80，conv c:256；k:3；s:1 16
×
80；第五层：upsample scale:2 32
×
160；pconv
×
2c:256；k:3；s:1 32
×
160；pconv c:128；k:3；s:1 32
×
160；第六层：upsample scale:2 64
×
320，pconv
×
2c:128；k:3；s:1 64
×
320，pconv c:64；k:3；s:1 64
×
320；第七层：upsample scale:2 128
×
640，pconv
×
2c:64；k:3；s:1 128
×
640；pconv c:3；k:3；s:1 128
×
640。其中conv表示卷积层，deconv表示转置卷积层，resblock表示残差连接块，c表示通道数，k表示kernel卷积核数，s表示步长；dice loss公式为：
[0088][0089]
其中n表示输入图像中的像素总数，而“^imask”和“imask”分别表示文本掩码的预测和真实groundtruth；
[0090]
λ0默认设置为1.0；lsmpm表示为当前模块的损失函数。
[0091]
进一步地，所述生成文字的步骤，包括：
[0092]
获取文本字典；
[0093]
确定影像场景；
[0094]
根据所述文本字典、所述影像场景生成所述文字。
[0095]
上述实施例中，文本字典是根据有业务数据生成的，影像场景包括推荐网页、订单
广告等。
[0096]
文本字典中根据影像场景将文本字典中的文字进行分类。根据所述文本字典、所述影像场景生成所述文字的步骤，包括：
[0097]
或许所述影像场景下对应的多个词语，语句，根据词语语句将想进行
[0098]
在上述实现过程中，样本中包括了大量的样本，不同的背景通常具有不同的文字格式，颜色，因此，首先获取文本字典，确定影响场景，根据文字、文本字典生成文字。基于上述实施方式，能够保证生成的新样本更具真实性，有利于后续的数据分析以及机器学习的训练。
[0099]
在一种可能的实施方式中，所述生成文字的步骤，包括：
[0100]
获取所述图片样本中的所有文字样式；
[0101]
所述将所述文字轨迹区域输入到擦除模块进行擦除，得到新图像的步骤，包括：
[0102]
将所述图片样本进行复制，得到多组新图像；
[0103]
生成不同的文字样式对应的多组文字；
[0104]
所述将所述文字填充于所述新图像上，得到新样本的步骤，包括：
[0105]
将所述多组文字分别和所述多组新图像进行融合，得到所述新样本。
[0106]
在上述实现过程中，由于生成不同的文字文字样式对应的多组文字，将多组文字分别和多组新图像进行融合，得到新样本，样本的数量得到扩充。
[0107]
在一种可能的实施方式中，所述新样本具有多个，在所述将所述文字填充于所述新图像上，得到新样本的步骤之后，还包括：
[0108]
在多个所述新样本中选取预设比例的样本，得到抽取样本；
[0109]
将所述抽取样本的像素进行处理。
[0110]
在上述实现过程中，由于上述实现方式中，都是基于同样的方式生成新样本，为了进一步提高新样本的随机性，在多个新样本中选取预设比例的样本，得到抽取样本，将多个抽取样本点的像素进行处理。这样，整个新生成的样本的随机性会有所提升，可以提高后续机器学习、数据分析中构建出的样本对不同的数据的适应性。
[0111]
在一种可能的实施方式中，所述将所述抽取样本的像素进行处理的步骤，包括：
[0112]
在预先设定的高斯模糊半径中随机选取一个高斯半径；
[0113]
根据随机选取的高斯半径对所述抽取样本进行高斯模糊，得到高斯模糊后的抽取样本；
[0114]
对所述抽取样本进行锐化处理。
[0115]
在上述实现过程中，提供了一种对像素进行处理方式，为了进一步提高样本的多样性同时保留样本的真实性，根据随机选取的高斯半径对所述抽取样本进行高斯模糊，得到高斯模糊后的抽取样本；对所述抽取样本进行锐化处理。
[0116]
实施例2
[0117]
参见图2，本技术实施例提供一种样本生成装置，包括：
[0118]
获取模块1，用于获取图片样本；
[0119]
文字边框区域获取模块2，将所述图片样本输入到文本检测模型，得到所述图片样本中的文字边框区域；
[0120]
文字轨迹区域获取模块3，将所述文字边框和所述图片样本输入到文字轨迹区域
预测模块，得到文字笔画预测区域；
[0121]
擦除模块4，将所述文字笔画预测区域进行擦除，得到新图像；
[0122]
生成模块5，用于生成文字；
[0123]
填充模块6，将所述文字填充于所述新图像上，得到新样本。
[0124]
在上述实现过程中，与现有技术不同的是，本技术实施例是首先识别出文字边框区域，将文字边框区域输出到文字文集区域预测模块，因此，文字轨迹区域预测模块能够更加精准地获取出文字轨迹区域，减少了预测误差，再次基础上，将文字轨迹区域输入到擦除模块进行擦除，得到新图像，生成的新图像由于只是将文字轨迹区域进行擦除并修复，因此，得到的新图像更加自然，进一步地，文字填充于新图像上，得到新样本。
[0125]
