裂缝图像分割方法、装置、电子设备及存储介质与流程

1.本发明涉及图像处理技术领域，尤其涉及一种裂缝图像分割方法、装置、电子设备及存储介质。


背景技术：

2.道路检测过程中，对路面裂缝的精确分割是测量裂缝区域面积和对裂缝进行分类、分析路面病害成因和开展道路养护工作的基础和重点。
3.目前路面裂缝的分割方法主要有以下几种：一、通过运用传统图像处理中阈值分割和边缘检测等图像算法分割裂缝，提取裂缝区域；二、使用三维相机检测技术，通过采集路面裂缝的深度信息分割裂缝，提取裂缝区域。
4.上述的第一种方法，容易受到道路光照强度、路面阴影、路面类型、路面杂物等诸多因素的影响，对裂缝区域分割的准确性较低。上述的第二种方法，检测成本较高，具有较大局限性。
5.因此，需要提供一种裂缝图像分割方法，能够以较低的成本提高裂缝图像的分割结果的准确性。


技术实现要素：

6.本发明提供一种裂缝图像分割方法、装置、电子设备及存储介质，用以解决现有技术中裂缝图像分割的成本高以及准确性低的缺陷，实现以较低的成本提高裂缝图像的分割结果的准确性。
7.第一方面，本发明提供一种裂缝图像分割方法，包括：
8.生成器获取裂缝图像，并基于所述裂缝图像，得到裂缝图像特征；
9.将所述裂缝图像特征进行多层下采样处理，得到多层下采样特征；
10.将所述多层下采样特征进行多层上采样处理并融合，得到所述裂缝图像的联合特征；
11.基于所述联合特征，得到所述裂缝图像的分割结果。
12.在一个实施例中，所述将所述裂缝图像特征进行多层下采样处理，得到多层下采样特征，包括：
13.将所述裂缝图像特征输入至多层第一残差单元，得到所述多层下采样特征；
14.其中，每层第一残差单元均包括第一网络层、第二网络层以及叠加层，所述第一网络层的输出以及所述第二网络层的输出均接入所述叠加层；
15.所述第一网络层包括：第一正则化层、第一激活层以及第一卷积层，所述第一卷积层对应的步长大于1；
16.所述第二网络层包括：第二卷积层和第二正则化层。
17.在一个实施例中，所述第一网络层还包括：第三正则化层、第三激活层以及第三卷积层。
18.在一个实施例中，所述基于所述裂缝图像，得到裂缝图像特征，包括：
19.将所述裂缝图像经过第四卷积层、第四正则化层、第四激活层处理以及第五卷积层，得到所述裂缝图像特征。
20.在一个实施例中，所述将所述多层下采样特征进行多层上采样处理并融合，得到所述裂缝图像的联合特征，包括：
21.将所述多层下采样特征输入至上采样分割网络层，进行多层上采样处理并融合，得到所述联合特征；
22.其中，所述上采样分割网络层包括依次叠加的多层上采样卷积网络单元，且每层上采样卷积网络单元包括:上采样层、数据串联层以及第二残差单元；
23.在所述上采样分割网络层中，每层数据串联层分别用于接收不同层的下采样特征或者所述裂缝图像特征，且第一层上采样层用于接收最底层下采样特征。
24.在一个实施例中，所述基于所述联合特征，得到所述裂缝图像的分割结果，包括：
25.将所述联合特征经过第六卷积层和第五激活层处理，得到所述分割结果。
26.在一个实施例中，还包括：
27.基于所述分割结果，以及分割标签图像对判别器进行训练，得到第一交叉熵损失函数值；
28.将所述第一交叉熵损失函数值反馈至所述判别器，对所述判别器进行训练优化；
29.在对所述判别器进行训练优化后，将所述分割结果，以及所述分割标签图像输入至所述判别器，得到第二交叉熵损失函数值；
30.将所述第二交叉熵损失函数值反馈至所述生成器，对所述生成器进行训练优化。
31.第二方面，本发明提供一种裂缝图像分割装置，包括：
32.特征提取模块，用于基于生成器获取裂缝图像，并基于所述裂缝图像，得到裂缝图像特征；
33.下采样模块，用于将所述裂缝图像特征进行多层下采样处理，得到多层下采样特征；
34.上采样模块，用于将所述多层下采样特征进行多层上采样处理并融合，得到所述裂缝图像的联合特征；
35.分割计算模块，用于基于所述联合特征，得到所述裂缝图像的分割结果。
36.第三方面，本发明提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述计算机程序时实现上述任一种所述裂缝图像分割方法的步骤。
37.第四方面，本发明提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述任一种所述裂缝图像分割方法的步骤。
