异常检测中特征向量的确定方法、异常检测方法和装置

技术领域

本申请涉及工业缺陷检测技术领域，具体而言，涉及一种异常检测中特征向量的确定方法、异常检测方法和装置。

背景技术

随着深度学习模型在工业缺陷检测领域中越来越广的应用，可通过深度学习模型对样本特征的学习，实现对工业产品的多种缺陷检测。

在一些工业缺陷检测场景下，因负样本(存在缺陷的图像)收集困难，正样本(无缺陷的图像)收集容易，故通过异常检测方法进行缺陷检测，该异常检测方法只对正样本图像进行训练，通过训练后得到的正样本特征构成的特征库与待测图像的匹配程度的，确定待测图像是否存在异常，实现对该待测图像的缺陷检测。

但是，异常检测方法在训练正样本特征的过程中，缺乏训练正样本的偏执和正样本特征拟合能力，导致待检测图像过度检测严重。

发明内容

为了解决待检测图像过度检测严重的问题，本申请提供了一种异常检测中特征向量的确定方法、异常检测方法和装置。

本申请的实施例是这样实现的：

本申请实施例的第一方面提供一种异常检测中特征向量的确定方法，包括如下步骤：

将正样本图像通过预训练的第一网络模型，提取第一特征向量；并触发第二网络模型拟合第一网络模型，通过拟合后的第二网络模型对正样本图像提取第二特征向量；其中，第二网络模型与第一网络模型结构相同；

确定各第一特征向量和对应的第二特征向量在角度空间中的差异值；

将差异值归一化，确定正样本图像中对应位置区域的注意力权重；

通过注意力权重对第一特征向量进行增强处理，确定目标特征向量，目标特征向量用于进行异常检测。

本申请实施例的第二方面提供一种异常检测方法，包括如下步骤：

通过第一网络模型，提取待检测图像的第四特征向量；

确定与第四特征向量的第一位置距离最小的第五特征向量，其中，第一位置为第四特征向量在待测检测图像中像素的位置，第五特征向量为目标特征库中的特征向量，目标特征库是通过发明内容第一方面异常检测中特征向量的确定方法确定的目标特征向量所构成的特征库;

根据第五特征向量和第四特征向量，确定第一位置的异常分数，

基于异常分数，确定待检测图像的缺陷。

本申请实施例的第三方面提供一种异常检测中特征向量的确定装置，包括提取模块、执行模块和目标特征向量确定模块，其中：

提取模块，用于将正样本图像通过预训练的第一网络模型，提取第一特征向量；并触发第二网络模型拟合第一网络模型，通过拟合后的第二网络模型对正样本图像提取第二特征向量；其中，第二网络模型与第一网络模型结构相同；

执行模块，用于确定各第一特征向量和对应的第二特征向量在角度空间中的差异值；

执行模块，还用于将差异值归一化，确定正样本图像中对应位置区域的注意力权重；

目标特征向量确定模块，用于通过注意力权重对第一特征向量进行增强处理，确定正样本图像的目标特征向量，目标特征向量用于进行异常检测。本申请实施例的第四方面提供一种异常检测装置，包括特征提取模块、特征判定模块和异常确定模块，其中：

特征提取模块，用于通过第一网络模型，提取待检测图像的第四特征向量；

特征判定模块，用于确定与第四特征向量的第一位置距离最小的第五特征向量，其中，第一位置为第四特征向量在待测检测图像中像素的位置，第五特征向量为目标特征库中的特征向量，目标特征库是通过发明内容第一方面异常检测中特征向量的确定方法确定的目标特征向量所构成的特征库；

异常确定模块，用于根据第五特征向量和第四特征向量，确定第一位置的异常分数，

缺陷检测模块，用于基于异常分数，确定待检测图像的缺陷。

本申请实施例的第五方面提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现发明内容第二方面异常检测方法的步骤。

本申请实施例的第六方面提供一种计算机存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行发明内容第二方面异常检测方法的步骤。

