一种电池电芯智能化检测方法和装置

技术领域

本发明实施例涉及极耳检测技术领域，尤其涉及一种电池电芯智能化检测方法和装置。

背景技术

在电池生产领域，卷绕工艺是方形电芯的主流工艺。卷绕工艺中，先对极片进行模切，然后将阴极极片、阳极极片、两层隔离膜按“隔离膜- 阴极极片-隔离膜-阳极极片”的顺序在卷针上卷绕贴合完成。在电芯卷绕过程中，若物料厚度与标准厚度不一致，会导致极耳错位，影响裸电芯后段工序的装配及焊接过流能力。

在电池极耳加工行业中，存在电池极耳单层、尺寸超差、极耳翻折、不规则错位、存在气泡和焊接不良等质量缺陷。因此，电芯在组装成电池模组之前，通过人工进行电芯极耳的缺陷判定。由于电芯的极耳比较小，所以，人对电池极耳是否存在缺陷的判定准确度低。因此，电芯在组装成电池模组后，若电芯的电池极耳存在缺陷，则导致电池极耳不能进入连接极耳用的铜排。目前，对于小缺陷的电池极耳，通过人工操作的方式致使电池极耳进入铜排，对于缺陷较大的电池极耳，则需要替换该电芯，并重新进行组装。这样的话，既降低了电池模组的质量，也降低了组装速率。

因此，传统人工检测方法，存在速度慢、效率低、误检、漏检率高的缺点，无法满足生产需要。

发明内容

本发明实施例提供一种电池电芯智能化检测方法和装置，以解决现有技术中人工检测方法，存在速度慢、效率低、误检、漏检率高的缺点，无法满足生产需要的问题。

本发明实施例提供一种电池电芯智能化检测方法，包括：

步骤S1、基于第一摄像设备获取不同焦距下待检测电芯的极耳图像；将不同焦距下的所述极耳图像合成为一张极耳合成图像；

步骤S2、基于第二摄像设备获取待检测电芯的首端隔膜图像和尾端隔膜图像；

步骤S3、基于预先训练的第一神经网络模型对所述极耳合成图像进行识别，获取极耳层数；基于预先训练的第二神经网络模型对所述首端隔膜图像和所述尾端隔膜图像进行识别，以判断所述待检测电芯的首端隔膜和/或尾端隔膜是否存在缺陷，并识别缺陷类型。

作为优选的，所述步骤S1具体包括：

步骤S11、将待检测电芯传送至第一位置时，基于所述第一摄像设备采集待检测电芯在不同焦距下的图像信息；所述第一位置位于第一摄像设备的摄像方向的延长线上；

步骤S12、提取不同焦距下所述图像信息中的极耳图像；

步骤S13、基于边缘提取算法对不同焦距下的所述极耳图像进行图像合成，得到极耳边缘清晰的极耳合成图像。

作为优选的，所述步骤S2具体包括：

将待检测电芯传送至第二位置时，基于第二摄像设备采集所述待检测电芯的首端隔膜图像和尾端隔膜图像；其中，所述第二摄像设备的摄像方向与所述待检测电芯的首端隔膜平面、尾端隔膜平面，且成预设夹角。

作为优选的，还包括：

以不同极耳层数的电芯作为样本，获取若干预设的不同焦距下每个样本的极耳图像，其中每个焦距下的极耳图像中，所有极耳边缘均清晰分布于对应极耳图像中；

对每个样本对应的多个极耳图像进行图像合成，得到极耳边缘清晰的极耳合成图像，对所述极耳合成图像进行层数标注，得到极耳样本图像；

对所述极耳样本图像进行深度学习，得到用于检测极耳层数的第一神经网络模型。

作为优选的，还包括：

采集不同缺陷类型和不同缺陷位置的电芯隔膜的首端隔膜图像和尾端隔膜图像，对所述首端隔膜图像和尾端隔膜图像进行缺陷类型和缺陷位置标注，得到隔膜样本图像；

对所述隔膜样本图像进行深度学习，得到用于检测电芯隔膜缺陷的第二神经网络模型。

作为优选的，所述第一神经网络模型和所述第二神经网络模型均为 Mask-RCNN神经网络；所述Mask-RCNN神经网络包括卷积神经网络ResNet、区域建议网络RPN、ROI分类器和边界框回归器。

