暗光图像物体检测硬件实现的方法、系统及电子设备

1.本发明涉及计算机技术领域，具体涉及暗光图像物体检测硬件实现的方法、系统及电子设备。


背景技术：

2.随着信息时代的到来，人类社会对于硬件功能的需求也越来越高。硬件设备的定义也从传统的计算设备扩展为能够满足用户在生活中各个方面需求的新型电子设备。机器视觉是实现人工智能的关键技术之一，可广泛应用于工业控制、自动化等领域，具有广阔的使用场景。而目标检测算法正是基于这种需求而被提出并研究，卷积神经网络是实现目标检测算法的重要方法之一。
3.以往目标检测算法大多数都部署在传统的冯诺依曼体系的pc机上，目前已有很多成熟的卷积神经网络可以实现对物体的检测和分类，目标识别算法在一些特殊光照条件如低光照条件下的检测效率往往会有下降。此外，目前相关算法部署均部署于计算机中，而传统的pc计算设备逐渐难以胜任结构和参数迅速增加的人工神经网络。
4.综上，目前亟需一种暗光图像物体检测硬件实现的方法，用于解决上述现有技术存在的问题。


技术实现要素：

5.由于现有方法存在上述问题，本发明提出暗光图像物体检测硬件实现的方法、系统及电子设备。
6.第一方面，本发明提供了一种暗光图像物体检测硬件实现的方法，包括：
7.获取输入图像数据、n个增强权重集合以及m个识别权重集合；所述输入图像数据包含第一像素数据；所述n个增强权重集合与暗光增强算法的n层卷积层一一对应；所述m个识别权重集合与目标识别算法的m层卷积层一一对应；n、m为正整数；
8.根据所述n个增强权重集合依次对所述第一像素数据计算，得到第二像素数据；
9.根据所述m个识别权重集合依次对所述第二像素数据计算，得到第三像素数据；
10.根据所述第三像素数据确定暗光图像物体检测结果。
11.进一步地，所述暗光增强算法为零基准深度曲线估计算法；所述目标识别算法为yolo算法。
12.进一步地，在所述根据所述n个增强权重集合依次对所述第一像素数据计算之前，还包括：
13.采用估计法对所述输入图像数据去噪；
14.采用高斯滤波对所述输入图像数据滤波。
15.进一步地，所述根据所述n个增强权重集合依次对所述第一像素数据计算，包括：
16.获取所述n个增强权重集合中第一增强权重集合；
17.通过行列匹配器将所述第一增强权重集合与所述第一像素数据进行匹配并采用
计算单元计算得到第一中间结果；
18.获取所述n个增强权重集合中第二增强权重集合；
19.将所述第二增强权重集合与所述第一中间结果进行匹配并计算得到第二中间结果；
20.重复以上步骤直到将第n增强权重集合与第n-1中间结果进行匹配并计算，得到第二像素数据。
21.进一步地，所述计算单元包含l级计算子单元，所述采用计算单元计算得到第一中间结果，包括：
22.采用第一级计算子单元计算得到第一子结果；
23.根据所述第一子结果确定第二级计算子单元的第二子结果；
24.重复以上步骤直到根据第l-1子结果确定第l级计算子单元的第l子结果；l为正整数；
25.根据所述第l子结果确定所述第一中间结果。
26.第二方面，本发明提供了一种暗光图像物体检测硬件实现系统，包括：中央处理器、数据传输控制模块、计算模块以及存储器数据接口；
27.所述存储器数据接口用于获取输入图像数据、n个增强权重集合、m个识别权重集合；所述输入图像数据包含第一像素数据；所述n个增强权重集合与暗光增强算法的n层卷积层一一对应；所述m个识别权重集合与目标识别算法的m层卷积层一一对应；n、m为正整数；
28.所述中央处理器与所述存储器数据接口连接，用于驱动所述数据传输控制模块以使所述数据传输控制模块将所述输入图像数据、所述n个增强权重集合以及所述m个识别权重集合传输至所述计算模块；
29.所述计算模块用于根据所述n个增强权重集合依次对所述第一像素数据计算，得到第二像素数据；根据所述m个识别权重集合依次对所述第二像素数据计算，得到第三像素数据；根据所述第三像素数据确定暗光图像物体检测结果。
30.进一步地，所述计算模块的计算位宽由所述增强权重集合中每个增强权重的位宽以及所述识别权重集合中每个识别权重的位宽确定。
31.进一步地，所述计算模块包括：输入图像数据缓冲器、权重数据缓冲器、累加输出缓冲器、内部缓存器、列累加存储器、计算单元以及行列匹配器；
32.所述输入图像数据缓冲器用于对所述输入图像数据缓存；
33.所述权重数据缓冲器用于对所述增强权重集合以及所述识别权重集合缓存；
34.所述累加输出缓冲器用于对所述计算单元的输出结果缓存；
35.所述内部缓存器用于对所述计算模块的输入以及输出缓存；
