基于深度学习的限高装置检测方法、系统和智能终端

摘要

本发明公开了一种基于深度学习的限高装置检测方法、系统和智能终端，所述方法包括：构建限高装置的数据集；利用深度学习网络为所述数据集中的限高装置的特征进行训练，以得到限高装置检测模型；对所述限高装置检测模型进行测试和误差分析，以得到调整后的限高装置检测模型；基于所述调整后的限高装置检测模型获取当前行驶道路上的限高装置，并输出预警信息。解决了现有技术中限高装置的位置无法准确获取的技术问题。

权利要求

1.一种基于深度学习的限高装置检测方法，其特征在于，所述方法包括：构建限高装置的数据集，所述限高装置包括限高杆、桥洞、牌坊；

利用深度学习网络为所述数据集中的限高装置的特征进行训练，以得到限高装置检测模型；

对所述限高装置检测模型进行测试和误差分析，以得到调整后的限高装置检测模型；

基于所述调整后的限高装置检测模型获取当前行驶道路上的限高装置，并输出预警信息；

所述对所述限高装置检测模型进行测试，具体包括：将采集到的限高数据的测试集输入到所述限高装置检测模型中进行测试；

获取限高装置检测模型输出的包围框的位置信息，并将包围框的信息可视化，得到限高装置的位置；

获取限高装置的检测置信度，并根据检测置信度的数值大小判断检测的可靠性；

判定检测置信度大于或者等于置信度阈值，则以所述检测置信度对应的检测结果作为实际的检测结果；

判定检测置信度小于置信度阈值，则重新训练模型；

其中，选择平均精度均值与每秒传输帧数作为限高装置检测算法的评价指标；

所述构建限高装置的数据集，具体包括：使用完成标定的双目相机，在汽车的真实驾驶环境中，采集预设路段内所遇到的所有限高装置；

在采集过程中应保证汽车以预设车速向前行驶，采集从限高装置在双目相机成像开始直到车辆通过限高装置无法采集到限高数据为止的所有图像帧；

将所有图像帧形成数据集。

2.根据权利要求1所述的限高装置检测方法，其特征在于，将所述数据集按预设比例划分为训练集、验证集与测试集。

3.根据权利要求2所述的限高装置检测方法，其特征在于，所述构建限高装置的数据集，之后还包括：

对采集到的图像中的所有限高装置利用矩形框进行标注；其中，标注的矩形框完全包裹住限高装置的限高部分，并不包含限高装置以外的物体；

图像中包含的所有限高装置均予以标注，并对多个所述限高装置一一对应地通过矩形框进行标注；

对每个标注的限高装置嵌入标签，所述标签包括限高装置的类别和名称。

4.根据权利要求3所述的限高装置检测方法，其特征在于，所述利用深度学习网络为所述数据集中的限高装置的特征进行训练，以得到限高装置检测模型，具体包括：所述深度学习网络为YOLOV5网络；