作为优选的，所述缺陷类型包括不平齐、碳粉、变形、异物。

第二方面，本发明实施例提供一种电池电芯智能化检测装置，包括：

极耳图像处理模块，基于第一摄像设备获取不同焦距下待检测电芯的极耳图像；将不同焦距下的所述极耳图像合成为一张极耳合成图像；

隔膜图像处理模块，基于第二摄像设备获取待检测电芯的首端隔膜图像和尾端隔膜图像；

缺陷分析模块，基于预先训练的第一神经网络模型对所述极耳合成图像进行识别，获取极耳层数；基于预先训练的第二神经网络模型对所述首端隔膜图像和所述尾端隔膜图像进行识别，以判断所述待检测电芯的首端隔膜和/ 或尾端隔膜是否存在缺陷，并识别缺陷类型。

第三方面，本发明实施例提供一种电子设备，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程序时实现如本发明第一方面实施例所述电池电芯智能化检测方法的步骤。

第四方面，本发明实施例提供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本发明第一方面实施例所述电池电芯智能化检测方法的步骤。

本发明实施例提供的一种电池电芯智能化检测方法和装置，通过液态镜头连续变焦，相机连续采集多张图像，保证所有极耳边缘都分别能清晰分布于相应的图像中，对所有图像进行图像合成，得到一张每条极耳边缘都清晰的图像，最后对该图像进行深度学习算法分析，得到极耳的层数；通过深度学习算法，采集大量的缺陷样本进行学习训练，得出最优模型，然后模型对拍摄图像进行缺陷定位并预判，计算出缺陷位置并对缺陷进行分类。

附图说明

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。

图1为根据本发明实施例的电池电芯智能化检测方法流程框图；

图2为根据本发明实施例的多张极耳图像合成示意图；

图3为根据本发明实施例的通过卷积的方式提取横向线条示意图；

图4为根据本发明实施例的使用线条标注极耳图像示意图；

图5为根据本发明实施例的使用矩形框标注隔膜图像示意图；

图6为根据本发明实施例的电芯尾部图像示意图；

图7为根据本发明实施例的碳粉缺陷示意图；

图8为根据本发明实施例的异物缺陷示意图；

图9为根据本发明实施例的深度学习过程示意图；

图10 为根据本发明实施例的神经网络示意图；

图11为根据本发明实施例的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例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。

本申请实施例中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

本申请实施例中的术语“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。本申请的描述中，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出的部件或单元，而是可选地还包括没有列出的部件或单元，或可选地还包括对于这些产品或设备固有的其它部件或单元。本申请的描述中，“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。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

现有的裸电芯检测方法通常为人工测量，通过人手将裸电芯压紧，然后用游标卡尺卡住裸电芯进行测量，但存在以下缺陷：人手压紧裸电芯的力量和压实厚度有差异；手动使用游标卡尺卡住测量裸电芯的力度也有差异；游标卡尺的精度为0.01mm，而裸电芯宽度的规格范围为±0.25mm，其测量精度并不能满足要求。现有的测量方法导致裸电芯的测量准确性较低，无法满足日益增进的电芯设计高精度要求。

因此，本发明实施例提供一种电池电芯智能化检测方法，通过液态镜头连续变焦，相机连续采集多张图像，保证所有极耳边缘都分别能清晰分布于相应的图像中，对所有图像进行图像合成，得到一张每条极耳边缘都清晰的图像，最后对该图像进行深度学习算法分析，得到极耳的层数；通过深度学习算法，采集大量的缺陷样本进行学习训练，得出最优模型，然后模型对拍摄图像进行缺陷定位并预判，计算出缺陷位置并对缺陷进行分类。以下将通过多个实施例进行展开说明和介绍。

图1为本发明实施例提供一种电池电芯智能化检测方法，包括：

第一神经网络模型训练，以不同极耳层数的电芯作为样本，获取若干预设的不同焦距下每个样本的极耳图像，其中每个焦距下的极耳图像中，所有极耳边缘均清晰分布于对应极耳图像中；

如图2中所示，对每个样本对应的多个极耳图像进行图像合成，得到极耳边缘清晰的极耳合成图像，对所述极耳合成图像进行层数标注，得到极耳样本图像；

对所述极耳样本图像进行深度学习，得到用于检测极耳层数的第一神经网络模型。

具体的，由于卷绕后的极耳横向存在不规则的错位，一次拍照无法将所有的边缘聚焦，因此，需要通过液态镜头连续变焦，相机在不同焦距情况下分别采集图像，保证所有极耳边缘都分别能清晰分布于相应的图像中，对所有图像进行图像合成，得到一张每条极耳边缘都清晰的图像，只有最后合成的图用于标注训练。

