本專利申請涉及網(wǎng)絡技術領域和圖片對比識別技術領域，具體是涉及輔助改進的系統(tǒng)工具。

背景技術：

隨著計算機技術的發(fā)展，可以基于深度學習算法，對樣本圖像數(shù)據(jù)庫中的圖像進行訓練得到圖像識別模型(如可以基于卷積神經(jīng)網(wǎng)絡算法，對樣本圖像數(shù)據(jù)庫中的圖像進行訓練得到cnn(convolutionalneuralnetwork，卷積神經(jīng)網(wǎng)絡)訓練模型))，圖像識別模型可以識別圖片的類別，并為圖片添加相應的類別標簽。

一般圖像識別模型的識別準確率不會達到百分之百，如果圖像識別模型要識別的大量的圖片，相應的大量的圖片中被添加了錯誤類別標簽的圖片也比較多，技術人員需要從大量的圖片中找出添加了錯誤類別標簽的圖片，從而導致獲取類別標簽錯誤的圖片的效率比較低。

隨著人工智能技術的進步，已出現(xiàn)了一些應用了人工智能技術的識花sev/app。該種識花sev/app主要應用了人工智能分支的深度學習技術，以事先收集的植物圖像庫中的花卉圖像做為素材，對機器識別模型進行訓練。最后使用訓練好的識別模型進行花卉識別。

由于在使用素材進行模型訓練時，單純機器學習是無法知道花卉名稱和種類分屬，因此需要結合人類知識，事先對圖片庫中圖片進行標注，確定其對應的花名和種屬。

中國專利申請?zhí)枮閏n201310461551.3，該發(fā)明公開了一種深度學習網(wǎng)絡實現(xiàn)大類別圖像識別的方法，包括訓練和識別過程，訓練過程中，首先提取樣本圖片的gabor特征并進行最大選取，此后使用經(jīng)過聚類處理的特征碼本進行線性局部編碼，最后使用空間金字塔方法進行特征矢量的導出，并使用支持向量機分類器進行訓練；識別過程中，將測試圖片的特征矢量使用訓練好的支持向量機分類器進行識別。本發(fā)明克服傳統(tǒng)方法提取局部特征時語義信息的缺乏，能顯著提升多類別圖像識別的識別率。

中國專利申請?zhí)枮閏n201510457979.x，該申請?zhí)岢龇N圖像識別方法及裝置，其中，該圖像識別方法包括以下步驟：提取圖像的多維度局部特征，并提取圖像的深度學習特征；將多維度局部特征和深度學習特征進行拼接，并通過度量學習對拼接后的特征進行學習以得到度量學習特征；根據(jù)度量學習特征對圖像進行識別。本申請實施例的圖像識別方法，能夠大大提高圖像識別的精度。

雖然現(xiàn)在識花sev/app準確率已相對比較高，但是還達不到完全正確，還會經(jīng)常出錯，但是沒有一種機制針對出錯的情況進行改進；

另外由于識別模型是根據(jù)圖片庫中素材進行訓練的，受限于圖片庫的數(shù)量和種類，訓練出來的識別模型不能覆蓋所有實際世界中的種類，同時在在圖片庫中圖片數(shù)量較少的種類，其識別準確性會很低。

技術實現(xiàn)要素：

為了解決上述現(xiàn)有技術存在的技術問題，本發(fā)明提供一種機制，在用戶識別花卉時，在出現(xiàn)已知識別錯誤或出現(xiàn)識別不出的種類時，能夠收集新的信息，再使用新的信息對模型進行訓練改進；通過不斷收集并持續(xù)改進模型，達到越來越高的識別準確度。本發(fā)明是通過以下技術方案實現(xiàn)的：