将采集到的限高数据的训练集与标注完成的对应的标签输入YOLOV5网络中进行训练；

观察训练过程的损失大小，当模型的损失稳定后停止训练，以得到限高装置检测模型。

5.根据权利要求4所述的限高装置检测方法，其特征在于，所述对所述限高装置检测模型进行误差分析，具体包括：

依据输入的限高装置测试集数据进行误差分析；

选择平均精度均值与每秒传输帧数作为限高装置检测算法的评价指标，精确度的计算公式为：

精确度=当前遍历所检测的正确正样本数量/当前遍历检测到的所有正样本数量；

召回率的计算公式为：

召回率=当前遍历所检测的正确正样本数量/所有真值的数量。

6.一种基于深度学习的限高装置检测系统，其特征在于，所述系统包括：数据集构建单元，用于构建限高装置的数据集；

模型训练单元，用于利用深度学习网络为所述数据集中的限高装置的特征进行训练，以得到限高装置检测模型；

模型测试单元，用于对所述限高装置检测模型进行测试和误差分析，以得到调整后的限高装置检测模型；

结果输出单元，用于基于所述调整后的限高装置检测模型获取当前行驶道路上的限高装置，并输出预警信息。

7.一种智能终端，其特征在于，所述智能终端包括：数据采集装置、处理器和存储器；

所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行如权利要求1‑5任一项所述的方法。

8.一种计算机可读存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如权利要求1‑5任一项所述的方法。

说明书

基于深度学习的限高装置检测方法、系统和智能终端

技术领域

[0001] 本发明涉及辅助驾驶技术领域，具体涉及一种基于深度学习的限高装置检测方法、系统和智能终端。

背景技术

[0002] 随着汽车技术的不断发展，大型客车、大型货车以及房车等车身高度比较高的车型数量持续增长。然而，由于大型车辆驾驶员的疏忽或无法准确估计限高装置位置等原因，
车辆与限高装置发生碰撞而造成人员伤亡以及财产损失的事故频繁发生。因此，提供一种
基于深度学习的限高装置检测方法、系统和智能终端，以提高限高装置的位置检测准确，避
免碰撞事故的发生，保证行车安全，就成为本领域技术人员亟待解决的问题。

