一种基于深度学习的钢桥面图像病害检测方法与流程

1.本发明涉及钢桥面病害检测技术领域，特别涉及一种基于深度学习的钢桥面图像病害检测方法及装置。


背景技术：

2.随着智能自动化技术的发展，道路路面状况的自动化检测已经成为我国公路研究领域的重点，具有时间消耗短，精确度高，不影响交通流及不存在安全问题等优点，能高效及时地检测并对检测路面进行有效的评估和性能预测，对于路面质量、服务性能和寿命有着重要的影响。道路自动化检测包括路面信息采集、病害检测和病害分析三阶段。多功能道路检测车可实现路面图像的快速采集，导致短时间内积累大量的原始数据，需要进一步的处理。一部分路面病害是通过人工识别，由于工作量大容易疲劳，造成统计重复或者错误。另一部分是使用商用识别软件，需要人工辅助，处于半自动阶段。路面病害图像的全自动化检测仍然存在一些问题，如算法通用性不高，难以满足实时性要求等，真正的全自动化实时病害检测还难以进入实用阶段，因此需进行更为深入的研究。
3.根据《公路技术状况评定标准》jtg 5210-2018，及桥面常见损害类型，设计包括龟裂、块状裂缝、斜缝、异形裂缝、纵向裂缝、横向裂缝、坑槽、修补块和修补线9种病害类型进行检测。针对钢桥面图像病害检测时，主要存在以下难点：
①
钢桥面铺装早期病害多以1mm左右的微细裂缝为主，和桥面其他类型病害如修补、坑槽等目标尺寸相差较大。
②
早期细微裂缝相较其他病害纵横比较大，修补块和块状裂缝尺寸在100-400mm不等。
③
由于钢桥面破损病害及时修复等原因，导致不同种类病害样本数量不均衡，其中横向裂缝数量较少，修补数量最多。
④
病害桥面铺装材料表面构造更为致密，表现在图像上整体偏暗且病害目标与完好路面对比度较低。鉴于以上目标检测难点，不利于病害检测。
4.横缝、纵缝、龟裂和修补等作为典型的病害类型，是公路技术状况评定中重要的基础数据，检测车采集获得数据后，因快速检测要求越来越高，而深度学习技术能够满足高速、准确地检测需求。基于深度神经网络结构的设计原则可以使算法的泛化能力极大提高，从而达到快速批量识别病害的目的。深度学习目标检测已被广泛应用于众多领域，但是在路面裂缝检测领域仍存在局限性，所以研究钢桥面病害图像检测方法具有重要的研究意义。


技术实现要素：

5.本发明提供了一种基于深度学习的钢桥面图像病害检测方法及装置，根据采集的钢桥面图像，采用深度学习网络cascade r-cnn实现桥面病害进行自动化检测，并直观展示检测病害结果，更全面、精准地描述桥面图像的病害信息。
6.本发明提供了一种基于深度学习的钢桥面图像病害检测方法，包括：
7.构建钢桥面图像病害样本数据库；其中，所述钢桥面图像病害样本数据集包括桥面正常图像数据集和桥面病害图像数据集，所述桥面病害图像数据集包含各类桥面病害图
像；
8.将所述桥面正常图像和桥面病害图像的数量按设定比例汇总，得到病害检测数据样本，并对所述桥面病害图像中病害类别和影响范围进行标注，得到标注数据；
9.对所述桥面病害图像数据集进行数量弱势类别样本的再生成，得到病害检测再生成样本；
10.将所述病害检测数据样本、病害检测再生成样本和标注数据输入cascade r-cnn检测模型中进行训练，得到训练完成的cascade r-cnn检测模型；
11.将待检测的钢桥面图像输入训练完成的cascade r-cnn检测模型，得到病害检测结果；其中，所述病害检测结果包括区域定位和识别分类。
12.进一步地，所述构建钢桥面图像病害样本数据库的步骤之前，还包括：
13.采用钢桥面检测车破损检测系统采集不同地区、不同天气、不同铺装类型的桥面正常图像和桥面病害图像。
14.进一步地，所述对所述桥面病害图像数据集进行数量弱势类别样本的再生成，得到病害检测再生成样本的步骤，包括：
15.从所述桥面病害图像数据集的数据类别中随机选取设定数量的图像；
16.根据病害特点对设定数量的图像进行镜像、随机旋转、拉伸、颜色变换；
17.将设定数量的图像拼接为一张图像，得到病害检测再生成样本。
