一种电力杆倾斜检测方法、装置、设备及存储介质与流程

1.本发明涉及计算机图像辅助检测技术，尤其涉及一种电力杆倾斜检测方法、装置、设备及存储介质。


背景技术：

2.电力杆普遍存在于城市、郊区中，是电力网的重要组成部分，对生产生活的重要性不言而喻。
3.电力杆数量巨大，需要定期巡查维护。电力杆常出现的问题如倾斜、警示标牌与号牌的缺失与污损、张贴广告遮挡标牌等，如果派工人识别记录，巡查工作量大，速度慢，周期长。如果在电力杆周围安装摄像头、传感器模块、通信模块、电源模块等对电力杆进行实时监测，会带来极高的安装成本、运行与维护成本。


技术实现要素：

4.本发明提供一种电力杆倾斜检测方法、装置、设备及存储介质，以提高检测效率。
5.第一方面，本发明提供了一种电力杆倾斜检测方法，包括：
6.获取无人设备巡检过程中采集的图像；
7.将所述图像输入电力杆检测模型中进行处理，确定所述电力杆在所述图像中的位置，所述电力杆以锚定框在所述图像中示出；
8.计算所述锚定框与竖直方向的夹角作为所述电力杆的倾斜角度。
9.可选的，获取无人设备巡检过程中采集的图像，包括：
10.获取无人设备巡检过程中采集的视频；
11.从所述视频中以预设的采样频率提取多帧图像。
12.可选的，所述电力杆检测模型为yolo v5模型。
13.可选的，所述yolo v5模型包括backbone网络、neck网络和head网络，所述yolo v5模型对所述图像的处理过程包括：
14.采用所述backbone网络从所述图像中提取多种不同维度的特征图；
15.采用所述neck网络对所述特征图进行多重采样，得到多个不同维度的采样特征，并融合相同维度的采样特征和特征图，得到多种不同维度的融合特征图；
16.采用所述head网络对所述融合特征图进行处理，确定所述电力杆在所述图像中的位置。
17.可选的，采用所述backbone网络从所述图像中提取多种不同维度的特征图，包括：
18.对所述图像进行切片操作，以扩充所述图像的通道数，得到通道数量增加的通道扩增图；
19.对所述通道扩增图进行多次卷积处理，得到多种不同维度的特征图。
20.可选的，所述backbone网络输出维度由高到低的第一特征图、第二特征图和第三特征图，采用所述neck网络对所述特征图进行多重采样，得到多个不同维度的采样特征，并
融合相同维度的采样特征和特征图，得到多种不同维度的融合特征图，包括：
21.对所述第三特征图进行上采样处理，得到与所述第二特征图维度相同的第一上采样特征；
22.将所述第一上采样特征与所述第二特征图融合，得到中间特征；
23.对所述中间特征进行上采样处理，得到与所述第一特征图维度相同的第二上采样特征；
24.将所述第二上采样特征与所述第一特征图融合，得到第一融合特征图；
25.将所述中间特征与所述第一融合特征图融合，得到第二融合特征图；
26.将所述第二融合特征图与所述第三特征图融合，得到第三融合特征图。
27.可选的，采用所述head网络对所述融合特征图进行处理，确定所述电力杆在所述图像中的位置，包括：
28.分别对所述第一融合特征图、所述第二融合特征图和所述第三融合特征图进行目标检测，得到各融合特征图中用于表示目标的锚定框，以及各锚定框中的目标属于电力杆的概率值；
29.将概率值最大的锚定框作为表示电力杆的锚定框。
30.第二方面，本发明还提供了一种电力杆倾斜检测装置，包括：
31.图像获取模块，用于获取无人设备巡检过程中采集的图像；
32.处理模块，用于将所述图像输入电力杆检测模型中进行处理，确定所述电力杆在所述图像中的位置，所述电力杆以锚定框在所述图像中示出；
33.夹角计算模块，用于计算所述锚定框与竖直方向的夹角作为所述电力杆的倾斜角度。
34.可选的，图像获取模块包括：
35.视频获取子模块，用于获取无人设备巡检过程中采集的视频；
36.图像提取模块，用于从所述视频中以预设的采样频率提取多帧图像。
37.可选的，所述电力杆检测模型为yolo v5模型。
38.可选的，所述yolo v5模型包括backbone网络、neck网络和head网络，所述处理模块包括：