如图3中所示，极耳图像前期处理时，需对合成后的极耳合成图像使用矩阵核[[-1,-1,-1],[0,0,0],[1,1,1]]通过卷积的方式提取横向线条，使得干扰减少目标明显。

具体的，在进行极耳标注时，采用线条标注方法，如图4中所示。

当产品的电芯为黑色时，通过使用低角度光对产品进行拍摄得出产品的灰度图，并根据边缘滤波算法得出该电芯的极耳边缘；

或者，当产品的电芯为银色且胶纸为绿色时，首先使用白色隧道光对产品进行拍摄得出产品的灰度图，并根据边缘滤波算法得出该电芯的极耳边缘；

或者，当电芯为银色且胶纸为蓝色时，首先使用白色隧道光对产品进行拍摄得出产品的灰度图，并根据边缘滤波算法得出该电芯的极耳边缘。

采集不同缺陷类型和不同缺陷位置的电芯首尾隔膜图像，对所述电芯首尾隔膜图像进行缺陷类型和缺陷位置标注，如图5中所示，隔膜标注采用矩形框标注，得到隔膜样本图像；对所述隔膜样本图像进行深度学习，得到用于检测电芯隔膜缺陷的第二神经网络模型；

需要摄像设备倾斜于电芯首尾隔膜平面进行采集，采集不同缺陷的电芯首尾隔膜图像，采集多张图像并保证各缺陷样本数量平衡，隔膜图像不需要合成，直接可用于标注训练。

其中，在对产品进行拍照时，同时拍摄产品的正面图像和产品的反面图像。具体的，电池极耳需采集极耳内侧、极耳外侧图像。

具体的，在本实施例中，如图6中所示，为电芯尾部图像；本实施例中主要检测电芯头尾部隔膜是否平齐、碳粉、变形、异物等缺陷，通过深度学习算法，采集大量的缺陷样本进行学习训练，得出最优模型，然后模型对拍摄图像进行缺陷定位并预判，计算出缺陷位置并对缺陷进行分类。其中，图 7为存在碳粉缺陷的图像，图8为存在异物的图像；图9为本发明实施例的深度学习过程。

具体的，如图10中所示，第一神经网络模型和所述第二神经网络模型均为Mask-RCNN神经网络；所述Mask-RCNN神经网络包括卷积神经网络 ResNet、区域建议网络RPN、ROI分类器和边界框回归器；Mask R-CNN是一个两阶段的框架，第一个阶段扫描图像并生成提议(proposals，即有可能包含一个目标的区域)，第二阶段分类提议并生成边界框和掩码。Mask R-CNN 扩展自Faster R-CNN，由同一作者在去年提出。Faster R-CNN是一个流行的目标检测框架，Mask R-CNN将其扩展为实例分割框架。

1、主干架构

主干是一个标准的卷积神经网络(通常来说是ResNet50和ResNet101)，作为特征提取器。底层检测的是低级特征(边缘和角等)，较高层检测的是更高级的特征(汽车、人、天空等)。

经过主干网络的前向传播，图像从1024x1024x3(RGB)的张量被转换成形状为32x32x2048的特征图。该特征图将作为下一个阶段的输入。

引入的特征金字塔网络(FPN)是对该主干网络的扩展，可以在多个尺度上更好地表征目标。

FPN通过添加第二个金字塔提升了标准特征提取金字塔的性能，第二个金字塔可以从第一个金字塔选择高级特征并传递到底层上。通过这个过程，它允许每一级的特征都可以和高级、低级特征互相结合。

在我们的Mask R-CNN实现中使用的是ResNet101+FPN主干网络。

2、区域建议网络(RPN)

RPN是一个轻量的神经网络，它用滑动窗口来扫描图像，并寻找存在目标的区域。

RPN扫描的区域被称为anchor，这是在图像区域上分布的矩形，如上图所示。这只是一个简化图。实际上，在不同的尺寸和长宽比下，图像上会有将近20万个anchor，并且它们互相重叠以尽可能地覆盖图像。

