一种高速公路气象在线监测方法及系统与流程

计算;推算;计数设备的制造及其应用技术1.本发明涉及计算机技术领域，具体而言，涉及一种高速公路气象在线监测方法及系统。背景技术：2.目前，一般采用特征提取和卷积的方式对雾进行检测识别。采用特征提取的方法，因为雾在弥漫整张图片，导致背景无法分离的情况，并且因为雾的形状和颜色多样，特征无法单独提取导致检测识别困难。采用卷积的方式进行检测，雾的检测需要大量的数据，并且浓雾刚开始时检测效率低，并且有时候有图片模糊和灰色物体等的干扰，无法准确识别出雾。技术实现要素：3.本发明的目的在于提供了一种高速公路气象在线监测方法及系统，用以解决现有技术中存在的上述问题。4.第一方面，本发明实施例提供了一种高速公路气象在线监测方法，包括：采集监控设备中的监控图像；所述监控设备为高速公路上的监控设备；所述监控图像包括第一监控图像和第二监控图像；将所述第一监控图像和第二监控图像输入雾气检测模型中，得到雾气检测情况；所述雾气检测情况包括雾气特征向量和图像变化值；所述图像变化值表示第二监控图像中的雾气相较于第一监控图像的变化程度；所述雾气特征向量包括第一元素和多个第二元素，所述第一元素分别表示雾气类别，所述第二元素表示雾气程度；基于所述雾气特征向量和图像变化值，得到雾气判断值；若所述雾气判断值为1，表示检测到雾，若所述雾气判断值为0，表示未检测到雾；所述雾气检测模型包括：一个特征提取卷积网络、一个图像变化计算层和两个全连接层；特征提取卷积网络的输入为第一监控图像和第二监控图像；所述特征提取卷积网络的输出为第一特征图和第二特征图；第一全连接层的输入为所述第一特征图和第二特征图；所述第一全连接层的输出为第一特征向量和第二特征向量；图像变化值计算层的输入为所述第一特征向量和第二特征向量；图像变化值计算层的输出为图像变化值；第二全连接层的输入为所述第二特征图；所述第一全连接层的输出为雾气特征向量。5.可选的，雾气检测模型的训练方法包括：获得训练集，所述训练集包括多张训练图片和标注数据；所述多张训练图片包括基本样本图像、正样本图像和负样本图像；所述正样本图像为获得基本样本图像后2s内获得的图像；所述基本样本图像表示有雾的图像；所述负样本表示没有雾气但是由于其他原因遮盖背景的图片；对所述雾气检测训练集中的基本样本图像、正样本图像和负样本图像进行预处理，得到预处理烟雾图；所述预处理烟雾图包括基本样本预处理烟雾图、正样本预处理烟雾图和负样本预处理烟雾图；将所述预处理烟雾图输入所述特征提取卷积网络中，得到雾气特征图；所述雾气特征图包括基本样本雾气特征图、正样本雾气特征图和负样本雾气特征图；基于所述基本样本雾气特征图、正样本雾气特征图和所述第一全连接层，得到图像变化值；基于所述基本样本雾气特征图、负样本雾气特征图和所述第二全连接层，得到雾气检测特征向量；所述雾气检测特征向量包括基本样本雾气特征检测向量和负样本雾气特征检测向量；所述雾气检测特征向量包括类别和雾气程度，所述类别包括有雾和无雾；所述雾气程度包括无雾、轻雾、浓雾、强浓雾、特强浓雾、极强浓雾和盲雾；基于所述基本样本雾气特征检测向量、负样本雾气特征检测向量、图像变化值和标注数据，得到雾气检测损失值；获得所述雾气检测模型训练的最大迭代次数；当所述雾气检测损失值小于或等于雾气阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的雾气检测模型。6.可选的，所述将所述预处理烟雾图输入所述特征提取卷积网络中，得到雾气特征图，包括：将所述预处理烟雾图中的基本样本预处理烟雾图输入特征提取卷积网络中，得到基本样本雾气特征图；将所述预处理烟雾图中的正样本预处理烟雾图输入特征提取卷积网络中，得到正样本雾气特征图；将所述预处理烟雾图中的负样本预处理烟雾图输入特征提取卷积网络中，得到负样本雾气特征图。