一種對花卉識別系統(tǒng)進行改進的方法，所述方法步驟包括：

s100：獲取植物照片或者圖片；

s200：所述花卉識別系統(tǒng)識別所述植物照片或者圖片并進行分類；

s300：所述花卉識別系統(tǒng)顯示識別結果；

s400：輔助系統(tǒng)對不被識別結果進行確認或者進行修正識別后再反饋至所述花卉識別系統(tǒng)。

進一步，所述的對花卉識別系統(tǒng)進行改進的方法，所述s300步驟還包括如下步驟：

s310：所述花卉識別系統(tǒng)將已分類后的被識別的所述植物照片或者圖片存儲至識別花卉數(shù)據(jù)庫；

s320：所述花卉識別系統(tǒng)對不被識別結果輸出給所述輔助系統(tǒng)。

進一步，所述的對花卉識別系統(tǒng)進行改進的方法，所述s300步驟還包括如下步驟：

s500：所述花卉識別系統(tǒng)輸出所述花卉識別系統(tǒng)不識別的所述植物照片或者圖片；

s600：對輸出的所述植物照片或者圖片給予花卉命名，然后提交；

s700：對提交信息(包括植物照片或者圖片以及其所述花卉命名)進行至少一次的分類識別，然后將經(jīng)過驗證的所述提交信息(包括植物照片或者圖片以及其所述花卉命名)回饋到所述花卉識別系統(tǒng)中。

進一步，所述的對花卉識別系統(tǒng)進行改進的方法，所述s700步驟還包括如下步驟：

s710：所述分類識別至少包括inception-v3、resnet-152、resnet-101和vgg-19四套分類識別模型；

s720：當多個所述分類識別模型中至少有一個所述分類識別模型檢測結果與所述提交信息一致，就認定提交信息通過驗證，將相應照片或者圖片和類別信息歸集到第一輔助識別花卉數(shù)據(jù)庫；

s730：將經(jīng)過驗證的所述提交信息，并回饋到步驟s200中。

進一步，所述的對花卉識別系統(tǒng)進行改進的方法，所述s700步驟還包括如下步驟：

s750：對于所述分類識別無法認定的所述植物照片或者圖片以及其所述花卉命名，進行補充識別和認證；

s760：對已分類和認證的所述植物照片或者圖片以及其所述花卉命名歸集到第二輔助識別花卉數(shù)據(jù)庫；

s770：將經(jīng)過驗證的所述提交信息，并回饋到步驟s200中。

本發(fā)明還提供一種智能花卉識別輔助學習系統(tǒng)：

一種對花卉識別系統(tǒng)進行改進的輔助系統(tǒng)，所述輔助系統(tǒng)包括花卉識別系統(tǒng)、不被識別結果輸出模塊、錯誤糾正模塊、花卉分類識別器、花卉自動分類收集器，

所述花卉識別系統(tǒng)，用于對獲取的植物照片或者圖片進行識別；

所述不被識別結果輸出模塊，用于輸出所述花卉識別系統(tǒng)不識別的所述植物照片或者圖片；

所述錯誤糾正模塊，用于對輸出的所述植物照片或者圖片給予花卉命名；

所述花卉分類識別器，用于根據(jù)所述錯誤糾正模塊提交的照片或者圖片以及其所述花卉命名，進行至少一次的分類識別；

所述花卉自動分類收集器，用于分類、收集、存儲經(jīng)過所述花卉分類識別器驗證的所述植物照片或者圖片，并回饋到所述花卉識別系統(tǒng)中。

進一步，所述的對花卉識別系統(tǒng)進行改進的輔助系統(tǒng)，所述不被識別結果輸出模塊輸出所述植物照片或者圖片，并給予可能前幾位的植物排名。

進一步，所述的對花卉識別系統(tǒng)進行改進的輔助系統(tǒng)，所述錯誤糾正模塊給予的所述花卉命名包括花卉類別名稱、花卉學名和/或花卉常用名。

進一步，所述的對花卉識別系統(tǒng)進行改進的輔助系統(tǒng)，所述花卉分類識別器至少包括inception-v3、resnet-152、resnet-101和vgg-19四套分類識別預檢模塊，當(多個所述分類識別預檢模塊中至少)其中有一個所述分類識別預檢模塊檢測結果與所述錯誤糾正模塊提交信息一致，就認定提交信息通過驗證，就將相應照片或者圖片和類別信息歸集到所述花卉自動分類收集器。