18.进一步地，所述cascade r-cnn检测模型采用resnext-101+fpn作为特征提取网络，并采用cascade r-cnn的级精炼结构检测病害位置和影响范围。
19.进一步地，所述cascade r-cnn的级精炼结构包括：
20.将区域生成网络输出的原始目标框对应的特征图输入到第一级检测器中，由第一级检测器对原始目标框对应的病害类别进行分类并回归出精确的目标框；
21.将病害类别信息以及精确的目标框对应的特征图输入到第二级检测器，以此类推，各级检测器使用的正样本过滤阈值逐级升高；其中，所述正样本为桥面病害图像。
22.进一步地，每张图像在训练过程中的损失函数为：
23.l(x
t
,g)＝l
cls
(h
t
(x
t
),y
t
)+λ[y
t
≥1]l
loc
(f
t
(x
t
,b
t
),g)
[0024]
其中，t为每个检测器的阶段；h
t
为检测病害种类的分类器；f
t
为检测病害位置及影响范围的回归器；b
t
为训练数据中病害的标注位置和影响范围，b
t
＝f
t-1(x
t-1,b
t-1)；g对应x
t
的标注边界框数据；λ为权重因子，且λ＝1；y
t
≥1表示只在正样本上计算回归损失。
[0025]
进一步地，所述将待检测的钢桥面图像输入训练完成的cascade r-cnn检测模型，得到病害检测结果的步骤，包括：
[0026]
确定待检测的钢桥面图像，以及确定起始桩号、结束桩号、桥长和当前桥的铺装类型；
[0027]
根据检测类型采用训练完成的cascade r-cnn检测模型进行病害检测，得到病害的位置、范围和类型；其中，所述检测类型包括后台快速检测、手动单张图检测、边检测边浏览；
[0028]
统计每种病害的数量，得到病害样本；
[0029]
对所述病害样本进行gamma变换后显示在前端，以便复核人员对所述病害样本进行复核，得到目标病害样本；
[0030]
根据起始桩号、结束桩号、桥长依次将当前桥的一个车道的检测结果数据按预设的分区长度导出至表格中，并根据标准将病害分为轻、中、重，形成车道检测数据表；其中，上行车道的起始桩号为0，下行起始桩号为桥长；
[0031]
合并当前桥的所有车道的车道检测数据表，得到病害检测结果。
[0032]
本发明还提供了一种基于深度学习的钢桥面图像病害检测装置，包括：
[0033]
构建模块，用于构建钢桥面图像病害样本数据库；其中，所述钢桥面图像病害样本数据集包括桥面正常图像数据集和桥面病害图像数据集，所述桥面病害图像数据集包含各类桥面病害图像；
[0034]
汇总模块，用于将所述桥面正常图像和桥面病害图像的数量按设定比例汇总，得到病害检测数据样本，并对所述桥面病害图像中病害类别和影响范围进行标注，得到标注数据；
[0035]
再生成模块，用于对所述桥面病害图像数据集进行数量弱势类别样本的再生成，得到病害检测再生成样本；
[0036]
训练模块，用于将所述病害检测数据样本、病害检测再生成样本和标注数据输入cascade r-cnn检测模型中进行训练，得到训练完成的cascade r-cnn检测模型；
[0037]
检测模块，用于将待检测的钢桥面图像输入训练完成的cascade r-cnn检测模型，得到病害检测结果；其中，所述病害检测结果包括区域定位和识别分类。
[0038]
本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0039]
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，所述计算机程序被处理器执行时实现上述方法的步骤。
[0040]
本发明的有益效果为：
[0041]
针对现有桥面病害检测难点，根据采集的钢桥面图像，利用深度学习目标检测算法cascade r-cnn进行钢桥面病害检测，利用resnext-101+fpn代替了传统图像处理中人工设计的sift、hog等图像特征提取的方法，cascade r-cnn通过多次精炼回归框，使得网络模型能够更全面、精准地描述钢桥面图像的病害信息，方便了非专业人员利用图像病害检测算法快速进行桥面图像病害检测操作，直观的展示了检测病害结果，导出标准化检测数据表格，具有人工复核灵活和方便样本库更新迭代的优势。