发明内容

[0003] 为此，本发明实施例提供一种基于深度学习的限高装置检测方法、系统和智能终端，以解决现有技术中限高装置的位置无法准确获取的技术问题。

[0004] 为了实现上述目的，本发明实施例提供如下技术方案：

[0005] 一种基于深度学习的限高装置检测方法，所述方法包括：

[0006] 构建限高装置的数据集；

[0007] 利用深度学习网络为所述数据集中的限高装置的特征进行训练，以得到限高装置检测模型；

[0008] 对所述限高装置检测模型进行测试和误差分析，以得到调整后的限高装置检测模型；

[0009] 基于所述调整后的限高装置检测模型获取当前行驶道路上的限高装置，并输出预警信息。

[0010] 进一步地，所述构建限高装置的数据集，具体包括：

[0011] 使用完成标定的双目相机，在汽车的真实驾驶环境中，采集预设路段内所遇到的所有限高装置；

[0012] 在采集过程中应保证汽车以预设车速向前行驶，采集从限高装置在双目相机成像开始直到车辆通过限高装置无法采集到限高数据为止的所有图像帧；

[0013] 将所有图像帧形成数据集。

[0014] 进一步地，将所述数据集按预设比例划分为训练集、验证集与测试集。

[0015] 进一步地，所述构建限高装置的数据集，之后还包括：

[0016] 对采集到的图像中的所有限高装置利用矩形框进行标注；其中，

[0017] 标注的矩形框完全包裹住限高装置的限高部分，并不包含限高装置以外的物体；

[0018] 图像中包含的所有限高装置均予以标注，并对多个所述限高装置一一对应地通过矩形框进行标注；

[0019] 对每个标注的限高装置嵌入标签，所述标签包括限高装置的类别和名称。

[0020] 进一步地，所述利用深度学习网络为所述数据集中的限高装置的特征进行训练，以得到限高装置检测模型，具体包括：

[0021] 所述深度学习网络为YOLOV5网络；

[0022] 将采集到的限高数据的训练集与标注完成的对应的标签输入YOLOV5网络中进行训练；

[0023] 观察训练过程的损失大小，当模型的损失稳定后停止训练，以得到限高装置检测模型。

[0024] 进一步地，所述对所述限高装置检测模型进行测试，具体包括：

[0025] 将采集到的限高数据的测试集输入到所述限高装置检测模型中进行测试；

[0026] 获取限高装置检测模型输出的包围框的位置信息，并将包围框的信息可视化，得到限高装置的位置；

[0027] 获取限高装置的检测置信度，并根据检测置信度的数值大小判断检测的可靠性；

[0028] 判定检测置信度大于或者等于置信度阈值，则以所述检测置信度对应的检测结果作为实际的检测结果；

[0029] 判定检测置信度小于置信度阈值，则重新训练模型。

[0030] 进一步地，所述对所述限高装置检测模型进行误差分析，具体包括：

[0031] 依据输入的限高装置测试集数据进行误差分析；

[0032] 选择平均精度均值与每秒传输帧数作为限高装置检测算法的评价指标，精确度的计算公式为：

[0033] 精确度=当前遍历所检测的正确正样本数量/当前遍历检测到的所有正样本数量；

[0034] 召回率的计算公式为：

[0035] 召回率=当前遍历所检测的正确正样本数量/所有真值的数量。

[0036] 本发明还提供一种基于深度学习的限高装置检测系统，所述系统包括：

[0037] 数据集构建单元，用于构建限高装置的数据集；

[0038] 模型训练单元，用于利用深度学习网络为所述数据集中的限高装置的特征进行训练，以得到限高装置检测模型；

[0039] 模型测试单元，用于对所述限高装置检测模型进行测试和误差分析，以得到调整后的限高装置检测模型；

[0040] 结果输出单元，用于基于所述调整后的限高装置检测模型获取当前行驶道路上的限高装置，并输出预警信息。

[0041] 本发明还提供一种智能终端，所述智能终端包括：数据采集装置、处理器和存储器；

[0042] 所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行如上所述的方法。

[0043] 本发明所提供的基于深度学习的限高装置检测方法，通过构建限高装置的数据集，利用深度学习网络为所述数据集中的限高装置的特征进行训练，以得到限高装置检测
模型；对所述限高装置检测模型进行测试和误差分析，以得到调整后的限高装置检测模型；
基于所述调整后的限高装置检测模型获取当前行驶道路上的限高装置，并输出预警信息。
该方法基于深度学习方法对限高装置进行检测，通过数据采集与标注，模型的训练以及测
试，最后通过评价指标进行误差分析判定模型的优劣。此方法可以有效的检出限高装置的
具体位置信息，为判断能否通过限高装置提供数据支持。从而提高了限高装置的位置检测
准确，避免了碰撞事故的发生，保证了行车安全，进而解决了现有技术中限高装置的位置无
法准确获取的技术问题。

附图说明

[0044] 为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅
仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据
提供的附图引伸获得其它的实施附图。

[0045] 本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的
实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功
效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

[0046] 图1为本发明所提供的基于深度学习的限高装置检测方法一种具体实施方式的流程图；

[0047] 图2为YOLOV5的网络结构示意图；

[0048] 图3为对桥洞的检测结果图；

[0049] 图4为对限高杆的检测结果图；

[0050] 图5为本发明所提供的基于深度学习的限高装置检测系统一种具体实施方式的结构框图。

具体实施方式

[0051] 以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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，本领域普通技术人员在没有做
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。

[0052] 在一种具体实施方式中，如图1所示，本发明所提供的基于深度学习的限高装置检测方法包括以下步骤：

[0053] S1：构建限高装置的数据集；具体地，使用完成标定的双目相机，在汽车的真实驾驶环境中，采集预设路段内所遇到的所有限高装置；在采集过程中应保证汽车以预设车速
向前行驶，采集从限高装置在双目相机成像开始直到车辆通过限高装置无法采集到限高数
据为止的所有图像帧；将所有图像帧形成数据集。为了便于后续训练和测试，将所述数据集
按预设比例划分为训练集、验证集与测试集。

[0054] 在具体使用场景中，使用完成标定的双目相机，在汽车的真实驾驶环境中采集所遇到的限高装置（例如限高杆、桥洞、牌坊以及非常规限高装置等），在采集过程中应保证汽
车以正常车速向前行驶，从限高装置在双目相机成像开始直到车辆通过限高装置无法采集
到限高数据为止。采集的图像按照6:2:2的比例划分为训练集、验证集与测试集。