39.特征图提取子模块，用于采用所述backbone网络从所述图像中提取多种不同维度的特征图；
40.采样融合子模块，用于采用所述neck网络对所述特征图进行多重采样，得到多个不同维度的采样特征，并融合相同维度的采样特征和特征图，得到多种不同维度的融合特征图；
41.电力杆确定子模块，用于采用所述head网络对所述融合特征图进行处理，确定所述电力杆在所述图像中的位置。
42.可选的，特征图提取子模块包括：
43.切片单元，用于对所述图像进行切片操作，以扩充所述图像的通道数，得到通道数量增加的通道扩增图；
44.卷积单元，用于对所述通道扩增图进行多次卷积处理，得到多种不同维度的特征图。
45.可选的，所述backbone网络输出维度由高到低的第一特征图、第二特征图和第三特征图，采样融合子模块包括：
46.第一上采样单元，用于对所述第三特征图进行上采样处理，得到与所述第二特征图维度相同的第一上采样特征；
47.第一融合单元，用于将所述第一上采样特征与所述第二特征图融合，得到中间特征；
48.第二上采样单元，用于对所述中间特征进行上采样处理，得到与所述第一特征图维度相同的第二上采样特征；
49.第二融合单元，将所述第二上采样特征与所述第一特征图融合，得到第一融合特征图；
50.第三融合单元，用于将所述中间特征与所述第一融合特征图融合，得到第二融合特征图；
51.第四融合单元，用于将所述第二融合特征图与所述第三特征图融合，得到第三融合特征图。
52.可选的，电力杆确定子模块包括：
53.目标检测单元，用于分别对所述第一融合特征图、所述第二融合特征图和所述第三融合特征图进行目标检测，得到各融合特征图中用于表示目标的锚定框，以及各锚定框中的目标属于电力杆的概率值；
54.锚定框确定单元，用于将概率值最大的锚定框作为表示电力杆的锚定框。
55.第三方面，本发明还提供了一种计算机设备，包括：
56.一个或多个处理器；
57.存储装置，用于存储一个或多个程序；
58.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明第一方面提供的电力杆倾斜检测方法。
59.第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明第一方面提供的电力杆倾斜检测方法。
60.本发明提供的电力杆倾斜检测方法，包括：获取无人设备巡检过程中采集的图像，将图像输入电力杆检测模型中进行处理，确定电力杆在图像中的位置，电力杆以锚定框在图像中示出，计算锚定框与竖直方向的夹角作为电力杆的倾斜角度。本发明在不增加摄像头的安装、运行、维护成本的基础上，能够自动检测电力杆的状态，提高了检测效率。
附图说明
61.图1为本发明实施例一提供的一种电力杆倾斜检测方法的流程图；
62.图2为本发明实施例二提供的一种电力杆倾斜检测装置的结构示意图；
63.图3为本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
64.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便
于描述，附图中仅示出了与本发明相关的部分而非全部结构。
65.实施例一
66.图1为本发明实施例一提供的一种电力杆倾斜检测方法的流程图，本实施例可适用于电力杆倾斜检测的情况，该方法可以由本发明实施例提供的电力杆倾斜检测装置来执行，该装置可以由软件和/或硬件的方式实现，通常配置于计算机设备中，如图1所示，该方法具体包括如下步骤：
67.s101、获取无人设备巡检过程中采集的图像。
68.在本发明实施例中，无人设备(可以是无人车、无人机等巡逻设备)沿电力线巡检，并在巡检过程中通过搭载的摄像头拍摄或录制图像。在本发明一些实施例中，无人设备可以录制视频，然后从视频中按照一定的采样率提取多帧图像。在本发明的另一些实施例中，无人设备可以以一定的采样率拍摄图像，本发明实施例在此不做限定。
69.在本发明实施例中，图像可以通过通讯网络实时回传给处理中心，也可以在巡检过程中将采集的图像存储在无人设备的存储设备中，在巡检结束后，从无人设备的存储设备中导出图像，本发明实施例在此不做限定。
