一种激光切割的控制方法及相关装置

1.本技术涉及激光加工硬脆材料技术领域，尤其是涉及一种玻璃激光切割的控制方法及相关装置。


背景技术：

2.高透玻璃激光切割采用自下而上逐层加工的方法，在激光焦点范围附近，玻璃吸收激光能量局部温度急速上升，与周围未受辐照区域产生悬殊温度差，焦点周围产生内应力，使玻璃崩碎实现材料去除，随着激光光斑平面移动与高度变化，完成高透玻璃的三维切割。由于玻璃是典型的非均质硬脆材料，相同的激光工艺参数在不同玻璃上可能产生崩边、玻璃炸裂与局部粘连等缺陷，所以对高透玻璃激光加工全过程实时监测是提高加工质量的有效途径。
3.传统加工质量监测大多为激光光束质量监测与光学显微镜观测，激光光束质量监测是在加工过程中利用光敏与热敏电阻实时监测激光功率、重复频率、脉宽等光束质量参数，利用对激光光束质量的监测来减少激光参数变动对产品质量的影响；光学显微镜观测法为产品加工完后，采用光学显微镜进行产品质量的观测，适应性的对加工过程进行参数调整。两种方法在一定程度上均能提高产品加工质量，但对于高透玻璃本身特性导致产品缺陷时监测的实时性与可靠性难以保证。


技术实现要素：

4.有鉴于此，本技术的目的在于提供一种玻璃激光切割的控制方法及相关装置，实现高透玻璃的高性能加工、产品状态的实时监测、工艺参数自适应调整，提高产品加工质量与加工效率。激光加工高透玻璃过程中，受激光脉冲的冲击、材料内应力的转移释放与材料崩裂等影响产生弹性波，不同的加工工艺与产品实时状态将产生不同的弹性波，声发射传感器通过实时测量产品内部的弹性波来实现对产品加工质量的监测。较之于传统测量方法，声发射传感器监测法能实时有效的反应加工状态，显著提高高透玻璃激光加工的质量与效率。
5.本技术实施例提供了一种玻璃激光切割的控制方法，包括：
6.采集不同成分比例的样品玻璃的切割参数、所述样品玻璃在切割过程中的声发射信号和所述样品玻璃在切割完成后的表面特征参数；
7.将所述切割参数、所述声发射信号和所述表面特征参数作为数据训练集训练卷积神经网络模型，得到所述切割参数、所述声发射信号和所述表面特征参数相互关联的目标模型；
8.基于所述目标模型完成对待加工玻璃的切割。
9.可选的，所述采集不同成分比例的样品玻璃的切割参数、所述样品玻璃在切割过程中的声发射信号和所述样品玻璃在切割完成后的表面特征参数的步骤，包括：
10.采集不同成分比例的样品玻璃在激光光斑直径相同的条件下的切割参数，其中，
所述切割参数包括：激光工艺参数、材料特性参数和加工形状；
11.采集所述样品玻璃在切割过程中的声发射信号；
12.对所述声发射信号进行特征提取，得到特征数据；
13.检测完成切割后的样品玻璃，得到所述样品玻璃的表面特征参数。
14.可选的，在所述将所述切割参数、所述声发射信号和所述表面特征参数作为数据训练集训练卷积神经网络模型，得到所述切割参数、所述声发射信号和所述表面特征参数相互关联的目标模型的步骤之前，还包括：
15.基于不同成分比例的样品玻璃的不同目标加工质量要求，将所述切割参数、所述特征数据与所述表面特征表征参数进行匹配对比，建立所述目标加工质量、所述切割参数、所述特征数据与所述表面特征表征参数对应关系。
16.可选的，所述对所述声发射信号进行特征提取，得到特征数据的步骤，包括：
17.对所述声发射信号分别进行峰值频率运算、短时傅里叶变换运算和均方根值运算，分别获取所述声发射信号的峰值频率、时频分布图和rms值；
18.将所述峰值频率、时频分布图和rms值作为所述特征数据。
19.可选的，所述将所述切割参数、所述声发射信号和所述表面特征参数作为数据训练集训练卷积神经网络模型，得到所述切割参数、所述声发射信号和所述表面特征参数相互关联的目标模型的步骤，包括：
20.将所述峰值频率、所述时频分布图、所述rms值、所述激光工艺参数、所述材料特性参数、所述加工形状和所述表面特征参数作为输入参数；
21.以切割质量和切割效率作为输出参数；
22.基于所述输入参数和所述作为输出参数训练所述卷积神经网络模型，得到所述目标模型。
23.可选的，所述基于所述输入参数和所述作为输出参数训练所述卷积神经网络模型，得到所述目标模型的步骤，包括：
24.基于所述输入参数和所述作为输出参数结合梯度传播算法训练所述卷积神经网络模型，得到所述目标模型。
25.可选的，所述基于所述输入参数和所述作为输出参数结合梯度传播算法训练所述卷积神经网络模型，得到所述目标模型的步骤，包括：
26.运行前向传播算法，得到每个神经元的输入与输出
[0027][0028][0029]
在输出层根据loss与真实值计算误差：
[0030][0031]