RPN扫描这些anchor的速度非常快。滑动窗口是由RPN的卷积过程实现的，可以使用GPU并行地扫描所有区域。此外，RPN并不会直接扫描图像，而是扫描主干特征图。这使得RPN可以有效地复用提取的特征，并避免重复计算。通过这些优化手段，RPN可以在10ms内完成扫描。

RPN为每个anchor生成两个输出：

1.anchor类别：前景或背景(FG/BG)。前景类别意味着可能存在一个目标在anchorbox。

2.边框精调：前景anchor(或称正anchor)可能并没有完美地位于目标的中心。因此，RPN评估了delta输出(x、y、宽、高的变化百分数)以精调anchor box来更好地拟合目标。

使用RPN的预测，本实施例中可以选出最好地包含了目标的anchor，并对其位置和尺寸进行精调。如果有多个anchor互相重叠，我们将保留拥有最高前景分数的anchor，并舍弃余下的(非极大值抑制)。然后我们就得到了最终的区域建议，并将其传递到下一个阶段。

3、ROI分类器和边界框回归器

这个阶段是在由RPN提出的ROI上运行的。正如RPN一样，它为每个 ROI生成了两个输出：

1.类别：ROI中的目标的类别。和RPN不同(两个类别，前景或背景)，这个网络更深并且可以将区域分类为具体的类别(人、车、椅子等)。它还可以生成一个背景类别，然后就可以弃用ROI了。

2.边框精调：和RPN的原理类似，它的目标是进一步精调边框的位置和尺寸以将目标封装。

ROI池化是指裁剪出特征图的一部分，然后将其重新调整为固定的尺寸。这个过程实际上和裁剪图片并将其缩放是相似的。

分类器并不能很好地处理多种输入尺寸。它们通常只能处理固定的输入尺寸。但是，由于RPN中的边框精调步骤，ROI框可以有不同的尺寸。因此，我们需要用ROI池化来解决这个问题。

4、分割掩码

掩码分支是一个卷积网络，取ROI分类器选择的正区域为输入，并生成它们的掩码。其生成的掩码是低分辨率的：28x28像素。但它们是由浮点数表示的软掩码，相对于二进制掩码有更多的细节。掩码的小尺寸属性有助于保持掩码分支网络的轻量性。在训练过程中，我们将真实的掩码缩小为28x28 来计算损失函数，在推断过程中，我们将预测的掩码放大为ROI边框的尺寸以给出最终的掩码结果，每个目标有一个掩码。

步骤S1、将待检测电芯传送至第一位置时，基于所述第一摄像设备采集待检测电芯在不同焦距下的图像信息；所述第一位置位于第一摄像设备的摄像方向的延长线上；通过第一摄像设备基于连续变焦方法获取电池电芯的若干极耳图像，对所述若干极耳图像进行融合，得到一张每条极耳边缘均清晰的极耳合成图像；

具体的，如图2中所示，由于卷绕后的极耳横向存在不规则的错位，一次拍照无法将所有的边缘聚焦，因此，本实施例通过液态镜头连续变焦，相机连续采集多张图像，保证所有极耳边缘都分别能清晰分布于相应的图像中，对所有图像进行图像合成，得到一张每条极耳边缘都清晰的图像，最后对该图像进行深度学习算法分析，得到极耳的层数。

步骤S2、基于第二摄像设备获取待检测电芯的首端隔膜图像和尾端隔膜图像；

将待检测电芯传送至第二位置时，基于第二摄像设备采集所述待检测电芯的首端隔膜图像和尾端隔膜图像；其中，所述第二摄像设备的摄像方向与所述待检测电芯的首端隔膜平面、尾端隔膜平面，且成预设夹角。

步骤S3、基于预先训练的第一神经网络模型对所述极耳合成图像进行识别，获取极耳层数；基于预先训练的第二神经网络模型对所述首端隔膜图像和所述尾端隔膜图像进行识别，以判断所述待检测电芯的首端隔膜和/或尾端隔膜是否存在缺陷，并识别缺陷类型。