70.示例性的，在本发明一具体实施例中，步骤s101、获取无人设备巡检过程中采集的图像，包括：
71.s1011、获取无人设备巡检过程中采集的视频。
72.无人设备(可以是无人车、无人机等巡逻设备)沿电力线巡检，并在巡检过程中通过搭载的摄像头录制视频。
73.s1012、从视频中以预设的采样频率提取多帧图像。
74.从视频中按照一定的采样频率提取多帧图像。
75.s102、将图像输入电力杆检测模型中进行处理，确定电力杆在图像中的位置，电力杆以锚定框在图像中示出。
76.在本发明实施例中，预先采集大量图像样本，并对图像进行标注，标注出图像样本中的电力杆，然后采用图像样本训练电力杆检测模型，并采用交叉熵损失函数作为模型训练的代价函数，在交叉熵损失函数小于预设的阈值时，确定模型训练完成。
77.将图像输入预先训练好的电力杆检测模型中进行处理，确定电力杆在图像中的位置，电力杆以锚定框在图像中示出。在本发明实施例中，对电力杆检测模型的具体结构不做限定，可以是fast rcnn模型，也可以是yolo系列模型，本发明实施例在此不做限定。
78.电力杆检测模型对输入的图像进行处理，通过目标检测，从中检测出电力杆在图像中的位置，电力杆以锚定框在图像中示出，同时会对锚定框的位置和姿态进行回归调整，以得到能够包括电力杆的锚定框。
79.在本发明一示例性实施例中，电力杆检测模型为yolo v5模型。yolo v5模型包括backbone网络、neck网络和head网络，yolo v5模型对图像的处理过程包括如下步骤：
80.1、采用backbone网络从图像中提取多种不同维度的特征图。
81.backbone网络包括多个相互连接的卷积块，前一卷积块的输出作为后一卷积块的输入。每一卷积块包括若干卷积层、归一化层和激活层，不同的卷积块输出的特征图的维度不同，且随着卷积块的处理流程输出的特征图的维度递减。
82.示例性的，在本发明实施例中，backbone网络包括focus模块和三个卷积块，三个
卷积了依次连接。每一卷积块包括若干卷积层、归一化层和激活层，不同的卷积块输出的特征图的维度不同，且随着卷积块的处理流程输出的特征图的维度递减。卷积块中各卷积层残差连接，激活层的激活函数可以relu、leaky relu等，本发明实施例在此不做限定。relu函数代表的的是“修正线性单元”，它是带有卷积图像的输入x的最大函数(x,o)。relu函数将矩阵x内所有负值都设为零，其余的值不变。relu函数的计算是在卷积之后进行的，因此它与tanh函数和sigmoid函数一样，同属于“非线性激活函数”。relu是将所有的负值都设为零，相反，leaky relu是给所有负值赋予一个非零斜率，属于“线性激活函数”。
83.示例性的，focus模块对输入的图像进行切片操作，以扩充图像的通道数，得到通道数量增加的通道扩增图。然后对通道扩增图输入依次连接的三个卷积块中进行处理，得到多种不同维度的特征图。其中第一个卷积块输出的第一特征图，第二个卷积块对第一特征图进行处理，输出第二特征图，第三个卷积块对第二特征图进行处理，输出第三特征图。第一特征图、第二特征图和第三特征图的维度由高到低。
84.2、采用neck网络对特征图进行多重采样，得到多个不同维度的采样特征，并融合相同维度的采样特征和特征图，得到多种不同维度的融合特征图。
85.在本发明实施例中，采用neck对前述得到的特征图进行多重采样(例如上采样)，得到多个不同维度的采样特征，并融合相同维度的采样特征和特征图，得到多种不同维度的融合特征图。
86.在深度神经网络中，低层网络输出的特征图分辨率更高，维度更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。高层网络输出的特征图维度较低，具有更强的语义信息，但是分辨率很低，对细节的感知能力较差。本发明实施例中，采用neck对前述得到的特征图进行多重采样(例如上采样)，得到多个不同维度的采样特征，并融合相同维度的采样特征和特征图，得到多种不同维度的融合特征图，兼顾了位置、细节信息和语义信息，提高了特征表达能力，进而提高了电力杆检测准确率。
