一种PCB板缺陷检测方法及装置与流程

一种pcb板缺陷检测方法及装置
技术领域
1.本发明涉及图像处理技术领域，尤其涉及一种pcb板缺陷检测方法及装置。


背景技术：

2.在pcb板的生产过程中，主要通过aoi等设备对pcb板进行缺陷检测。由于aoi设备在筛除带缺陷的pcb板时容易筛除带少量可接受缺陷的pcb板，仍然需要对aoi设备筛除的所有pcb板进行人工复检，回收带少量可接受缺陷的pcb板，这不仅增加了复检工作量，降低生产效率，而且在aoi设备筛除大量pcb板的情况下采用人工复检方式，容易出现误判、漏判问题，难以保证识别准确率。而随着深度学习广泛应用于图像处理领域，基于深度学习进行pcb板缺陷检测已成为一种可行的方法，其中最为常用的当属卷积神经网络。卷积神经网络越深层，网络的识别率越高，但网络的训练难度也越大，可能会出现梯度消失、梯度爆炸或者是退化问题，导致识别准确率较低。且单个卷积神经网络的学习率可能处于局部优化点，难以保证卷积神经网络识别零失误，导致对虚假缺陷的误判率较高。


技术实现要素：

3.本发明提供一种pcb板缺陷检测方法及装置，能够有效提高对pcb板缺陷的识别准确率，同时降低对虚假缺陷的误判率。
4.为了解决上述技术问题，第一方面，本发明一实施例提供一种pcb板缺陷检测方法，包括：
5.获取aoi设备识别为带缺陷的pcb板图像，将部分所述pcb板图像进行真假缺陷标记后收集于训练数据集，将其余所述pcb板图像收集于测试数据集；
6.基于快照集成方法构建pcb板缺陷检测模型，并利用所述训练数据集中的图像训练所述pcb板缺陷检测模型，得到多个多样性模型；
7.从多个所述多样性模型中选择识别准确率最高的所述多样性模型作为目标模型，通过所述目标模型对所述测试数据集中的图像进行缺陷检测，将所述目标模型识别为虚假缺陷的图像作为疑似假图像；
8.分别通过其余每一所述多样性模型对所述疑似假图像进行缺陷检测，将其余所有所述多样性模型都识别为虚假缺陷的图像作为确切假图像筛除。
9.进一步地，所述获取aoi设备识别为带缺陷的pcb板图像，将部分所述pcb板图像进行真假缺陷标记后收集于训练数据集，将其余所述pcb板图像收集于测试数据集，还包括：
10.对所述pcb板图像进行预处理；其中，所述预处理包括图像大小压缩、图像尺寸裁剪、图像标准化处理中的一种或多种。
11.进一步地，所述pcb板缺陷检测模型包括6个深度可分离卷积层、3个池化层、3个全连接层、flatten层、输入层和输出层。
12.进一步地，所述利用所述训练数据集中的图像训练所述pcb板缺陷检测模型，得到多个多样性模型，具体为：
13.采用余弦退火的学习策略，利用所述训练数据集中的图像训练所述pcb板缺陷检测模型直至所述pcb板缺陷检测模型收敛，得到多个所述多样性模型。
14.进一步地，所述分别通过其余每一所述多样性模型对所述疑似假图像进行缺陷检测，将其余所有所述多样性模型都识别为虚假缺陷的图像作为确切假图像筛除，还包括：
15.将其余所有所述多样性模型不都识别为虚假缺陷的图像作为模糊假图像以进行人工复检。
16.第二方面，本发明一实施例提供一种pcb板缺陷检测装置，包括：
17.数据处理模块，用于获取aoi设备识别为带缺陷的pcb板图像，将部分所述pcb板图像进行真假缺陷标记后收集于训练数据集，将其余所述pcb板图像收集于测试数据集；
18.模型训练模块，用于基于快照集成方法构建pcb板缺陷检测模型，并利用所述训练数据集中的图像训练所述pcb板缺陷检测模型，得到多个多样性模型；
19.一次检测模块，用于从多个所述多样性模型中选择识别准确率最高的所述多样性模型作为目标模型，通过所述目标模型对所述测试数据集中的图像进行缺陷检测，将所述目标模型识别为虚假缺陷的图像作为疑似假图像；
20.二次检测模块，用于分别通过其余每一所述多样性模型对所述疑似假图像进行缺陷检测，将其余所有所述多样性模型都识别为虚假缺陷的图像作为确切假图像筛除。