本申请的有益效果：异常检测中特征向量的确定方法，将正样本图像通过预训练的第一网络模型，提取第一特征向量；并触发第二网络模型拟合第一网络模型，通过拟合后的第二网络模型对正样本图像提取第二特征向量；其中，第二网络模型与第一网络模型结构相同；确定各第一特征向量和对应的第二特征向量在角度空间中的差异值；将差异值归一化，确定正样本图像中对应位置区域的注意力权重；通过注意力权重对第一特征向量进行增强处理，确定目标特征向量，目标特征向量用于进行异常检测；通过引入训练拟合角度空间的差异特征，去除干扰的特征向量，改善待检测图像的过度检测。

附图说明

为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示出了本申请实施例提供一种异常检测中特征向量的确定方法的流程示意图；

图2a示出了本申请实施例提供又一种异常检测中特征向量的确定方法的流程示意图；

图2b示出了本申请实施例提供又一种异常检测中特征向量的确定方法的流程示意图；

图3示出了本申请实施例提供一种异常检测方法的流程示意图；

图4示出了本申请实施例提供一种待检测图像的缺陷确定的流程示意图；

图5示出了本申请实施例提供又一种异常检测方法的流程示意图；

图6示出了本申请实施例提供的一种异常检测中特征向量的确定装置的结构示意图；

图7示出了本申请实施例提供的一种异常检测装置的结构示意图。

具体实施方式

为使本申请的目的、实施方式和优点更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，所描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。

需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。

本申请中说明书和权利要求书及上述附图中的术语″第一″、″第二″、″第三″等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明。应该理解这样使用的用语在适当情况下可以互换。

术语″包括″和″具有″以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的所有组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。

在一些工业缺陷检测场景下，因负样本(存在缺陷的图像)收集困难、数量较少，深度学习模型难以训练学习；正样本(无缺陷的图像)收集容易、数量较多，故通过异常检测方法进行缺陷检测，该异常检测方法只对正样本进行训练，通过训练后特征向量构成的特征库与待测图像的匹配程度的，确定待测图像是否存在异常，实现对该待测图像的缺陷检测。

上述异常检测方法在训练正样本特征的过程中，缺乏训练正样本的偏执和正样本特征拟合能力，导致待检测图像过度检测严重。

为了改善待检测图像过度检测，本申请实施例提供一种异常检测中特征向量的确定方法、异常检测方法和装置，将正样本图像通过预训练的第一网络模型，提取第一特征向量；并触发第二网络模型拟合第一网络模型，通过拟合后的第二网络模型对正样本图像提取第二特征向量；其中，第二网络模型与第一网络模型结构相同；确定各第一特征向量和对应的第二特征向量在角度空间中的差异值；将差异值归一化，确定正样本图像中对应位置区域的注意力权重；通过注意力权重对第一特征向量进行增强处理，确定目标特征向量，目标特征向量用于进行异常检测；通过引入训练拟合角度空间的差异特征，去除干扰的特征向量，改善待检测图像的过度检测。

以下结合附图对本申请实施例的一种异常检测中特征向量的确定方法、异常检测方法和装置进行详细说明。

图1示出了本申请实施例提供的一种异常检测中特征向量的确定方法的流程示意图，如图1所示，本申请实施例提供一种异常检测中特征向量的确定方法。

该异常检测中特征向量的确定方法包括以下步骤：

S110、将正样本图像通过预训练的第一网络模型，提取第一特征向量；并触发第二网络模型拟合第一网络模型，通过拟合后的第二网络模型对正样本图像提取第二特征向量。

正样本图像数据是在具体的工业缺陷检测场景下，获得的无缺陷的图像数据。

其中，第二网络模型与第一网络模型结构相同，预训练的第一网络模型可以是卷积神经网络(Convolutional Neural Networks，简称CNN)，第二网络模型也是卷积神经网络。

在一些实施例中，正样本图像数据的规模和复杂度不同，因此可以选用不同尺度，不同大小的第一网络模型；第一网络模型和第二网络模型可以是ResNet残差网络系列、RegNet系列、EfficientNet系列、ShuffleNet系列、MobileNet系列等中的一种模型。

