多相复合结构图像的载荷状态快速评估方法及设备

计算;推算;计数设备的制造及其应用技术1.本发明涉及载荷状态评估领域，尤其是涉及一种多相复合结构图像的载荷状态快速评估方法及设备。背景技术：2.多相复合结构在工程应用中广泛存在，各相性能差异一般会在边界条件剧烈变化时导致结构破坏失效。譬如，广泛应用于航空航天高温部件中的热障涂层，一般采用等离子喷涂法(aps)制备，导致其陶瓷顶层(tc)具有复杂多变的孔隙结构。tc内部孔隙结构在提高隔热性能的同时，易在高温服役时被融化的cao–mgo–al2o3–sio2(cmas)渗入，形成tc–cmas两相结构。cmas的热膨胀系数与陶瓷基体有较大差异，在冷却过程中，凝固的cmas可诱发tc层产生较高的热失配应力，致使涂层提前失效。为此，大量学者开展了针对tc–cmas热循环载荷的数值模拟，取得了有效进展。然而，这些方法面临一大挑战，就是当边界条件或微结构特征发生变化时，需要重新建模并开展计算，耗费大量的计算资源。而复合结构特征的优化，又是提升多相材料性能提升的一个重要技术途径，传统数值计算方法的效率低下，成为了制约复合结构快速优化设计的障碍。伴随人工智能技术的发展，数据驱动的神经网络模型，具有较高的计算速度。因此，开发一种基于神经网络架构的载荷快速评估方法，对多相材料的工艺与复合结构优化具有重要意义。3.目前针对多相结构应力、应变等载荷状态的评估技术主要分为两种：4.第一种是基于复合结构样件的试验测试，一般采用dic法在模拟边界条件下测量样本的应变场。然而，受限于设备分辨率，难以捕捉复合微结构应变分布的细节变化，且制样与试验周期较长，试验成本较高。因此，试验测试法无法满足多相复合结构优化与载荷状态在线监测的需求。5.第二种是依靠相关有限元软件的数值仿真，这种方法通过借助计算机仿真软件进行数值模拟分析，进而获得多相复合结构的热应变状态。然而，复杂结构的数值仿真对计算机硬件提出极高的要求；复合结构一般复杂多变，数值计算每次面对新的结构均需重新建立几何模型，重复大量工作并耗费大量时间与计算资源，难以支撑复合结构优化分析的需求；此外，也有部分工作将复合结构简化成规则形状，建立模拟夹杂率等结构参数的简化几何模型进行数值仿真，这种计算方法虽然降低了计算资源的消耗，但是结果的可信度较低。6.如图1所示，以传统的基于数值仿真的应力、应变状态评估方法为例，首先需要从多相复合结构样本拍摄或简化出结构形貌。对结构进行语义分割后，结合边界条件与材料属性等服役参数建立其数值仿真模型。其中，数值仿真过程包含图像复原几何模型的建立、材料属性设置、网格划分、边界条件设置、提交计算与结果后处理等部分，一般需耗费大量时间与计算资源。对于需要求解多组数据获得一定规模数据集的任务，则需对新的待测复合结构重复上述所有过程，尤其包含耗时的数值仿真过程。因此，传统数值仿真方法难以短期内获取较多的数据支撑复合结构强度及工艺参数优化等工作。技术实现要素：7.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种多相复合结构图像的载荷状态快速评估方法、设备及介质。8.本发明的目的可以通过以下技术方案来实现：9.根据本发明第一方面，提供了一种多相复合结构图像的载荷状态快速评估方法，包括以下步骤：10.获取多相复合结构的断面形貌图像，建立图像复原有限元分析模型，计算不同边界条件与几何特征下的载荷分布；11.构建弹性力学模型约束的生成对抗网络，并基于有限元分析模型获取的数据进行训练；12.基于训练好的生成对抗网络对待检测的多相复合结构的载荷状态进行评估。13.优选地，所述的方法具体包括以下步骤：14.s1：获取多相复合结构的断面形貌图像，构建图像库；15.s2：对图像库中的图像按不同相进行语义分割，获取语义分割结构图；16.s3：对语义分割后的图像进行边界识别和抗锯齿优化；17.s4：基于优化后的结构边界坐标建立图像复原有限元模型，在预定的工况参数下，计算结构的载荷分布；18.s5：建立用于拟合结构图像与载荷分布关系的弹性力学约束生成对抗网络模型；19.s6：将s2中获取的语义分割结构图作为模型输入和s4获取的载荷分布作为模型输出构建训练样本集；20.s7：基于训练样本集对生成对抗网络模型进行训练；21.s8：获取待检测的多相符合结构的断面形貌图像并基于s2进行预处理，送入训练好的生成对抗网络模型获取载荷状态。