管道缺陷识别方法、处理器和管道缺陷识别装置

摘要

本发明实施例提供一种管道缺陷识别方法、处理器和管道缺陷识别装置，该管道缺陷识别方法包括：获取管道缺陷管段的漏磁信号数据；根据漏磁信号数据绘制漏磁曲线图像；对漏磁曲线图像进行裁剪处理，以获取标准尺寸的漏磁曲线图像；根据标准尺寸的漏磁曲线图像确定管道缺陷识别图像；将管道缺陷识别图像输入到管道缺陷识别模型中，以提取出管道缺陷识别图像的特征信息；根据特征信息识别出管道缺陷管段的缺陷类型，使用该方法对管道缺陷管段的缺陷进行识别时识别效率和准确率高，且方法简单易于实现。

说明书

技术领域

本发明涉及管道缺陷识别技术领域，具体地涉及一种管道缺陷识别方法、处理器和管道缺陷识别装置。

背景技术

由于油气管道多埋于土壤环境复杂的地下，常常受到环境侵蚀、疲劳破坏、第三方破坏、自然灾害、误操作等安全威胁，在运输介质和微生物的腐蚀作用下，加之管道长时间服役，极易出现各种类型各种程度的缺陷，这些问题往往导致管道出现各种问题减少管道的使用寿命，严重时会导致石油或天然气泄露，甚至是燃烧或爆炸。虽然有多种多样的原因促成管道形成各种缺陷，但是管道表面缺陷主要包括表面脱落、穿孔、凹坑、裂纹、表面大面积剥落等。

为了预防管道事故发生、维护管道安全运行，需要及时获得管道缺陷信息。经过国内外学者开发出管道无损检测技术，以便确定管道几何缺陷的位置信息，但为了进一步获得管道缺陷信息，需要对漏磁检测信号进行进一步分析，而使用传统管道缺陷识别模型对漏测检测图像进行分类识别时，并不能很好的适用于多年来测得的大量漏磁检测数据，且存在个别缺陷类型样本数据不足和数值跨度不连贯的问题。

发明内容

本发明实施例的目的是提供一种管道缺陷识别方法、处理器和管道缺陷识别装置，该管道缺陷识别方法、处理器和管道缺陷识别装置能提升管道缺陷识别的效率，且方法简单易于实现。