反向传播算法，从输出层开始，由前往后计算每一层的误差：
[0032]
[0033]
计算权重的梯度：
[0034][0035]
通过梯度下降优化器，训练参数：
[0036][0037]
其中，η为学习率，表示隐藏层中第l层的第i个神经元的输入，为经过激活后的第(l-1)层的第j个神经单元的输出，σ表示激活函数；
[0038]
通过训练参数，完成对所述卷积神经网络模型的训练，得到所述目标模型。
[0039]
可选的，所述基于所述目标模型完成对待加工玻璃的切割的步骤，包括：
[0040]
当所述待加工玻璃的材质未知时，获取所述待加工玻璃的声发射信号；
[0041]
将所述待加工玻璃的声发射信号代入所述目标模型，确定所述待加工玻璃的材料特性；
[0042]
基于所述待加工玻璃的材料特性，确定所述待加工玻璃的切割参数。
[0043]
本技术实施例还提供一种玻璃激光切割的控制系统，包括玻璃传输加工机械装置、高性能纳秒绿光激光加工装置和用于运行上述方法的玻璃激光切割的控制装置。
[0044]
可选的，所述的玻璃激光切割的控制装置，包括：
[0045]
数据采集模块，用于采集不同成分比例的样品玻璃的切割参数、所述样品玻璃在切割过程中的声发射信号和所述样品玻璃在切割完成后的表面特征参数；
[0046]
训练模块，用于将所述切割参数、所述声发射信号和所述表面特征参数作为数据训练集训练卷积神经网络模型，得到所述切割参数、所述声发射信号和所述表面特征参数相互关联的目标模型；
[0047]
控制模块，用于基于所述目标模型完成对待加工玻璃的切割
[0048]
本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的玻璃激光切割的控制方法的步骤。
[0049]
本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的玻璃激光切割的控制方法的步骤。
[0050]
本技术实施例提供的玻璃激光切割的控制方法及装置，实现高透玻璃的高性能加工、产品状态的实时监测、工艺参数自适应调整，提高产品加工质量与加工效率。激光加工高透玻璃过程中，受激光脉冲的冲击、材料内应力的转移释放与材料崩裂等影响产生弹性波，不同的加工工艺与产品实时状态将产生不同的弹性波，声发射传感器通过实时测量产品内部的弹性波来实现对产品加工质量的监测。较之于传统测量方法，声发射传感器监测法能实时有效的反应加工状态，显著提高高透玻璃激光加工的质量与效率。
[0051]
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
[0052]
为了更清楚地说明本技术实施例的技术方案，下面将对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。
[0053]
图1示出了本技术实施例所提供的一种玻璃激光切割的控制方法的流程图；
[0054]
图2示出了本技术实施例所提供的一种玻璃激光切割的控制方法中模型训练的流程图；
[0055]
图3示出了本技术实施例所提供的一种玻璃激光切割的控制装置的结构示意图；
[0056]
图4示出了本技术实施例所提供的另一种玻璃激光切割的控制系统的运行示意图；
[0057]
图5示出了本技术实施例所提供的一种电子设备的结构示意图。
具体实施方式
[0058]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，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实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本技术保护的范围。
[0059]
首先，对本技术可适用的应用场景进行介绍。本技术可应用于激光加工硬脆材料场景。
[0060]
经研究发现，传统加工质量监测大多为激光光束质量监测与光学显微镜观测，激光光束质量监测是在加工过程中利用光敏与热敏电阻实时监测激光功率、重复频率、脉宽等光束质量参数，利用对激光光束质量的监测来减少激光参数变动对产品质量的影响；光学显微镜观测法为产品加工完后，采用光学显微镜进行产品质量的观测，适应性的对加工过程进行参数调整。两种方法在一定程度上均能提高产品加工质量，但对于高透玻璃本身特性导致产品缺陷时监测的实时性与可靠性难以保证。
[0061]
基于此，本技术实施例提供了一种玻璃激光切割的控制方法，以实现高透玻璃的高性能加工、产品状态的实时监测、工艺参数自适应调整，提高产品加工质量与加工效率。
[0062]
本技术实施例提供的玻璃激光切割的控制方法，如图1所示，包括：