7.可选的，所述基于所述基本样本雾气特征图、正样本雾气特征图和所述第一全连接层，得到图像变化值，包括：将所述基本样本雾气特征图输入第一全连接层，得到基本样本雾气变化向量；将所述正样本雾气特征图输入第一全连接层，得到正样本雾气变化向量；基于所述基本样本雾气变化向和所述正样本雾气变化向量，得到雾气变化相似值；所述雾气变化相似值具体通过下述公式所述计算方式获得：其中，为所述雾气变化相似值；表示所述基本样本雾气变化向量中的元素；表示所述正样本雾气变化向量中的元素；表示所述基本样本雾气变化向和所述正样本雾气变化向量的长度；表示所述基本样本雾气变化向和所述正样本雾气变化向量中的第个元素；i的取值为1到之间的整数。8.可选的，所述基于所述基本样本雾气特征图、负样本雾气特征图和所述第二全连接层，得到雾气检测特征向量，包括：将所述基本样本雾气特征图输入所述第二全连接层，得到基本样本雾气检测向量；将所述负样本雾气特征图输入所述第二全连接层，得到负样本雾气检测向量。9.可选的，其特征在于，所述基于所述基本样本雾气特征检测向量、负样本雾气特征检测向量、图像变化值和标注数据，得到雾气检测损失值，包括：所述雾气变化相似值具体通过下述公式所述计算方式获得：其中，loss为所述雾气变化相似值；为所述图像变化值；为所述基本样本雾气检测向量中的元素；为所述正样本雾气检测向量中的元素；为所述负样本雾气检测向量中的元素。10.可选的，所述基于所述雾气特征向量和图像变化值，得到雾气判断值，包括：基于所述雾气特征向量，得到雾气类别；获得雾气存在值；所述雾气存在值为所述雾气类别与所述图像变化值相乘之积；若雾气存在值大于雾气存在阈值，雾气判断值设为1；若雾气存在值小于等于雾气存在阈值，雾气判断值设为0。11.第二方面，本发明实施例提供了一种高速公路气象在线监测系统，包括：采集模块：采集监控设备中的监控图像；所述监控设备为高速公路上的监控设备；所述监控图像包括第一监控图像和第二监控图像；检测模块：将所述第一监控图像和第二监控图像输入雾气检测模型中，得到雾气检测情况；所述雾气检测情况包括雾气特征向量和图像变化值；所述图像变化值表示第二监控图像中的雾气相较于第一监控图像的变化程度；所述雾气特征向量包括第一元素和多个第二元素，所述第一元素分别表示雾气类别，所述第二元素表示雾气程度；判断模块：基于所述雾气特征向量和图像变化值，得到雾气判断值；若所述雾气判断值为1，表示检测到雾，若所述雾气判断值为0，表示未检测到雾；所述雾气检测模型包括：一个特征提取卷积网络、一个图像变化计算层和两个全连接层；特征提取卷积网络的输入为第一监控图像和第二监控图像；所述特征提取卷积网络的输出为第一特征图和第二特征图；第一全连接层的输入为所述第一特征图和第二特征图；所述第一全连接层的输出为第一特征向量和第二特征向量；图像变化值计算层的输入为所述第一特征向量和第二特征向量；图像变化值计算层的输出为图像变化值；第二全连接层的输入为所述第二特征图；所述第一全连接层的输出为雾气特征向量。12.可选的，雾气检测模型的训练方法包括：获得训练集，所述训练集包括多张训练图片和标注数据；所述多张训练图片包括基本样本图像、正样本图像和负样本图像；所述正样本图像为获得基本样本图像后2s内获得的图像；所述基本样本图像表示有雾的图像；所述负样本表示没有雾气但是由于其他原因遮盖背景的图片；对所述雾气检测训练集中的基本样本图像、正样本图像和负样本图像进行预处理，得到预处理烟雾图；所述预处理烟雾图包括基本样本预处理烟雾图、正样本预处理烟雾图和负样本预处理烟雾图；将所述预处理烟雾图输入所述特征提取卷积网络中，得到雾气特征图；所述雾气特征图包括基本样本雾气特征图、正样本雾气特征图和负样本雾气特征图；基于所述基本样本雾气特征图、正样本雾气特征图和所述第