为了实现上述目的，本发明第一方面提供一种管道缺陷识别方法，该管道缺陷识别方法包括：

获取管道缺陷管段的漏磁信号数据；

根据漏磁信号数据绘制漏磁曲线图像；

对漏磁曲线图像进行裁剪处理，以获取标准尺寸的漏磁曲线图像；

根据标准尺寸的漏磁曲线图像确定管道缺陷识别图像；

将管道缺陷识别图像输入到管道缺陷识别模型中，以提取出管道缺陷识别图像的特征信息；

根据特征信息识别出管道缺陷管段的缺陷类型。

在本发明的实施例中，管道缺陷识别模型通过以下步骤构建：

确定管道的结构、尺寸和焊缝类型；

根据结构、尺寸、焊缝类型对标准尺寸的漏磁曲线图像进行剔除处理；

确定剔除处理后漏磁曲线图像中每种缺陷类型对应的数量，以构建管道缺陷图像样本集；

构建管道缺陷识别训练网络；

根据缺陷图像样本集和管道缺陷识别训练网络构建管道缺陷识别模型。

在本发明的实施例中，管道缺陷图像样本集包括管道缺陷识别图像和无缺陷管道图像。

在本发明的实施例中，根据结构、尺寸、焊缝类型对标准尺寸的漏磁曲线图像进行剔除处理包括：

根据结构和尺寸确定管道中的三通阀和法兰；

根据焊缝类型和尺寸确定管道中的环焊缝和螺旋焊缝；

对标准尺寸的漏磁曲线图像中带有三通阀、法兰、环焊缝和螺旋焊缝的漏磁曲线图像进行剔除处理。

在本发明的实施例中，构建管道缺陷识别训练网络包括：

获取残差神经网络的卷积核权重值；

根据管道缺陷图像样本集确定管道缺陷图像训练集；

将卷积核权重值和管道缺陷图像训练集输入到残差神经网络中，以构建管道缺陷识别训练网络。

在本发明的实施例中，获取残差神经网络的卷积核权重值包括：

获取稀疏自编码器的训练网络；

将管道缺陷图像训练集输入到稀疏自编码器的训练网络中进行训练，以构建稀疏自编码器的测试网络；

根据管道缺陷图像样本集确定管道缺陷图像测试集；

将管道缺陷图像测试集输入到稀疏自编码器的测试网络中进行测试，以输出卷积核权重值。

在本发明的实施例中，根据缺陷图像样本集和管道缺陷识别训练网络构建管道缺陷识别模型包括：

将管道缺陷图像训练集输入管道缺陷识别训练网络中进行训练，以构建管道缺陷识别测试网络；

将管道缺陷图像测试集输入到管道缺陷识别测试网络中进行测试，以构建管道缺陷识别模型。

本发明第二方面提供一种处理器，处理器被配置成执行上述的管道缺陷识别方法。

本发明第三方面提供一种管道缺陷识别装置，管道缺陷识别装置包括上述的处理器。

在本发明的实施例中，管道缺陷识别装置还包括：

磁传感器，用于检测管道缺陷管段的漏磁信号。

通过上述技术方案，根据管道缺陷管段的漏磁信号数据绘制漏磁曲线图像，对漏磁曲线图像进行裁剪处理以确定管道缺陷识别图像，将管道缺陷识别图像输入到管道缺陷识别模型中，以识别管道缺陷管段的缺陷类型，能够提升管道缺陷管段的缺陷识别效率和准确率，实用性较强。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是本发明实施例中管道缺陷识别方法的流程示意图；

图2是本发明实施例中环焊缝的漏磁曲线图像示意图；

图3是本发明实施例中螺旋焊缝的漏磁曲线图像示意图；

图4是本发明实施例中三通阀的漏磁曲线图像示意图；

图5是本发明实施例中法兰的漏磁曲线图像示意图；

图6是本发明实施例中管道缺陷管段的漏磁曲线图像示意图；

图7是本发明实施例中无缺陷管道图像示意图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

本发明的实施例提供一种管道缺陷识别方法，如图1所示，该管道缺陷识别方法包括如下步骤：

步骤S101：获取管道缺陷管段的漏磁信号数据。

具体地，本实施例中的管道缺陷识别方法适用于管道缺陷识别装置，管道具体是指油气管道，该管道缺陷识别装置包括信号连接的处理器和磁传感器，磁传感器用于检测管道缺陷管段的漏磁信号，在漏磁检测中，金属管道被磁化后，无缺陷的部分管道的磁导率相同；而在有缺陷的部分，由于缺陷处的磁阻与金属材质不同，进而形成了漏磁场，因此操作人员采用磁传感器对管道的缺陷管段进行检测，即可获得管道缺陷管段的漏磁信号数据，磁传感器在检测完成后将上述数据传送给处理器。

步骤S102：根据漏磁信号数据绘制漏磁曲线图像。

具体地，处理器在获取管道缺陷管段的漏磁信号数据后采用描点绘图的方式对上述数据进行曲线绘制，以绘制出漏磁曲线图像。

步骤S103：对漏磁曲线图像进行裁剪处理，以获取标准尺寸的漏磁曲线图像。

具体地，在绘制出漏磁曲线图像后对其进行预处理，如加大漏磁曲线图像的纵向间隔，确定便于显示和分析的单个漏磁曲线图像的尺寸和其包含的漏磁信号数量；之后对漏磁曲线图像进行批量的裁剪处理，以便对管道的缺陷类型进行分类，裁剪处理时应尽可能保证被裁剪后百分之九十的标准尺寸的漏磁曲线图像中包含完整的缺陷轮廓，百分之六十以上的取标准尺寸的漏磁曲线图像只包含一种类型的缺陷；对于少数标准尺寸的漏磁曲线图像包含多种缺陷类型的情况，可将除了某一缺陷类型外的其他缺陷由背景替代，将一张包含多种缺陷类型的的标准尺寸的漏磁曲线图像转换为多个包含一种缺陷类型的取标准尺寸的漏磁曲线图像，或者将其删除。

进一步地，对于包含螺旋焊缝的管道，单幅标准尺寸的漏磁曲线图像中包含的漏磁信号应该能够完整呈现一个螺旋焊缝，以便进行后续的观察、特征提取与数据整合梳理；对于不含有螺旋焊缝的管道，应该保证呈现的漏磁信号数量与假设管道采用螺旋焊缝的方式铺设时的数量，并结合管道缺陷的尺寸将单幅的漏磁曲线图像批量裁剪成大小为固定像素值的标准尺寸的漏磁曲线图像