36.所述列累加存储器用于对所述计算单元的中间结果缓存；
37.所述行列匹配器用于将权重集合与所述输入图像数据进行匹配；
38.所述计算单元用于计算匹配后的结果。
39.第三方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在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所述的暗光图像物体检测硬件实现的方法。
40.第四方面，本发明还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的暗光图像物体检测硬件实现的方法。
41.由上述技术方案可知，本发明实施例提供的暗光图像物体检测硬件实现方法、系统及电子设备，通过将暗光图像物体检测硬件实现降低了算法部署系统的功耗，并且相比于传统计算机系统计算效率得到了提升，提高了使用范围。将暗光增强算法和目标识别算法相结合，提高了对暗光图像物体检测识别率和算法计算效率。
附图说明
42.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，还可以根据这些图获得其他的附图。
43.图1为本发明提供的暗光图像物体检测硬件实现系统的系统框架；
44.图2为本发明提供的计算模块的示意图；
45.图3为本发明提供的暗光图像物体检测硬件实现的方法的流程示意图；
46.图4为本发明提供的暗光图像物体检测硬件实现的方法的流程示意图；
47.图5为本发明提供的图像数据传输方式的示意图；
48.图6为本发明提供的暗光图像物体检测硬件实现系统所占用的硬件资源的示意图；
49.图7为本发明提供的电子设备的结构示意图。
具体实施方式
50.下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
51.图1为本发明实施例提供的一种暗光图像物体检测硬件实现系统的示意图，该系统包括：存储器数据接口100、中央处理器200、数据传输控制模块300以及计算模块400。
52.存储器数据接口100用于获取输入图像数据、n个增强权重集合、m个识别权重集合。
53.需要说明的是，输入图像数据包含第一像素数据；n个增强权重集合与暗光增强算法的n层卷积层一一对应；m个识别权重集合与目标识别算法的m层卷积层一一对应；n、m为正整数。
54.本发明实施例中，存储器数据接口是外部存储器与中央处理器之间的连接电路。
55.在一种可能的实施方式中，采用ddr3存储器接口连接ddr3外置存储器。
56.中央处理器200与存储器数据接口100连接，用于驱动数据传输控制模块300以使数据传输控制模块300将输入图像数据、n个增强权重集合以及m个识别权重集合传输至计算模块。
57.本发明实施例中，中央处理器对数据传输控制模块进行控制，同时也将数据传输至外部存储器。
58.计算模块400用于根据n个增强权重集合依次对第一像素数据计算，得到第二像素数据；根据m个识别权重集合依次对第二像素数据计算，得到第三像素数据；根据第三像素数据确定暗光图像物体检测结果。
59.上述方案，通过将暗光图像物体检测硬件实现降低了算法部署系统的功耗，并且相比于传统计算机系统计算效率得到了提升，提高了使用范围。将暗光增强算法和目标识别算法相结合，提高了对暗光图像物体检测识别率和算法计算效率。
60.本发明实施例中，计算模块的计算位宽由增强权重集合中每个增强权重的位宽以及识别权重集合中每个识别权重的位宽确定。
61.具体的，将暗光增强算法以及目标识别算法的数据类型进行分析并缩小为最小位数，从而计算模块的计算位宽最小。
62.上述方案，通过对算法结构进行修改，缩小计算模块的计算位宽从而减少硬件电路的资源，使其体量更小更适合低功耗领域，在不丢失过多精度的条件下提高了系统的计算并行度，从而解决了目前的神经网络算法权重过大以及网络结构复杂的问题。
63.进一步地，如图2所示，计算模块包括：输入图像数据缓冲器、权重数据缓冲器、累加输出缓冲器、内部缓存器、列累加存储器、计算单元以及行列匹配器；
64.输入图像数据缓冲器用于对输入图像数据缓存；
65.需要说明的是，由于输入图像的像素数量很大，而每次用于计算的计算单元最大数量有限，因此需要将输入图像进行切分多次存储到输入图像缓冲器进行计算。
66.权重数据缓冲器用于对增强权重集合以及识别权重集合缓存；
67.本发明实施例中，权重数据缓冲器用于存储当前计算阵列需要计算的输入图像对应的权重数据。
68.累加输出缓冲器用于对计算单元的输出结果缓存；