22.进一步优选地，所述的步骤s2具体包括：23.s21：用高斯滤波处理断面形貌图像；24.s22：调整图像对比度，增强各相的灰度差异；25.s23：用不同颜色标记不同相组分。26.进一步优选地，所述的步骤s3具体包括：27.s31：基于连通域分析法识别步骤s2语义分割结构图中各相组分区域；28.s32：采用坐标平均法对识别的结构边界进行抗锯齿优化。29.进一步优选地，所述的步骤s4具体包括：30.将步骤s3优化的结构边界进行有限元元分析，建立二维多相结构的几何模型；为各相组分与基体材料等设定对应的材料属性；对几何模型采用四边形网格进行划分，不同组结构的网格尺寸相同；根据预定工况设定边界条件，在非线性条件下提交计算多组结构的载荷分布。31.进一步优选地，所述的步骤s5具体包括：32.基于pix2pix架构建立一种像素到像素转换的初始生成对抗网络：建立一种多层u形卷积神经网络作为生成对抗网络的生成器g，建立降采样卷积神经网络作为生成对抗网络的判别器d。33.进一步优选地，所述的载荷分布为多相复合结构的应力分布、应变场，所述的将多相复合结构的应力、应变分别作为输出对生成对抗网络进行训练，所述的步骤s5具体包括：34.初始所述的生成对抗网络的损失函数，记为：[0035][0036]其中，训练g以最大化logd(r,g(r))损失，训练d以最小化logd(r,s)，ee表示数学期望，λ是l1范数损失l1的系数，r是网络的输入，s为输出的真实参照，l1(g)记为：[0037]l1(g)＝er,s[||s-g(r)||1][0038]当预测目标为应力分布时，s是有限元应力场σt；当预测目标是应变分布时，s是有限元应变场εt，[0039]引入考虑热膨胀的广义胡克定律，记为：[0040][0041]其中，e'＝e/(1-ν2)，ν'＝ν/(1-ν)，α'＝α(1+ν)，g＝e/2(1+ν)，e是弹性模量，ε11是x轴方向的弹性应变分量，ε22是y-轴方向的应变分量，ε12是x-y平面内的剪应变，ν代表泊松比，α是热膨胀系数，σ代表各轴向的应力分量，σ11为沿x轴方向的应力分量，σ22为y轴方向的应力分量，σ12为x-y平面内的剪应力，tr代表室温，t0代表冷却初始温度；[0042]将各应力分量用应变分量表示，记为：[0043][0044]引入弹性力学连续性假设的变形协调条件，记为：[0045][0046]设步骤s2语义分割后的多相结构分布为xc，基于步骤s4中有限元模型计算的对应的应变分布设为εt，将三个应变分量组合成三维数组，记为：[0047][0048]其中，#代表切换层，表示εt是由εt,11,εt,22,按顺序堆叠而成的三维数组；[0049]生成器生成的应变数组记为：[0050]εm＝[εm,11#εm,22#εm,12][0051]εt与εm均可等效为多通道图片a，设卷积核为多维数组c，三通道的二维卷积计算可表示为：[0052][0053]其中，ζ与ξ是感受野位置，k是通道数，*表示卷积，[0054]采用差分法计算应变图像的应变协调误差，任一像素点pζ,ξ各方向的二阶偏导记为：[0055][0056]弹性力学连续性假设的变形协调条件可表示为：[0057][0058]引入自定义固定卷积核cp，记为：[0059][0060]采用卷积操作便捷的计算应变场的应变协调误差lc，记为：[0061][0062]其中，f是像素边长尺寸修正系数，[0063]当预测目标为应变分布时，将有限元计算的应力载荷分布设为真实参照，基于应力分量计算应力-应变关系误差lh,12与lh,3，记为：[0064][0065]其中，lh,12与lh,3，分别用于约束轴向应变与剪切应变分量，lc，lh,12与lh,3同时用于约束生成器的权值优化，[0066]真实应变载荷分布的判别器d损失ls,d，记为：[0067]ls,d＝logd(rc,εt,lc,t)[0068]其中，rc为语义分割的结构图像，εt为与结构对应的真实应变分布，lc,t为真实应变分布的应变协调误差，[0069]生成器g生成的应变分布，其判别器损失lsg,d，记为：[0070]lsg,d＝log(1-d(rc,g(rc)),lc,m)[0071]其中，lc,m是合成应变分布的应变协调误差；[0072]判别器损失ld可记为：[0073][0074]其中，b是样本批次大小，[0075]当预测目标为应力分布时，将有限元计算的应变分布设为真实参照，基于考虑热膨胀的广义胡克定律计算应力-应变关系误差lh,12与lh,3，记为：[0076][0077]其中，lh,12与lh,3，分别用于约束轴向应力与剪切应力分量，lc，lh,12与lh,3同时用于约束生成器的权值优化，[0078]真实应变载荷分布的判别器d损失ls,d，记为：[0079]ls,d＝log