附图说明
[0042]
图1为本发明一实施例的方法流程示意图。
[0043]
图2为本发明基于cascade r cnn网络的钢桥面病害检测模型示意图。
[0044]
图3为本发明中病害检测结果数据表的示例图。
[0045]
图4为本发明一实施例的装置结构示意图。
[0046]
图5为本发明一实施例的计算机设备内部结构示意图。
[0047]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0048]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0049]
本发明通过深度神经网络对大量钢桥面图像不同病害类型进行学习，实现不同钢桥面病害的精确定位和分类，根据导出的检测结果进而对所识别的钢桥面使用状况进行评估。
[0050]
如图1所示，本发明提供了一种基于深度学习的钢桥面图像病害检测方法，包括：
[0051]
在步骤s1之前，包括：
[0052]
s01、采用钢桥面检测车破损检测系统采集不同地区、不同天气、不同铺装类型的桥面正常图像和桥面病害图像。
[0053]
如上所述，采用钢桥面检测车破损检测系统采集大量数据集，为保证数据集的丰富性，采集了不同地区、不同天气、不同铺装类型(环氧、sma)桥面图像。
[0054]
s1、构建钢桥面图像病害样本数据库；其中，所述钢桥面图像病害样本数据集包括桥面正常图像数据集和桥面病害图像数据集，所述桥面病害图像数据集包含各类桥面病害图像。
[0055]
如上所述，采集的图像包括钢桥面正常图像数据集以及包含各类病害图像数据集。将存在病害的图像数据称为“正样本”，不存在病害的图像称为“负样本”。
[0056]
s2、将所述桥面正常图像和桥面病害图像的数量按设定比例汇总，得到病害检测数据样本，并对所述桥面病害图像中病害类别和影响范围进行标注，得到标注数据；
[0057]
如上所述，人工进行病害分类，使正样本和负样本的数量比例为3：1。其中添加少量正常路面图片是为了防止模型过拟合，抑制模型把背景检测为病害的倾向。保持病害图片占数据集绝大部分，目的是保持模型的病害检测能力。采用labelimg图像标注软件对正样本进行标注，生成voc2007数据集格式的xml文件，文件包含某图像标注信息，对应的图像编号、病害实例的种类、位置及边框大小；即标注数据包括多条图像信息，每条图像信息为桥面病害图像，桥面病害图像的标注信息，图像编号，病害实例的种类、位置和边框大小。
[0058]
s3、对所述桥面病害图像数据集进行数量弱势类别样本的再生成，得到病害检测再生成样本；
[0059]
步骤s3具体包括：
[0060]
s31、从所述桥面病害图像数据集的数据类别中随机选取设定数量的图像；
[0061]
s32、根据病害特点对设定数量的图像进行镜像、随机旋转、拉伸、颜色变换；
[0062]
s33、将设定数量的图像拼接为一张图像，得到病害检测再生成样本。
[0063]
如上所述，为解决不同种类病害样本类别数量不均衡的情况，采用数据合成方法，通过对已有数据进行位置、大小、比例的调整来合成新的数据，即，使用“马赛克数据增强法”基于已有数据来进行数量弱势类别样本的再生成，其步骤包括：从需要生成数据的数据类别已有数据中随机选取4张(设定数量)图像，对这4张图像随机进行旋转、拉伸、颜色轻微变换，以增加图像中目标的多样性，选取这4张图像中包含目标的部分，将四张图片拼接为一张，形成新的数据。
[0064]
s4、将所述病害检测数据样本、病害检测再生成样本和标注数据输入cascade r-cnn检测模型中进行训练，得到训练完成的cascade r-cnn检测模型；
[0065]
所述cascade r-cnn检测模型采用resnext-101+fpn作为特征提取网络，并采用cascade r-cnn的级精炼结构检测病害位置和影响范围。
[0066]