69.需要说明的是，由于在计算过程中，输入图像的像素尺寸很大，
70.比如共614400个像素点，而输入图像数据缓冲器往往受限于资源限制，每次只能存储少部分行的图像数据，比如计算单元数量为12*14，即12行计算单元，因此每次只能计算12行输入图像数据，而输入图像有480行数据，那就需要计算40次。算法的滑动窗口需要遍历整个图像，需要将输入图像缓冲器刷新后的所有列的值相加，累加输出缓冲器用于存储前次计算中的列累加和，并将列和继续迭代相加，从而得出最后的整张图像的计算结果。
71.内部缓存器用于对计算模块的输入以及输出缓存；
72.在一种可能的实施方式中，内部缓存器为fpga内部缓存器。
73.需要说明的是，fpga内部缓存器是将fpga内部电路单独划分出来的一部分电路，其作用是作为fpga内部的缓存对待计算数据进行暂时存储。
74.列累加存储器用于对计算单元的中间结果缓存；
75.行列匹配器用于将权重集合与输入图像数据进行匹配；
76.具体的，判断当前数据是否与该匹配电路所在行所匹配,即当前被传输到数据总线上的数据是否是当前行或列所需要的数据,若该数据是当前行或列所需计算数据,则数据通过行列匹配器；反之则将数据阻挡在行列匹配器外，通过门控时钟关闭当前行或列的计算单元。
77.计算单元用于计算匹配后的结果。
78.上述方案，将复杂的神经网络计算分解为由计算阵列构成的计算系统，并将计算阵列设计成硬件计算单元的格式，通过对计算阵列的计算单元进行屏蔽而降低整个系统的功耗。
79.本发明实施例中，计算模块可以采用现场可编程逻辑门阵列(field programmable gate array，fpga)，也可以采用图像信号处理电路(image signal process，isp)，本发明实施例对此不做具体限定。
80.举例来说，开发板采用xilinx的pynq-z7020，使用vivado作为集成开发环境(integrated development environment，ide)。
81.本发明实施例中，配置开发板存储器ram以及fpga的内部缓存器bram，便于fpga从中读取图像数据。对输入图像的初始地址以及像素的位数进行了设置后，配置fpga读写接口的地址与对应的板上存储器地址相对应。
82.本发明实施例中，将算法中涉及到计算的高维寄存器组按计算块切分分组，提高数据在计算以及读写过程对维度较高的寄存器访问效率，降低数据传输的功耗。
83.上述方案，通过硬件优化使两种算法的算法结构更适合硬件实现且具有更高的效率。
84.进一步地，暗光图像物体检测硬件实现系统的设计流程如下：
85.s1：对输入图像进行图像预处理。
86.s2：采用hls工具对暗光增强算法和目标识别算法进行硬件优化。
87.s3：对电路的功能进行前端仿真。
88.s4：利用ide工具将电路布局布线的结果烧录至fpga，并在fpga上进行测试验证。
89.s5：利用fpga的ram接口在存储器中读取图像并在fpga内进行硬件加速，计算结束后将处理后的图像数据存储至ram中。
90.s6：利用ide工具从fpga的ram中读取处理结果并与预期结果进行对比和测试。
91.具体的，利用以太网接口将待测试的图像传输到开发板已配置好的存储器中，配置好相关的读写地址。
92.对整个电路的工作状态进行指定，通过对fpga中的gie和ap_ctrl两个寄存器进行置位从而让电路开始工作，电路工作结束位利用fpga中的ap_ctrl判断。
93.在一种可能的实施方式中宏，电路开始置位具体为：gie置低，ap_ctrl置高；电路结束判断具体为为：判断ap_ctrl寄存器的次高位是是否为高电平，若为高则电路工作结束，若为低则未结束。
94.进一步地，对fpga加速计算后的图像数据通过以太网传输至pc机进行结果的记录，并与预期结果进行对比。
95.上述方案，将系统部署在fpga平台相比于pc降低了计算的功耗，提高了系统的使用范围，可被广泛应用于光照条件较差环境的物体识别任务如安防监测、人脸识别、工业检测等领域中。
96.基于上述的暗光图像物体检测硬件实现系统，图3示例性的示出了本发明实施例提供的一种暗光图像物体检测硬件实现的方法的流程。该流程可以由上述暗光图像物体检测硬件实现系统执行。
97.如图3所示，该流程具体包括：
98.步骤301，获取输入图像数据、n个增强权重集合以及m个识别权重集合。
99.需要说明的是，输入图像数据包含第一像素数据；n个增强权重集合与暗光增强算法的n层卷积层一一对应；m个识别权重集合与目标识别算法的m层卷积层一一对应；n、m为正整数。
