开云优惠体育网页版入口

专利名称：一种基于大数据的巡检场景识别方法及系统

专利类型：发明专利

专利申请号：CN202410911661.3

专利申请（专利权）人：陕西陕煤黄陵矿业有限公司,陕西禄远电子开云优惠体育网页版入口有限公司
权利人地址：陕西省延安市黄陵县店头镇

专利发明（设计）人：发明人:王鹏飞,易瑞强,张强,李磊,朱庆伟,丁妮

专利摘要：本发明涉及大数据技术领域，本发明涉及一种基于大数据的巡检场景识别方法及系统，包括：获取巡检图像，对巡检图像进行差分处理得到对应的差分图像并进行标注，生成数据集；构建基于图像差分注意力机制的目标检测模型，通过计算前后帧差分图像，确定输配电线路区域，并对缺陷特征进行重点关注；通过梯度算法优化目标检测模型参数，确保高查全率以减少漏检；通过评价指标验证目标检测模型性能，识别输配电线路缺陷。本方案解决了现有巡检方法因环境复杂，造成的识别准确率低的问题，提高了巡检效率和安全性，增强了巡检的智能化水平。

主权利要求：
1.一种基于大数据的巡检场景识别方法，其特征在于，包括：
获取巡检图像，对所述巡检图像进行差分处理得到对应的差分图像，并对所述差分图像进行标注，以生成数据集；
根据所述数据集训练基于图像差分注意力机制的目标检测模型；
其中，所述目标检测模型包括差分注意力机制模块和分类模块，所述差分注意力机制模块用于：将对所述巡检图像和对应的差分图像分别进行特征提。崛×秸叩奶卣髡帕浚
对差分图像的特征张量中的特征图进行行卷积和全局平均池化，得到第一特征张量并与所述巡检图像的特征张量中的特征图相乘，得到第二特征张量；对第二特征张量的特征图进行行卷积和全局平均池化，计算每行行内的特征差异，将池化结果和所述特征差异的结果相乘得到所述第二特征张量的特征图对应的特征向量，将所述特征向量中特征值的最大值作为权重系数，将所述权重系数和所述第二特征张量的特征图相乘，得到图像差分注意力机制的结果；将所述差分注意力机制的结果作为分类模块的输入，所述分类模块的输出为所述目标检测模型的输出；
将实时采集的巡检图像输入目标检测模型，识别巡检设备的缺陷；
所述权重系数计算步骤包括：
使用大小为1x3xc的卷积核对差分图像的特征张量进行卷积，其中，1x3xc表示卷积核的高度为1，卷积核宽度为3，卷积核的通道数为c；
通过全局平均池化得到 x1xc的特征矩阵；其中，x1xc表示卷积核的高度为 ，卷积核宽度为1；
将特征矩阵与巡检图像的特征张量相乘得到融合特征张量；
对融合特征张量使用大小为1x3xc的卷积核进行卷积，再通过全局平均池化得到融合矩阵，通过方差或极差按行计算每行的差异得到差异矩阵；
将差异矩阵与融合特征矩阵相乘，按列求最大值得到权重系数。
2.根据权利要求1所述的一种基于大数据的巡检场景识别方法，其特征在于，所述目标检测模型还包括输入模块，所述输入模块用于将巡检视频解码为图像帧。
3.根据权利要求1所述的一种基于大数据的巡检场景识别方法，其特征在于，所述获取巡检图像，包括，采用无人机拍摄实现；所述对差分图像进行标注，包括，采用Python的第三方工具labelImg实现。
4.根据权利要求1所述的一种基于大数据的巡检场景识别方法，其特征在于，所述差分图像为后一时刻图像减去前一时刻图像得到的新图像，对新图像进行图像反转进而得到差分图像。
5.根据权利要求1所述的一种基于大数据的巡检场景识别方法，其特征在于，所述目标检测模型为yolov5模型；
将基于图像差分注意力机制加入yolov5模型，并使用梯度算法更新目标检测模型，当目标检测模型达到预设训练次数α或目标检测模型的损失小于设定阈值β时，停止训练，并根据目标检测模型的评价指标训练出最优的模型，其中α∈[100，500]，β∈[0.01,0.1]。
6.根据权利要求5所述的一种基于大数据的巡检场景识别方法，其特征在于，所述目标检测模型的损失采用交叉熵损失。
7.根据权利要求5所述的一种基于大数据的巡检场景识别方法，其特征在于，所述目标检测模型的评价指标偏好查全率：；