所述cascade r-cnn的级精炼结构包括：
[0067]
将区域生成网络输出的原始目标框对应的特征图输入到第一级检测器中，由第一级检测器对原始目标框对应的病害类别进行分类并回归出精确的目标框；
[0068]
将病害类别信息以及精确的目标框对应的特征图输入到第二级检测器，以此类推，各级检测器使用的正样本过滤阈值逐级升高；其中，所述正样本为桥面病害图像。
[0069]
其中，每张图像在训练过程中的损失函数为：
[0070]
l(x
t
,g)＝l
cls
(h
t
(x
t
),y
t
)+λ[y
t
≥1]l
loc
(f
t
(x
t
,b
t
),g)
[0071]
其中，t为每个检测器的阶段；h
t
为检测病害种类的分类器；f
t
为检测病害位置及影响范围的回归器；b
t
为训练数据中病害的标注位置和影响范围，b
t
＝f
t-1(x
t-1,b
t-1)；g对应x
t
的标注边界框数据；λ为权重因子，且λ＝1；y
t
≥1表示只在正样本上计算回归损失。
[0072]
如上所述，将所述病害检测数据样本、病害检测再生成样本和标注数据输入cascade r-cnn检测模型中进行训练，对输入图片中的病害进行类别识别，位置定位以及估计影响范围框；将使用的cascade r-cnn模型经过了改进，其中特征提取网络部分采用resnext-101+fpn的方案。resnext-101是resnet-101的改进变种，其在resnet基本模块中使用更宽的分组通道数获得了更好的特征提取能力，结合fpn提取不同尺度的特征，以应对不同类别的病害尺度差异大的情况。
[0073]
为解决不同类别病害尺度差距较大问题，即不同类别的病害的边界框尺度差距大的问题，采用cascade r-cnn的精炼模块(refine module)以进一步增加病害位置和影响范围检测的精确性。精炼模块与常规检测网络模型检测器模块的不同点是多级检测，且将上一级检测器的检测结果作为下一级检测器的输入，并逐步提高检测器的阈值，从而逐步提高检测质量以增加检测精度。
[0074]
cascade r-cnn的级联精炼结构可以逐步提高目标检测框的检测精准度。在一般的检测网络中如faster r-cnn网络中，目标框只经过一次回归，在目标尺度差距较大的情况下经常会出现目标检测框不够准确的情况。具有级联精炼检测结构的cascade r-cnn通过逐步增加检测器筛选目标框的阈值，使每一次经过精炼的目标边界框都更加精确。
[0075]
如图2所示，首先将区域生成网络(rpn，region proposal network)输出的原始目标框(proposals)对应的特征图输入到第一级检测器中(h1)。由第一级检测器对原始目标框对应的病害类别进行分类并回归出更精确的目标框，然后再将类别信息以及更精确的目标框对应的特征图输入到第二级检测器(h2)里，以此类推。各级检测器使用的正样本过滤阈值逐级升高，如分别采用0.5、0.6、0.7以实现检测器在训练过程中逐级更优的目的。其中，每张图像在训练过程中的损失函数为：
[0076]
l(x
t
,g)＝l
cls
(h
t
(x
t
),y
t
)+λ[y
t
≥1]l
loc
(f
t
(x
t
,b
t
),g)
[0077]
其中，t表示每个精炼检测器的阶段；检测分支包含检测病害种类的分类器h
t
和检测病害位置及影响范围的回归器f
t
；b
t
为训练数据中病害的标注位置和影响范围，b
t
＝f
t-1(x
t-1,b
t-1)；g对应x
t
的标注边界框数据；λ＝1为权重因子；y
t
≥1表示只在正样本上计算回归损失。最终将标注好的样本输入到此目标检网络模型中，通过参数微调和大量样本的训练生成最终权重模型。
[0078]
s5、将待检测的钢桥面图像输入训练完成的cascade r-cnn检测模型，得到病害检测结果(即模型会输出图像中是否存在病害，以及病害的种类和位置以及影响范围信息)；其中，所述病害检测结果包括区域定位和识别分类。
[0079]
步骤s5具体包括：
[0080]