21.进一步地，所述获取aoi设备识别为带缺陷的pcb板图像，将部分所述pcb板图像进行真假缺陷标记后收集于训练数据集，将其余所述pcb板图像收集于测试数据集，还包括：对所述pcb板图像进行预处理；其中，所述预处理包括图像大小压缩、图像尺寸裁剪、图像标准化处理中的一种或多种。
22.进一步地，所述pcb板缺陷检测模型包括6个深度可分离卷积层、3个池化层、3个全连接层、flatten层、输入层和输出层。
23.进一步地，所述利用所述训练数据集中的图像训练所述pcb板缺陷检测模型，得到多个多样性模型，具体为：
24.采用余弦退火的学习策略，利用所述训练数据集中的图像训练所述pcb板缺陷检测模型直至所述pcb板缺陷检测模型收敛，得到多个所述多样性模型。
25.进一步地，所述分别通过其余每一所述多样性模型对所述疑似假图像进行缺陷检测，将其余所有所述多样性模型都识别为虚假缺陷的图像作为确切假图像筛除，还包括：
26.将其余所有所述多样性模型不都识别为虚假缺陷的图像作为模糊假图像以进行人工复检。
27.本发明的实施例，具有如下有益效果：
28.通过获取aoi设备识别为带缺陷的pcb板图像，将部分pcb板图像进行真假缺陷标记后收集于训练数据集，将其余pcb板图像收集于测试数据集，基于快照集成方法构建pcb板缺陷检测模型，并利用训练数据集中的图像训练pcb板缺陷检测模型，得到多个多样性模型，从多个多样性模型中选择识别准确率最高的多样性模型作为目标模型，通过目标模型对测试数据集中的图像进行缺陷检测，将目标模型识别为虚假缺陷的图像作为疑似假图像，分别通过其余每一多样性模型对疑似假图像进行缺陷检测，将其余所有多样性模型都识别为虚假缺陷的图像作为确切假图像筛除，完成对pcb板的缺陷检测。相比于现有技术，本发明的实施例基于快照集成方法构建pcb板缺陷检测模型，并利用一部分带缺陷的pcb板
图像训练pcb板缺陷检测模型得到多个多样性模型，结合多个多样性模型对其余带缺陷的pcb板图像进行缺陷检测，将所有多样性模型都识别为虚假缺陷的图像作为确切假图像筛除，能够有效提高对pcb板缺陷的识别准确率，同时降低对虚假缺陷的误判率。
附图说明
29.图1为本发明第一实施例中的一种pcb板缺陷检测方法的流程示意图；
30.图2为本发明第一实施例中的一种pcb板缺陷检测方法的另一流程示意图；
31.图3为本发明第一实施例中的pcb板缺陷检测模型的结构示意图；
32.图4为本发明第一实施例中的余弦退火学习率变化的演示图；
33.图5为本发明第二实施例中的一种pcb板缺陷检测装置的结构示意图。
具体实施方式
34.下面将结合本发明中的附图，对本发明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做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。
35.如图1所示，第一实施例提供一种pcb板缺陷检测方法，包括步骤s1～s4：
36.s1、获取aoi设备识别为带缺陷的pcb板图像，将部分pcb板图像进行真假缺陷标记后收集于训练数据集，将其余pcb板图像收集于测试数据集；
37.s2、基于快照集成方法构建pcb板缺陷检测模型，并利用训练数据集中的图像训练pcb板缺陷检测模型，得到多个多样性模型；
38.s3、从多个多样性模型中选择识别准确率最高的多样性模型作为目标模型，通过目标模型对测试数据集中的图像进行缺陷检测，将目标模型识别为虚假缺陷的图像作为疑似假图像；
39.s4、分别通过其余每一多样性模型对疑似假图像进行缺陷检测，将其余所有多样性模型都识别为虚假缺陷的图像作为确切假图像筛除。
40.如图2所示，作为示例性地，在步骤s1中，获取aoi设备识别为带缺陷的pcb板图像，并从中随机抽取一部分pcb板图像，抽取的pcb板图像数量可根据设置的随机梯度下降样本数量batch_size而确定，通过人工判断部分pcb板图像对应的pcb板实物上的缺陷是真实缺陷还是虚假缺陷，根据判断结果对部分pcb板图像进行真假缺陷标注，将做好标注的pcb板图像及其真假缺陷标签收集于训练数据集，将其余pcb板图像收集于测试数据集。