進一步，所述的對花卉識別系統(tǒng)進行改進的輔助系統(tǒng)，所述輔助系統(tǒng)還包括花卉分類標注模塊、花卉分類收集模塊，

所述花卉分類標注模塊，用于對于所述花卉分類識別器無法認定的所述植物照片或者圖片以及其所述花卉命名，進行補充識別和認證；

所述花卉分類收集模塊，用于對已分類和認證的所述植物照片或者圖片以及其所述花卉命名進行收集、存儲，并回饋到所述花卉識別系統(tǒng)中。

本發(fā)明至少具有以下有益效果之一：

1.本發(fā)明克服了原先不被學習系統(tǒng)確認的圖片或者照片將被舍棄，不能有效再學習的技術問題。

2.本發(fā)明賦予對花卉識別系統(tǒng)進行改進的輔助系統(tǒng)可以有二種方式來反饋幫助花卉識別系統(tǒng)進行再學習。

3.本發(fā)明極大地提高了花卉識別系統(tǒng)的學習能力和識別效果，提升了系統(tǒng)使用者的用戶體驗。

4.本發(fā)明能夠做到彌補原有花卉識別系統(tǒng)的學習能力和分辨能力的不足。

5、本發(fā)明提供的對花卉識別系統(tǒng)進行改進的輔助系統(tǒng)，可靠性高，同時執(zhí)行效率高、應用范圍廣。

附圖說明

下面結合附圖和具體實施方式對本發(fā)明作進一步詳細說明：

圖1為本發(fā)明第一實施例流程示意圖；

圖2為本發(fā)明第一實施例系統(tǒng)結構示意圖；

圖3為本發(fā)明第一實施例輔助系統(tǒng)模塊示意圖；

圖4為本發(fā)明第二實施例輔助系統(tǒng)模塊示意圖；

圖5為本發(fā)明第三實施例數(shù)據(jù)流示意圖。

附圖標記說明

花卉識別系統(tǒng)—1000、(花卉識別)輔助系統(tǒng)—2000、不被識別結果輸出模塊—2100、錯誤糾正模塊—2200、花卉分類識別器—2300、花卉自動分類收集器—2400、花卉分類標注模塊—2500、花卉分類收集模塊—2600。

具體實施方式

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，以下說明和附圖對于本發(fā)明是示例性的，并且不應被理解為限制本發(fā)明。以下說明描述了眾多具體細節(jié)以方便對本發(fā)明理解。然而，在某些實例中，熟知的或常規(guī)的細節(jié)并未說明，以滿足說明書簡潔的要求。

在本申請一個典型的計算硬件配置中，客戶端/終端、網(wǎng)絡設備和可信方均包括一個或多個處理器(cpu)、輸入/輸出接口、網(wǎng)絡接口和內(nèi)存。

本發(fā)明中的客戶端、移動終端或網(wǎng)絡設備包括處理器，含單核處理器或多核處理器。處理器也可稱為一個或多個微處理器、中央處理單元(cpu)等等。更具體地，處理器可為復雜的指令集計算(cisc)微處理器、精簡指令集計算(risc)微處理器、超長指令字(vliw)微處理器、實現(xiàn)其他指令集的處理器，或實現(xiàn)指令集組合的處理器。處理器還可為一個或多個專用處理器，諸如專用集成電路(asic)、現(xiàn)場可編程門陣列(fpga)、數(shù)字信號處理器(dsp)、網(wǎng)絡處理器、圖形處理器、網(wǎng)絡處理器、通信處理器、密碼處理器、協(xié)處理器、嵌入式處理器、或能夠處理指令的任何其他類型的邏輯部件。處理器用于執(zhí)行本發(fā)明所討論的操作和步驟的指令。

本發(fā)明中的客戶端、移動終端或網(wǎng)絡設備包括存儲器，用于存儲大數(shù)據(jù)，可包括一個或多個易失性存儲設備，如隨機存取存儲器(ram)、動態(tài)ram(dram)、同步dram(sdram)、靜態(tài)ram(sram)或其他類型的存儲設備。存儲器可存儲包括由處理器或任何其他設備執(zhí)行的指令序列的信息。例如，多種操作系統(tǒng)、設備驅動程序、固件(例如，輸入輸出基本系統(tǒng)或bios)和/或應用程序的可執(zhí)行代碼和/或數(shù)據(jù)可被加載在存儲器中并且由處理器執(zhí)行。

本發(fā)明中的客戶端、移動終端或網(wǎng)絡設備的操作系統(tǒng)可為任何類型的操作系統(tǒng)，例如微軟公司的windows、windowsphone，蘋果公司ios，谷歌公司的android，以及l(fā)inux、unix操作系統(tǒng)或其他實時或嵌入式操作系統(tǒng)諸如vxworks等。