在一些实施例中，第一网络模型和第二网络模型可以是上述系统中的变体结构，例如，第一网络模型和第二网络模型可以是ResNet残差网络中的Resnet18网络。

应当理解的是第一网络模型是预训练的，而第二网络模型没有预训练。

正样本图像数据通过预训练的第一网络模型提取正样本特征，正样本特征表征正样本图像数据的图像特征，即第一特征向量；并触发第二网络模型拟合第一网络模型，学习第一网络模型对正样本图像提取第二特征向量。

应当理解的是，第一特征向量是无偏置正样本数据集多尺度图像特征，第二特征向量是正样本数据集偏置的多尺度图像特征。

在一些实施例中，可以通过降采样倍数调节需要训练数据的大小，例如8倍、16倍、32倍，但需要注意，降采样的倍率太小的样本特征图像，缺乏高级语义特征，干扰较大；降采样的倍率太大的特征图像，缺乏空间信息，不利于检测细节异常。因此，通常可预先设定一个降采样的倍率的范围，例如，可以采用8倍降采样倍率调节需要训练数据。

S120、确定各第一特征向量和对应的第二特征向量在角度空间中的差异值。

差异值可通过第一特征向量和对应的第二特征向量之间的角度确定，差异值反映对正样本图像的特征分布的感知，能够适应分布内的变化。其中，与某一第一特征向量对应的第二特征向量，指的是与该第一特征向量位于正样本图像中相同位置区域提取的第二特征向量。

在一些实施例中，差异值可以通过如下公式计算获得：

t

式中，t

应当理解的是，正常样本、背景变化的正样本差异值较小，而异常样本得差异值较大，增加正常样本分布得偏置感知。

S130、将差异值归一化，确定正样本图像中对应位置区域的注意力权重。

应当理解得是，差异值是第一特征向量和对应的第二特征向量之间的角度确定，因此，差异值也对应于第一特征向量在正样本图像中位置区域。

通过对差异值归一化，可以得到正样本图像不同位置的注意力权重，进而增强第一网络模型提取的无偏置的第一特征向量。

在一些实施例中，确定正样本图像中对应位置区域的注意力权重，注意力权重通过下式计算获得：

式中，ω为正样本图像中第一特征向量i对应位置区域的注意力权重，t

在一些实施例中，可以对差异值使用softmax归一化(先用自然底数e将元素差距扩大，再进行归一化)，确定正样本图像中对应位置区域的注意力权重，也可以对差异值使用2范数归一化，确定正样本图像中对应位置区域的分布感知的注意力权重，进而增强无偏置正样本的特征向量。

S140、通过注意力权重对第一特征向量进行增强处理，确定目标特征向量，目标特征向量用于进行异常检测。

通过注意力权重对第一特征向量进行加权增强处理后，得到与第一特征向量对应的目标特征向量。

应当理解的是，目标特征向量用于进行异常检测，也可以是目标特征向量构成的特征库用于进行异常检测。

图2a示出了本申请实施例提供又一种异常检测中特征向量的确定方法的流程示意图，图2b示出了本申请实施例提供又一种异常检测中特征向量的确定方法的流程示意图，如图2a所示，步骤140通过注意力权重对第一特征向量进行增强处理，确定目标特征向量，可以包括如下步骤：

S141、在通过注意力权重对第一特征向量进行增强处理之后，确定增强处理后的第一特征向量为目标特征向量。

或者，如图2b所示，步骤140通过注意力权重对第一特征向量进行增强处理，确定目标特征向量，可以包括如下步骤：

S142、对增强处理后的第一特征向量执行聚类，确定至少一个向量集合，每个向量集合内包括的增强处理后的第一特征向量属于同一类别。

对于各第一特征向量可能存在相同或相近的数据，通过聚类，确定至少一个向量集合，向量集合是根据各第一特征向量的类别确定的，也就是说对于每个向量集合，其中包含的第一特征向量是属于同一类别的。

在一些实施例中，可以通过Coresets(关键数据集、核心集)采样实现聚类，抽取Coresets再聚类，可以降低计算量，同时有可能减轻异常点的影响，从而使得模型更加具有鲁棒性。

S143、从向量集合中选择目标特征向量。

通过聚类，可以从上述确定的各向量集合中，确定目标特征向量，应当理解的是，目标特征向量可以等于该向量集合中的第一特征向量，也可以是与该向量集合中第一特征向量接近的数据。