41.在步骤s2中，基于快照集成方法构建pcb板缺陷检测模型，并为构建的神经网络设置超参数，即通过多次实验适当调整模型超参数，如模型的隐藏层层数，选用的激活函数以及深度可分离卷积核数量等等，在构建完pcb板缺陷检测模型后，利用训练数据集中的图像训练pcb板缺陷检测模型，以在同一训练过程中训练出多个局部最优的多样性模型。
42.每个多样性模型的内部权值参数都不相同，即每个多样性模型对pcb板缺陷所认定的特征点也不完全相同，每个多样性模型对pcb板缺陷判别的错判个例也都有差别。
43.在步骤s3中，统计各个多样性模型对训练数据集中的每一图像的检测结果，并结合图像对应的真假缺陷标签确定各个多样性模型的识别准确率，将识别准确率最高的多样
性模型作为目标模型，通过目标模型对测试数据集中的图像进行缺陷检测，将目标模型识别为真实缺陷的图像作为确切真图像，将目标模型识别为虚假缺陷的图像作为疑似假图像筛除。
44.选择识别准确率最高的多样性模型作为目标模型来对测试数据集中的图像进行缺陷检测，将被目标模型识别为真实缺陷的图像作为确切真图像，将其提取出不再进行更多识别，将被目标模型识别为虚假缺陷的图像作为疑似假图像过滤出，将其提取出到下一步骤中继续检测。
45.考虑到在pcb板缺陷复检过程中通常对虚假缺陷的识别准确率要求极高，甚至需要接近百分之百，而对真实缺陷的识别准确率要求并没有这么高，为提高效率又节省成本，在此步骤中将初步识别为真实缺陷的图像直接提取出不再进一步检测。
46.在步骤s4中，分别通过其余每一多样性模型对疑似假图像进行缺陷检测，将其余所有多样性模型都识别为虚假缺陷的图像作为确切假图像筛除，完成对pcb板图像的缺陷检测。
47.由于多个多样性模型都为不同的局部最优模型，每个多样性模型的识别准确率又都较高，所以各个多样性模型对虚假缺陷的错判原因都不尽相同。集合其余多样性模型能够尽可能地排除每个多样性模型的错判个例，将其余多样性模型同时用于识别初步判为虚假缺陷的疑似假图像，最后结果取交集，将其余所有多样性模型都识别为虚假缺陷的图像作为确切假图像筛除，能够尽可能地排除部分多样性模型预测时错判为虚假缺陷而实则为真实缺陷的图像。
48.本实施例基于快照集成方法构建pcb板缺陷检测模型，并利用一部分带缺陷的pcb板图像训练pcb板缺陷检测模型得到多个多样性模型，结合多个多样性模型对其余带缺陷的pcb板图像进行缺陷检测，将所有多样性模型都识别为虚假缺陷的图像作为确切假图像筛除，能够有效提高对pcb板缺陷的识别准确率，同时降低对虚假缺陷的误判率。
49.在优选的实施例当中，所述获取aoi设备识别为带缺陷的pcb板图像，将部分pcb板图像进行真假缺陷标记后收集于训练数据集，将其余pcb板图像收集于测试数据集，还包括：对pcb板图像进行预处理；其中，预处理包括图像大小压缩、图像尺寸裁剪、图像标准化处理中的一种或多种。
50.本实施例通过对训练数据集和测试数据集中的图像进行图像大小压缩、图像尺寸裁剪、图像标准化处理等预处理，有利于后续的模型训练和缺陷检测。
51.在优选的实施例当中，pcb板缺陷检测模型包括6个深度可分离卷积层、3个池化层、3个全连接层、flatten层、输入层和输出层。
52.如图3所示，作为示例性地，pcb板缺陷检测模型为神经网络结构，包括输入层、深度可分离卷积层c11与c12、池化层p1、深度可分离卷积层c21与c22、、池化层p2，深度可分离卷积层c31与c32、池化层p3，flatten层，3个全连接层和输出层。
53.其中，深度可分离卷积层采用修正线性单元relu作为激活函数，其数学表达式为：y表示relu激活函数的输入，relu(y)表示relu激活函数的输出；3个全连接层分别为含有128个神经元的h1、100个神经元的h2和10个神经元的h3；输出层采用