[0055] S2：利用深度学习网络为所述数据集中的限高装置的特征进行训练，以得到限高装置检测模型。

[0056] 对于限高装置检测问题来说，深度学习网络的选择有两个硬性要求。首先要求深度学习网络前向推理时间要满足实时性的要求，以此满足限高装置检测算法的可落地性。
其次要求深度学习网络训练出的模型的足够高效，尽可能减少误检与漏检情况的发生，以
此提高限高装置检测算法的实用性。基于上述要求，选择YOLOV5网络作为限高装置的深度
学习网络。其中，YOLOV5的网络结构示意图如图2所示。在图2中，CONV代表卷积模块，CBL模
块由卷积层、批量归一化、LeakyRelu函数组合而成，Focus模块由4个切片模块切片后拼接
而成的模块与CBL模块组合而成，CSP模块由CBL模块、卷积层、批量归一化与LeakyRelu函数
组合而成，SPP模块由CBL模块、最大池化层与CBL模块组合而成。

[0057] 基于此，所述利用深度学习网络为所述数据集中的限高装置的特征进行训练，以得到限高装置检测模型，具体包括：

[0058] 所述深度学习网络为YOLOV5网络；

[0059] 将采集到的限高数据的训练集与标注完成的对应的标签输入YOLOV5网络中进行训练；

[0060] 训练过程中网络的推理结果与标注的结果经过损失函数计算后会获得损失值，观察训练过程的损失值大小，当模型的损失值稳定后停止训练，以得到限高装置检测模型。具
体地，训练过程中会将预测结果与标注结果输入到损失函数中计算，得到具体的损失值。损
失值会经过一个从高到低的变化过程，当损失值不再下降时，称损失值稳定。

[0061] S3：对所述限高装置检测模型进行测试和误差分析，以得到调整后的限高装置检测模型。

[0062] 在完成模型训练后，将训练得到的限高装置检测模型进行测试，具体包括以下步骤：

[0063] S31：将采集到的限高数据的测试集输入到所述限高装置检测模型中进行测试；

[0064] S32：获取限高装置检测模型输出的包围框的位置信息，并将包围框的信息可视化，得到限高装置的位置；

[0065] S33：获取限高装置的检测置信度，并根据检测置信度的数值大小判断检测的可靠性；

[0066] S34：判定检测置信度大于或者等于置信度阈值，则以所述检测置信度对应的检测结果作为实际的检测结果；

[0067] S35：判定检测置信度小于置信度阈值，则重新训练模型。

[0068] 将采集到的限高数据的测试集输入到保存的限高装置检测模型中进行测试，模型输出包围框的位置信息，将包围框的信息可视化后的结果以图像的形式输出。例如，如图3
所示，为对桥洞的检测结果，图4所示，为对限高杆的检测结果，类别后的数字为检测的置信
度，可根据置信度数值大小判断检测的可靠性。

[0069] 为了提高模型准确性，在限高装置检测模型完成进行测试后，对所述限高装置检测模型进行误差分析，具体包括：

[0070] 依据输入的限高装置测试集数据进行误差分析；

[0071] 选择平均精度均值与每秒传输帧数作为限高装置检测算法的评价指标，精确度的计算公式为：

[0072] 精确度=当前遍历所检测的正确正样本数量/当前遍历检测到的所有正样本数量；

[0073] 召回率的计算公式为：

[0074] 召回率=当前遍历所检测的正确正样本数量/所有真值的数量。

[0075] 从原理上来讲，选择平均精度均值（mean Average Precision）与每秒传输帧数（Frames Per Second,FPS）作为限高装置检测算法的评价指标。在目标检测中，一个模型通
常会检测很多种物体，那么每一类都能绘制出一个RP曲线。其中RP曲线为横坐标为召回率，
纵坐标为精确度绘制的一条曲线。其中，每一个类别的AP值的计算方式是先平滑曲线，对于
每个点取其右边最大的精确度值，连成直线。（也叫插值AP法）然后取11个点（在召回率坐标
轴每个0.1取一个点），直接平均11个点的精确度的和。而多个类别平均的AP值为mAP，mAP的
值越大检测效果越好。