[0063]
s101、采集不同成分比例的样品玻璃的切割参数、所述样品玻璃在切割过程中的声发射信号和所述样品玻璃在切割完成后的表面特征参数；
[0064]
s102、将所述切割参数、所述声发射信号和所述表面特征参数作为数据训练集训练卷积神经网络模型，得到所述切割参数、所述声发射信号和所述表面特征参数相互关联的目标模型；
[0065]
s103、基于所述目标模型完成对待加工玻璃的切割。
[0066]
示例性的，选取不同成分比例的高透玻璃(如钠钙玻璃、高铝玻璃等)，裁成100*
200mm大小的矩形方块，将实验材料放置于振镜下方并固定声发射传感器。遍历激光工艺参数(重复频率、脉宽、功率、扫面路径间距、焦点每层上升高度、扫描速度)、加工形状(圆、矩形、三角形、多边形)，进行激光切割高透玻璃实验，控制振镜每层进行扫描切割并逐层提升激光焦点，形成完整切孔，采集实验过程中玻璃因激光冲击、材料内应力的转移释放与材料崩裂等影响产生声发射信号，采集上来的信号为x(t)，进行峰值频率、短时傅里叶变换(stft)、均方根值(rms)运算：
[0067][0068][0069][0070]
求得每一组实验声发射信号的峰值频率、时频分布图、rms值，并对加工完毕后的实验材料进行光学显微镜、sem、残余应力进行测量表征，测量实验样品的崩边量、粘连程度、崩碎面积、表面粗糙度、表面微观组织结构、残余应力等数据。
[0071]
对采集到的所有数据进行模型训练，将测量到的数据综合为数据训练集{(x
(1)
,y
(1)
,
…
)
…
(x
(m)
,y
(m)
,
…
)}，首先初始化每层间的矩阵θ，其中为从第(l-1)层的第j个神经单元连接到第l层的第i个神经单元所对应的权重，为了避免权重或参数初始化为0导致梯度下降失效，一般通过随机高斯分布初始化θ打破对称性。
[0072]
在一种可能的实施方式中，所述采集不同成分比例的样品玻璃的切割参数、所述样品玻璃在切割过程中的声发射信号和所述样品玻璃在切割完成后的表面特征参数的步骤，包括：
[0073]
采集不同成分比例的样品玻璃在激光光斑直径相同的条件下的切割参数，其中，所述切割参数包括：激光工艺参数、材料特性参数和加工形状；
[0074]
采集所述样品玻璃在切割过程中的声发射信号；
[0075]
对所述声发射信号进行特征提取，得到特征数据；
[0076]
检测完成切割后的样品玻璃，得到所述样品玻璃的表面特征参数。
[0077]
在一种可能的实施方式中，在所述将所述切割参数、所述声发射信号和所述表面特征参数作为数据训练集训练卷积神经网络模型，得到所述切割参数、所述声发射信号和所述表面特征参数相互关联的目标模型的步骤之前，还包括：
[0078]
基于不同成分比例的样品玻璃的不同目标加工质量要求，将所述切割参数、所述特征数据与所述表面特征表征参数进行匹配对比，建立所述目标加工质量、所述切割参数、所述特征数据与所述表面特征表征参数对应关系。
[0079]
在一种可能的实施方式中，所述对所述声发射信号进行特征提取，得到特征数据的步骤，包括：
[0080]
对所述声发射信号分别进行峰值频率运算、短时傅里叶变换运算和均方根值运算，分别获取所述声发射信号的峰值频率、时频分布图和rms值；
[0081]
将所述峰值频率、时频分布图和rms值作为所述特征数据。
[0082]
在一种可能的实施方式中，所述将所述切割参数、所述声发射信号和所述表面特征参数作为数据训练集训练卷积神经网络模型，得到所述切割参数、所述声发射信号和所述表面特征参数相互关联的目标模型的步骤，包括：
[0083]
将所述峰值频率、所述时频分布图、所述rms值、所述激光工艺参数、所述材料特性参数、所述加工形状和所述表面特征参数作为输入参数；
[0084]
以切割质量和切割效率作为输出参数；
[0085]
基于所述输入参数和所述作为输出参数训练所述卷积神经网络模型，得到所述目标模型。
[0086]
在一种可能的实施方式中，所述基于所述输入参数和所述作为输出参数训练所述卷积神经网络模型，得到所述目标模型的步骤，包括：
[0087]
基于所述输入参数和所述作为输出参数结合梯度传播算法训练所述卷积神经网络模型，得到所述目标模型。
[0088]
在一种可能的实施方式中，所述基于所述输入参数和所述作为输出参数结合梯度传播算法训练所述卷积神经网络模型，得到所述目标模型的步骤，包括：
[0089]
运行前向传播算法，得到每个神经元的输入与输出
[0090][0091][0092]
在输出层根据loss与真实值计算误差：
[0093][0094]
反向传播算法，从输出层开始，由前往后计算每一层的误差：