本申请实施例提供一种异常检测中特征向量的确定方法，将正样本图像通过预训练的第一网络模型，提取第一特征向量；并触发第二网络模型拟合第一网络模型，通过拟合后的第二网络模型对正样本图像提取第二特征向量；其中，第二网络模型与第一网络模型结构相同；确定各第一特征向量和对应的第二特征向量在角度空间中的差异值；将差异值归一化，确定正样本图像中对应位置区域的注意力权重；通过注意力权重对第一特征向量进行增强处理，确定目标特征向量，目标特征向量用于进行异常检测；通过引入训练拟合角度空间的差异特征，去除干扰的特征向量，改善待检测图像的过度检测。

图3示出了本申请实施例提供一种异常检测方法的流程示意图，如图3所示，本申请实施例提供一种异常检测方法。

该异常检测方法包括以下步骤：

S210、通过第一网络模型，提取待检测图像的第四特征向量。

获取需要异常检测的待检测图像。待检测图像可通过视觉检测的装置采集被检测的目标物获得。

将待检测图像通过第一网络模型，提取待检测图像的第四特征向量，第一网络模型是预训练的模型；第一网络模型可以是卷积神经网络，例如，ResNet残差网络中的Resnet18网络等。

其中，各第四特征向量对应于待检测图像中的各个位置。

在一些实施例中，通过第一网络模型，提取待检测图像的第四特征向量，还可以提取第三特征向的长度。

S220、确定与各第四特征向量的第一位置距离最小的第五特征向量，其中，第一位置为第四特征向量在待测检测图像中像素的位置，第五特征向量为目标特征库中的特征向量；目标特征库是异常检测中特征向量的确定方法确定的目标特征向量所构成的特征库。

应当理解的是，可通过遍历待检测图像中各第一位置的第四特征向量，在目标特征库中查找出与第四特征向量距离最小的第五特征向量。

其中，目标特征库是通过图1、图2a、图2b中异常检测中特征向量的确定方法确定的目标特征向量所构成的特征库，该目标特征库中的第五特征量是各目标特征向量，因此在步骤220确定与各第四特征向量的第一位置距离最小的第五特征向量的过程中，需要比对的第五特征向量的数据量小，且提高目标特征库的有效性。

在一些实施例中，第四特征向量与第五特征向量之间的距离可以通过欧式距离计算确定。

S230、根据第五特征向量和第四特征向量，确定第一位置的异常分数。

第一位置的异常分数可通过该第一位置对应的第四特征向量，以及与第四特征向量距离最小的第五特征向量计算确定。

在一些实施例中，第一位置的异常分数通过下式计算获得：

S＝||x-x

式中，S为第一位置的异常分数，x为在第一位置提取的第四特征向量；x

S240、基于异常分数，确定待检测图像的缺陷。

基于各第一位置的异常分数，确定待检测图像中的缺陷，该缺陷包括缺陷的位置。

图4示出了本申请实施例提供一种待检测图像的缺陷确定的流程示意图，如图4所示，步骤240包括如下步骤：

S241、基于各第一位置的异常分数，确定与待检测图像对应的初始异常分数图。

应当理解的是，初始异常分数图是由各第一位置的异常分数构成的，且初始异常分数图的各位置的异常分数与待检测图像的各像素点一一对应，始异常分数图和待检测图像的大小相同。

S242、将初始异常分数图归一化，确定目标异常分数图，目标异常分数图表征待检测图像中各第一位置的异常概率分数。

可以将初始异常分数图归一化，确定归一化后的目标异常分数图，目标异常分数图中的各数据不是各第一位置的异常分数，但表征待检测图像中各第一位置的异常概率分数。

在一些实施例中，可以将初始异常分数图归一化到灰度空间或者彩色空间，也就是说，归一化后的目标异常分数图可以是灰度图像也可以是彩色图像。

S243、若异常概率分数大于预设异常阈值，确定待检测图像的缺陷，缺陷位于对应的第一位置处。

通过预设阈值判定目标异常分数图中各异常概率分数是否异常，若异常概率分数大于预设异常阈值，确定对应的第一位置为待检测图像的缺陷，若异常概率分数不大于预设异常阈值，确定对应的第一位置为待检测图像的非缺陷。