100.本发明实施例中，使用多通道同时读写的方式来对输入图像数据或特征数据进行并行读取。
101.举例来说，当输入图像为rgb图像时，采用三通道同时读写的方式。
102.在一种可能的实施方式中，暗光增强算法为零基准深度曲线估计算法；目标识别算法为yolo算法。
103.需要说明的是，暗光增强算法还可以为多曝光图像融合mef算法、enlightengan算法等，目标识别算法还可以为alexnet、googlenet等，本发明实施例对此不做具体限定。
104.上述方案，采用零基准深度曲线估计算法使得增强结果更加均匀，避免了图像光照补强后变的过曝之类的问题。
105.举例来说，编写python脚本对零基准深度曲线估计算法和yolo算法的神经网络结构、权重等参数进行提取。
106.需要说明的是，零基准深度曲线估计算法有7层参数，yolo算法有28层参数，也就是说，本发明实施例包括7个增强权重集合以及28个识别权重集合。
107.进一步地，将提取的参数存储至文档中，便于在开发板pynq-z7020的jupyter工具中提取参数并生成对应结构的硬件算法。
108.本发明实施例中，使用语言仿真软件modelsim和编译型verilog模拟器vcs进行verilog代码的编写，并综合生成数据流抽象rtl级电路。
109.步骤302，根据n个增强权重集合依次对第一像素数据计算，得到第二像素数据。
110.步骤303，根据m个识别权重集合依次对第二像素数据计算，得到第三像素数据。
111.步骤304，根据第三像素数据确定暗光图像物体检测结果。
112.上述方案，通过将暗光图像物体检测硬件实现降低了算法部署系统的功耗，并且相比于传统计算机系统计算效率得到了提升，提高了使用范围。将暗光增强算法和目标识别算法相结合，提高了对暗光图像物体检测识别率和算法计算效率。
113.本发明实施例在步骤302之前，采用估计法对输入图像数据去噪；采用高斯滤波对输入图像数据滤波。
114.在一种可能的实施方式中，对输入图像数据进行列固定模式(fix pattern noise，fpn)噪声去除。
115.具体的，求每张图像序列的列均值向量与列序号的关系曲线即列均值向量曲线。
116.进一步地，求k幅图片的平均列均值向量y与列序号的关系曲线。具体的计算公式如下：
117.y(te)＝1/k(y1(te)+y2(te)+
…
+yk(te))
118.进一步地，将k幅图像的dk相加求出的平均值就是估计出的cfpn。具体的计算公式如下：
119.d(c,te)＝ceil{1/k[d1(c,te)+d2(c,te)+
…
+dk(c,te)]}
[0120]
其中，ceil为matlab中的向上取整函数，te为曝光时间。
[0121]
本发明实施例中，将求出的cfpn估计值存入查找表中，可以进行实时校正。
[0122]
上述方案，通过对图像预处理提高了后续算法的处理效率。
[0123]
进一步地，本发明实施例在步骤302中，具体的步骤流程如图4所示，如下：
[0124]
步骤401，获取n个增强权重集合中第一增强权重集合。
[0125]
步骤402，通过行列匹配器将第一增强权重集合与第一像素数据进行匹配并采用计算单元计算得到第一中间结果。
[0126]
需要说明的是，计算单元包含l级计算子单元，l为正整数。
[0127]
具体的，采用第一级计算子单元计算得到第一子结果；
[0128]
根据第一子结果确定第二级计算子单元的第二子结果；
[0129]
重复以上步骤直到根据第l-1子结果确定第l级计算子单元的第l子结果；
[0130]
根据第l子结果确定第一中间结果。
[0131]
上述方案，采用流水线技术，通过设计流水线级数即计算子单元技术提高吞吐率，并降低延迟。
[0132]
步骤403，获取n个增强权重集合中第二增强权重集合。
[0133]
步骤404，将第二增强权重集合与第一中间结果进行匹配并计算得到第二中间结果。
[0134]
步骤405，重复以上步骤直到将第n增强权重集合与第n-1中间结果进行匹配并计算，得到第二像素数据。
[0135]
上述方案，将暗光增强算法和目标识别算法相结合，提高了对暗光图像物体检测识别率和算法计算效率。
[0136]
进一步地，以3x3卷积核、输入图像的通道数为64举例，图像数据传输方式的示意图如图5所示。
[0137]
从图上可以看出，channel0、channel1、
…
、channel63为输入图像的通道数，三个虚线框是表示并行的三个计算单元，也就是说，三个框里的计算是同步进行的。