38.本发明提供的裂缝图像分割方法、装置、电子设备及存储介质，将裂缝图像特征进行多层下采样处理，得到多层下采样特征，再将将多层下采样特征进行多层上采样处理并融合，经过多层下采样处理以及上采样处理，可以得到多个不同层级以及不同尺寸的裂缝特征图，将多个不同层级以及不同尺寸的裂缝特征图融合得到联合特征，最后通过联合特征，得到分割结果。
39.在裂缝分割过程中，通过联合多个不同层级以及不同尺寸的裂缝特征图，即多层
下采样特征，可以提取到更多精确的裂缝特征，进而提高了裂缝区域分割的准确性，也即是提高了裂缝图像的分割结果的准确性。
附图说明
40.为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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。
41.图1是本发明提供的裂缝图像分割方法的流程示意图；
42.图2是本发明提供的裂缝图像分割方法的中生成器的结构示意图；
43.图3是本发明提供的第一残差单元的结构示意图；
44.图4是本发明提供的判别器的优化示意图；
45.图5是本发明提供的生成器的优化示意图；
46.图6是本发明提供的对抗网络的结构示意图；
47.图7是本发明提供的判别器的结构示意图；
48.图8是本发明提供的裂缝图像之一；
49.图9是本发明提供的裂缝图像之二；
50.图10是本发明提供的裂缝图像之三；
51.图11是本发明提供的与图8对应的分割标签图像；
52.图12是本发明提供的与图9对应的分割标签图像；
53.图13是本发明提供的与图10对应的分割标签图像；
54.图14是基于阈值分割方法对图8处理得到的分割结果；
55.图15是基于阈值分割方法对图9处理得到的分割结果；
56.图16是基于阈值分割方法对图10处理得到的分割结果；
57.图17是基于fcn方法对图8处理得到的分割结果；
58.图18是基于fcn方法对图9处理得到的分割结果；
59.图19是基于fcn方法对图10处理得到的分割结果；
60.图20是本发明提供的基于图1所示方法对图8处理得到的分割结果；
61.图21是本发明提供的基于图1所示方法对图9处理得到的分割结果；
62.图22是本发明提供的基于图1所示方法对图10处理得到的分割结果；
63.图23是本发明提供的裂缝图像分割装置的结构示意图；
64.图24是本发明提供的电子设备的结构示意图。
具体实施方式
65.为使本发明的目的、技术方案和优点更加清楚，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。
66.下面结合图1-图24描述本发明的裂缝图像分割方法、装置、电子设备及存储介质。
67.本发明提供一种裂缝图像分割方法，如图1所示，裂缝图像分割方法包括：
68.步骤110、生成器获取裂缝图像，并基于裂缝图像，得到裂缝图像特征。
69.需要说明的是，生成器是对抗网络中的生成器，这里的裂缝图像可以是路面裂缝图像。
70.步骤120、将裂缝图像特征进行多层下采样处理，得到多层下采样特征。
71.可以理解的是，将裂缝图像特征进行多层下采样处理，每层下采样处理，都会得到与该层下采样处理对应的一个下采样特征，最低层下采样特征是经过多层下采样处理得到，第一层下采样特征是经过一层下采样处理得到。
72.步骤130、将多层下采样特征进行多层上采样处理并融合，得到裂缝图像的联合特征。
73.步骤140、基于联合特征，得到裂缝图像的分割结果。
74.需要说明的是，裂缝图像的分割结果，可以是裂缝区域二值图，步骤110、120、130以及140均是由生成器执行。
75.本发明提供的裂缝图像分割方法，将裂缝图像特征进行多层下采样处理，得到多层下采样特征，再将将多层下采样特征进行多层上采样处理并融合，经过多层下采样处理以及上采样处理，可以得到多个不同层级以及不同尺寸的裂缝特征图，将多个不同层级以及不同尺寸的裂缝特征图融合得到联合特征，最后通过联合特征，得到分割结果。
76.在裂缝分割过程中，通过联合多个不同层级以及不同尺寸的裂缝特征图，即多层下采样特征，可以提取到更多精确的裂缝特征，进而提高了裂缝区域分割的准确性，也即是提高了裂缝图像的分割结果的准确性。
77.在一些实施例中，将裂缝图像特征进行多层下采样处理，得到多层下采样特征，包括：
78.将裂缝图像特征输入至图2所示的多层第一残差单元，得到多层下采样特征。
79.需要说明的是，多层第一残差单元均设置于生成器内。生成器的可以通过训练过程学习裂缝图像，训练集中输入裂缝图像和预设的分割标签图像的特征映射关系，拟合适当的函数将输入裂缝图像映射为裂缝图像的分割结果，该分割结果也即是裂缝分割二值图。