其中，表示评价指标偏好查全率， 表示第 类缺陷预测为正确的个数， 表示第 类缺陷预测为没有缺陷的个数，表示缺陷种类的总个数；所述缺陷的种类分为开裂和断开两类。
8.一种基于大数据的巡检场景识别系统，其特征在于，包括存储器和处理器，所述存储器内存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现权利要求1~
7任意一项所述的基于大数据的巡检场景识别方法。 说明书 : 一种基于大数据的巡检场景识别方法及系统技术领域[0001] 本发明涉及大数据技术领域。更具体地，本发明涉及一种基于大数据的巡检场景识别方法及系统。背景技术[0002] 大数据是一个广泛应用于各种领域的术语，指的是无法通过传统的数据处理应用软件来处理的大量、复杂且快速生成的数据集。大数据的特点可以通过4V模型来描述，即数据量、数据速度、数据种类和数据真实性。近年来，随着数据生成和收集能力的迅速提升，大数据的定义和范围不断扩大，涵盖了更多的维度和特性，如价值和可视化。巡检场景识别是指在巡检过程中利用先进的技术手段对所处的环境和设备进行识别、分析和记录，以辅助巡检人员完成巡检任务，确保设备和环境的安全与稳定。该技术结合了大数据、图像识别、机器学习与深度学习、IoT、AR、语音识别与自然语言处理等多种技术手段，能够实时采集和分析巡检场景中的各种数据。这些技术的综合应用，使得巡检场景识别在工业设备巡检、设施维护、安全检查和环境监测等多个领域展现了广阔的应用前景。[0003] 公开号为CN109544501B的专利文件公开了一种基于无人机多源图像特征匹配的输电设备缺陷检测方法。该方法首先使用SIFT算法对无人机拍摄的图像进行配准，处理图像中的平移、拉伸和缩放等问题，然后通过选择性搜索算法获得候选检测区域。接着，这些候选区域被输入到卷积神经网络中进行处理，最后利用支持向量机模型对处理后的图像进行最终的缺陷识别。然而，尽管该方法在一定程度上解决了无人机图像中的几何变换问题，但其计算量较大，所使用的模型也较为落后，导致整体的准确率无法得到充分保证。发明内容[0004] 为解决上述背景技术中提出的计算量大和模型较为落后的问题，本发明在如下的多个方面中提供方案。[0005] 在第一方面中，本发明提供了一种基于大数据的巡检场景识别方法，该方法包括以下步骤：[0006] 获取巡检图像，对所述巡检图像进行差分处理得到对应的差分图像，并对所述差分图像进行标注，以生成数据集；[0007] 根据所述数据集训练基于图像差分注意力机制的目标检测模型；[0008] 其中，所述目标检测模型包括差分注意力机制模块和分类模块，所述差分注意力机制模块用于：将对所述巡检图像和对应的差分图像分别进行特征提。崛×秸叩奶卣髡帕浚欢圆罘滞枷竦奶卣髡帕恐械奶卣魍冀行芯砘腿制骄鼗，得到第一特征张量并与所述巡检图像的特征张量中的特征图相乘，得到第二特征张量；对第二特征张量的特征图进行行卷积和全局平均池化，计算每行行内的特征差异，将池化结果和所述特征差异的结果相乘得到所述第二特征张量的特征图对应的特征向量，将所述特征向量中特征值的最大值作为权重系数，将所述权重系数和所述第二特征张量的特征图相乘，得到图像差分注意力机制的结果；将所述差分注意力机制的结果作为分类模块的输入，所述分类模块的输出为所述目标检测模型的输出；[0009] 将实时采集的巡检图像输入目标检测模型，识别巡检设备的缺陷。[0010] 现有的输电设备缺陷检测方法，虽然在一定程度上解决了无人机拍摄图像中的平移、拉伸和缩放问题，但其计算量依然非常庞大，导致实际应用中效率低下。而本发明通过引入基于图像差分注意力机制，极大地优化了计算过程。图像差分技术通过对连续帧的图像进行差分处理，仅对差异部分进行重点分析，从而大幅减少了不必要的计算量。这一方法不仅提高了图像处理的效率，还降低了系统资源的消耗，使得在同样的硬件条件下能够处理更多的数据，从而提高了巡检的实时性。[0011] 在一个实施例中，所述目标检测模型还包括输入模块，所述输入模块用于将巡检视频解码为图像帧。