一全连接层，得到图像变化值；基于所述基本样本雾气特征图、负样本雾气特征图和所述第二全连接层，得到雾气检测特征向量；所述雾气检测特征向量包括基本样本雾气特征检测向量和负样本雾气特征检测向量；所述雾气检测特征向量包括类别和雾气程度，所述类别包括有雾和无雾；所述雾气程度包括无雾、轻雾、浓雾、强浓雾、特强浓雾、极强浓雾和盲雾；基于所述基本样本雾气特征检测向量、负样本雾气特征检测向量、图像变化值和标注数据，得到雾气检测损失值；获得所述雾气检测模型训练的最大迭代次数；当所述雾气检测损失值小于或等于雾气阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的雾气检测模型。13.可选的，所述将所述预处理烟雾图输入所述特征提取卷积网络中，得到雾气特征图，包括：将所述预处理烟雾图中的基本样本预处理烟雾图输入特征提取卷积网络中，得到基本样本雾气特征图；将所述预处理烟雾图中的正样本预处理烟雾图输入特征提取卷积网络中，得到正样本雾气特征图；将所述预处理烟雾图中的负样本预处理烟雾图输入特征提取卷积网络中，得到负样本雾气特征图。14.相较于现有技术，本发明实施例达到了以下有益效果：在雾开始聚集的时候，通过视频检测的方法，卷积的方式进行识别雾气。通过正样本与负样本同时对神经网络进行训练，增加了神经网络的识别雾气的精确性。同时由于正样本为基本样本前2s的图像，获得正样本与基本样本的图像变化值图像，更加精确的地识别出模糊图像但不是雾的情况，大大增加了雾气识别的准确性。附图说明15.图1是本发明实施例提供的一种高速公路气象在线监测方法流程图。16.图2是本发明实施例提供的一种高速公路气象在线监测的雾气检测模型使用过程图。17.图3是本发明实施例提供的一种电子设备的方框结构示意图。18.图中标记：总线500；接收器501；处理器502；发送器503；存储器504；总线接口505。具体实施方式19.下面结合附图，对本发明作详细的说明。20.实施例1如图1所示，本发明实施例提供了一种高速公路气象在线监测方法，所述方法包括：s101：采集监控设备中的监控图像；所述监控设备为高速公路上的监控设备；所述监控图像包括第一监控图像和第二监控图像。21.s102：将所述第一监控图像和第二监控图像输入雾气检测模型中，得到雾气检测情况；所述雾气检测情况包括雾气特征向量和图像变化值；所述图像变化值表示第二监控图像中的雾气相较于第一监控图像的变化程度；所述雾气特征向量包括第一元素和多个第二元素，所述第一元素分别表示雾气类别，所述第二元素表示雾气程度。22.s103：基于所述雾气特征向量和图像变化值，得到雾气判断值；若所述雾气判断值为1，表示检测到雾，若所述雾气判断值为0，表示未检测到雾。23.所述雾气检测模型包括：一个特征提取卷积网络、一个图像变化计算层和两个全连接层；特征提取卷积网络的输入为第一监控图像和第二监控图像。所述特征提取卷积网络的输出为第一特征图和第二特征图。第一全连接层的输入为所述第一特征图和第二特征图；所述第一全连接层的输出为第一特征向量和第二特征向量。图像变化值计算层的输入为所述第一特征向量和第二特征向量；图像变化值计算层的输出为图像变化值；第二全连接层的输入为所述第二特征图；所述第一全连接层的输出为雾气特征向量。24.其中，所述高速公路气象在线监测的过程如图2所示，输入两张图片，经过相同的特征提取卷积网络，分别得到第一特征图和第二特征图，第一特征图和第二特征图分别通过第一全连接层，分别得到第一特征向量和第二特征向量。由所述第一特征向量和第二特征向量计算出图像变化值。第二特征图通过第二全连接层得到第三特征向量。通过第三特征向量和所述图像变化值，判断是否为雾。25.其中，雾气特征向量包括第一元素和多个第二元素，所述第一元素分别表示雾气类别，所述第二元素表示雾气程度。