[0095][0096]
计算权重的梯度：
[0097][0098]
通过梯度下降优化器，训练参数：
[0099][0100]
其中，η为学习率，表示隐藏层中第l层的第i个神经元的输入，为经过激活后的第(l-1)层的第j个神经单元的输出，σ表示激活函数；
[0101]
通过训练参数，完成对所述卷积神经网络模型的训练，得到所述目标模型。
[0102]
在一种可能的实施方式中，所述基于所述目标模型完成对待加工玻璃的切割的步
骤，包括：
[0103]
当所述待加工玻璃的材质未知时，获取所述待加工玻璃的声发射信号；
[0104]
将所述待加工玻璃的声发射信号代入所述目标模型，确定所述待加工玻璃的材料特性；
[0105]
基于所述待加工玻璃的材料特性，确定所述待加工玻璃的切割参数。
[0106]
示例性的，以采集到的声发射信号峰值频率、时频分布图、rms值、激光工艺参数、材料特性参数、加工后产品测量表征参数作为输入，以切割质量、切割效率作为输出，结合梯度传播算法，进行深度学习模型的训练，如图3所示。
[0107]
训练完成后的模型在输入加工参数时可获得未知的加工工艺状态及产品质量，实现在已知工艺参数及材料特性的情况下产品加工质量的预测；利用该数学模型，在加工材料特性未知时，根据采集的声发射信号特征，便可分析出材料特性，根据加工需求优化出最佳激光切割工艺参数，提高加工质量。
[0108]
当高透玻璃到达待料位置后，支撑气缸顶起，负压管路抽真空将吸盘吸附在玻璃上，而后伺服电机转动经由直线模组在支撑轮的支撑下将玻璃输送到加工位。在输送过程中，控制系统控制直线电机将激光器与振镜运动到加工孔位的正上方，等待玻璃运动到位后加工。
[0109]
在玻璃运动到加工位后，夹具带动声发射传感器下降，将传感器固定在玻璃上。控制系统按原有设定参数控制激光器出光，并控制振镜按预定加工图案将激光反射到玻璃下表面，并随着加工的进行按层进行焦点的抬升。
[0110]
在加工开始前，声发射传感器开启，进行声发射信号的测量，并将测量得到的信号实时进行处理，进行峰值频率、短时傅里叶变换(stft)、均方根值(rms)运算，将计算得到的各项数值代入之前建立的卷积神经网络计算模型，预测当前高透玻璃激光加工质量。当系统判断加工质量不符合要求时，进行在线调整激光加工参数，进行工艺自适应优化。
[0111]
加工完毕后直线模组将玻璃送走，完成高透玻璃激光切割全过程。
[0112]
实现高透玻璃激光高质高效加工。
[0113]
本技术实施例还提供一种玻璃激光切割的控制系统，包括玻璃传输加工机械装置、高性能纳秒绿光激光加工装置和用于运行上述方法的玻璃激光切割的控制装置。
[0114]
如图4所示，高精度高透玻璃稳定输送机械装置包括：铸造生产的基准平台作为装置的支撑部件，工作平台安装与支撑平台上，八根铝型材与48组支撑轮结构安装与工作平台上，四根两两长度一致的直线模组均匀分布安装与工作平台上，每根直线模组上安装有支撑架，并与支撑气缸、负压吸盘紧固在一起，配套的输送装置安装有驱动直线模组的伺服电机、正压气路管道、负压气路管道与支撑横梁。输送装置将针对不同型号的高透玻璃适应性采用不同洗盘将玻璃吸附牢固后，运送到激光加工工作区域，进行激光切割与声发射信号采集工作。
[0115]
高性能纳秒绿光激光切割装置包括：用于支撑的大理石平台安装于工作平台上，大理石平台内部嵌有永磁体用于驱动控制直线电机，直线电机安装与大理石平台上，与嵌套在内部的永磁体相互配合实现往复运动，激光器通过安装版紧固在直线电机上，两面反射镜通过顶丝安装于安装板上，振镜安装与第二块反射镜前方。激光器发出的高频率脉冲激光由经两面反射镜进入到振镜内，振镜通过内部反射镜与动态聚焦轴将光束聚焦于加工
的玻璃下表面位置，随着加工的进行光斑按照预定的轨迹运动实现高透玻璃的切割。配套的工控机和控制板卡用于控制激光器的出光工艺参数，通过调整工艺参数实现产品的高质高效加工。
[0116]
玻璃激光切割的控制装置包括：声发射传感器安装与夹具上，当高透玻璃位于加工位时，夹具放下，将声发射传感器贴紧与玻璃表面，前置放大器通过数据线与传感器相连，多通道数据采集卡安装于工控机上与前置放大器相连，在激光加工高透玻璃过程中，声发射传感器将采集声发射信号并通过前置放大器、信号采集卡将数据存储在工控机中。在激光光斑直径相同的情况下，通过覆盖所有加工参数：激光工艺参数(重复频率、脉宽、功率、扫面路径间距、焦点每层上升高度、扫描速度)、材料特性参数(密度、成分比例、微观结构、透光率、厚度)、加工形状(圆、矩形、三角形、多边形)，进行激光切割高透玻璃实验，并在实验过程中采集声发射信号，将采集上来的声发射信号进行特征提取工作，并进行加工后产品崩边量、粘连程度、崩碎面积、表面粗糙度、表面微观组织结构、残余应力检测实验，获得产品加工后表面特征表征参数。