[0001] 本发明涉及电信网络施工技术领域，尤其涉及到一种电信接入网设施故障检测方法、装置及计算机存储介质。

[0002] 现有技术中，主流图像识别算法有Faster‑rcnn、Mask‑rcnn、Cascade‑rcnn、DCNnet、Yolo算法等，主要应用领域包括交通、通讯、遥感卫星、生物医学、机器视觉等领域。而随着国家对安全生产重视程度的不断提升，在电信接入网施工安全监管领域，图像识别技术也已经开始了初步研究，但目前针对电信接入网安全监管领域的图像识别仅限于人脸识别、是否佩戴安全帽等简单的识别场景，而电信接入网设施中设备复杂，同样涉及许多安全问题，比如电信接入网中光纤箱内的防尘帽是否有遗漏，排线是否整齐有序等，面对不同的安全问题，很难形成一套统一的故障检测方法，且对电信接入网设施采用单一的图像识别算法也难以满足识别精度的要求。

[0042] 下列实施例是对本发明的进一步解释和补充，对本发明不构成任何限制。

[0043] 以下结合附图描述本发明实施例的一种电信接入网设施故障检测方法。

[0044] 参照图1所示，本发明提供了一种电信接入网设施故障检测方法，包括：

[0045] S1、根据获取的电信接入网的第一网络故障信息，利用预设关联关系表，得到与所述第一网络故障信息对应的第一故障设备集，所述第一故障设备集包括所述电信接入网设施中的至少一种故障设备；

[0046] S2、获取电信接入网设施的图像采集数据，根据所述第一故障设备集，利用预设目标检测模型对所述图像采集数据进行目标检测，得到所述电信接入网设施的故障检测结果。

[0047] 上述实施例提供的一种电信接入网设施故障检测方法，在电信接入网出现故障时，通过预测可能出现故障的设备并进行相关故障设备的目标检测，从而得到电信接入网设施的故障检测结果，在提高故障检测准确性的同时，形成了一套统一的电信接入网设施的故障检测方法。

[0048] 具体地，在该实施例中，电信接入网主要完成所有用户接入到核心网的任务，因此电信接入网设施可包括业务点与用户驻地网之间的所有的机线设备，所述第一网络故障信息可包括当前时段获取的网络接通的状态、各地网络状态的出错率以及出错情况，在具体应用时，所述第一网络故障信息可以为当前获得的故障编码，该故障编码是系统根据网络传输故障自定义的编码，所述预设关联关系表中存储有网络故障信息和对应的故障设备种类，在根据网络故障信息得到可疑的故障设备集后，利用预设目标检测模型对图像采集数据中的电信接入网设施的图像进行目标检测，得到故障设备在电信接入网设施的图像中的位置和标注结果，该位置和标注结果即为所述故障检测结果。

[0049] 进一步，所述获取电信接入网设施的图像采集数据包括：

[0050] 从预设采集条件表中获取与所述第一故障设备集对应的基准采集条件信息，并根据所述基准采集条件信息对所述电信接入网设施进行图像采集，得到所述图像采集数据，其中，所述基准采集条件信息包括分别与所述第一故障设备集中的每种故障设备对应的基准采集条件，所述基准采集条件包括拍摄天气信息、拍摄时间信息和拍摄光线信息。

[0051] 具体地，在该实施例中，根据当前的网络故障信息所预测出的电信接入网设施中可能出现故障的设备，提醒系统维修人员或者控制监控器在基准采集条件下对电信接入网设施进行相关图像采集，并将采集到的图像采集数据输入到预设目标检测模型中进行目标检测，可以理解的是，可以基于当前故障设备类型，在预设目标检测模型中进行相关预测权重参数的提高，并降低目标检测的输出阈值，从而实现在图像采集数据中对当前故障设备类型进行目标检测，进一步提高故障检测准确率。

[0052] 优选地，所述预设采集条件表的建立过程包括：

[0053] 获取所述电信接入网设施的图像样本集，根据故障设备种类和与所述故障设备种类对应的采集条件，对所述图像样本集进行分组处理，得到图像样本数量相同的多组测试数据，其中，所述采集条件包括拍摄天气、拍摄时间和拍摄光线；