本实施例中第二元素的数量为7，第二元素中的元素值表示雾气程度的可能程度。如雾气特征向量为[0.95, 0.1, 0.2, 0.1, 0.97, 0.3, 0.2, 0.1]，表示有雾，且雾的程度如表1所示为第4级的强浓雾，可见度为0.1-0.5千米。[0026]其中，所述基本图像，正样本图像，负样本图像都是除了雾和模糊没有其他因素影响的图像。[0027]通过上述方法，正样本与负样本同时对神经网络进行训练，增加了神经网络的识别雾气的精确性。同时由于正样本为基本样本前2s的图像，获得正样本与基本样本的图像变化值图像，更加精确的识别出模糊图像但未是雾的情况，大大增加了雾气识别的准确性。[0028]可选的，雾气检测模型的训练方法包括：获得训练集，所述训练集包括多张训练图片和标注数据；所述多张训练图片包括基本样本图像、正样本图像和负样本图像。所述正样本图像为获得基本样本图像后2s内获得的图像；所述基本样本图像表示有雾的图像。所述负样本表示没有雾气但是由于其他原因遮盖背景的图片。[0029]对所述雾气检测训练集中的基本样本图像、正样本图像和负样本图像进行预处理，得到预处理烟雾图。所述预处理烟雾图包括基本样本预处理烟雾图、正样本预处理烟雾图和负样本预处理烟雾图。[0030]将所述预处理烟雾图输入所述特征提取卷积网络中，得到雾气特征图；所述雾气特征图包括基本样本雾气特征图、正样本雾气特征图和负样本雾气特征图。[0031]基于所述基本样本雾气特征图、正样本雾气特征图和所述第一全连接层，得到图像变化值；图像变化值为1表示图像变化，图像变化值为0表示图像未变化。[0032]基于所述基本样本雾气特征图、负样本雾气特征图和所述第二全连接层，得到雾气检测特征向量；所述雾气检测特征向量包括基本样本雾气特征检测向量和负样本雾气特征检测向量；所述雾气检测特征向量包括类别和雾气程度，所述类别包括有雾和无雾；所述雾气程度包括无雾、轻雾、浓雾、强浓雾、特强浓雾、极强浓雾和盲雾。[0033]基于所述基本样本雾气特征检测向量、负样本雾气特征检测向量、图像变化值和标注数据，得到雾气检测损失值；。[0034]获得所述雾气检测模型训练的最大迭代次数。[0035]当所述雾气检测损失值小于或等于雾气阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的雾气检测模型。[0036]其中，本实施例的雾气阈值为1。所述负样本表示没有雾气但是由于其他原因遮盖背景的图片，可以是模糊图片和与灰色物体遮盖的图片。所述正样本组中的第二正样本烟雾图在第一正样本烟雾图后2s内获得。所述训练集的标注数据包括与特征向量输出相对的烟雾类别和烟雾程度。可以通过mixcut方法对训练集中的图片进行预处理。[0037]其中，雾气程度的级数、名称、可见度如表1所示：表1通过上述方法，所述基本样本烟雾图在正样本烟雾图后2s内获得是因为雾在聚集的过程中速度快。基于基本样本和正样本的关系在卷积判断是否为雾的情况下，加上这一影响因素，从而更加精准的判断监控图像中的模糊情况是否是因为雾气。通过计算损失函数的方法训练图像。[0038]可选的，所述将所述预处理烟雾图输入所述特征提取卷积网络中，得到雾气特征图，包括：将所述预处理烟雾图中的基本样本预处理烟雾图输入特征提取卷积网络中，得到基本样本雾气特征图。[0039]将所述预处理烟雾图中的正样本预处理烟雾图输入特征提取卷积网络中，得到正样本雾气特征图。[0040]将所述预处理烟雾图中的负样本预处理烟雾图输入特征提取卷积网络中，得到负样本雾气特征图。[0041]其中，本实施例中使用的所述特征提取卷积网络为变形yolov3网络。所述特征提取卷积网络用来提取雾气的很多特征。[0042]通过上述方法，由于单独提取雾气特征困难，所以采用卷积的方法提取雾气的特征进行识别，使得能够简单的提取出需要的特征。