[0012] 在一个实施例中，所述获取巡检图像，包括，采用无人机拍摄实现；所述对差分图像进行标注，包括，采用Python的第三方工具labelImg实现。[0013] 在一个实施例中，所述差分图像为后一时刻图像减去前一时刻图像得到的新图像，对新图像进行图像反转进而得到差分图像。[0014] 在一个实施例中，所述权重系数计算步骤包括：[0015] 使用大小为1x3xc的卷积核对差分图像的特征张量进行卷积，其中，1x3xc表示卷积核的高度为1，卷积核宽度为3，卷积核的通道数为c；通过全局平均池化得到 x1xc的特征矩阵；其中，x1xc表示卷积核的高度为 ，卷积核宽度为1，卷积核的通道数为c。将特征矩阵与巡检图像的特征张量相乘得到融合特征张量；对融合特征张量使用大小为1x3xc的卷积核进行卷积，再通过全局平均池化得到融合矩阵，通过方差或极差按行计算每行的差异得到差异矩阵；将差异矩阵与融合特征矩阵相乘，按列求最大值得到权重系数。[0016] 在一个实施例中，所述目标检测模型为yolov5模型。[0017] 将基于图像差分注意力机制加入yolov5模型，并使用梯度算法更新目标检测模型，当目标检测模型达到预设训练次数α或目标检测模型的损失小于设定阈值β时，停止训练，并根据模型的评价指标训练最优的模型，其中α∈[100，500]，β∈[0.01,0.1]。[0018] 传统方法中使用的模型较为落后，无法充分利用现代深度学习技术的优势，导致识别准确率不能得到很好的保证。本发明通过引入基于图像残差的注意力机制和结合先进的YOLOv5模型，显著提升了识别性能。YOLOv5作为当前最先进的目标检测模型之一，具有快速且准确的检测能力。通过在YOLOv5的特征提取模块中引入基于图像残差的注意力机制，模型能够更加聚焦于输配电线路的关键特征，尤其是缺陷部分的特征，从而大幅提升了识别的准确性和鲁棒性。这种结合不仅充分发挥了YOLOv5模型的高效检测能力，还利用残差注意力机制提升了模型对细节特征的捕捉能力，使得整体识别效果更加可靠。[0019] 在一个实施例中，所述目标检测模型的损失采用交叉熵损失。[0020] 在一个实施例中，所述目标检测模型的评价指标偏好查全率：[0021][0022] 其中，表示评价指标偏好查全率， 表示第 类缺陷预测为正确的个数， 表示把第 类缺陷预测为没有缺陷的个数，所述缺陷的种类分为开裂和断开两类。[0023] 通过优化特征提取和差分注意力机制，显著提高了输配电线路缺陷识别的准确率。具体而言，通过对差分图像进行特征提。⒒谔卣魍ǖ赖闹匾苑峙淙ㄖ，模型能够更加准确地识别出电线区域和缺陷特征。这种方法不仅增强了模型对电线区域的关注度，还通过差异特征的进一步分析，提升了对缺陷类型的区分能力。此外，模型的损失函数采用了交叉熵损失，进一步优化了模型在缺陷识别过程中的性能，使得最终的识别结果更加精确，能够有效减少误检和漏检的情况。[0024] 在第二方面中，本发明提供了一种基于大数据的巡检场景识别系统，包括存储器和处理器，所述存储器内存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现权利要求1 8任意一项所述的基于大数据的巡检场景识别方法。~[0025] 本发明的巡检场景识别方法和系统，具有很强的适应性和广泛的应用前景。通过使用无人机结合深度学习技术，对复杂的电网环境进行巡检，不仅能够应对不同的拍摄角度和环境变化，还能够在多种应用场景中保持高效的工作状态。[0026] 本发明的有益效果在于：[0027] 现有的输电设备缺陷检测方法尽管解决了一些图像处理问题，但计算量依然庞大，效率低下。本发明通过引入基于图像差分注意力机制，显著优化了计算过程，提升了图像处理效率和系统资源利用率，增强了巡检实时性。传统方法的模型落后，识别准确率不高，而本发明结合了基于图像残差的注意力机制和先进的YOLOv5模型，显著提升了识别性能和鲁棒性。通过优化特征提取和差分注意力机制，进一步提高了输配电线路缺陷识别的准确率和可靠性，并采用交叉熵损失函数优化模型性能。