s51、确定待检测的钢桥面图像，以及确定起始桩号、结束桩号、桥长和当前桥的铺装类型；
[0081]
s52、根据检测类型采用训练完成的cascade r-cnn检测模型进行病害检测，得到病害的位置、范围和类型；其中，所述检测类型包括后台快速检测、手动单张图检测、边检测边浏览；
[0082]
s53、统计每种病害的数量，得到病害样本；
[0083]
s54、对所述病害样本进行gamma变换后显示在前端，以便复核人员对所述病害样本进行复核，得到目标病害样本；
[0084]
s55、根据起始桩号、结束桩号、桥长依次将当前桥的一个车道的检测结果数据按预设的分区长度导出至表格中，并根据标准将病害分为轻、中、重，形成车道检测数据表；其中，上行车道的起始桩号为0，下行起始桩号为桥长；
[0085]
s56、合并当前桥的所有车道的车道检测数据表，得到病害检测结果。
[0086]
如上所述，采用训练完成的cascade r-cnn检测模型进行病害检测的具体操作步骤包括：打开采集的某钢桥面其中一个车道的原始图像文件夹，导入待检测图像。选择当前桥的铺装类型，选择或者输入起始和结束桩号，输入桥长，点击确定完成桥面基本信息设置。使用检测算法完成检测，可选择三种模式进行检测：后台快速检测、手动单张图检测、边检测边浏览，得到病害的位置、范围和类型。完成检测后，统计每种病害数量，并导出病害样本，方便增加训练样本数量，升级迭代。
[0087]
为提高检测准确性，防止误检，对导出的病害图进行人工复核。采用检测算法部分的亮度增强算法，算法核心是对图像进行gamma变换，提高图像亮度。通过调整参数，将桥面图像调整为合适亮度，方便人工复核。通过新建、删除、调整标注框、更改病害类型的方式将漏检、误检、范围不精确的检测结果进行修改。
[0088]
将一个车道的检测结果数据，导出到标准格式的excel表格中，得到车道检测数据表。根据检测到的病害范围换算得到真实的面积或换算面积，根据标准将检测到的病害分为轻、中、重，百米累计结果输出到表格中对应类型、对应桩号所在位置。将上行车道的起始桩号设置为0，下行起始桩号设置为桥长；最后，合并所有车道数据，得到病害检测结果，如图3所示，顺序为上行车道1、上行车道2、上行车道3、下行车道1、下行车道2、下行车道3。采用训练完成的cascade r-cnn检测模型进行病害检测的具体操作具有快速后台检测、标准结果导出、人工复核灵活和方便样本库更新迭代优势。
[0089]
如图4所示，本发明还提供了一种基于深度学习的钢桥面图像病害检测装置，包括：
[0090]
构建模块1，用于构建钢桥面图像病害样本数据库；其中，所述钢桥面图像病害样本数据集包括桥面正常图像数据集和桥面病害图像数据集，所述桥面病害图像数据集包含各类桥面病害图像；
[0091]
汇总模块2，用于将所述桥面正常图像和桥面病害图像的数量按设定比例汇总，得到病害检测数据样本，并对所述桥面病害图像中病害类别和影响范围进行标注，得到标注数据；
[0092]
再生成模块3，用于对所述桥面病害图像数据集进行数量弱势类别样本的再生成，
得到病害检测再生成样本；
[0093]
训练模块4，用于将所述病害检测数据样本、病害检测再生成样本和标注数据输入cascade r-cnn检测模型中进行训练，得到训练完成的cascade r-cnn检测模型；
[0094]
检测模块5，用于将待检测的钢桥面图像输入训练完成的cascade r-cnn检测模型，得到病害检测结果；其中，所述病害检测结果包括区域定位和识别分类。
[0095]
在一个实施例中，还包括：
[0096]
采集模块，用于采用钢桥面检测车破损检测系统采集不同地区、不同天气、不同铺装类型的桥面正常图像和桥面病害图像。
[0097]
在一个实施例中，再生成模块3，包括：
[0098]
随机选取单元，用于从所述桥面病害图像数据集的数据类别中随机选取设定数量的图像；
[0099]
处理单元，用于根据病害特点对设定数量的图像进行镜像、随机旋转、拉伸、颜色变换；
[0100]
拼接单元，用于将设定数量的图像拼接为一张图像，得到病害检测再生成样本。