归一化指数函数softmax作为激活函数，其数学表达式为j＝1，2，
…
，n，softmax激活函数能将一个含任意实数的k维向量z压缩到另一个k维实向量σ(z)中，使得每一个元素的范围都在(0,1)之间，且所有元素的和为1。
54.在优选的实施例当中，利用训练数据集中的图像训练pcb板缺陷检测模型，得到多个多样性模型，具体为：采用余弦退火的学习策略，利用训练数据集中的图像训练pcb板缺陷检测模型直至pcb板缺陷检测模型收敛，得到多个多样性模型。
55.作为示例性地，将训练数据集中的图像导入pcb板缺陷检测模型，采用余弦退火的学习策略进行训练，待模型充分收敛之后，保存并导出模型结构和权重参数，得到多个多样性模型。
56.具体的，如图4所示，余弦退火的学习策略可以使模型在训练过程中，随着epoch的增加，learning rate先急速下降，再陡然提升，在第i次运行中，学习率ηt的值根据α衰减，余弦退火每批的学习率如下：
57.ηt＝η(i)min+0.5(η(i)max
‑
η(i)min)(1+cos(πtcur/ti))；
58.其中，η(i)min和η(i)max是乘数的范围，tcur表示自上次重新训练以来已执行的批次数，tcur在每次批处理迭代t时更新。
59.总的学习率的计算公式也可表示为：
60.α(t)＝f(mod(t
‑
1,[t/m]))；
[0061]
其中，t为训练的迭代次数，f()为余弦退火的循环递减函数，m为学习率调整循环的次数，而初始学习率为α＝f(0)a＝f(0)，最终学习率为α＝f(t/m)。
[0062]
在优选的实施例当中，所述分别通过其余每一多样性模型对疑似假图像进行缺陷检测，将其余所有多样性模型都识别为虚假缺陷的图像作为确切假图像筛除，还包括：将其余所有多样性模型不都识别为虚假缺陷的图像作为模糊假图像以进行人工复检。
[0063]
作为示例性地，将其余多样性模型同时用于识别初步判为虚假缺陷的疑似假图像，最后过滤掉其余多样性模型不完全认同的少量图像作为模糊假图像，将少量模糊假图像用人工检出真假缺陷。
[0064]
本实施例通过将其余所有多样性模型都识别为虚假缺陷的图像作为确切假图像筛除，将剩下的少量图像，即其余多余多样性模型不都识别为虚假缺陷的图像作为模糊假图像来进行人工复检，有利于减少复检工作量，降低人工成本，提高生产效率。
[0065]
如图5所示，第二实施例提供一种pcb板缺陷检测装置，包括：数据处理模块21，用于获取aoi设备识别为带缺陷的pcb板图像，将部分pcb板图像进行真假缺陷标记后收集于训练数据集，将其余pcb板图像收集于测试数据集；模型训练模块22，用于基于快照集成方法构建pcb板缺陷检测模型，并利用训练数据集中的图像训练pcb板缺陷检测模型，得到多个多样性模型；一次检测模块23，用于从多个多样性模型中选择识别准确率最高的多样性模型作为目标模型，通过目标模型对测试数据集中的图像进行缺陷检测，将目标模型识别为虚假缺陷的图像作为疑似假图像；二次检测模块24，用于分别通过其余每一多样性模型对疑似假图像进行缺陷检测，将其余所有多样性模型都识别为虚假缺陷的图像作为确切假图像筛除。
[0066]
作为示例性地，通过数据处理模块21，获取aoi设备识别为带缺陷的pcb板图像，并从中随机抽取一部分pcb板图像，抽取的pcb板图像数量可根据设置的随机梯度下降样本数量batch_size而确定，通过人工判断部分pcb板图像对应的pcb板实物上的缺陷是真实缺陷还是虚假缺陷，根据判断结果对部分pcb板图像进行真假缺陷标注，将做好标注的pcb板图像及其真假缺陷标签收集于训练数据集，将其余pcb板图像收集于测试数据集。
[0067]