本实施例中的识别过程为：

使用相同的神经网络Mask-RCNN，只是不同类型的图片(极耳、隔膜)训练出不同的推理模型。

1.极耳层数推理模型

使用合成后的极耳图片，标注线条，将图片及标注结果输入模型，训练出的第一个推理模型；

使用方法：将合成后的极耳图片经过卷积处理后输入模型，得到线条识别结果，对结果计数，计数结果即是层数。

2.隔膜缺陷推理模型

隔膜图片分类别标注后，将图片及标注结果输入模型，训练出的第二个推理模型；

使用方法：将隔膜图片直接输入模型，得到缺陷类别及位置信息。

本发明实施例还提供一种电池电芯智能化检测装置，基于上述各实施例中的电池电芯智能化检测方法，包括：

模型训练模块，采集电池电芯首尾不同极耳层数的极耳图像，对所述极耳图像进行层数标注，得到极耳样本图像；对所述极耳样本图像进行深度学习，得到用于检测极耳层数的第一神经网络模型；

采集不同缺陷类型和不同缺陷位置的电芯首尾隔膜图像，对所述电芯首尾隔膜图像进行缺陷类型和缺陷位置标注，得到隔膜样本图像；对所述隔膜样本图像进行深度学习，得到用于检测电芯隔膜缺陷的第二神经网络模型；

极耳图像处理模块，基于第一摄像设备获取不同焦距下待检测电芯的极耳图像；将不同焦距下的所述极耳图像合成为一张极耳合成图像；

隔膜图像处理模块，基于第二摄像设备获取待检测电芯的首端隔膜图像和尾端隔膜图像；

缺陷分析模块，基于预先训练的第一神经网络模型对所述极耳合成图像进行识别，获取极耳层数；基于预先训练的第二神经网络模型对所述首端隔膜图像和所述尾端隔膜图像进行识别，以判断所述待检测电芯的首端隔膜和/ 或尾端隔膜是否存在缺陷，并识别缺陷类型。

基于相同的构思，本发明实施例还提供了一种实体结构示意图，如图11 所示，该服务器可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行如上述各实施例所述电池电芯智能化检测方法的步骤。例如包括：

步骤S1、基于第一摄像设备获取不同焦距下待检测电芯的极耳图像；将不同焦距下的所述极耳图像合成为一张极耳合成图像；

步骤S2、基于第二摄像设备获取待检测电芯的首端隔膜图像和尾端隔膜图像；

步骤S3、基于预先训练的第一神经网络模型对所述极耳合成图像进行识别，获取极耳层数；基于预先训练的第二神经网络模型对所述首端隔膜图像和所述尾端隔膜图像进行识别，以判断所述待检测电芯的首端隔膜和/或尾端隔膜是否存在缺陷，并识别缺陷类型。

此外，上述的存储器830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-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。

基于相同的构思，本发明实施例还提供一种非暂态计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包含至少一段代码，该至少一段代码可由主控设备执行，以控制主控设备用以实现如上述各实施例所述电池电芯智能化检测方法的步骤。例如包括：

步骤S1、基于第一摄像设备获取不同焦距下待检测电芯的极耳图像；将不同焦距下的所述极耳图像合成为一张极耳合成图像；

步骤S2、基于第二摄像设备获取待检测电芯的首端隔膜图像和尾端隔膜图像；

步骤S3、基于预先训练的第一神经网络模型对所述极耳合成图像进行识别，获取极耳层数；基于预先训练的第二神经网络模型对所述首端隔膜图像和所述尾端隔膜图像进行识别，以判断所述待检测电芯的首端隔膜和/或尾端隔膜是否存在缺陷，并识别缺陷类型。

基于相同的技术构思，本申请实施例还提供一种计算机程序，当该计算机程序被主控设备执行时，用以实现上述方法实施例。

所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上，也可以部分或者全部存储在不与处理器封装在一起的存储器上。

基于相同的技术构思，本申请实施例还提供一种处理器，该处理器用以实现上述方法实施例。上述处理器可以为芯片。

综上所述，本发明实施例提供的一种电池电芯智能化检测方法，通过液态镜头连续变焦，相机连续采集多张图像，保证所有极耳边缘都分别能清晰分布于相应的图像中，对所有图像进行图像合成，得到一张每条极耳边缘都清晰的图像，最后对该图像进行深度学习算法分析，得到极耳的层数；通过深度学习算法，采集大量的缺陷样本进行学习训练，得出最优模型，然后模型对拍摄图像进行缺陷定位并预判，计算出缺陷位置并对缺陷进行分类。

本发明的各实施方式可以任意进行组合，以实现不同的技术效果。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘 SolidStateDisk)等。

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，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。

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。