本发明的巡检场景识别方法和系统，具有很强的适应性和广泛的应用前景，能够应对复杂电网环境和多种应用场景，保持高效工作状态，为输电设备的维护和管理提供了可靠的技术支持。附图说明[0028] 通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：[0029] 图1是示意性示出根据本发明的实施例的基于大数据的巡检场景识别方法流程图；[0030] 图2是示意性示出根据本发明的实施例的基于大数据的巡检场景识别方法中图像差分注意力机制流程图；[0031] 图3是示意性示出根据本发明的实施例的基于大数据的巡检场景识别方法中模型模块组成图；[0032] 图4是示意性示出根据本发明的实施例的基于大数据的巡检场景识别方法中权重系数计算流程图；[0033] 图5是示意性示出根据本发明的实施例的基于大数据的巡检场景识别系统流程图；具体实施方式[0034] 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，本领域技术人员在没有做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。[0035] 下面结合附图来详细描述本发明的具体实施方式。[0036] 基于大数据的巡检场景识别方法实施例，其中，主要包括两大部分，第一部分是基于图像差分注意力机制的目标检测模型的构建，第二部分是基于图像差分注意力机制的目标检测模型的训练，基于训练好的目标检测模型，对实时采集的巡检图像进行识别，以识别巡检设备的缺陷。本发明的重点在于第一部分，下面详细进行说明。[0037] 如图3所示，一般的，对于目标检测模型，包括输入模块、注意力机制模块和分类模块，本发明主要改进在于注意力机制模块，为了进行区分，本发明称为差分注意力机制模块，因此，分类模块主要包括分类层，不再进行赘述。[0038] 第一部分为基于图像差分注意力机制的目标检测模型的构建。[0039] 如图1所示，本发明的基于大数据的巡检场景识别方法，其识别方法包括：[0040] S1：获取历史数据中的巡检视频数据，将所述巡检视频解码为图像。型枷癫罘执聿⒈曜，以生成数据集。[0041] 具体地，所述历史数据指的是过去一段时间内收集和保存下来的数据。在巡检系统中，历史数据通常包括之前的巡检视频、图像、传感器数据等，这些数据用于模型训练、故障预测和趋势分析等。所述将巡检视频解码是指将压缩或编码格式的视频数据转换为可以直接处理的图像数据。解码过程将视频文件解析为一系列的图像。庑┩枷裰】梢越徊接糜诜治龊痛。[0042] 其中，所述图像帧是视频中的单个静止图像。一个视频由连续的图像帧组成，每秒钟显示的帧数称为帧率。在视频解码后，每个图像帧可以单独提取并处理。所述差分处理是指对连续两帧图像进行像素级的差分计算，以突出图像中发生变化的部分。这种技术常用于运动检测和变化检测，通过计算相邻帧的差异来识别移动的对象或变化的区域。所述标注是指对图像数据进行注释，标识出感兴趣的区域或特征。在机器学习和计算机视觉中，标注通常用于生成训练数据集，例如在图像上标出缺陷位置、类别等，以便训练模型进行自动识别。[0043] 所述获取巡检图像数据采用无人机拍摄实现，所述对图像帧进行标注采用Python的第三方工具labelImg实现。[0044] 通过获取历史数据中的巡检视频并进行解码，将视频转换为图像帧。接着，通过差分处理，识别并突出图像中的变化区域。最后，使用标注工具对图像进行标注，生成用于模型训练的数据集。这一过程不仅简化了数据处理的复杂性，还提高了缺陷识别的准确性和效率。[0045] S2:构建基于图像差分注意力机制。[0046] 如图2所示，本发明的基于大数据的巡检场景识别方法中图像差分注意力机制流程图。