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，以下說明和附圖對于本發(fā)明是示例性的，并且不應被理解為限制本發(fā)明。以下說明描述了眾多具體細節(jié)以方便對本發(fā)明理解。然而，在某些實例中，熟知的或常規(guī)的細節(jié)并未說明，以滿足說明書簡潔的要求。本發(fā)明的設備及控制方法參見下述實施例：

第一實施例

如圖1為本發(fā)明第一實施例流程示意圖所示：

一種對花卉識別系統(tǒng)進行改進的方法，所述方法步驟包括：

s100：獲取植物照片或者圖片；

s200：所述花卉識別系統(tǒng)識別所述植物照片或者圖片并進行分類；

s300：所述花卉識別系統(tǒng)顯示識別結果；

s400：輔助系統(tǒng)對不被識別結果進行確認或者進行修正識別后再反饋至所述花卉識別系統(tǒng)。

優(yōu)選地，所述的對花卉識別系統(tǒng)進行改進的方法，所述s300步驟還包括如下步驟：

s310：所述花卉識別系統(tǒng)將已分類后的被識別的所述植物照片或者圖片存儲至識別花卉數(shù)據(jù)庫；

s320：所述花卉識別系統(tǒng)對不被識別結果輸出給所述輔助系統(tǒng)。

優(yōu)選地，所述的對花卉識別系統(tǒng)進行改進的方法，所述s300步驟還包括如下步驟：

s500：所述花卉識別系統(tǒng)輸出所述花卉識別系統(tǒng)不識別的所述植物照片或者圖片；

s600：對輸出的所述植物照片或者圖片給予花卉命名，然后提交；

s700：對提交信息(包括植物照片或者圖片以及其所述花卉命名)進行至少一次的分類識別，然后將經(jīng)過驗證的所述提交信息(包括植物照片或者圖片以及其所述花卉命名)回饋到所述花卉識別系統(tǒng)中。

優(yōu)選地，所述的對花卉識別系統(tǒng)進行改進的方法，所述s700步驟還包括如下步驟：

s710：所述分類識別至少包括inception-v3、resnet-152、resnet-101和vgg-19四套分類識別模型；即花卉分類識別器2300至少包括如上四套(花卉)分類識別模型。

s720：當多個所述分類識別模型中至少有一個所述分類識別模型檢測結果與所述提交信息一致，就認定提交信息通過驗證，將相應照片或者圖片和類別信息歸集到第一輔助識別花卉數(shù)據(jù)庫；

s730：將經(jīng)過驗證的所述提交信息，并回饋到步驟s200中。

本實施例還提供一種智能花卉識別輔助學習系統(tǒng)，它與花卉識別系統(tǒng)的關系如圖2為本發(fā)明第一實施例系統(tǒng)結構示意圖所示：

一種對花卉識別系統(tǒng)進行改進的輔助系統(tǒng)，所述輔助系統(tǒng)2000，如圖3為本發(fā)明第一實施例輔助系統(tǒng)模塊示意圖所示，包括不被識別結果輸出模塊2100、錯誤糾正模塊2200、花卉分類識別器2300、花卉自動分類收集器2400，

所述花卉識別系統(tǒng)1000，用于對獲取的植物照片或者圖片進行識別；

所述不被識別結果輸出模塊2100，用于輸出所述花卉識別系統(tǒng)不識別的所述植物照片或者圖片；

所述錯誤糾正模塊2200，用于對輸出的所述植物照片或者圖片給予花卉命名；

所述花卉分類識別器2300，用于根據(jù)所述錯誤糾正模塊提交的照片或者圖片以及其所述花卉命名，進行至少一次的分類識別；

所述花卉自動分類收集器2400，用于分類、收集、存儲經(jīng)過所述花卉分類識別器驗證的所述植物照片或者圖片，并回饋到所述花卉識別系統(tǒng)中。

優(yōu)選地，所述的對花卉識別系統(tǒng)進行改進的輔助系統(tǒng)，所述不被識別結果輸出模塊2100輸出所述植物照片或者圖片，并給予可能前幾位的植物排名。

優(yōu)選地，所述的對花卉識別系統(tǒng)進行改進的輔助系統(tǒng)，所述錯誤糾正模塊2200給予的所述花卉命名包括花卉類別名稱、花卉學名和/或花卉常用名。