87.示例性的，采用neck网络对特征图进行多重采样，得到多个不同维度的采样特征，并融合相同维度的采样特征和特征图，得到多种不同维度的融合特征图，包括如下步骤：
88.2.1、对第三特征图进行上采样处理，得到与第二特征图维度相同的第一上采样特征。
89.2.2、将第一上采样特征与第二特征图融合(concatenate)，得到中间特征。
90.2.3、对中间特征进行上采样处理，得到与第一特征图维度相同的第二上采样特征。
91.2.4、将第二上采样特征与第一特征图融合，得到第一融合特征图。
92.2.5、将中间特征与第一融合特征图融合，得到第二融合特征图。
93.2.6、将第二融合特征图与第三特征图融合，得到第三融合特征图。
94.经过上述步骤，得到三个不同维度的融合特征图，分别为第一融合特征图、第二融合特征图和第三融合特征图。
95.3、采用head网络对所述融合特征图进行处理，确定电力杆在图像中的位置。
96.在本发明实施例中，head网络分别对第一融合特征图、第二融合特征图和第三融合特征图进行目标检测，得到各融合特征图中用于表示目标的锚定框，以及各锚定框中的目标属于电力杆的概率值，将概率值最大的锚定框作为表示电力杆的锚定框。
97.head网络可以包括区域生成网络(region proposal network，rpn)、对齐层(roi pooling层)、全连接层、分类头和回归头。
98.示例性的，head网络对融合特征图的处理过程如下：
99.区域生成网络接收融合特征图，并从融合特征图筛选出可能包含目标(即电力杆)的候选区域(region of interest，roi)，候选区域用候选锚定框表示。对齐层将得到的候选区域与采集得到的图像的像素对应起来，避免后续得到的候选目标区域与实际目标位置存在偏差的问题。分类头对像素对齐后的候选区域进行分类，得到候选区域属于电力杆的概率值。回归头用于对像素对齐后的候选区域的边界和姿态进行边回归，得到用于表示电力杆的锚定框。
100.具体的，区域生成网络生成候选区域的过程如下：
101.1、针对融合特征图中的每一元素，生成以该元素为中心点的多个不同尺度的锚定框。
102.具体的，针对融合特征图中的每一元素，生成以该元素为中心点的9个不同尺度的锚定框(anchors)，锚定框的矩阵表达为[x，y，w，h]，其中，x，y为锚定框中心点的位置坐标，w，h为锚定框的宽和高。
[0103]
2、从多个不同尺度的锚定框中确定包括检测对象的目标锚定框。
[0104]
对上述步骤中得到的每一个锚定框进行目标检测，确定锚定框中是否包含有检测对象。当锚定框内包括检测对象时(只知道有检测对象，但不知道具体的类别)，该锚定框即为包括检测对象的目标锚定框。
[0105]
具体的，确定包括检测对象的目标锚定框的过程如下：
[0106]
2-1、将锚定框中的特征进行分类，得到锚定框包括检测对象的概率值。
[0107]
具体的，将锚定框中的特征输入预置的分类器中，即将特征图经1
×
1卷积后的输出图像输入分类器中。分类器可以是softmax分类器，softmax分类器的分类函数是softmax函数。在本发明实施例中，softmax函数把输入的特征映射为概率值为0-1之间的实数并输出。
[0108]
2-2、将概率值与第一预设值进行比较。
[0109]
具体的，将得到的概率值与第一预设值(例如0.5)进行比较。
[0110]
2-3、当概率值大于或等于第一预设值时，确定锚定框为包括检测对象的目标锚定框。
[0111]
具体的，当概率值大于或等于第一预设值时，确定锚定框中包括检测对象，该锚定框为包括检测对象的目标锚定框。当概率值小于第一预设值时，确定锚定框中不包括检测对象，该锚定框为非目标锚定框。
[0112]
3、对目标锚定框进行平移和缩放处理，得到候选区域，检测对象完全位于候选区域内。
[0113]
每个锚定框都有4个用于回归的变换量[dx，dy，dh，dw]。变换量dx，dy为对目标锚定框的中心点进行平移的偏移量，变换量dh，dw为对目标锚定框的宽和高进行缩放的缩放量。综合所有变换量和目标锚定框，并对目标锚定框进行平移和缩放，得到精准的候选区域，使得检测对象尽可能完全位于候选区域内。