[0047] 具体地，所述构建基于图像差分注意力机制，包括：[0048] 将拍摄的输配电线路图像和对应的差分图像输入模型，其中输配电线路图像为图2中所示的巡检图像；提取输配电线路图像的特征张量和与其对应的差分图像的特征张量；对差分图像的特征张量中的特征图进行1x3的行卷积和全局平均池化，得到第一特征张量并与输配电线路图像的特征张量中的特征图相乘，得到第二特征张量；[0049] 对第二特征张量的特征图再次进行行卷积和全局平均池化，计算每行行内的特征差异，将全局平均池化的结果和特征差异的结果相乘得到特征图对应的特征向量，将特征向量中特征值的最大值作为特征图的权重系数，对每个特征图都进行上述操作得到每个特征图的权重系数，将权重系数和特征图相乘，输出图像差分注意力机制的结果。[0050] 如图4所示，本发明的基于大数据的巡检场景识别方法中权重系数计算流程图，具体地:[0051] 使用大小为1x3xc的卷积核对差分图像的特征张量进行卷积；通过全局平均池化得到 x1xc的特征矩阵；将特征矩阵与输入图像的特征张量相乘得到融合特征张量；对融合特征张量使用大小为1x3xc的卷积核进行卷积，再通过全局平均池化得到融合矩阵，通过方差或极差按行计算每行的差异得到差异矩阵；将差异矩阵与融合特征矩阵相乘，按列求最大值得到权重系数；其中，c表示卷积核的通道数，表示卷积核的高度。[0052] 所述输配电线路图像是通过无人机或其他设备拍摄的电网线路的图像，这些图像用于检测和识别线路中的缺陷。所述差分图像是从连续两帧图像中通过像素级差分计算得到的图像，反映了两帧图像之间的变化部分，通常用于检测移动或变化的物体。所述模型分为输入模块、特征提取模块和分类模块，其中基于图像差分注意力机制在特征提取模块。所述特征张量是通过卷积神经网络等深度学习模型从输入图像中提取的多维数组，包含了图像的特征信息，用于后续的处理和分析。[0053] 其中，所述行卷积是一种卷积操作，只在特定的方向，比如行上进行卷积运算，常用于处理序列数据或特定方向上的特征提取。所述全局平均池化是一种池化操作，通过计算整个特征图的平均值来压缩特征图，从而得到一个特征向量，常用于减少特征维度并保持重要信息。所述特征差异是指特征张量中各行或各元素之间的差异，通常通过计算方差、极差等方法得到，即能反映出差异越大值越大即可，用于衡量特征的变化程度。所述特征向量是由特征张量经过全局平均池化或其他操作得到的一维向量，包含了特征图的重要信息。所述权重系数是根据特征向量的特征值计算得到的，用于调整特征图的权重，反映特征图中各部分的重要性。[0054] 通过以上步骤，实现了基于图像差分注意力机制。首先，通过解码视频得到图像。⒔胁罘执。接着，使用神经网络提取输配电线路图像和差分图像的特征张量。然后，利用行卷积和全局平均池化计算差异，并根据差异分配权重，最终得到增强的特征表示。这一方法能够有效突出图像中关键特征，提高输配电线路缺陷识别的准确性和效率[0055] 第二部分为基于图像差分注意力机制的目标检测模型的训练，训练基于图像差分注意力机制的目标检测模型主要包括以下步骤：首先，收集和预处理数据，生成差分图像以突出显示变化区域。然后，构建注意力机制，将差分图像引入模型以增强对变化区域的关注。接下来，设计和集成基础网络和注意力模块，负责特征提取和目标检测。最后，通过定义损失函数进行模型训练，优化分类和回归头，以提高检测精度和效率。。[0056] S3:基于所述图像差分注意力机制构建目标检测模型。[0057] 具体地，将基于图像差分注意力机制加入yolov5模型，并使用梯度算法更新目标检测模型，当目标检测模型达到预设训练次数α或目标检测模型的损失小于设定阈值β时，停止训练，并根据模型的评价指标选择最优的模型。[0058] 例如：预设训练次数α为500次，损失阈值β为0.05，即当训练次数达到500次时，停止训练或者当目标检测模型的损失小于0.05时，停止训练。[0059] 所述图像差分注意力机制是通过比较连续两帧图像之间的差异，提取出变化部分并对其进行关注的机制，用于提高模型对特定特征的注意力。所述目标检测模型是用于在图像中检测和定位特定目标的机器学习模型，如yolov5。它能识别图像中的多个对象，并输出它们的位置和类别。所述yolov5是一种实时目标检测模型，通过一次前向传播即可完成目标检测任务，具有速度快、精度高的特点。