80.其中，每层第一残差单元均包括第一网络层、第二网络层以及叠加层，第一网络层的输出以及所述第二网络层的输出均接入叠加层。
81.需要说明的是，叠加层为特征叠加层，用于对第一网络层输出的特征，和第二网络层输出的特征进行叠加，也即是将第一网络层输出特征对应的矩阵元素，与第二网络层输出特征对应的矩阵元素进行相加。
82.第一网络层包括图3所示的：第一正则化层、第一激活层以及第一卷积层，第一卷积层对应的步长大于1。
83.第二网络层包括图3所示的：第二卷积层和第二正则化层。
84.例如，生成器包含下采样过程的4步长(即：stride)为2的第一残差单元，该第一残差单元在提取裂缝图像特征的同时，对裂缝图像特征进行了降维。
85.在一些实施例中，第一网络层还包括图3所示的：第三正则化层、第三激活层以及第三卷积层。
86.在一些实施例中，基于裂缝图像，得到裂缝图像特征，包括：
87.将裂缝图像经过第四卷积层、第四正则化层、第四激活层处理以及第五卷积层，得到裂缝图像特征。
88.在一些实施例中，将多层下采样特征进行多层上采样处理并融合，得到裂缝图像的联合特征，包括：
89.将多层下采样特征输入至上采样分割网络层，进行多层上采样处理并融合，得到联合特征；
90.其中，上采样分割网络层包括依次叠加的多层上采样卷积网络单元，且每层上采样卷积网络单元包括:上采样层、数据串联层以及第二残差单元；数据串联层内设置有concatenate函数，用于将数据进行串联。
91.在上采样分割网络层中，每层数据串联层分别用于接收不同层的下采样特征或者裂缝图像特征，且第一层上采样层用于接收最底层下采样特征。
92.例如，上采样过程包含4个步长为为1的第二残差单元，上采样的过程中，裂缝图像特征在经过每一个第二残差单元前均通过一个上采样层，使裂缝图像特征的尺寸在长度和宽度上扩充一倍，并与下采样过程相同尺寸的裂缝图像特征经过特征合并及融合。
93.本发明提供的生成器，是一种对裂缝图像多尺度特征图的联合特征提取和映射的网络结构，多层第一残差单元和上采样分割网络层是生成器能够精确实现裂缝图像分割的关键基础，也保证了输入图像和输出图像在尺度上的统一。
94.以输入形式为320像素x320像素x3通道的路面裂缝图像为例，裂缝分割图像生成器模块的网络结构参数如下表所示：
[0095][0096]
需要说明的是，第一残差单元1、第一残差单元2、第一残差单元3以及第一残差单元4，其在图2中对应的顺序是由上至下，第二残差单元1、第二残差单元2、第二残差单元3以及第二残差单元4，其在图2中对应的顺序是由下至上。
[0097]
在一些实施例中，基于联合特征，得到裂缝图像的分割结果，包括：
[0098]
将联合特征经过第六卷积层和第五激活层处理，得到分割结果。第五激活层是分类激活层，内部设置有sigmoid函数(也称为：s型生长曲线)。第一激活层、第二激活层、第三激活层和第四激活层内设置的激活函数是relu函数(即：线性整流函数)。
[0099]
需要说明的是，上述的卷积层、正则化层、激活层、残差单元、上采样层以及数据串联层均设置于生成器内。
[0100]
在一些实施例中，裂缝图像分割方法还包括：
[0101]
如图4所示，基于分割结果，以及分割标签图像对判别器进行训练，得到第一交叉熵损失函数值；其中，判别器为对抗网络中的判别器；
[0102]
将第一交叉熵损失函数值反馈至判别器，对判别器进行训练优化；
[0103]
如图5所示，在对判别器进行训练优化后，将生成器输出的分割结果，以及分割标签图像输入至判别器，得到第二交叉熵损失函数值；
[0104]
将第二交叉熵损失函数值反馈至生成器，对生成器进行训练优化。
[0105]
需要说明的是，对生成器进行训练优化，是优化生成器内卷积层的参数和正则化层的参数。
[0106]
生成器与判别器构成的对抗网络示意图如图6所示。
[0107]
输入裂缝图像至生成器，经过生成器的特征映射，生成新的数据样本，也即是裂缝图像的分割结果，送往判别器，并从判别器获得生成的数据样本正确与否的反馈信息，从而能够依据生成数据样本误差大小，实现自身生成数据能力的改进和提升，以提高判别器将生成的数据样本判别为正确的概率。
[0108]
判别器是对生成器所产生的数据样本进行鉴定的结构，若生成器产生的数据样本满足目标条件，返回正确值1，否则返回错误值0。如图7所述，判别器由第七卷积层、第五正则化层、第六正则化层、第七正则化层和全连接层构成。
[0109]
其中，第七卷积层、第五正则化层、第六正则化层、第七正则化层中的卷积网络大小均为5x5，卷积网络数量分别对应64、128、256以及512，且步长均为2。
[0110]