[0054] 将所述多组测试数据输入到所述预设目标检测模型中，得到所述多组测试数据的测试准确率；

[0055] 根据所述测试准确率，获取与所述故障设备种类对应的基准采集条件，根据所述故障设备种类和所述基准采集条件，建立所述预设条件表。

[0056] 具体地，在该实施例中，可在一天中不同的时间以及天气、光线下对电信接入网设施进行图像样本采集，得到图像样本集，并按照故障设备种类、拍摄天气、拍摄时间和拍摄光线对所述图像样本集进行分组，得到图像样本数量相同的多组测试数据，单组测试数据中每个图像样本对应的故障设备种类和采集条件相同，将所述多组测试数据输入到所述预设目标检测模型中，得到所述多组测试数据的测试准确率，对每种故障设备分别选取测试准确率数值最大的测试数据，获得所选取的测试数据对应的采集条件，该选取出的采集条件即为所述基准采集条件。

[0057] 优选地，所述基准采集条件信息还包括分别与所述第一故障设备集中的每种故障设备对应的基准采集焦点，所述基准采集焦点的获取过程包括：

[0058] 获取当前类型的故障设备在所述电信接入网设施中的分布位置范围，将所述分布位置范围的中点位置信息作为所述当前类型的故障设备的基准采集焦点。

[0059] 例如，所述电信接入网设施可包括光纤箱，可基于所述预设目标检测模型对输入的光纤箱图像建立坐标系，统计光纤箱中各类型故障设备在光纤箱的位置的百分比，如防尘帽一般存在光纤箱的中部，其分布位置范围为x坐标20‑60％，y坐标40‑60％的区间范围，分光器大部分存在于x坐标40‑60％，y坐标10‑20％的区间范围，而故障设备，如错误的分光器大部分存在于x坐标40‑60％，y坐标80‑90％的区间范围，此时所述中点位置信息为该区间范围的中间点的位置的百分比，即错误的分光器的基准采集焦点为x坐标50％，y坐标85％，从而将故障设备类型和对应的基准采集焦点存入预设采集条件表，在实际应用时可通过查询所述预设采集条件表控制监视器或提醒系统维修人员进行现场的图像采集。

[0060] 可选的，在一个实施例中，所述预设关联关系表的建立过程包括：

[0061] 获取所述电信接入网设施的故障维修日志信息，对所述故障维修日志信息进行关联规则挖掘，得到网络故障信息、故障原因和故障设备之间的关联规则，根据所述关联规则建立所述预设关联关系表。

[0062] 需要说明的是，所述网络故障信息可包括电信接入网的网络接通的状态、各地网络状态的出错率以及出错情况等信息，所述故障维修日志信息可包括网络故障信息以及对应的故障原因和故障设备。

[0063] 具体的，在该实施例中，所述故障维修日志信息可从服务器日志中进行获取，所述服务器日志可包括：预设地区内每个光纤箱管理的光纤对应的地址及其网络、该地址对应客户的网络投诉情况以及该网络最近时间段的延迟、断网情况。所述服务器日志可由Elasticsearch搜索引擎来储存，Elasticsearch是一个基于Lucene的搜索服务器，它提供了一个分布式多用户能力的全文搜索引擎，基于RESTful web接口。Elasticsearch是用Java语言开发的，并作为Apache许可条款下的开放源码发布，是一种流行的企业级搜索引擎。

[0064] 在检测到光纤箱管理的各光纤网络出现网络传输故障，或者网络延迟的时候，将发送该光纤网络id及其故障编码到Elasticsearch服务器，同时可以包括，光纤网络id所负责传输网络光纤的家庭地址，该光纤网络id所负责网络的投诉情况，维修工单的维修部件及其故障原因，故障设备图片等，根据维修工单的反馈，得到光纤箱中对应的不合规原因。