優(yōu)選地，所述的對花卉識別系統(tǒng)進行改進的輔助系統(tǒng)，所述花卉分類識別器2300至少包括inception-v3、resnet-152、resnet-101和vgg-19四套分類識別預檢模塊，當(多個所述分類識別預檢模塊中至少)其中有一個所述分類識別預檢模塊檢測結果與所述錯誤糾正模塊提交信息一致，就認定提交信息通過驗證，就將相應照片或者圖片和類別信息歸集到所述花卉自動分類收集器2400。

第二實施例

在實施例一的基礎上，進一步優(yōu)選的花卉識別改進輔助系統(tǒng)如圖4為本發(fā)明第二實施例輔助系統(tǒng)模塊示意圖所示：

優(yōu)選的對花卉識別系統(tǒng)進行改進的輔助系統(tǒng)，所述輔助系統(tǒng)還包括花卉分類標注模塊2500、花卉分類收集模塊2600，

所述花卉分類標注模塊2500，用于對于所述花卉分類識別器無法認定的所述植物照片或者圖片以及其所述花卉命名，進行補充識別和認證；

所述花卉分類收集模塊2600，用于對已分類和認證的所述植物照片或者圖片以及其所述花卉命名進行收集、存儲，并回饋到所述花卉識別系統(tǒng)1000中。

進一步優(yōu)選的對花卉識別系統(tǒng)進行改進的方法，所述s700步驟還包括如下步驟：

s750：對于所述分類識別無法認定的所述植物照片或者圖片以及其所述花卉命名，進行補充識別和認證；

s760：對已分類和認證的所述植物照片或者圖片以及其所述花卉命名歸集到第二輔助識別花卉數(shù)據(jù)庫；

s770：將經(jīng)過驗證的所述提交信息，并回饋到步驟s200中。

第三實施例

卷積神經(jīng)網(wǎng)絡是深度學習中用于圖像識別的重要算法。現(xiàn)在的卷積神經(jīng)網(wǎng)絡深度學習方法可以充分利用海量數(shù)據(jù)自動學習到大量圖像的特征信息，不需要事先手工設計具體樣本特征，模型的參數(shù)通過從數(shù)據(jù)中學習獲得，其中可以包含成千上萬個的參數(shù)，并能帶來更高的識別準確性。訓練卷積神經(jīng)網(wǎng)絡需要大量數(shù)據(jù)的數(shù)據(jù)集，數(shù)據(jù)集需要有對應類別名稱的標簽。

首先，使用已有的包含大量花卉分類的數(shù)據(jù)集進行基于卷積神經(jīng)網(wǎng)絡的識別模型的訓練。然后使用訓練好的模型對用戶拍照或選取的花卉圖片進行識別分類。整個過程如下：

1)建立用于識別花卉的卷積神經(jīng)網(wǎng)絡模型，模型可使用已有的google開源的inception-v4模型

2)準備花卉圖像的數(shù)據(jù)集，可以使用中國最大的植物分類圖片庫——中國植物圖像庫(plantphotobankofchina,ppbc)的花卉照片來進行模型的訓練。這些圖像已標注了類別名稱。數(shù)據(jù)集會被分成訓練數(shù)據(jù)集和測試驗證數(shù)據(jù)集，訓練完成后得到的模型還需要使用測試驗證數(shù)據(jù)集驗證正確率，只有達到一定正確率后才算得到最后的識別模型。

3)將訓練好的識別模型放到服務器端(sev)

4)用戶使用識花sev/app時，對花卉拍照或選擇花卉圖像，sev/app將圖片壓縮預處理并上傳到服務器端。

5)服務器端使用識別模型對接收到的圖片進行自動計算，并最后得出類別索引值和概率值，并將識別得到索引值對應的類別名稱和可信度概率值返回sev/app顯示結果。

用戶在使用sev/app識別花卉時，如出現(xiàn)已知識別錯誤或識別不出等情況時，可選擇提交識別失敗反饋，對用戶已知正確類別的可從系統(tǒng)提供的類別中選擇正確類別，對系統(tǒng)中沒有的類別可直接填寫正確類別；對用戶不知正確類別且系統(tǒng)識別不出或識別準確度非常低的情況，直接提交反饋。

服務器端對應服務模塊收到請求后，將前面上傳的與該反饋請求對應的圖像，以及提交的信息一起給到預檢模塊。在預檢模塊會有多個不同的分類識別模型，這些分類識別模型使用了與系統(tǒng)識別模型不同的算法，如inception-v3、resnet-152、resnet-101、vgg-19等。預檢模塊會將包括類別結果的反饋信息交給多分類識別模型處理驗證，當多個分類識別模型中至少有一個分類識別模型檢測結果與提交信息一致，就認定提交信息通過驗證，將相應圖像和類別信息歸集到自動分類訓練集。