d(rc,σt,lc,t)[0080]生成器g生成的应力分布，其判别器损失lsg,d，记为：[0081]lsg,d＝log(1-d(rc,g(rc)),lc,m)[0082]其中，lc,m是合成应变分布的应变协调误差，应将生成的应力分布按考虑热膨胀的广义胡克定律计算为应变分布后，再基于应变协调误差采用卷积计算；判别器损失ld可记为：[0083][0084]生成器损失lg包含l1范数l1，及弹性力学约束的lc，ls,12与ls,3，记为：[0085][0086]因此，弹性力学约束的生成对抗网络总损失函数，记为：[0087][0088]其中，是弹性力学损失le的系数矩阵，le记为：[0089]le＝[lc,m,ls,12,ls,3]t。[0090]进一步优选地，所述的步骤s6具体包括：[0091]将语义分割结构图及其对应的载荷分布切分成满足步骤s5建立的生成对抗网络输入图片尺寸条件的多组局部图片，建立训练样本集；根据结构图片建立对应的材料属性与边界条件矩阵，用于训练过程中弹性力学损失的计算；选取约70％的样本用于网络的训练，其余样本用于验证。[0092]进一步优选地，所述的步骤s8具体包括：[0093]将高分辨率的待测多相复合结构图片按照步骤s2进行预处理，将图像比例尺调整为与训练集图像相同的大小；将预处理后的结构切分成满足步骤s5建立的生成对抗网络输入图片尺寸条件的多组局部图片，采用步骤s7训练的网络模型依次预测其对应的应变分布；将预测的多组局部应变分布合并，去除重叠区域后得到完整的应变分布。[0094]根据本发明第二方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现所述的一种多相复合结构图像的载荷状态快速评估方法。[0095]根据本发明第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的一种多相复合结构图像的载荷状态快速评估方法。[0096]与现有技术相比，本发明具有如下优点：[0097]1.本发明基于弹性力学方程约束的生成对抗网络建立了多相复合结构的应力、应变等载荷评估方法，训练后的网络拟合模型对载荷分布的评估速度远高于数值仿真法，且预测精度满足工程需求，能够为多相复合结构的强度评估提供快速的数据分析方法，缩短设计周期；[0098]2.本发明结合物理约束生成对抗网络及图片切分方法，可基于小规模数值计算样本数据建立训练数据集，减少神经网络的数据依赖度，增强了网络模型的泛化能力，便于工程应用。附图说明[0099]图1为基于数值仿真的多相复合结构应变状态评估的流程图。[0100]图2为本发明多相复合结构图像的载荷状态快速评估方法的整体架构图。[0101]图3为本发明基于微结构图像的热障涂层热应变状态快速评估的流程图。具体实施方式[0102]下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。[0103]实施例[0104]本发明旨在提供一种多相复合结构图像的载荷状态快速评估方法，该方法用于复杂多相复合结构的应力或应变载荷状态评估，所述评估方法包括：获取多相复合结构的断面形貌图像，建立图像复原有限元分析模型，计算不同边界条件与几何特征下的载荷分布；构建弹性力学模型约束的生成对抗网络，并基于有限元分析模型获取的数据进行训练；基于训练好的生成对抗网络对待检测的多相复合结构的载荷状态进行评估。本发明的是通过下述技术步骤实现的：[0105]步骤1拍摄多相复合结构的断面形貌图像：制备待测多相材料样本或取样，采用电子显微镜拍摄其微观结构sem图像，确定图像比例尺大小，构建图像库；[0106]步骤2对步骤1中获取的结构图像按不同相进行语义分割：采用高斯滤波处理步骤1拍摄的sem图像，降低其噪声水平；适当调整其对比度，增强各相的灰度差异；采用不同颜色标记各相组分，获取语义分割结构图。