[0065] 此外，当客户对光纤网络进行投诉后，后台服务器系统将收到维修工单，维修工根据工单上门维修光纤箱后，可通过前端app提交维修部件及其故障原因、故障设备图片，该故障设备图片可通过LabelImg工具进行边界框法打标，并用于预设目标检测模型的训练，在进行边界框法打标时，可按照电信接入网设施中的设备种类，包括防尘帽、孔洞、跳纤等进行标签预设分类，所述LabelImg工具是图形图像注释工具，它是用Python编写的，并将Qt用于其图形界面，标注以PASCAL VOC格式(ImageNet使用的格式)另存为XML文件，此外，它还支持YOLO格式。

[0066] 例如：检测到光纤箱管理的各光纤网络出现网络传输故障，故障编码为100，所述故障编码是系统根据网络传输故障自定义的编码，是预设的，系统自动向维修工派发维修该光纤箱的工单，维修工到达现场进行修改后，在前端app提交维修部件为防尘帽，故障原因是防尘帽缺失灰尘堆积中断了网络传输，最后将所述前端app提交的维修部件及其故障原因传输到Elasticsearch服务器进行保存。

[0067] 在进行关联规则挖掘时，可利用关联规则分析方法，获取各故障编码，故障原因，与故障设备的高频关联关系。

[0068] 需要说明的是，关联规则是形如X→Y的蕴涵式，其中，X和Y分别称为关联规则的先导(antecedent或left‑hand‑side,LHS)和后继(consequent或right‑hand‑side,RHS)，其中，关联规则XY，存在支持度和信任度。而关联规则分析方法中常用的Apriori算法，其原理为使用候选项集找频繁项集，是一种挖掘布尔关联规则频繁项集的算法；其核心是基于两阶段频集思想的递推算法，所述关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。该算法的基本思想是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用找到的频集产生期望的规则，即产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来，其中，为了生成所有频集，使用了递推的方法。

[0069] 在实际应用时，可通过python的Apriori/Fp‑growth包，实现基于Apriori算法的关联规则的挖掘，利用所述关联规则可计算得到网络故障信息、故障原因和故障设备之间的关联关系，例如得到故障编码为100与防尘帽有强关联关系，支持度为0.05，进而建立所述预设关联关系表，该预设关联关系表在预设时间段内会不断自动更新。

[0070] 进一步的，在一个实施例中，所述电信接入网设施包括光纤箱，所述预设目标检测模型包括预设R‑FRCNN检测模型和预设Cascade‑Mask‑RCNN检测模型，所述故障检测结果的获取过程包括：

[0071] 利用所述预设R‑FRCNN检测模型检测所述图像采集数据，得到所述光纤箱的位置信息和倾斜角度；

[0072] 根据所述位置信息，从所述图像采集数据中提取所述光纤箱的目标图像数据，并根据所述倾斜角度对所述目标图像数据进行校正处理，得到输入图像数据；

[0073] 根据所述第一故障设备集，利用所述预设Cascade‑Mask‑RCNN检测模型对所述输入图像数据进行目标检测，得到所述光纤箱的故障检测结果，所述故障检测结果包括所述光纤箱中的故障设备的位置信息。

[0074] 具体地，在该实施例中，如图2所示，光纤箱中的故障设备利用边界框1进行了标注，所述故障设备的位置信息可包括故障设备在光纤箱中的坐标和标注结果，例如可以得到当前网络故障类型下光纤箱中可能出现故障的设备的分布位置，从而得到防尘帽缺失积灰尘引起的网络衰减、光纤破损或者断路导致对网络中断等场景下的故障检测结果，该故障结果可用于给维护人员提供故障点定位、维修整改方案建议等。同时，也可以对光纤箱施工作业进行规范。

[0075] 此外，利用预设目标检测模型通过边界框的方法对所述故障设备的位置进行标注，边界框用途广泛且简单明了，是计算机视觉中最常用的图像标注类型之一，边界框能够圈出目标，并协助计算机视觉网络找出感兴趣的目标，进而得到目标检测的结果。它很好创建，只需要分别指定盒的左上角和右下角的X和Y坐标。