[0043]可选的，所述基于所述基本样本雾气特征图、正样本雾气特征图和所述第一全连接层，得到图像变化值，包括：将所述基本样本雾气特征图输入第一全连接层，得到基本样本雾气变化向量。[0044]将所述正样本雾气特征图输入第一全连接层，得到正样本雾气变化向量。[0045]基于所述基本样本雾气变化向和所述正样本雾气变化向量，得到雾气变化相似值。[0046]所述雾气变化相似值具体通过下述公式所述计算方式获得：其中，为所述雾气变化相似值；表示所述基本样本雾气变化向量中的元素；表示所述正样本雾气变化向量中的元素；表示所述基本样本雾气变化向和所述正样本雾气变化向量的长度；表示所述基本样本雾气变化向和所述正样本雾气变化向量中的第个元素；i的取值为1到之间的整数。[0047]其中，雾气变化阈值为1。本实施例中所述基本样本雾气变化向量元素个数m为3，所述基本样本雾气变化向量元素表示雾气图片的特征，包括雾气的纹理、雾气的形状和雾气的颜色。[0048]通过上述方法，第一全连接层中的softmax函数将所述第一雾气变化向量和第二雾气变化向量的取值范围控制在0到1之间，便于之后计算。[0049]可选的，所述基于所述基本样本雾气特征图、负样本雾气特征图和所述第二全连接层，得到雾气检测特征向量，包括：将所述基本样本雾气特征图输入所述第二全连接层，得到基本样本雾气检测向量。[0050]将所述负样本雾气特征图输入所述第二全连接层，得到负样本雾气检测向量。[0051]可选的，所述基于所述基本样本雾气特征检测向量、负样本雾气特征检测向量、图像变化值和标注数据，得到雾气检测损失值，包括：所述雾气变化相似值具体通过下述公式所述计算方式获得：其中，loss为所述雾气变化相似值；为所述图像变化值；为所述基本样本雾气检测向量中的元素；为所述正样本雾气检测向量中的元素；为所述负样本雾气检测向量中的元素。[0052]通过上述方法，基本样本与正样本的特征越贴近与相似但不为雾气的负样本越远离。同时因为正样本取的是有雾且比在基本样本2s之前的监控图像，加入了基本样本与正样本之间的变化程度。变化程度越小，说明为负样本的情况越大，变化程度越大说明为负样本的情况越小。[0053]可选的，所述基于所述雾气特征向量和图像变化值，得到雾气判断值；若所述雾气判断值为1，表示检测到雾，若所述雾气判断值为0，表示未检测到雾，包括：基于所述雾气特征向量，得到雾气类别。[0054]获得雾气存在值。所述雾气存在值为所述雾气类别与所述图像变化值相乘之积。[0055]若雾气存在值大于雾气存在阈值，雾气判断值设为1。[0056]若雾气存在值小于等于雾气存在阈值，雾气判断值设为0。[0057]其中，本实施例的雾气存在阈值为0.2。[0058]通过上述方法，在实际用来检测时，只采用了连续取得的两张监控图像，所述监控图像获取的时间只间隔了2s。所述雾气存在值为所述雾气类别为有雾气表示检测到图片中可能为雾气，通过判断两张监控图像的图像变化值，更加准确的判断到底是有雾图像还是如只是模糊图像一样的其他图像。所以通过计算所述雾气存在值为所述雾气类别与所述图像变化值相乘之积与雾气存在阈值的大小进行判断。[0059]实施例2基于上述的一种高速公路气象在线监测方法，本发明实施例还提供了一种高速公路气象在线监测系统，所述系统包括采集模块、检测模块和判断模块。[0060]其中，采集模块用于采集监控设备中的监控图像。所述监控设备为高速公路上的监控设备。所述监控图像包括第一监控图像和第二监控图像。[0061]其中，检测模块用于雾气检测情况。将所述第一监控图像和第二监控图像输入雾气检测模型中，得到雾气检测情况。所述雾气检测情况包括雾气特征向量和图像变化值。所述图像变化值表示第二监控图像中的雾气相较于第一监控图像的变化程度。