[0107]步骤3对步骤2中分割的复合结构进行边界识别，采用坐标平均法对坐标进行抗锯齿优化：基于连通域分析法识别步骤2语义分割后图片中各相组分区域，将各相区域记为：[0108]qarea＝{(q1,q2,l,qi)|1≤i≤num(qarea)}[0109]其中，qarea为各相区域的集合，qi为其中一个相区域，i表示区域编号，num(qarea)表示组分区域的数量；[0110]区域的边界坐标记为bc：[0111][0112]j表示边界像素点的编号，bi是区域边界，bp,ij是边界bi中的一个点，(xij,yij)为bp,ij的坐标；[0113]采用坐标平均法(ca)对识别的复合结构边界进行抗锯齿优化，ca算法的表达式记为：[0114][0115]px和py分别代表优化后的x与y坐标，n是递归次数；其中，有bij到bi(j+n)共n+1个点参与ca优化。[0116]步骤4基于步骤3中优化的复合结构边界坐标建立图像复原有限元模型，在预定的工况参数下，计算结构的应力、应变分布：将步骤3优化的结构边界导入有限元分析软件，建立二维多相结构的几何模型；为各相组分与基体材料等设定对应的材料属性；对几何模型采用四边形网格进行划分，不同组结构的网格尺寸相同；根据预定工况设定边界条件，在非线性条件下提交计算多组结构的载荷分布。本实施例中，载荷分布为多相复合结构的应力分布、应变分布。[0117]步骤5建立用于拟合结构图像与应变分布关系的弹性力学约束生成对抗网络模型：基于pix2pix架构建立一种像素到像素转换的初始生成对抗网络：建立一种多层u形卷积神经网络作为生成对抗网络的生成器g，建立降采样卷积神经网络作为生成对抗网络的判别器d；初始生成对抗网络的损失函数，记为：[0118][0119]其中，训练g以最大化logd(r,g(r))损失，训练d以最小化logd(r,s)，ee表示数学期望，λ是l1范数损失l1的系数，r是网络的输入，s为输出的真实参照，l1(g)记为：[0120]l1(g)＝er,s[||s-g(r)||1]ꢀꢀꢀ(2)[0121]当预测目标为应力分布时，y是有限元应力分布σt；当预测目标是应变场时，y是有限元应变场εt。[0122]多相复合结构的应力、应变之间应满足考虑热膨胀的广义胡克定律；此外，结构在冷却过程中始终保持连续性，则其各应变分量满足应变协调条件。[0123]因此，引入考虑热膨胀的广义胡克定律，记为：[0124][0125]其中，e'＝e/(1-ν2)，ν'＝ν/(1-ν)，α'＝α(1+ν)，g＝e/2(1+ν)，e是弹性模量，ε11是x轴方向的弹性应变分量，ε22是y-轴方向的应变分量，ε12是x-y平面内的剪应变，ν代表泊松比，α是热膨胀系数，σ代表各轴向的应力分量，σ11为沿x轴方向的应力分量，σ22为y轴方向的应力分量，σ12为x-y平面内的剪应力，tr代表室温，t0代表冷却初始温度；[0126]将应力分量用应变分量表示，记为：[0127][0128]引入弹性力学连续性假设的变形协调条件，记为：[0129][0130]设步骤2语义分割后的多相结构分布为xc，基于步骤4中有限元模型计算的对应的应变分布设为εt，将三个应变分量组合成三维数组，记为：[0131][0132]其中，#代表切换层，表示εt是由εt,11,εt,22,按顺序堆叠而成的三维数组；[0133]生成器生成的应变数组记为：[0134]εm＝[εm,11#εm,22#εm,12]ꢀꢀꢀ(7)[0135]εt与εm均可等效为多通道图片a，设卷积核为多维数组c，三通道的二维卷积计算可表示为：[0136][0137]其中，ζ与ξ是感受野位置，k是通道数，*表示卷积。[0138]采用差分法计算应变图像的应变协调误差，任一像素点pζ,ξ各方向的二阶偏导记为：[0139][0140]式(5)可表示为：[0141][0142]引入自定义固定卷积核cp，记为：[0143][0144]采用卷积操作便捷的计算应变场的应变协调误差lc，记为：[0145][0146]其中，f是像素边长尺寸修正系数。