[0076] 具体地，在该实施例中，可通过目标检测的方法，训练光纤箱检测模型，将光纤箱的总体外壳通过目标检测得到，其中，因为拍摄角度的局限，很容易拍摄到倾斜的光纤箱，而这对后续的故障设备检测会照成一定的影响，现有的大多数基于深度学习的物体检测算法都利用水平边界框来定位物体，这导致物体的密集分布或任意方向的定位不准确，从而导致检测遗漏，而本方法使用的预设R‑FRCNN检测模型，是将基于任意角度边界框的目标定位嵌入到Faster R‑CNN中，从而开发出的一种新的框架，称为“旋转Faster R‑CNN(R‑FRCNN)”，用于目标检测。在R‑FRCNN中，特别提高了锚定比，并增加了水平边界框回归的权重，以减少任意角度边界框对水平边界框预测的干扰。

[0077] 根据所述光纤箱的位置信息，可通过opencv工具包扣取光纤箱图片，得到所述光纤箱的目标图像数据，并根据所述光纤箱的倾斜角度对所述光纤箱图片进行水平复位，可以理解的是，水平复位后的光纤箱图片还需缩放到预设的的长宽比、像素长度，得到所述输入图像数据，便于输入到后续目标检测模型中，该预设的长宽比、像素长度为故障设施图像的统一检测输入规格。

[0078] 需要说明的是，本实施例采用了基于Cascade‑Mask‑RCNN的级联网络结构来建立预设Cascade‑Mask‑RCNN检测模型，其中Cascade‑RCNN和Mask‑RCNN都是基于Faster‑RCNN网络继续衍生发展而来的网络结构，都属于RCNN系列的目标检测算法，RCNN系列目标检测算法，大致分为以下两个步骤：步骤一是获取候选区域(region proposal或RoI区域)，二是对候选区域进行分类判断以及边框回归。以下先介绍Faster‑RCNN算法，然后再介绍本实施例运用的Cascade‑Mask‑RCNN的级联网络结构。

[0079] Faster‑RCNN其实也是符合两个阶段，只是Faster‑RCNN使用RPN网络进行候选框的提取，后面的分类和边框回归和R‑CNN算法差不多。所以有时候可以将Fast‑RCNN看成RoI网络部分和RCNN部分，将Faster‑RCNN看成为Fast‑RCNN和RPN网络的结合。在粗定位目标位置之后再进行精定位和精分类，在Faster‑RCNN中通过共享卷积层的方式大大减小了计算量并加快了目标的检测速度，通过backbone(此处backbone可以采用ResNet101，VGG16，Inception V3)之后提取得到目标的特征图，然后将特征图送入RPN(Region Proposal Network，区域提议网络)网络中进行目标的粗定位和筛选，之后将RPN网络的输出送给RoI池化层进行最大池化操作后再送入最终的分类头和回归头进行最终的类别判定和边界框的精细回归。

[0080] Mask‑RCNN在Faster‑RCNN网络的基础上改进了网络RPN之后的处理，添加了一个预测分割的mask实例，将原先的RoI网络替换为RoIAlign层和并列FCN层。使得网络可以更好地对实例进行前景背景的分割。其中RoIAlign层采用了双线性插值(双线性插值是一种比较好的图像缩放算法，它充分的利用了原图中虚拟点(比如20.56这个浮点数，像素位置都是整数值，没有浮点值)四周的四个真实存在的像素值来共同决定目标图中的一个像素值，即可以将20.56这个虚拟的位置点对应的像素值估计出来)的方式来完成ROI网络输出不匹配的问题。语义分割时输入的ROI首先获得7x7x1024的ROI feature，然后将其升维到2048个通道(这里修改了原始的ResNet网络架构)，然后有两个分支，上面的分支负责分类和回归，下面的分支负责生成对应的mask。由于前面进行了多次卷积和池化，减小了对应的分辨率，mask分支开始利用反卷积进行分辨率的提升，同时减少通道的个数，变为
14x14x256，最后输出了14x14x80的mask模板。