[0076] S4：基于所述调整后的限高装置检测模型获取当前行驶道路上的限高装置，并输出预警信息。

[0077] 进一步地，为了方便后续的模型训练，在构建限高装置的数据集之后还包括：

[0078] 对采集到的图像中的所有限高装置利用矩形框进行标注；其中，

[0079] 标注的矩形框完全包裹住限高装置的限高部分，并不包含限高装置以外的物体；

[0080] 图像中包含的所有限高装置均予以标注，并对多个所述限高装置一一对应地通过矩形框进行标注；

[0081] 对每个标注的限高装置嵌入标签，所述标签包括限高装置的类别和名称。

[0082] 采集后的图像需要进行标注。具体的标注方式如图3所示。其中，标注的过程中应满足如下三点：

[0083] 标注的矩形框应完全包裹住限高装置的限高部分，并尽可能不包含限高装置以外的物体。

[0084] 图像中包含的所有限高装置都应予以标注，并用多个矩形框进行标注。

[0085] 每个标注的限高装置都应有标注其类别，不同种类的限高杆应有不同的命名，如限高杆、牌坊和桥洞等。

[0086] 在一种具体实施方式中，本发明所提供的基于深度学习的限高装置检测方法，通过构建限高装置的数据集，利用深度学习网络为所述数据集中的限高装置的特征进行训
练，以得到限高装置检测模型；对所述限高装置检测模型进行测试和误差分析，以得到调整
后的限高装置检测模型；基于所述调整后的限高装置检测模型获取当前行驶道路上的限高
装置，并输出预警信息。该方法基于深度学习方法对限高装置进行检测，通过数据采集与标
注，模型的训练以及测试，最后通过评价指标进行误差分析判定模型的优劣。此方法可以有
效的检出限高装置的具体位置信息，为判断能否通过限高装置提供数据支持。从而提高了
限高装置的位置检测准确，避免了碰撞事故的发生，保证了行车安全，进而解决了现有技术
中限高装置的位置无法准确获取的技术问题。

[0087] 也就是说，基于深度学习方法对限高装置进行检测，通过数据采集与标注，模型的训练以及测试，最后通过评价指标进行误差分析判定模型的优劣。此方法可以有效的检出
限高装置的具体位置信息，进而大型汽车可以根据信息可以判断出能够通过限高装置，或
提前预知无法通过限高装置，进而为做出进一步决策提供数据支持。

[0088] 除了上述方法，本发明还提供一种基于深度学习的限高装置检测系统，在一种具体实施方式中，如图5所示，该系统包括：

[0089] 数据集构建单元100，用于构建限高装置的数据集。

[0090] 数据集构建单元100具体地用于，使用完成标定的双目相机，在汽车的真实驾驶环境中，采集预设路段内所遇到的所有限高装置；在采集过程中应保证汽车以预设车速向前
行驶，采集从限高装置在双目相机成像开始直到车辆通过限高装置无法采集到限高数据为
止的所有图像帧；将所有图像帧形成数据集。并且，数据集构建单元100还用于将所述数据
集按预设比例划分为训练集、验证集与测试集。

[0091] 模型训练单元200，用于利用深度学习网络为所述数据集中的限高装置的特征进行训练，以得到限高装置检测模型。所述深度学习网络为YOLOV5网络，模型训练单元200具
体用于，将采集到的限高数据的训练集与标注完成的对应的标签输入YOLOV5网络中进行训
练；观察训练过程的损失大小，当模型的损失稳定后停止训练，以得到限高装置检测模型。