所述雾气特征向量包括第一元素和多个第二元素，所述第一元素分别表示雾气类别，所述第二元素表示雾气程度。[0062]其中，判断模块用于检测雾气是否存在。基于所述雾气特征向量和图像变化值，得到雾气判断值；若所述雾气判断值为1，表示检测到雾，若所述雾气判断值为0，表示未检测到雾。[0063]所述雾气检测模型包括：一个特征提取卷积网络、一个图像变化计算层和两个全连接层；特征提取卷积网络的输入为第一监控图像和第二监控图像；所述特征提取卷积网络的输出为第一特征图和第二特征图；第一全连接层的输入为所述第一特征图和第二特征图；所述第一全连接层的输出为第一特征向量和第二特征向量；图像变化值计算层的输入为所述第一特征向量和第二特征向量；图像变化值计算层的输出为图像变化值；第二全连接层的输入为所述第二特征图；所述第一全连接层的输出为雾气特征向量。[0064]在此关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。[0065]所述还可以是: 所述雾气检测模型包括：一个特征提取卷积网络、一个图像变化计算层、两个全连接层和一个雾气判断层；特征提取卷积网络的输入为第一监控图像和第二监控图像；所述特征提取卷积网络的输出为第一特征图和第二特征图；所述第一全连接层的输入为所述第一特征图和第二特征图；所述第一全连接层的输出为第一特征向量和第二特征向量；图像变化值计算层的输入为所述第一特征向量和第二特征向量；图像变化值计算层的输出为图像变化值；所述第二全连接层的输入为所述第二特征图；所述第一全连接层的输出为雾气特征向量；所述雾气判断层的输入为所述图像变化值和所述雾气特征向量，所述雾气判断层的输出为雾气检测情况。[0066]所述方法包括采集监控设备中的监控图像；所述监控设备为高速公路上的监控设备；所述监控图像包括第一监控图像和第二监控图像。[0067]将所述第一监控图像和第二监控图像输入雾气检测模型中，得到雾气检测情况。[0068]本发明实施例还提供了一种电子设备，如图3所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述一种高速公路气象在线监测方法的任一方法的步骤。[0069]其中，在图3中，总线架构（用总线500来代表），总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。[0070]本发明实施例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前文所述一种高速公路气象在线监测方法的任一方法的步骤以及上述的所涉及的数据。[0071]在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。[0072]在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。[0073]类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。[0074]本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。[0075]此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。[0076]本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（dsp）来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。[0077]以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!