[0081] 以naive Resnet为主干网络时，最终产生300个Region proposals；而以FPN为主干时，最终生成1000个Region proposals。在box prediction branch上forward时会作NMS(non‑maximum suppression)处理。然后Mask branch会在排名最靠前的100个region proposals上进行forward计算(这样做违背了训练时三分支并行计算的特点，但确实有助于提升inference时的计算性能。)在这些ROI上面，mask分支最终得到K个mask maps/ROI。然后再对由classification分支预测得到的第k个分支进行resize，使它的大小与ROI的大小相符合。最终以0.5为threshold，对mask map作二分值化处理就得到最终的binarized mask map。

[0082] Cascade R‑CNN算法是通过级联几个检测网络达到不断优化预测结果的目的，与普通级联不同的是，cascade R‑CNN的几个检测网络是基于不同IOU阈值确定的正负样本上训练得到的，采取cascade的方式能够让每一个步骤的检测器都专注于检测IOU在某一范围内的感兴趣区域，因为输出IOU普遍大于输入IOU，因此检测效果会越来越好。Cascade‑RCNN最核心的部分是用级联网络的检测模型去训练。由于每个检测模型都是基于不同IOU的正负样本训练得到，前一个检测模型的输出作为后一个检测模型的输入，越往后的检测模型其界定的正负样本IOU阈值越不断提升，反过来也能使RPN网络输出更优质的候选框，从而减少假正样本出现的次数，提高检测网络的精确度。

[0083] 在此基础上，基于电信接入网设施的现场，通过视频监控设备进行合规图像素材的收集和不合规图像素材的收集；对合规素材和不合规素材分别进行人工标注，并将标注后的素材生成两套数据集，合规素材数据集和不合规素材数据集，即图像素材数据，其中，合规素材主要用来对不合规素材对训练结果进行比对验证；在利用预设R‑FRCNN检测模型和图像素材数据，得到具有统一输入规格的训练素材数据后，使用基于pytorch的统一的训练框架，应用faster‑rcnn和mask‑rcnn目标检测算法进行训练得到预设Cascade‑Mask‑RCNN检测模型；应用测试工具，对模型训练结果进行验证，并获得mAP和召回率等测试指标，从而形成成熟的故障检测方法。

[0084] 进一步的，在一个实施例中，所述预设目标检测模型的建立过程包括：

[0085] 采集所述电信接入网设施的图像素材数据，对所述图像素材数据分别采用至少一种数据增广方法进行处理，得到每种所述数据增广方法对应的训练集；

[0086] 根据所述训练集，利用神经网络分别建立对应每种所述数据增广方法的训练模型，选取训练准确率数值最大的训练模型作为所述预设目标检测模型。

[0087] 具体地，在该实施例中，按照电信接入网设施的设备种类包括防尘帽、孔洞、跳纤等进行标签预设分类，确定接入网设施故障的种类和标准样式，该标准样式为对输入图片预设的的长宽比和像素长度，并通过打标方法提取图像特征，确定每种接入网设施的使用场景，并提取当前场景下接入网设施的图像特征，结合接入网设施的图像特征和使用场景特征，得到接入网设施加应用场景特征，即获取各故障设备的打标结果作为特征输入。

[0088] 数据增广方法用于将所有获取得到的图像素材数据进行数据增强，得到训练集，包括图像饱和度，图像亮度，图像方位旋转，图像纹理信息改变，图像分辨率调节，多图像通道融合等图像数据增强操作，可以随机对各故障设备进行识别训练，在训练的时候，进行不同种类的随机的数据增广方法实验，以获取不同训练集对应的训练准确率，从而挑选出最优的训练准确率下的训练模型及其增广方法，根据挑选出的训练模型搭建预设目标检测模型。

[0089] 上述实施例提供的一种电信接入网设施故障检测方法，通过关联挖掘获取故障与设备的关系，选取拍摄条件提高了拍摄的角度精度并将多种算法应用在电信接入网识别中，从而提高故障检测的准确率。