[0101]
在一个实施例中，训练模块4中，所述cascade r-cnn检测模型采用resnext-101+fpn作为特征提取网络，并采用cascade r-cnn的级精炼结构检测病害位置和影响范围。
[0102]
在一个实施例中，训练模块4中，所述cascade r-cnn的级精炼结构包括：
[0103]
将区域生成网络输出的原始目标框对应的特征图输入到第一级检测器中，由第一级检测器对原始目标框对应的病害类别进行分类并回归出精确的目标框；
[0104]
将病害类别信息以及精确的目标框对应的特征图输入到第二级检测器，以此类推，各级检测器使用的正样本过滤阈值逐级升高；其中，所述正样本为桥面病害图像。
[0105]
在一个实施例中，训练模块4中，每张图像在训练过程中的损失函数为：
[0106]
l(x
t
,g)＝l
cls
(h
t
(x
t
),y
t
)+λ[y
t
≥1]l
loc
(f
t
(x
t
,b
t
),g)
[0107]
其中，t为每个检测器的阶段；h
t
为检测病害种类的分类器；f
t
为检测病害位置及影响范围的回归器；b
t
为训练数据中病害的标注位置和影响范围，b
t
＝f
t-1(x
t-1,b
t-1)；g对应x
t
的标注边界框数据；λ为权重因子，且λ＝1；y
t
≥1表示只在正样本上计算回归损失。
[0108]
在一个实施例中，检测模块5，包括：
[0109]
确定单元，用于确定待检测的钢桥面图像，以及确定起始桩号、结束桩号、桥长和当前桥的铺装类型；
[0110]
检测单元，用于根据检测类型采用训练完成的cascade r-cnn检测模型进行病害检测，得到病害的位置、范围和类型；其中，所述检测类型包括后台快速检测、手动单张图检测、边检测边浏览；
[0111]
统计单元，用于统计每种病害的数量，得到病害样本；
[0112]
变换单元，用于对所述病害样本进行gamma变换后显示在前端，以便复核人员对所述病害样本进行复核，得到目标病害样本；
[0113]
导出单元，用于根据起始桩号、结束桩号、桥长依次将当前桥的一个车道的检测结果数据按预设的分区长度导出至表格中，并根据标准将病害分为轻、中、重，形成车道检测数据表；其中，上行车道的起始桩号为0，下行起始桩号为桥长；
[0114]
合并单元，用于合并当前桥的所有车道的车道检测数据表，得到病害检测结果。
[0115]
上述各模块、单元均是用于对应执行上述基于深度学习的钢桥面图像病害检测方法中的各个步骤，其具体实现方式参照上述方法实施例所述，在此不再进行赘述。
[0116]
如图5所示，本发明还提供了一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于深度学习的钢桥面图像病害检测方法的过程需要的所有数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于深度学习的钢桥面图像病害检测方法。
[0117]
本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定。
[0118]
本技术一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任意一个基于深度学习的钢桥面图像病害检测方法。
[0119]
本领域普通技术人员可以理解实现上述实施例方法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，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram通过多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0120]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0121]
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。