[0147]当预测目标为应变场时，将fem应力分布设为真实参照，基于式(4)计算应力-应变关系误差lh,12与lh,3，记为：[0148][0149]其中，lh,12与lh,3，分别用于约束轴向应变与剪切应变分量。[0150]lc，lh,12与lh,3同时用于约束生成器的权值优化。真实应变载荷分布的判别器d损失ls,d，记为：[0151]ls,d＝log d(rc,σt,lc,t)ꢀꢀꢀ(14)[0152]其中，rc为语义分割的结构图像，εt为与结构对应的真实应变分布，lc,t为真实应变分布的应变协调误差，[0153]生成器g生成的应变分布，其判别器损失lsg,d，记为：[0154]lsg,d＝log(1-d(rc,g(rc)),lc,m)ꢀꢀꢀ(15)[0155]其中，lc,m是合成应变分布的应变协调误差；判别器损失ld可记为：[0156][0157]其中，b是样本批次大小。[0158]当预测目标为应力分布时，将fem应变分布设为真实参照，基于式(3)计算应力-应变关系误差lh,12与lh,3，记为：[0159][0160]其中，lh,12与lh,3，分别用于约束轴向应力与剪切应力分量。[0161]lc，lh,12与lh,3同时用于约束生成器的权值优化。真实应变载荷分布的判别器d损失ls,d，记为：[0162]ls,d＝log d(rc,σt,lc,t)ꢀꢀꢀ(18)[0163]生成器g生成的应力分布，其判别器损失lsg,d，记为：[0164]lsg,d＝log(1-d(rc,g(rc)),lc,m)ꢀꢀꢀ(19)[0165]其中，lc,m是合成应变分布的应变协调误差，应将生成的应力分布按式(3)计算为应变分布后，再基于式(12)采用卷积计算；判别器损失ld可记为：[0166][0167]生成器损失lg包含l1范数l1，及弹性力学约束的lc，ls,12与ls,3，记为：[0168][0169]因此，弹性力学约束的生成对抗网络总损失函数，记为：[0170][0171]其中，是弹性力学损失le的系数矩阵，le记为：[0172]le＝[lc,m,ls,12,ls,3]tꢀꢀꢀ(23)[0173]步骤6将步骤2中获取的语义分割结构图作为模型输入和步骤4获取的载荷分布作为模型输出构建训练样本集。将步骤2中获取的语义分割结构图与步骤4中计算的应力、应变等载荷分布图分割成多个局部视图，基于分割的结构图及相应位置的载荷图建立训练数据集：将高分辨率的复合结构图片及其对应的应力、应变图片切分成满足步骤5建立的生成对抗网络输入图片尺寸条件的多组局部图片，建立训练样本集；根据结构图片建立对应的材料属性与边界条件矩阵，用于训练过程中弹性力学损失的计算；选取约70％的样本用于网络的训练，其余样本用于验证。[0174]步骤7基于步骤5建立的训练集训练步骤6建立的生成对抗网络，所述的载荷分布为多相复合结构的应力分布、应变场，所述的将多相复合结构的应力、应变分别作为输出对生成对抗网络进行训练。[0175]步骤8对待测复合结构重复步骤2进行预处理，采用步骤7训练的网络模型对待测结构的应变场进行快速预测：将高分辨率的待测多相复合结构图片按照步骤1和2进行预处理，将图像比例尺调整为与训练集图像相同的大小；将预处理后的结构切分成满足步骤5建立的生成对抗网络输入图片尺寸条件的多组局部图片，采用步骤7训练的网络模型依次预测其对应的应变分布；将预测的多组局部应变分布合并，去除重叠区域后得到完整的应变分布。[0176]本实例中以典型的cao–mgo–al2o3–sio2(cmas)渗透热障涂层(tc–cmas)复杂两相微结构为强度评估对象。燃气轮机运行结束的冷却阶段，凝固的cmas因与陶瓷基体不同的热膨胀系数而导致涂层中出现较为复杂的应变状态。同时，涂层多采用空气等离子喷涂方法制备，导致其微结构复杂多变，针对多变的结构需进行大量热载荷分析。在本实施例中具体提供了一种多相复合结构图像的载荷状态快速评估方法，无需每次针对新的结构形貌进行建模，整体架构见图2。该方法的具体实施方式主要分为训练阶段与热应变评估两个阶段：[0177]训练阶段：[0178]如图3所示，首先基于热障涂层的样本采用电镜拍摄其断面微结构图像，将不同图像的比例尺调整为相同值，并记录比例尺大小。采用高斯滤波处理拍摄的sem图像，降低其噪声水平；适当增强其对比度，使cmas夹杂与陶瓷基体的灰度差异；然后基于局部阈值法对图片二值化处理，采用不同颜色标记cmas与陶瓷基体，完成结构图像的语义分割。