[0060] 其中，所述梯度算法是一种优化方法，通过计算损失函数关于模型参数的梯度，迭代更新模型参数以最小化损失函数，常用的梯度算法有梯度下降法和随机梯度下降法。所述预设训练次数α是训练模型的最大迭代次数，用于防止模型过度训练或训练时间过长。所述损失是衡量模型预测与真实值之间差异的指标，常见的损失函数有交叉熵损失和均方误差损失。训练目标是最小化损失函数。所述设定阈值是模型训练中的一个停止条件，当损失值小于该阈值时，训练停止。所述评价指标是用于衡量模型性能的标准，常见的评价指标有准确率、精确率和召回率得分。选择最优模型时通常根据评价指标来判断模型的优劣。[0061] 所述目标检测模型的评价指标偏好查全率，具体公式如下：[0062][0063] 其中，表示评价指标偏好查全率， 表示第 类缺陷预测为正确的个数， 表示把第 类缺陷预测为没有缺陷的个数，模型的评价指标越大说明该模型的预测效果越好，所述缺陷的种类分为开裂和断开两类。[0064] 在一个实施例中，线路缺陷的种类有开裂和断开两种，设缺陷种类为开裂的50张图像经过模型识别结果为40张识别正确，5张识别为没有缺陷，5张识别为有断开缺陷；缺陷种类为断开的50张图像经过模型识别结果为40张识别正确，10张识别为有开裂缺陷，则模型的评价指标计算如下：[0065][0066] 通过以上步骤，实现了基于图像差分注意力机制的目标检测模型。在训练过程中，利用梯度下降算法不断优化模型参数。通过设定预定的训练次数和损失阈值，控制模型训练的停止条件，并根据评价指标选择最优模型。这一方法有效提高了模型在复杂电网环境中的目标检测精度，尤其是对输配电线路缺陷的识别能力。[0067] S4：将实时图像帧输入目标检测模型，识别巡检设备缺陷。[0068] 具体地，所述实时图像帧是从摄像设备，如无人机或摄像头实时捕获的图像序列。这些图像帧按时间顺序排列并反映了监控场景的实时状态。所述识别巡检设备缺陷指的是通过图像分析技术检测输配电线路中的各种缺陷，如断线、开裂、损坏等。目标检测模型在实时图像帧中识别这些缺陷。[0069] 通过上述过程，实现了将实时图像帧输入目标检测模型以识别巡检设备缺陷的任务。该实施例展示了如何使用yolov5模型及差分图像注意力机制来增强缺陷识别的准确性和实时性。[0070] 基于大数据的巡检场景识别系统实施例：[0071] 如图5所示，本发明的基于大数据的巡检场景识别系统流程图,包括处理器和存储器。[0072] 本发明还提供了一种基于大数据的巡检场景识别系统。如图5所示，所述系统包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据本发明第一方面所述的一种基于大数据的巡检场景识别方法。[0073] 所述基于大数据的巡检场景识别系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。[0074] 在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（ResistiveRandomAccessMemory）、动态随机存取存储器DRAM（DynamicRandomAccessMemory）、静态随机存取存储器SRAM（StaticRandom?AccessMemory）、增强动态随机存取存储器EDRAM（EnhancedDynamicRandomAccessMemory）、高带宽内存HBM（High?BandwidthMemory）、混合存储立方HMC（HybridMemoryCube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。[0075] 在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。[0076] 虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。

专利地区：陕西

专利申请日期：2024-07-09

专利公开日期：2024-10-08

专利公告号：CN118470577B