[0092] 模型测试单元300，用于对所述限高装置检测模型进行测试和误差分析，以得到调整后的限高装置检测模型。

[0093] 模型测试单元300具体用于：

[0094] 将采集到的限高数据的测试集输入到所述限高装置检测模型中进行测试；

[0095] 获取限高装置检测模型输出的包围框的位置信息，并将包围框的信息可视化，得到限高装置的位置；

[0096] 获取限高装置的检测置信度，并根据检测置信度的数值大小判断检测的可靠性；

[0097] 判定检测置信度大于或者等于置信度阈值，则以所述检测置信度对应的检测结果作为实际的检测结果；

[0098] 判定检测置信度小于置信度阈值，则重新训练模型。

[0099] 结果输出单元400，用于基于所述调整后的限高装置检测模型获取当前行驶道路上的限高装置，并输出预警信息。

[0100] 进一步地，该系统还包括特征标注单元500，该特征标注单元500具体用于：对采集到的图像中的所有限高装置利用矩形框进行标注；其中，

[0101] 标注的矩形框完全包裹住限高装置的限高部分，并不包含限高装置以外的物体；

[0102] 图像中包含的所有限高装置均予以标注，并对多个所述限高装置一一对应地通过矩形框进行标注；

[0103] 对每个标注的限高装置嵌入标签，所述标签包括限高装置的类别和名称。

[0104] 在上述具体实施方式中，本发明所提供的基于深度学习的限高装置检测系统，通过构建限高装置的数据集，利用深度学习网络为所述数据集中的限高装置的特征进行训
练，以得到限高装置检测模型；对所述限高装置检测模型进行测试和误差分析，以得到调整
后的限高装置检测模型；基于所述调整后的限高装置检测模型获取当前行驶道路上的限高
装置，并输出预警信息。该方法基于深度学习方法对限高装置进行检测，通过数据采集与标
注，模型的训练以及测试，最后通过评价指标进行误差分析判定模型的优劣。此方法可以有
效的检出限高装置的具体位置信息，为判断能否通过限高装置提供数据支持。从而提高了
限高装置的位置检测准确，避免了碰撞事故的发生，保证了行车安全，进而解决了现有技术
中限高装置的位置无法准确获取的技术问题。

[0105] 本发明还提供一种智能终端，所述智能终端包括：数据采集装置、处理器和存储器；

[0106] 所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行如上所述的方法。

[0107] 与上述实施例相对应的，本发明实施例还提供了一种计算机存储介质，该计算机存储介质中包含一个或多个程序指令。其中，所述一个或多个程序指令用于被一种双目相
机深度标定系统执行如上所述的方法。

[0108] 在本发明实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器（Digital Signal Processor，简称DSP）、专用集成
电路（Application Specific工ntegrated Circuit，简称ASIC）、现场可编程门阵列
（FieldProgrammable Gate Array，简称FPGA）或者其他可编程逻辑器件、分立门或者晶体
管逻辑器件、分立硬件组件。

[0109] 可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开
的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软
件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储
器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质
中的信息，结合其硬件完成上述方法的步骤。

[0110] 存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。

[0111] 其中，非易失性存储器可以是只读存储器（Read‑Only Memory，简称ROM）、可编程只读存储器（Programmable ROM，简称PROM）、可擦除可编程只读存储器（Erasable PROM，简
称EPROM）、电可擦除可编程只读存储器（Electrically EPROM，简称EEPROM）或闪存。

[0112] 易失性存储器可以是随机存取存储器（Random Access Memory，简称RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存
储器（Static RAM，简称SRAM）、动态随机存取存储器（Dynamic RAM，简称DRAM）、同步动态随
机存取存储器（Synchronous DRAM，简称SDRAM）、双倍数据速率同步动态随机存取存储器
（Double Data RateSDRAM，简称DDRSDRAM）、增强型同步动态随机存取存储器（Enhanced 
SDRAM，简称ESDRAM）、同步连接动态随机存取存储器（Synchlink DRAM，简称SLDRAM）和直接
内存总线随机存取存储器（DirectRambus RAM，简称DRRAM）。

[0113] 本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。

[0114] 本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质
中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计
算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程
序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

[0115] 以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范
围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本
发明的保护范围之内。