对分割的微结构进行边界识别，采用ca法去除边界的锯齿效应，获取用于图像复原有限元模型建立的结构边界。[0179]获取涂层冷却的温度边界条件，获取cmas与陶瓷基体的基本力学性能参数。基于结构边界建立图像复原几何模型并划分网格，设置边界条件与材料参数后计算多组涂层的应变分布。基于cmas与陶瓷基体的分布建立相应的材料属性与边界条件矩阵，结合微结构图像与应变载荷分布建立生成对抗网络的训练数据集。建立用于预测涂层应变分布的生成对抗网络模型，采用广义胡克定律与应变协调条件约束网络模型。有限元数据的计算往往较为耗时，且具有大量重复性工作。因此，生成对抗网络的输入图片分辨率一般设置较低，本实例为256×256。这样可将高分辨率的图像分割成多个低分辨率的局部图片，基于小规模高清图像建立训练数据集。[0180]基于建立的训练数据集训练生成对抗网络模型。其中，考虑热膨胀的广义胡克定律与应变协调条件在训练过程中约束生成器的梯度更新。生成应变场的应变协调误差、应变分布与结构图像一同输入判别器，由判别器输出判别误差。训练网络直至误差满足阈值或达到预定步数。[0181]预测阶段：[0182]对待测涂层样本采用电镜拍摄微结构图像。采用与训练集图像相同的处理方式进行语义分割，将图像比例尺调整到与训练集相同。根据分割的结构图像建立相应的涂层材料属性与边界条件矩阵，与结构图像一同作为输入数据。预测阶段无需再针对每个样本建立模型，直接采用训练的生成对抗网络作为结构-应变拟合模型。将结构图片与参数矩阵输入拟合模型，即可对涂层的应变分布进行快速预测。待测样本电镜图像数目较多时，重复上述图像与参数矩阵的建立过程，直至满足数据库的数据量要求。[0183]需要注意的是实施例中的训练阶段包括了大量的数据收集、数据分析与数据提取等工作，良好的计算硬件与并行软件设计能提供更为便利的数据处理分析手段，其工作内容是在线阶段热力状态评估的准备前提。而在线阶段的工作对于计算硬件需求不敏感，完全可以依托普通的单核计算机快速实现。[0184]本发明电子设备包括中央处理单元(cpu)，其可以根据存储在只读存储器(rom)中的计算机程序指令或者从存储单元加载到随机访问存储器(ram)中的计算机程序指令，来执行各种适当的动作和处理。在ram中，还可以存储设备操作所需的各种程序和数据。cpu、rom以及ram通过总线彼此相连。输入/输出(i/o)接口也连接至总线。[0185]设备中的多个部件连接至i/o接口，包括：输入单元，例如键盘、鼠标等；输出单元，例如各种类型的显示器、扬声器等；存储单元，例如磁盘、光盘等；以及通信单元，例如网卡、调制解调器、无线通信收发机等。通信单元允许设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。[0186]处理单元执行上文所描述的各个方法和处理，例如步骤1～8。例如，在一些实施例中，步骤1～8可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元。在一些实施例中，计算机程序的部分或者全部可以经由rom和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到ram并由cpu执行时，可以执行上文描述的步骤1～8的一个或多个步骤。备选地，在其他实施例中，cpu可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行步骤1～8。[0187]本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)等等。[0188]用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。[0189]在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。[0190]以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。









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!