判别器通过四个串联的卷积层的连续降维和特征提取，最后经过全连接层，对生成器产生的数据样本进行判定。判别器受到判别结果与训练样本标签的监督，通过迭代训练以提高自身判别能力的准确性。
[0111]
裂缝分割图像生成器和判别器均采用交叉熵计算损失函数，生成器和判别器两个模块的学习训练过程交替迭代进行。
[0112]
当输入一批裂缝图像时，首先由生成器产生数据样本，也即是裂缝图像的分割结果，也是分割效果图，然后以下两个步骤循环迭代进行，以完成裂缝图像分割生成对抗网络的训练过程。
[0113]
第一步：判别器处于训练模式，该分割结果与分割标签图像共同输入判别器，判别器对分割结果进行交叉熵损失函数计算，将损失函数值反向传播给判别器进行参数优化。
[0114]
第二步：判别器处于推理模式，该分割结果与分割标签图像共同输入经过第一步优化之后的判别器，判别器对分割结果进行交叉熵损失函数计算，将损失函数值反向传播给生成器进行参数优化。
[0115]
生成器训练收敛之后，进入分割预测阶段，此时判别器进入失活状态，生成器通过训练过程学习到的裂缝区域特征和数据分布规律，从测试输入的裂缝图像中准确的识别分割裂缝区域，产生裂缝区域二值图作为分割结果。
[0116]
在一些实施例中，选取三张不同的裂缝图像分别如图8、图9和图10所示，这三张裂缝图像对应的分割标签图像如图11、图12和13所示。
[0117]
采用阈值分割的方法，得到的分割结果分别如图14、图15和图16所示。
[0118]
采用fcn(即：全卷积神经网络)方法，得到的分割结果分别如图17、图18和图19所示。
[0119]
采用本发明提供的方法，得到的分割结果分别如图20、图21和图22所示。
[0120]
由此可见，采用本发明提供的方法，对应分割结果的准确性得到较大提高。
[0121]
本发明提出的基于生成对抗网络的裂缝图像分割方法，通过搭建基于残差卷积网络的生成器和判别器，并将生成器与判别器进行对抗训练学习，使裂缝分割生成器从裂缝图像中提取裂缝区域形态特征并完成对裂缝区域的精确分割。
[0122]
本发明提供的裂缝图像分割方法，采用了生成对抗网络结构，基于卷积网络的对抗学习方式实现路面裂缝分割。该方法通过联合多级第一残差单元，避免了网络模型在裂缝学习训练过程中的梯度消失和网络退化等问题。
[0123]
通过对裂缝图像的特征的上采样，实现对裂缝区域的分割。在裂缝分割的过程中，通过联合大量不同层级、不同尺寸的裂缝特征图，提高了裂缝区域分割的准确性。同时，通过生成器和判别器的对抗学习方式提高了神经网络训练的泛化能力和鲁棒性。通过对比试验和结果分析，证明了本提案提出的网络结构和分割方法的有效性。
[0124]
下面对本发明提供的裂缝图像分割装置进行描述，下文描述的裂缝图像分割装置与上文描述的裂缝图像分割方法可相互对应参照。
[0125]
如图23所示，裂缝图像分割装置2300包括：特征提取模块2310、下采样模块2320、上采样模块2330和分割计算模块2340。
[0126]
特征提取模块2310用于基于生成器获取裂缝图像，并基于裂缝图像，得到裂缝图像特征。
[0127]
下采样模块2320用于将裂缝图像特征进行多层下采样处理，得到多层下采样特征。
[0128]
上采样模块2330用于将多层下采样特征进行多层上采样处理并融合，得到裂缝图像的联合特征。
[0129]
分割计算模块2340用于基于联合特征，得到裂缝图像的分割结果。
[0130]
在一些实施例中，下采样模块2320进一步用于将裂缝图像特征输入至多层第一残差单元，得到多层下采样特征。
[0131]
其中，每层第一残差单元均包括第一网络层、第二网络层以及叠加层，第一网络层的输出以及第二网络层的输出均接入叠加层。需要说明的是，叠加层为特征叠加层，用于对第一网络层输出的特征，和第二网络层输出的特征进行叠加。
[0132]
第一网络层包括：第一正则化层、第一激活层以及第一卷积层，第一卷积层对应的步长大于1。
[0133]
第二网络层包括：第二卷积层和第二正则化层。
[0134]
在一些实施例中，第一网络层还包括：第三正则化层、第三激活层以及第三卷积层。
[0135]
在一些实施例中，特征提取模块2310进一步用于将裂缝图像经过第四卷积层、第四正则化层、第四激活层处理以及第五卷积层，得到裂缝图像特征。
[0136]
在一些实施例中，上采样模块2330进一步用于将多层下采样特征输入至上采样分
割网络层，进行多层上采样处理并融合，得到联合特征。
[0137]
其中，上采样分割网络层包括依次叠加的多层上采样卷积网络单元，且每层上采样卷积网络单元包括:上采样层、数据串联层以及第二残差单元。