[0114]
如此，针对每一融合特征图都得到一个表示电力杆的锚定框，将概率值最大的锚
定框作为最终的表示电力杆的锚定框。
[0115]
s103、计算锚定框与竖直方向的夹角作为电力杆的倾斜角度。
[0116]
在得到最终的表示电力杆的锚定框之后，计算锚定框与竖直方向的夹角作为电力杆倾斜角度。
[0117]
本发明实施例提供的电力杆倾斜检测方法，包括：获取无人设备巡检过程中采集的图像，将图像输入电力杆检测模型中进行处理，确定电力杆在图像中的位置，电力杆以锚定框在图像中示出，计算锚定框与竖直方向的夹角作为电力杆的倾斜角度。本发明实施例在不增加摄像头的安装、运行、维护成本的基础上，能够自动检测电力杆的状态，提高了检测效率。
[0118]
实施例二
[0119]
本发明实施例二提供了一种电力杆倾斜检测装置，图2为本发明实施例二提供的一种电力杆倾斜检测装置的结构示意图，如图2所示，该装置包括：
[0120]
图像获取模块201，用于获取无人设备巡检过程中采集的图像；
[0121]
处理模块202，用于将所述图像输入电力杆检测模型中进行处理，确定所述电力杆在所述图像中的位置，所述电力杆以锚定框在所述图像中示出；
[0122]
夹角计算模块203，用于计算所述锚定框与竖直方向的夹角作为电力杆的倾斜角度。
[0123]
在本发明的一些实施例中，图像获取模块201包括：
[0124]
视频获取子模块，用于获取无人设备巡检过程中采集的视频；
[0125]
图像提取模块，用于从所述视频中以预设的采样频率提取多帧图像。
[0126]
在本发明的一些实施例中，所述电力杆检测模型为yolo v5模型。
[0127]
在本发明的一些实施例中，所述yolo v5模型包括backbone网络、neck网络和head网络，所述处理模块202包括：
[0128]
特征图提取子模块，用于采用所述backbone网络从所述图像中提取多种不同维度的特征图；
[0129]
采样融合子模块，用于采用所述neck网络对所述特征图进行多重采样，得到多个不同维度的采样特征，并融合相同维度的采样特征和特征图，得到多种不同维度的融合特征图；
[0130]
电力杆确定子模块，用于采用所述head网络对所述融合特征图进行处理，确定所述电力杆在所述图像中的位置。
[0131]
在本发明的一些实施例中，特征图提取子模块包括：
[0132]
切片单元，用于对所述图像进行切片操作，以扩充所述图像的通道数，得到通道数量增加的通道扩增图；
[0133]
卷积单元，用于对所述通道扩增图进行多次卷积处理，得到多种不同维度的特征图。
[0134]
在本发明的一些实施例中，所述backbone网络输出维度由高到低的第一特征图、第二特征图和第三特征图，采样融合子模块包括：
[0135]
第一上采样单元，用于对所述第三特征图进行上采样处理，得到与所述第二特征图维度相同的第一上采样特征；
[0136]
第一融合单元，用于将所述第一上采样特征与所述第二特征图融合，得到中间特征；
[0137]
第二上采样单元，用于对所述中间特征进行上采样处理，得到与所述第一特征图维度相同的第二上采样特征；
[0138]
第二融合单元，将所述第二上采样特征与所述第一特征图融合，得到第一融合特征图；
[0139]
第三融合单元，用于将所述中间特征与所述第一融合特征图融合，得到第二融合特征图；
[0140]
第四融合单元，用于将所述第二融合特征图与所述第三特征图融合，得到第三融合特征图。
[0141]
在本发明的一些实施例中，电力杆确定子模块包括：
[0142]
目标检测单元，用于分别对所述第一融合特征图、所述第二融合特征图和所述第三融合特征图进行目标检测，得到各融合特征图中用于表示目标的锚定框，以及各锚定框中的目标属于电力杆的概率值；
[0143]
锚定框确定单元，用于将概率值最大的锚定框作为表示电力杆的锚定框。
[0144]
上述电力杆倾斜检测装置可执行本发明任意实施例所提供的电力杆倾斜检测方法，具备执行电力杆倾斜检测方法相应的功能模块和有益效果。
[0145]
实施例三
[0146]