通过模型训练模块22，基于快照集成方法构建pcb板缺陷检测模型，并为构建的神经网络设置超参数，即通过多次实验适当调整模型超参数，如模型的隐藏层层数，选用的激活函数以及深度可分离卷积核数量等等，在构建完pcb板缺陷检测模型后，利用训练数据集中的图像训练pcb板缺陷检测模型，以在同一训练过程中训练出多个局部最优的多样性模型。
[0068]
每个多样性模型的内部权值参数都不相同，即每个多样性模型对pcb板缺陷所认定的特征点也不完全相同，每个多样性模型对pcb板缺陷判别的错判个例也都有差别。
[0069]
通过一次检测模块23，统计各个多样性模型对训练数据集中的每一图像的检测结果，并结合图像对应的真假缺陷标签确定各个多样性模型的识别准确率，将识别准确率最高的多样性模型作为目标模型，通过目标模型对测试数据集中的图像进行缺陷检测，将目标模型识别为真实缺陷的图像作为确切真图像，将目标模型识别为虚假缺陷的图像作为疑似假图像筛除。
[0070]
选择识别准确率最高的多样性模型作为目标模型来对测试数据集中的图像进行缺陷检测，将被目标模型识别为真实缺陷的图像作为确切真图像，将其提取出不再进行更多识别，将被目标模型识别为虚假缺陷的图像作为疑似假图像过滤出，将其提取出给二次检测模块24继续检测。
[0071]
考虑到在pcb板缺陷复检过程中通常对虚假缺陷的识别准确率要求极高，甚至需要接近百分之百，而对真实缺陷的识别准确率要求并没有这么高，为提高效率又节省成本，将初步识别为真实缺陷的图像直接提取出不再进一步检测。
[0072]
通过二次检测模块24，分别通过其余每一多样性模型对疑似假图像进行缺陷检测，将其余所有多样性模型都识别为虚假缺陷的图像作为确切假图像筛除，完成对pcb板图像的缺陷检测。
[0073]
由于多个多样性模型都为不同的局部最优模型，每个多样性模型的识别准确率又都较高，所以各个多样性模型对虚假缺陷的错判原因都不尽相同。集合其余多样性模型能够尽可能地排除每个多样性模型的错判个例，将其余多样性模型同时用于识别初步判为虚假缺陷的疑似假图像，最后结果取交集，将其余所有多样性模型都识别为虚假缺陷的图像作为确切假图像筛除，能够尽可能地排除部分多样性模型预测时错判为虚假缺陷而实则为真实缺陷的图像。
[0074]
本实施例基于快照集成方法构建pcb板缺陷检测模型，并利用一部分带缺陷的pcb板图像训练pcb板缺陷检测模型得到多个多样性模型，结合多个多样性模型对其余带缺陷的pcb板图像进行缺陷检测，将所有多样性模型都识别为虚假缺陷的图像作为确切假图像筛除，能够有效提高对pcb板缺陷的识别准确率，同时降低对虚假缺陷的误判率。
[0075]
在优选的实施例当中，所述获取aoi设备识别为带缺陷的pcb板图像，将部分pcb板图像进行真假缺陷标记后收集于训练数据集，将其余pcb板图像收集于测试数据集，还包
括：对pcb板图像进行预处理；其中，预处理包括图像大小压缩、图像尺寸裁剪、图像标准化处理中的一种或多种。
[0076]
本实施例通过数据处理模块21，对训练数据集和测试数据集中的图像进行图像大小压缩、图像尺寸裁剪、图像标准化处理等预处理，有利于后续的模型训练和缺陷检测。
[0077]
在优选的实施例当中，pcb板缺陷检测模型包括6个深度可分离卷积层、3个池化层、3个全连接层、flatten层、输入层和输出层。
[0078]
作为示例性地，pcb板缺陷检测模型为神经网络结构，包括输入层、深度可分离卷积层c11与c12、池化层p1、深度可分离卷积层c21与c22、、池化层p2，深度可分离卷积层c31与c32、池化层p3，flatten层，3个全连接层和输出层。
[0079]
其中，深度可分离卷积层采用修正线性单元relu作为激活函数，其数学表达式为：y表示relu激活函数的输入，relu(y)表示relu激活函数的输出；3个全连接层分别为含有128个神经元的h1、100个神经元的h2和10个神经元的h3；输出层采用归一化指数函数softmax作为激活函数，其数学表达式为j＝1，2，
…
，n，softmax激活函数能将一个含任意实数的k维向量z压缩到另一个k维实向量σ(z)中，使得每一个元素的范围都在(0,1)之间，且所有元素的和为1。