步骤S104：根据标准尺寸的漏磁曲线图像确定管道缺陷识别图像；

步骤S105：将管道缺陷识别图像输入到管道缺陷识别模型中，以提取出管道缺陷识别图像的特征信息。

具体地，在本发明的一个实施例中，管道缺陷识别模型通过以下步骤构建：

步骤S201：确定管道的结构、尺寸和焊缝类型。

操作人员通过对管道进行观察、测量即可获取管道的结构、尺寸和焊缝类型等管道本体相关数据，之后可将上述数据输入到处理器中。

步骤S202：根据结构、尺寸、焊缝类型对标准尺寸的漏磁曲线图像进行剔除处理。

进一步地，步骤S202：根据结构、尺寸、焊缝类型对标准尺寸的漏磁曲线图像进行剔除处理又包括步骤S301-步骤S303，其中：

步骤S301：根据结构确定管道中的三通阀和法兰；

步骤S302：根据焊缝类型确定管道中的环焊缝和螺旋焊缝；

步骤S303：根据尺寸对标准尺寸的漏磁曲线图像中带有三通阀、法兰、环焊缝和螺旋焊缝的漏磁曲线图像进行剔除处理。

具体地，处理器在确定管道的结构、尺寸和焊缝类型后进一步确定管道上待分类的具体缺陷类型，对于出现较多多个缺陷过于集中的情况，可将其划分为一种缺陷类型；由于管道中含有环焊缝、螺旋焊缝、三通阀和法兰，而上述管件的漏磁曲线图像(如图2-5所示)会对管道缺陷识别造成干扰，即会影响后续对管道缺陷识别的准确性，因此需要结合管道的结构、尺寸、焊缝类型等管道本体相关数据将含有这些管件的漏磁曲线图像剔除，管道尺寸能够用于帮助确定三通阀、法兰、环焊缝和螺旋焊缝的位置，三通阀、法兰和管道的结构相关联，需要根据结构确定管道中的三通阀和法兰；同理，环焊缝、螺旋焊缝和管道的焊缝类型相关联，需要根据焊缝类型确定管道中的环焊缝和螺旋焊缝，之后根据管道尺寸确定三通阀、法兰、环焊缝和螺旋焊缝中对应的位置，进而确定该位置处对应的标准尺寸的漏磁曲线图像，之后将上述位置处的标准尺寸的漏磁曲线图像进行剔除。

步骤S203：确定剔除处理后的漏磁曲线图像中包含的缺陷类型和每种缺陷类型对应的数量，以构建管道缺陷图像样本集。

具体地，本实施例中管道缺陷图像样本集主要依据实际管道测得的漏磁信号数据建立，获取实际管道缺陷管段的漏磁信号数据主要有以下两种途径：一种是采用人工制造管道缺陷的实验方法，再利用磁传感器获得管道缺陷管段的漏磁信号；另一种是采用管道内检测技术获得管道缺陷管段的漏磁检测信号数据。处理器对剔除处理后漏磁曲线图像的缺陷类型再次进行分类，并确定剔除处理后漏磁曲线图像中每种缺陷类型对应的数量，若实际管道某种缺陷类型对应的漏磁曲线图像数量非常少，则可采用人工制造的方法对漏磁曲线图像的数量进行补充，以便提高管道缺陷识别方法的普适性，其中，剔除处理后漏磁曲线图像中每种缺陷类型对应的数量范围为1000张-10000张。

在本发明的实施例中，管道缺陷图像样本集包括管道缺陷识别图像和无缺陷管道图像。

具体地，由于是在较大尺寸漏磁曲线图像的基础上切割出大量的小尺寸漏磁曲线图像(即标准尺寸的漏磁曲线图像)，会存在无缺陷的小尺寸漏磁曲线图像出现在缺陷图像样本集中，因此补充一种为无缺陷的分类类型，使得管道缺陷图像样本集由管道缺陷识别图像(如图6所示)和无缺陷管道图像(如图7所示)组成，既能给前期数据处理增加容错能力，同时可用来评估管道缺陷识别模型的准确性，拓宽了管道缺陷识别模型的实用性。本实施例中，管道缺陷图像样本集构建完成以后，为该管道缺陷图像样本集中每一张标准尺寸的漏磁曲线图像都制作一张缺陷类型标签，缺陷类型标签上带有标准尺寸的漏磁曲线图像对应的缺陷类型。