[0090] 在上述各实施例中，虽然对步骤进行了编号，如S1、S2等，但只是本申请给出的具体实施例，本领域的技术人员可根据实际情况对调整S1、S2等的执行顺序，此也在本发明的保护范围内，可以理解，在一些实施例中，可以包含如上述各实施方式中的部分或全部。

[0091] 如图3所示，本发明实施例提供的一种电信接入网设施故障检测装置10，包括故障分析模块20和故障检测模块30；

[0092] 所述故障分析模块20，用于根据获取的电信接入网的第一网络故障信息，利用预设关联关系表，得到与所述第一网络故障信息对应的第一故障设备集，所述第一故障设备集包括所述电信接入网设施中的至少一种故障设备；

[0093] 故障检测模块30，用于获取电信接入网设施的图像采集数据，根据所述第一故障设备集，利用预设目标检测模型对所述图像采集数据进行目标检测，得到所述电信接入网设施的故障检测结果。

[0094] 可选的，在一个实施例中，所述故障检测模块30包括图像采集模块；所述图像采集模块，用于从预设采集条件表中获取与所述第一故障设备集对应的基准采集条件信息，并根据所述基准采集条件信息对所述电信接入网设施进行图像采集，得到所述图像采集数据，其中，所述基准采集条件信息包括分别与所述第一故障设备集中的每种故障设备对应的基准采集条件，所述基准采集条件包括拍摄天气信息、拍摄时间信息和拍摄光线信息。

[0095] 优选地，所述故障检测模块30还包括条件获取模块，所述条件获取模块用于获取所述电信接入网设施的图像样本集，根据故障设备种类和与所述故障设备种类对应的采集条件，对所述图像样本集进行分组处理，得到图像样本数量相同的多组测试数据，其中，所述采集条件包括拍摄天气、拍摄时间和拍摄光线；将所述多组测试数据输入到所述预设目标检测模型中，得到所述多组测试数据的测试准确率；根据所述测试准确率，获取与所述故障设备种类对应的基准采集条件，根据所述故障设备种类和所述基准采集条件，建立所述预设条件表。

[0096] 优选地，所述基准采集条件信息还包括分别与所述第一故障设备集中的每种故障设备对应的基准采集焦点，所述条件获取模块还用于获取当前类型的故障设备在所述电信接入网设施中的分布位置范围，将所述分布位置范围的中点位置信息作为所述当前类型的故障设备的基准采集焦点。

[0097] 可选的，在一个实施例中，如图4所示，还包括预处理模块40，所述预处理模块40用于获取所述电信接入网设施的故障维修日志信息，对所述故障维修日志信息进行关联规则挖掘，得到网络故障信息、故障原因和故障设备之间的关联规则，根据所述关联规则建立所述预设关联关系表。

[0098] 可选的，在一个实施例中，所述预设目标检测模型包括预设R‑FRCNN检测模型和预设Cascade‑Mask‑RCNN检测模型；

[0099] 所述故障检测模块30，具体用于利用所述预设R‑FRCNN检测模型检测所述图像采集数据，得到所述光纤箱的位置信息和倾斜角度；根据所述位置信息，从所述图像采集数据中提取所述光纤箱的目标图像数据，并根据所述倾斜角度对所述目标图像数据进行校正处理，得到输入图像数据；根据所述第一故障设备集，利用所述预设Cascade‑Mask‑RCNN检测模型对所述输入图像数据进行目标检测，得到所述光纤箱的故障检测结果，所述故障检测结果包括所述光纤箱中的故障设备的位置信息。

[0100] 可选的，在一个实施例中，所述预处理模块40，还用于采集所述电信接入网设施的图像素材数据，对所述图像素材数据分别采用至少一种数据增广方法进行处理，得到每种所述数据增广方法对应的训练集；根据所述训练集，利用神经网络分别建立对应每种所述数据增广方法的训练模型，选取训练准确率数值最大的训练模型作为所述预设目标检测模型。

[0101] 本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上文中电信接入网设施故障检测方法的实施例中的各参数和步骤，在此不做赘述。

[0102] 所属技术领域的技术人员知道，本发明可以实现为装置、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“装置”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。

[0103] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

[0104] 尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。