[0138]
进一步地，由于输入图像有64个通道，因此对应计算的卷积核也有64个，短框表示这64个卷积窗口分别对应着64个通道的数据进行卷积，并将各自通道计算的结果进行累加。由于三个框的计算是同时进行的，因此当其各自的计算窗口滑动至该行图像数据的末端时，即该行图像数据的卷积计算已结束时，其他两行的计算也均结束。最终的计算结果只需要将三个框内的数据对应相加即可得到计算后的图像。
[0139]
进一步地，本发明实施例算法硬件优化后所占用的硬件资源如图6所示，可以看出，将物体识别算法与暗光增强算法相结合，同时对两种算法的架构进行硬件化修改，实现了低功耗，降低了算法所占用的硬件资源。
[0140]
基于相同的发明构思，本发明又一实施例提供了一种电子设备，参见图7，所述电子设备具体包括如下内容：处理器701、存储器702、通信接口703和通信总线704；
[0141]
其中，所述处理器701、存储器702、通信接口703通过所述通信总线704完成相互间的通信；所述通信接口703用于实现各设备之间的信息传输；
[0142]
所述处理器701用于调用所述存储器702中的计算机程序，所述处理器执行所述计算机程序时实现上述暗光图像物体检测硬件实现的方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：获取输入图像数据、n个增强权重集合以及m个识别权
重集合；所述输入图像数据包含第一像素数据；所述n个增强权重集合与暗光增强算法的n层卷积层一一对应；所述m个识别权重集合与目标识别算法的m层卷积层一一对应；n、m为正整数；根据所述n个增强权重集合依次对所述第一像素数据计算，得到第二像素数据；根据所述m个识别权重集合依次对所述第二像素数据计算，得到第三像素数据；根据所述第三像素数据确定暗光图像物体检测结果。
[0143]
基于相同的发明构思，本发明又一实施例提供了一种非暂态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执行时实现上述暗光图像物体检测硬件实现的方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：获取输入图像数据、n个增强权重集合以及m个识别权重集合；所述输入图像数据包含第一像素数据；所述n个增强权重集合与暗光增强算法的n层卷积层一一对应；所述m个识别权重集合与目标识别算法的m层卷积层一一对应；n、m为正整数；根据所述n个增强权重集合依次对所述第一像素数据计算，得到第二像素数据；根据所述m个识别权重集合依次对所述第二像素数据计算，得到第三像素数据；根据所述第三像素数据确定暗光图像物体检测结果。
[0144]
此外，上述的存储器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，暗光图像物体检测硬件实现的装置，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-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0145]
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发明实施例方案的目的。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。
[0146]
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，暗光图像物体检测硬件实现的装置，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暗光图像物体检测硬件实现的方法。
[0147]
此外，在本发明中，诸如“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0148]
此外，在本发明中，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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0149]
此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0150]
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。