步骤S204：构建管道缺陷识别训练网络。

进一步地，步骤S204：构建管道缺陷识别训练网络又包括步骤S401-步骤S403，其中：

步骤S401：获取残差神经网络的卷积核权重值。

进一步地，在本发明的一个实施例中，步骤S401：获取残差神经网络的卷积核权重值又包括步骤S501-步骤S504，其中：

步骤S501：获取稀疏自编码器的训练网络；

具体地，稀疏自编码器是一种无监督机器学习方式并使用反向传播算法，能够快速对数据进行特征提取，通过计算自编码的输出与原输入的误差，不断调节自编码器的参数，最终训练出模型。稀疏自编码器以输入等于输出为目的，由编码器、解码器和损失函数构成，其中，编码器是将高维数据映射为低维数据，映射关系是通过数据间的相关性获得的；解码器则是通过增加数据量将低维数据映射为形状相同的高维数据；损失函数用来衡量由于数据压缩而造成的信息损失。

编码过程如以下公式所示：

y＝f(Wx+b) (1)

其中，x为输入，y为新的特征，W为编码的权重值，b为编码的偏置值，f(Wx+b)为非线性激活函数。

解码过程如以下公式所示：

其中，W'为编码的权重值，b'为编码的偏置值，f(W'y+b')为目标值函数，

利用新的特征y对输入进行重构。

用最小化负对数似然的损失函数使得输入与输出无限接近，计算公式如下所示：

L＝-logP(x|x') (3)

其中，P(x|x′)为损失函数，L为损失值的负对数。

稀疏表示是用尽可能小的原子来表示信号，更为简洁的表示方式使获得信号所蕴含的信息更加容易，并方便对信号进行如压缩、编码等的加工处理步骤。稀疏限制就是对神经元进行有选择得进行抑制可以使用神经元得输出作为神经元的激活度。将稀疏限制加入自编码网络中形成稀疏自编码器。

本实施例中稀疏自编码器的训练网络预先存储在处理器中，在需要使用时将其调取出来即可。

步骤S502：将管道缺陷图像训练集输入到稀疏自编码器的训练网络中进行训练，以构建稀疏自编码器的测试网络。

将管道缺陷图像样本集中每种缺陷类型对应的标准尺寸的漏磁曲线图像按照7：3的比例进行划分，划分后数量多的标准尺寸的漏磁曲线图像的集合为管道缺陷图像训练集。在获得管道缺陷图像训练集后将其输入到稀疏自编码器的训练网络中进行训练，以便初始化卷积神经网络中卷积核的初始值，本实施例中可使用图像熵对卷积核进行评估后迭代更新，图像熵值越大则表示卷积核的权重的相似程度越低，卷积核更优。进一地，在训练的过程中，图像熵若达到预设图像熵阈值范围，则停止迭代，确定卷积核权重初始值；若图像熵没有达到预设图像熵阈值范围，则持续进行迭代，图像熵E的计算公式如下：

其中，E为图像熵；W

步骤S503：根据管道缺陷图像样本集确定管道缺陷图像测试集。

将管道缺陷图像样本集中每种缺陷类型对应的标准尺寸的漏磁曲线图像按照比例划分后，数量少的标准尺寸的漏磁曲线图像的集合为管道缺陷图像测试集。

步骤S504：将管道缺陷图像测试集输入到稀疏自编码器的测试网络中进行测试，以输出卷积核权重值。

测试过程中，若稀疏自编码器的测试网络计算的图像熵始终处于预设图像熵阈值范围内，则确定稀疏自编码器的测试网络输出的卷积核权重初始值为卷积核权重值；若测试过程中，稀疏自编码器的测试网络计算的图像熵没有始终处于预设图像熵阈值范围内，则说明该稀疏自编码器的测试网络不合格，应该返回步骤S502，对稀疏自编码器的训练网络继续进行训练，直到获得的稀疏自编码器的测试网络中图像熵始终处于预设图像熵阈值范围内。本实施例中运用稀疏自编码器获得卷积核权重值，使用稀疏限制来降低卷积核权重值的无用信息和冗余信息量，避免盲目随机的设定增加模型整体的运行效率，有利于提高网络模型的特征提取能力，加快模型训练速度。

步骤S402：根据管道缺陷图像样本集确定管道缺陷图像训练集；

步骤S403：将卷积核权重值和管道缺陷图像训练集输入到残差神经网络中，以构建管道缺陷识别训练网络。

常用的传统的卷积神经网络随着网络深度的不断加深，存在梯度消失或梯度爆炸的问题，进而影响了网络的分类和识别效果，而残差神经网络相对于传统浅层神经网络则是将输出与输入的残差作为学习目标，将一个问题转化为多个残差问题降低了优化难度，当其达到饱和时，其后面连接多个全等映射层，来解决梯度不稳定的问题。且残差神经网络能够增加网络模型的深度，更利于处理多年来大量包含缺陷的标准尺寸的漏磁曲线图像，增强了提取图像特征信息的能力，提高了管道缺陷识别模型的准确率和实用性。