在一种可能的实施方式中，所述文本检测模型包括特征提取模块、概率分布获取模块，阈值分布获取模块；
[0126]
所述特征提取模块包括：第一卷积层、第二卷积层、第三卷积层、采样层、融合层，文字边框获取层；
[0127]
所述第一卷积层、所述第二卷积层和所述第三卷积层用于从所述图片样本中提取出不同大小的特征图，得到多个不同大小的特征图；
[0128]
所述采样层用于对所述多个不同大小的特征图进行上采样，得到多个相同大小的特征图；
[0129]
所述文本检测模型还用于将所述多个相同大小的特征图进行融合，得到特征图；
[0130]
所述概率分布获取模块用于根据预先设立的损失函数、所述特征图生成所述图片样本对应的概率分布图；
[0131]
所述阈值分布获取模块用于根据预先设立的损失函数、所述特征图生成所述图片对应的阈值分布图；
[0132]
所述文字边框获取层用于根据所述概率分布图和所述阈值分布图获取是所述文字边框。
[0133]
在一种可能的实施方式中，所述文字轨迹区域预测模块包括：编码器和解码器；所述编码器包括：三个卷积层和四个残差模块。
[0134]
在一种可能的实施方式中，生成模块还用于获取文本字典；
[0135]
确定影像场景；
[0136]
根据所述文本字典、所述影像场景生成所述文字。
[0137]
在一种可能的实施方式中，所述生成模块还用于获取所述图片样本中的所有文字样式；
[0138]
生成不同的文字样式对应的多组文字；
[0139]
所述擦除模块还用于将所述图片样本进行复制，得到多组新图像；
[0140]
所述生成模块还用于将所述多组文字分别和所述多组新图像进行融合，得到所述新样本。
[0141]
在一种可能的实施方式中，装置还包括：后置处理模块，用于在多个所述新样本中选取预设比例的样本，得到抽取样本；
[0142]
将所述抽取样本的像素进行处理。
[0143]
在一种可能的实施方式中，后置处理模块还用于在预先设定的高斯模糊半径中随
机选取一个高斯半径；
[0144]
根据随机选取的高斯半径对所述抽取样本进行高斯模糊，得到高斯模糊后的抽取样本；
[0145]
对所述抽取样本进行锐化处理。
[0146]
本技术还提供一种电子设备，请参见图3，图3为本技术实施例提供的一种电子设备的结构框图。电子设备可以包括处理器31、通信接口32、存储器33和至少一个通信总线34。其中，通信总线34用于实现这些组件直接的连接通信。其中，本技术实施例中电子设备的通信接口32用于与其他节点设备进行信令或数据的通信。处理器31可以是一种集成电路芯片，具有信号的处理能力。
[0147]
上述的处理器31可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器31也可以是任何常规的处理器等。
[0148]
存储器33可以是，但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。存储器33中存储有计算机可读取指令，当计算机可读取指令由处理器31执行时，电子设备可以执行上述方法实施例涉及的各个步骤。
[0149]
可选地，电子设备还可以包括存储控制器、输入输出单元。
[0150]
存储器33、存储控制器、处理器31、外设接口、输入输出单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通信总线34实现电性连接。处理器31用于执行存储器33中存储的可执行模块，例如电子设备包括的软件功能模块或计算机程序。
[0151]
输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。输入输出单元可以是，但不限于，鼠标和键盘等。
[0152]
可以理解，图3所示的结构仅为示意，电子设备还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
[0153]
本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有指令，当指令在计算机上运行时，计算机程序被处理器执行时实现方法实施例的方法，为避免重复，此处不再赘述。
[0154]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图
中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0155]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0156]
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0157]
以上仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0158]
以上，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。
[0159]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。