本发明实施例三提供了一种计算机设备，图3为本发明实施例三提供的一种计算机设备的结构示意图，如图3所示，该计算机设备包括处理器301、存储器302、通信模块303、输入装置304和输出装置305；计算机设备中处理器301的数量可以是一个或多个，图3中以一个处理器301为例；计算机设备中的处理器301、存储器302、通信模块303、输入装置304和输出装置305可以通过总线或其他方式连接，图3中以通过总线连接为例。上述处理器301、存储器302、通信模块303、输入装置304和输出装置305可以集成在计算机设备的控制主板上。
[0147]
存储器302作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本实施例中的电力杆倾斜检测方法对应的模块。处理器301通过运行存储在存储器302中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述实施例提供的电力杆倾斜检测方法。
[0148]
存储器302可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器302可进一步包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0149]
通信模块303，用于与外界设备(例如智能终端)建立连接，并实现与外界设备的数据交互。输入装置304可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。
[0150]
本实施例提供的一种计算机设备，可执行本发明上述任意实施例提供的电力杆倾斜检测方法，具体相应的功能和有益效果。
[0151]
实施例四
[0152]
本发明实施例四提供了一种包含计算机可执行指令的存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明上述任意实施例提供的电力杆倾斜检测方法，该方法包括：
[0153]
获取无人设备巡检过程中采集的图像；
[0154]
将所述图像输入电力杆检测模型中进行处理，确定所述电力杆在所述图像中的位置，所述电力杆以锚定框在所述图像中示出；
[0155]
计算所述锚定框与竖直方向的夹角作为电力杆的倾斜角度。
[0156]
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明实施例所提供的电力杆倾斜检测方法中的相关操作。
[0157]
需要说明的是，对于装置、设备和存储介质实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0158]
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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，如计算机的软盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是机器人，个人计算机，服务器，或者网络设备等)执行本发明任意实施例所述的电力杆倾斜检测方法。
[0159]
值得注意的是，上述装置中，所包括的各个模块、子模块、单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0160]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0161]
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一定指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何的一个或多个实施例或示例中以合适的方式结合。
[0162]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、
重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。