具体地，处理器中预存有残差神经网络，将上述过程获得的卷积核权重值放入到残差神经网络中，即可获得管道缺陷识别训练网络。进一步地，若残差神经网络的卷积核的总数为a，则采用上述过程需要获得的卷积核权重值的数量也为a。

进一步地，残差神经网络可以采用常用的经典的层级数量，如ResNet50，其参数值的设置是经过长期实践检验的，具有良好的可靠性及较强的实践应用性；去掉残差神经网络的最后FC层替换为全连接层和输出层，可将提取到的全部特征进行分类得到n+1个类别，其中，n为管道缺陷图像样本集中包含的缺陷类型数量。

步骤S205：根据缺陷图像样本集和管道缺陷识别训练网络构建管道缺陷识别模型。

进一步地，步骤S205：根据缺陷图像样本集和管道缺陷识别训练网络构建管道缺陷识别模型又包括步骤S601-步骤S602，其中：

步骤S601：将管道缺陷图像训练集输入管道缺陷识别训练网络中进行训练，以构建管道缺陷识别测试网络；

将a个卷积核权重值和管道缺陷图像训练集输入到管道缺陷识别训练网络进行训练，管道缺陷识别训练网络对管道缺陷图像训练集中的标准尺寸的漏磁曲线图像进行识别时，要获取标准尺寸的漏磁曲线图像的特征信息(如颜色特征信息、纹理特征信息和形状特征信息等)，之后根据上述特征信息识别标准尺寸的漏磁曲线图像的缺陷类型，之后将识别获得的缺陷类型与标准尺寸的漏磁曲线图像自带标签上的缺陷类型进行对比，即可确定管道缺陷识别训练网络对标准尺寸的漏磁曲线图像的缺陷类型识别是否准确。

训练过程中，若该管道缺陷识别训练网络对管道缺陷图像训练集的管道缺陷识别的准确率处于预设准确率范围，则停止训练，此时得到的管道缺陷识别训练网络即为管道缺陷识别测试网络；若该管道缺陷识别训练网络对管道缺陷图像训练集的管道缺陷识别的准确率没有处于预设准确率范围，则持续进行训练，直到准确率处于预设准确率范围内，预设准确率范围为90％-100％。

步骤S602：将管道缺陷图像测试集输入到管道缺陷识别测试网络中进行测试，以构建管道缺陷识别模型。

测试过程中，若管道缺陷识别测试网络对管道缺陷图像测试集的管道缺陷识别的准确率始终处于预设准确率范围内，则确定管道缺陷识别模型为该管道缺陷识别测试网络；若管道缺陷识别测试网络对管道缺陷图像测试集的管道缺陷识别的准确率没有始终处于预设准确率范围内，则应该返回步骤S601，重新对管道缺陷识别训练网络中进行训练并获得管道缺陷识别测试网络，直到管道缺陷识别测试网络对管道缺陷图像测试集的管道缺陷识别的准确率始终处于预设准确率范围内。

在步骤S105中，管道缺陷识别模型对输入的待识别的管道缺陷识别图像进行特征信息提取操作，以提取出管道缺陷识别图像的特征信息(如颜色特征信息、纹理特征信息和形状特征信息等)。

步骤S106：根据特征信息识别出管道缺陷管段的缺陷类型。

管道缺陷识别模型根据管道缺陷识别图像的特征信息即可识别出该管道缺陷识别图像对应的管道缺陷管段的缺陷类型。

本发明另一个实施例提供一种处理器，处理器被配置成执行上述实施例的管道缺陷识别方法。

本发明另一个实施例提供一种管道缺陷识别装置，管道缺陷识别装置包括上述实施例的处理器。

在本发明的实施例中，管道缺陷识别装置还包括磁传感器，该磁传感器和处理器信号连接并用于检测管道缺陷管段的漏磁信号。

本发明实施例提供的一种管道缺陷识别方法、处理器和管道缺陷识别装置，根据管道缺陷管段的漏磁信号数据绘制漏磁曲线图像，对漏磁曲线图像进行裁剪处理以确定管道缺陷识别图像，将管道缺陷识别图像输入到管道缺陷识别模型中，以识别管道缺陷管段的缺陷类型，能够提升管道缺陷管段的缺陷识别效率和准确率，实用性较强。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。