[0080]
在优选的实施例当中，所述利用训练数据集中的图像训练pcb板缺陷检测模型，得到多个多样性模型，具体为：采用余弦退火的学习策略，利用训练数据集中的图像训练pcb板缺陷检测模型直至pcb板缺陷检测模型收敛，得到多个多样性模型。
[0081]
作为示例性地，通过模型训练模块22，将训练数据集中的图像导入pcb板缺陷检测模型，采用余弦退火的学习策略进行训练，待模型充分收敛之后，保存并导出模型结构和权重参数，得到多个多样性模型。
[0082]
具体的，余弦退火的学习策略可以使模型在训练过程中，随着epoch的增加，learning rate先急速下降，再陡然提升，在第i次运行中，学习率ηt的值根据α衰减，余弦退火每批的学习率如下：
[0083]
ηt＝η(i)min+0.5(η(i)max
‑
η(i)min)(1+cos(πtcur/ti))；
[0084]
其中，η(i)min和η(i)max是乘数的范围，tcur表示自上次重新训练以来已执行的批次数，tcur在每次批处理迭代t时更新。
[0085]
总的学习率的计算公式也可表示为：
[0086]
α(t)＝f(mod(t
‑
1,[t/m]))；
[0087]
其中，t为训练的迭代次数，f()为余弦退火的循环递减函数，m为学习率调整循环的次数，而初始学习率为α＝f(0)a＝f(0)，最终学习率为α＝f(t/m)。
[0088]
在优选的实施例当中，所述分别通过其余每一多样性模型对疑似假图像进行缺陷检测，将其余所有多样性模型都识别为虚假缺陷的图像作为确切假图像筛除，还包括：将其余所有多样性模型不都识别为虚假缺陷的图像作为模糊假图像以进行人工复检。
[0089]
作为示例性地，通过二次检测模块24，将其余多样性模型同时用于识别初步判为虚假缺陷的疑似假图像，最后过滤掉其余多样性模型不完全认同的少量图像作为模糊假图
像，将少量模糊假图像用人工检出真假缺陷。
[0090]
本实施例通过二次检测模块24，将其余所有多样性模型都识别为虚假缺陷的图像作为确切假图像筛除，将剩下的少量图像，即其余多余多样性模型不都识别为虚假缺陷的图像作为模糊假图像来进行人工复检，有利于减少复检工作量，降低人工成本，提高生产效率。
[0091]
综上所述，本发明的实施例具有如下有益效果：
[0092]
通过获取aoi设备识别为带缺陷的pcb板图像，将部分pcb板图像进行真假缺陷标记后收集于训练数据集，将其余pcb板图像收集于测试数据集，基于快照集成方法构建pcb板缺陷检测模型，并利用训练数据集中的图像训练pcb板缺陷检测模型，得到多个多样性模型，从多个多样性模型中选择识别准确率最高的多样性模型作为目标模型，通过目标模型对测试数据集中的图像进行缺陷检测，将目标模型识别为虚假缺陷的图像作为疑似假图像，分别通过其余每一多样性模型对疑似假图像进行缺陷检测，将其余所有多样性模型都识别为虚假缺陷的图像作为确切假图像筛除，完成对pcb板的缺陷检测。本发明的实施例基于快照集成方法构建pcb板缺陷检测模型，并利用一部分带缺陷的pcb板图像训练pcb板缺陷检测模型得到多个多样性模型，结合多个多样性模型对其余带缺陷的pcb板图像进行缺陷检测，将所有多样性模型都识别为虚假缺陷的图像作为确切假图像筛除，能够有效提高对pcb板缺陷的识别准确率，同时降低对虚假缺陷的误判率。
[0093]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
[0094]
本领域普通技术人员可以理解实现上述实施例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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)或随机存储记忆体(random access memory，ram)等。