将工艺参数、声发射信号特征参数与表面特征表征参数进行匹配对比，建立产品加工质量、工艺参数、材料特性、声发射信号特性对应关系。将上述参数利用深度学习进行模型构建，建立加工工艺参数-声发射信号特征-加工表征质量高度关联的数学模型。利用该数学模型，在输入加工参数时可获得位置的加工工艺状态及产品质量，实现在已知工艺参数及材料特性的情况下产品加工质量的预测；利用该数学模型，在加工材料特性未知时，根据采集的声发射信号特征，便可分析出材料特性，根据加工需求优化出最佳激光切割工艺参数，提高加工质量。
[0117]
进一步的，直线模组与直线电机根据高透玻璃不同加工孔位要求，将玻璃运送到不同位置，将激光器运动到对应区域，实现高透玻璃全幅面高精度加工。
[0118]
进一步的，控制系统根据不同产品图案加工需求，控制振镜完成不同扫面路径，实现多图案自适应加工。
[0119]
在一种可能的实施方式中，所述的玻璃激光切割的控制装置，如图3所示，包括：
[0120]
数据采集模块201，用于采集不同成分比例的样品玻璃的切割参数、所述样品玻璃在切割过程中的声发射信号和所述样品玻璃在切割完成后的表面特征参数；
[0121]
训练模块202，用于将所述切割参数、所述声发射信号和所述表面特征参数作为数据训练集训练卷积神经网络模型，得到所述切割参数、所述声发射信号和所述表面特征参数相互关联的目标模型；
[0122]
控制模块203，用于基于所述目标模型完成对待加工玻璃的切割。
[0123]
具体的，所述的激光切割控制装置，包括：声发射传感器、夹具、多通道数据采集卡、前置放大器和工控机；
[0124]
其中，所述声发射传感器安装于所述夹具上，当待加工玻璃位于加工位时，所述夹具放下，所述声发射传感器贴紧于所述待加工玻璃表面，所述前置放大器通过数据线与所述声发射传感器相连，所述多通道数据采集卡安装于所述工控机上与所述前置放大器相连，在激光加工所述待加工玻璃过程中，所述声发射传感器采集声发射信号，所述声发射传感器通过所述前置放大器、所述信号采集卡将采集道德声发射信号存储在所述工控机中。
[0125]
请参阅图5，图5为本技术实施例所提供的一种电子设备的结构示意图。如图5中所示，所述电子设备500包括处理器510、存储器520和总线530。
[0126]
所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运行时，所述处理器510与所述存储器520之间通过总线530通信，所述机器可读指令被所述处理器510执行时，可以执行如上述图1所示方法实施例中的激光切割控制方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
[0127]
本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的激光切割控制方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
[0128]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0129]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，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，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0130]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0131]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0132]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的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所述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。
[0133]
最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，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。