[0138]
在上采样分割网络层中，每层数据串联层分别用于接收不同层的下采样特征或者裂缝图像特征，且第一层上采样层用于接收最底层下采样特征。
[0139]
在一些实施例中，分割计算模块2340进一步用于将联合特征经过第六卷积层和第五激活层处理，得到分割结果。
[0140]
在一些实施例中，裂缝图像分割装置2300还包括：第一损失计算模块、第一优化模块、第二损失计算模块和第二优化模块。
[0141]
第一损失计算模块用于基于生成器输出的分割结果，以及分割标签图像对判别器进行训练，得到第一交叉熵损失函数值。
[0142]
第一优化模块用于将第一交叉熵损失函数值反馈至判别器，对判别器进行训练优化。
[0143]
第二损失计算模块用于在对判别器进行训练优化后，将生成器输出的分割结果，以及分割标签图像输入至判别器，得到第二交叉熵损失函数值。
[0144]
第二优化模块用于将第二交叉熵损失函数值反馈至生成器，对生成器进行训练优化。
[0145]
下面对本发明提供的电子设备及存储介质进行描述，下文描述的电子设备及存储介质与上文描述的裂缝图像分割方法可相互对应参照。
[0146]
图24示例了一种电子设备的实体结构示意图，如图24所示，该电子设备可以包括：处理器(processor)2410、通信接口(communication interface)2420、存储器(memory)2430和通信总线2440，其中，处理器2410，通信接口2420，存储器2430通过通信总线2440完成相互间的通信。处理器2410可以调用存储器2430中的计算机程序，以执行裂缝图像分割方法的步骤，例如包括：
[0147]
步骤110、生成器获取裂缝图像，并基于裂缝图像，得到裂缝图像特征；
[0148]
步骤120、将裂缝图像特征进行多层下采样处理，得到多层下采样特征；
[0149]
步骤130、将多层下采样特征进行多层上采样处理并融合，得到裂缝图像的联合特征；
[0150]
步骤140、基于联合特征，得到裂缝图像的分割结果。
[0151]
此外，上述的存储器2430中的逻辑指令可以通过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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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)执行本发明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(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0152]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序
指令被计算机执行时，计算机能够执行上述各方法所提供的裂缝图像分割方法，该方法包括：
[0153]
步骤110、生成器获取裂缝图像，并基于裂缝图像，得到裂缝图像特征；
[0154]
步骤120、将裂缝图像特征进行多层下采样处理，得到多层下采样特征；
[0155]
步骤130、将多层下采样特征进行多层上采样处理并融合，得到裂缝图像的联合特征；
[0156]
步骤140、基于联合特征，得到裂缝图像的分割结果。
[0157]
另一方面，本技术实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的方法，例如包括：
[0158]
步骤110、生成器获取裂缝图像，并基于裂缝图像，得到裂缝图像特征；
[0159]
步骤120、将裂缝图像特征进行多层下采样处理，得到多层下采样特征；
[0160]
步骤130、将多层下采样特征进行多层上采样处理并融合，得到裂缝图像的联合特征；
[0161]
步骤140、基于联合特征，得到裂缝图像的分割结果。
[0162]
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nand flash)、固态硬盘(ssd))等。
[0163]
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0164]
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
[0165]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。