同时，异常概率分数的位置，可以确定缺陷在待检测图像中的位置。

图5示出了本申请实施例提供又一种异常检测方法的流程示意图，如图5所示，本申请实施例提供一种异常检测方法，若图3中步骤210中的待检测图像为初始检测图像根据预设降采样倍数降采样后的图像，对应的步骤230基于异常分数，确定待检测图像的缺陷，也需要对响应的数据进行上采样，异常检测方法包括如下步骤：

S310、获取初始检测图像，并将初始检测图像根据预设降采样倍数降采样，确定待检测图像。

初始检测图像可通过视觉检测的装置采集被检测的目标物获得，对获得的初始检测图像根据预设降采样倍数降采样，确定待检测图像。

S320、通过第一网络模型，提取待检测图像的第四特征向量。

将待检测图像通过第一网络模型，提取待检测图像的第四特征向量，第一网络模型是预训练的模型；第一网络模型可以是卷积神经网络，例如，ResNet残差网络中的Resnet18网络等。

其中，各第四特征向量对应于待检测图像中的各个位置。

S330、确定与各第四特征向量的第一位置距离最小的第五特征向量，其中，第一位置为第四特征向量在待测检测图像中像素的位置，第五特征向量为目标特征库中的特征向量。

其中，目标特征库为通过上述图1、图2a、图2b描述的异常检测中特征向量的确定方法确定的目标特征向量所构成的特征库，该目标特征库是去除冗余数据后的特征库，因此在步骤220确定与各第四特征向量的第一位置距离最小的第五特征向量的过程中，需要比对的第五特征向量的数据量小，且提高目标特征库的有效性。

S340、根据第五特征向量和第四特征向量，确定第一位置的异常分数。

第一位置的异常分数可通过该第一位置对应的第四特征向量，以及与第四特征向量距离最小的第五特征向量计算确定。

在一些实施例中，第一位置的异常分数通过下式计算获得：

S＝||x-x

式中，S为第一位置的异常分数，x为在第一位置提取的第四特征向量；x

S350、基于各第一位置的异常分数，确定与待检测图像对应的初始异常分数图。

初始异常分数图是由各第一位置的异常分数构成的，且初始异常分数图的各位置的异常分数与待检测图像的各像素点一一对应，始异常分数图和待检测图像的大小相同。

S360、基于预设降采样倍数相对应的上采样倍数，将初始异常分数图上采样，确定备选异常分数图。

通过与预设降采样倍数相对应的上采样倍数对初始异常分数图上采样，确定备选异常分数图。

S370、将备选异常分数图归一化，确定目标异常分数图，目标异常分数图表征初始检测图像中各第二位置的异常概率分数。

可以将初始异常分数图归一化到灰度空间或者彩色空间，确定归一化后的目标异常分数图，目标异常分数图中的各数据不是各第一位置的异常分数，但表征待检测图像中各第一位置的异常概率分数。

S380、若异常概率分数大于预设异常阈值，确定初始检测图像的缺陷，缺陷位于对应的第二位置处。

通过预设阈值判定目标异常分数图中各异常概率分数是否异常，若异常概率分数大于预设异常阈值，确定对应的第一位置为待检测图像的缺陷，若异常概率分数不大于预设异常阈值，确定对应的第一位置为待检测图像的非缺陷。

本申请实施例提供一种异常检测方法，通过第一网络模型，提取待检测图像的第四特征向量；确定与各第四特征向量的第一位置距离最小的第五特征向量，其中，第一位置为第四特征向量在待测检测图像中像素的位置，第五特征向量为目标特征库中的特征向量，目标特征库是异常检测中特征向量的确定方法确定的目标特征向量所构成的特征库；根据第五特征向量和第四特征向量，确定第一位置的异常分数，基于异常分数，确定待检测图像的缺陷，通过引入训练拟合角度空间的差异特征，去除干扰的特征向量，改善待检测图像的过度检测。