使用多個分類識別模型進行檢測時只需要設定一個閾值(比如50％)，只要某一分類檢測結果可信度概率達到閾值且提交類別信息與其一致，就可算是通過驗證。使用多分類識別模型進行檢測的目的，一是驗證提交信息的準確性，二是減少人工參與，自動實現(xiàn)整個過程。

對于沒有提交更正類別結果的信息以及沒有通過多分類識別模型預檢的信息，進行匯總，并由人工參與分類整理，添加或確認標注，形成人工分類訓練集。

將系統(tǒng)用的識別模型使用整理后的自動分類訓練集和人工分類訓練集再進行訓練改進，新的模型訓練完成后驗證正確率有提高后，再更新系統(tǒng)使用新訓練后的識別模型。

整個流程不斷持續(xù)循環(huán)進行，不斷來更新改進識別模型，提高其識別準確度。

進一步說明本實施例，請參閱圖5為本發(fā)明第三實施例數(shù)據(jù)流示意圖：

200代表的識別模型開始是根據(jù)已有的植物圖片分類庫進行訓練完成并得到的花卉識別模型；

100-200-300的過程是用戶在使用識花sev/app的主要過程：用戶使用sev/app調(diào)用拍照或選擇照片，sev/app將圖像壓縮預處理并上傳到服務器端，服務器端使用識別模型對接收到的圖片按模型計算，并得出花卉類別名稱和可信度概率值，并將結果返回sev/app顯示給用戶；

400-500表示用戶看到sev/app顯示的識花結果后，如果確認系統(tǒng)給的識別結果錯誤，可在sev/app中提交識別錯誤反饋，同時如果用戶知道正確花卉類別名稱，也把用戶人為正確的類別名稱一同提交給系統(tǒng)；

600表示服務器端系統(tǒng)收到用戶提交的錯誤反饋，使用預檢模塊對提交結果進行自動驗證；預檢模塊使用多個不同的分類識別模型，這些分類識別模型使用了與系統(tǒng)識別模型不同的算法，當多個分類識別模型中至少有一個分類識別模型檢測結果與提交信息一致，就認定提交信息通過驗證，將相應圖像和類別信息歸集到自動分類訓練集。

700自動分類訓練集存儲了系統(tǒng)驗證通過的圖像和對應分類標簽名。

700-200過程是系統(tǒng)根據(jù)一定策略(如定期或訓練集達到一定數(shù)量)自動將訓練集數(shù)據(jù)作為新的素材，對系統(tǒng)中200的識別模型再進行訓練，通過這種新的素材的不斷訓練來不斷優(yōu)化識別模型。其持續(xù)訓練過程還是使用原深度學習的算法，訓練過程會自動不斷優(yōu)化其內(nèi)部參數(shù)。

800-900過程是對系統(tǒng)自動驗證過程的一個補充，當系統(tǒng)驗證用戶提交反饋信息不一致時，會在后臺管理系統(tǒng)中列出該種用戶提交圖像和信息，由系統(tǒng)管理員或指定知識專家來重新確認并做分類標注。系統(tǒng)會將重新確認并標注過的圖像加入訓練集也作為新的訓練素材。

900-200的過程和700-200的過程相似。

對于本領域技術人員而言，顯然本發(fā)明不限于上述示范性實施例的細節(jié)，而且在不背離本發(fā)明的精神或基本特征的情況下，能夠以其他的具體形式實現(xiàn)本發(fā)明。因此，無論從哪一點來看，均應將實施例看作是示范性的，而且是非限制性的，本發(fā)明的范圍由所附權利要求而不是上述說明限定，因此旨在將落在權利要求的等同要件的含義和范圍內(nèi)的所有變化涵括在本發(fā)明內(nèi)。不應將權利要求中的任何附圖標記視為限制所涉及的權利要求。此外，顯然“包括”一詞不排除其他單元或步驟，單數(shù)不排除復數(shù)。裝置權利要求中陳述的多個單元或裝置也可以由一個單元或裝置通過軟件或者硬件來實現(xiàn)。第一，第二等詞語用來表示名稱，而并不表示任何特定的順序。