图6示出了本申请实施例提供的一种异常检测中特征向量的确定装置的结构示意图，如图6所示，异常检测中特征向量的确定装置600，包括提取模块610、执行模块620和目标特征向量确定模块630，其中：

提取模块，用于将正样本图像通过预训练的第一网络模型，提取第一特征向量；并触发第二网络模型拟合第一网络模型，通过拟合后的第二网络模型对正样本图像提取第二特征向量；其中，第二网络模型与第一网络模型结构相同。

执行模块，用于确定各第一特征向量和对应的第二特征向量在角度空间中的差异值；还用于将差异值归一化，确定正样本图像中对应位置区域的注意力权重。

目标特征向量确定模块，用于通过注意力权重对第一特征向量进行增强处理，确定正样本图像的目标特征向量，目标特征向量用于进行异常检测。

实现原理和技术效果与上述方法实施例类似，在此不再赘述。

图7示出了本申请实施例提供的一种异常检测装置的结构示意图，如图7所示，异常检测装置700包括特征提取模块710、特征判定模块720、异常确定模块730和缺陷检测模块640，其中：

特征提取模块，用于通过第一网络模型，提取待检测图像的第四特征向量；

特征判定模块，确定与第四特征向量的第一位置距离最小的第五特征向量，其中，第一位置为第四特征向量在待测检测图像中像素的位置，第五特征向量为目标特征库中的特征向量，目标特征库为通过异常检测中特征向量的确定方法确定的目标特征向量所构成的特征库；

异常确定模块，用于根据第五特征向量和第四特征向量，确定第一位置的异常分数，

缺陷检测模块，基于异常分数，确定待检测图像的缺陷。

在一些实施例中，缺陷检测模块包括第一异常单元和检测单元，异常单元，用于基于各第一位置的异常分数，确定与待检测图像对应的初始异常分数图；还用于将初始异常分数图归一化，确定目标异常分数图，目标异常分数图表征待检测图像中各第一位置的异常概率分数。

检测单元用于若异常概率分数大于预设异常阈值，确定对应的第一位置为待检测图像的缺陷。

在一些实施例中，若待检测图像为初始检测图像根据预设降采样倍数降采样后的图像，缺陷检测模块包括第二异常单元和检测单元，第二异常单元用于基于各第一位置的异常分数，确定与待检测图像对应的初始异常分数图；还用于基于预设降采样倍数相对应的上采样倍数，将初始异常分数图上采样，确定备选异常分数图；还用于将备选异常分数图归一化，确定目标异常分数图，目标异常分数图表征初始检测图像中各第二位置的异常概率分数。

检测单元，用于若异常概率分数大于预设异常阈值，确定对应的第二位置为初始检测图像的缺陷。

本申请实施例提供的异常检测装置包括特征提取模块、特征判定模块、异常确定模块和缺陷检测模块，通过第一网络模型，提取待检测图像的第四特征向量；确定与各第四特征向量的第一位置距离最小的第五特征向量，其中，第一位置为第四特征向量在待测检测图像中像素的位置，第五特征向量为目标特征库中的特征向量，异常检测中特征向量的确定方法确定的目标特征向量所构成的特征库；根据第五特征向量和第四特征向量，确定第一位置的异常分数，基于异常分数，确定待检测图像的缺陷，通过引入训练拟合角度空间的差异特征，去除干扰的特征向量，改善待检测图像的过度检测。

本申请实施例还提供一种终端设备，包括存储器和处理器，存储器存储有计算机程序，其特征在于，处理器执行计算机程序时实现上述异常检测方法，实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本申请实施例还提供一种计算机存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述异常检测方法，实现原理和技术效果与上述方法实施例类似，在此不再赘述。

以下段落将对本申请说明书中涉及的中文术语、及其对应的英文术语进行对比罗列，以便于阅读、理解。

为了方便解释，已经结合具体的实施方式进行了上述说明。但是，上述在一些实施例中讨论不是意图穷尽或者将实施方式限定到上述公开的具体形式。根据上述的教导，可以得到多种修改和变形。上述实施方式的选择和描述是为了更好的解释原理以及实际的应用，从而使得本领域技术人员更好的使用实施方式以及适于具体使用考虑的各种不同的变形的实施方式。