本发明公开一种医用包装盒制品的瑕疵在线检测方法，包括：获取医用包装盒制品的图像，并且从模板图像库中查找出与医用包装盒制品的图像相对应的模板图像；针对医用包装盒制品的图像和医用包装盒制品的模板图像进行图像对齐处理，并且计算二者之间的差异向量；建立用于检测医用包装盒制品的图像是否存在瑕疵的分类模型，同时训练分类模型，并且检验分类模型的性能；将医用包装盒制品的图像与医用包装盒制品的模板图像之间的差异向量输入到分类模型，分类模型输出医用包装盒制品的图像的像素点是否具有瑕疵的结果，本发明能够实现对于医用包装盒制品瑕疵的自动检测。
1.一种医用包装盒制品的瑕疵在线检测方法，其特征在于，包括如下的步骤：
获取医用包装盒制品的图像，并且从模板图像库中查找出与所述医用包装盒制品的图像相对应的模板图像，所述模板图像库存储有不同的医用包装盒制品的模板图像；
针对所述医用包装盒制品的图像和所述医用包装盒制品的模板图像进行图像对齐处理，并且基于对齐的所述医用包装盒制品的图像和所述医用包装盒制品的模板图像，计算所述医用包装盒制品的图像与所述医用包装盒制品的模板图像之间的差异向量；
建立用于检测所述医用包装盒制品的图像中是否存在瑕疵的机器学习的分类模型，并且构建所述分类模型的训练数据集和验证数据集，同时使用所述训练数据集针对所述分类模型进行训练处理，使用所述验证数据集检验所述分类模型的性能；
将所述医用包装盒制品的图像与所述医用包装盒制品的模板图像之间的所述差异向量输入到所述分类模型中，所述分类模型输出所述医用包装盒制品的图像的每个像素点是否具有瑕疵的结果，仅当所述医用包装盒制品的图像的每个像素点都没有瑕疵时，判定所述医用包装盒制品没有瑕疵，反之，判定所述医用包装盒制品具有瑕疵；
针对所述医用包装盒制品的图像和所述医用包装盒制品的模板图像进行图像对齐处理，又包括如下的步骤：遍历所述医用包装盒制品的图像的像素点，并且分别生成所述像素点的特征描述符，同时使用相同的方法分别得到所述医用包装盒制品的模板图像的像素点的特征描述符；
基于所述医用包装盒制品的图像的像素点的特征描述符，以及所述医用包装盒制品的模板图像的像素点的特征描述符，确定与所述医用包装盒制品的图像的像素点相匹配的所述医用包装盒制品的模板图像的像素点；
依据所述医用包装盒制品的图像的像素点和相匹配的所述医用包装盒制品的模板图像的像素点，计算从所述医用包装盒制品的图像的像素点到所述医用包装盒制品的模板图像的像素点的变换关系；
按照所述变换关系，分别将所述医用包装盒制品的图像的像素点映射到所述医用包装盒制品的模板图像的像素点上；
确定与所述医用包装盒制品的图像的像素点相匹配的所述医用包装盒制品的模板图像的像素点，又包括如下的步骤：将医用包装盒制品的图像的未处理的像素点形成像素点集p，并且从像素点集p中选择一个像素点pi，同时将所述像素点pi的特征描述符与医用包装盒制品的模板图像的像素点的特征描述符进行相似性匹配，按照相似性从高到低对医用包装盒制品的模板图像的像素点进行排序，确定相似性较高的k个医用包装盒制品的模板图像的像素点，形成像素点集m；
从所述像素点集m中选择一个像素点mi，同时将所述像素点mi的特征描述符与医用包装盒制品的图像的像素点的特征描述符进行相似性匹配，按照相似性从高到低对医用包装盒制品的图像的像素点进行排序，确定相似性较高的k个医用包装盒制品的图像的像素点，形成像素点集e；
判断所述像素点pi是否在所述像素点集e中，若是，则所述像素点pi和所述像素点mi相匹配，反之，则继续下个步骤；
判断所述像素点集m中是否还有未处理的像素点，若有，则继续选择所述像素点集m中的下一个像素点，并且跳转第二步，反之，则继续下个步骤；
判断所述像素点集p中是否还有未处理的像素点，若有，则继续选择所述像素点集p中的下一个像素点，并且跳转第一步，反之，结束步骤。
2.根据权利要求1所述的一种医用包装盒制品的瑕疵在线检测方法，其特征在于，计算所述医用包装盒制品的图像与所述医用包装盒制品的模板图像之间的差异向量H，通过如下的计算公式实现：H＝[d1, d2, …, dn], di＝f (|αi－βi / βi|), i∈[1,n]；
其中，n为所述医用包装盒制品的图像的像素点个数，di为所述医用包装盒制品的图像的第i个像素点与相匹配的所述医用包装盒制品的模板图像的第i个像素点之间的差异值，αi为所述医用包装盒制品的图像的第i个像素点的像素值，βi为所述医用包装盒制品的模板图像的第i个像素点的像素值，函数f在|αi－βi / βi|小于预设的阈值时，令di为0，否则，令di为1。
3.根据权利要求1所述的一种医用包装盒制品的瑕疵在线检测方法，其特征在于，构建所述分类模型的训练数据集和验证数据集之前，还包括提前获取多个所述医用包装盒制品的图像与所述医用包装盒制品的模板图像之间的所述差异向量，并且对应取得所述医用包装盒制品的图像是否具有瑕疵的真实标签，若所述医用包装盒制品的图像的像素点具有瑕疵，设置所述真实标签为1，反之，设置所述真实标签为0。
4.根据权利要求1所述的一种医用包装盒制品的瑕疵在线检测方法，其特征在于，使用训练数据集针对所述分类模型进行训练处理，以及使用验证数据集检验所述分类模型的性能，还包括如下的步骤：针对所述分类模型设置多组模型参数，并且从多组模型参数中选定一组模型参数；
基于选定的一组模型参数，使用训练数据集训练所述分类模型，还在训练结束之后使用验证数据集对于所述分类模型的性能进行检验，具体通过比较所述分类模型输出的医用包装盒制品的图像的每个像素点是否具有瑕疵的结果，和医用包装盒制品的图像的每个像素点是否具有瑕疵的真实标签，计算所述分类模型的性能得分；
如果当前计算的所述分类模型的性能得分高于之前计算的所述分类模型的性能得分，所述分类模型确定使用所述选定的一组模型参数，反之，判断是否存在未处理的其他组模型参数，若存在，继续选定下一组模型参数，并且跳转第二步，否则的话，结束步骤。
5.一种医用包装盒制品的瑕疵在线检测系统，用于实现如权利要求1‑4任一项所述的方法，其特征在于，包括如下的模块：图像获取模块，用于获取医用包装盒制品的图像，并且从模板图像库中查找出与所述医用包装盒制品的图像相对应的模板图像；
图像对齐模块，用于针对所述医用包装盒制品的图像和所述医用包装盒制品的模板图像进行图像对齐处理，并且计算所述医用包装盒制品的图像与所述医用包装盒制品的模板图像之间的差异向量；
模型训练模块，用于建立用于检测所述医用包装盒制品的图像中是否存在瑕疵的机器学习的分类模型，同时使用训练数据集针对所述分类模型进行训练处理，使用验证数据集检验所述分类模型的性能；
瑕疵检测模块，用于将所述医用包装盒制品的图像与所述医用包装盒制品的模板图像之间的所述差异向量输入到所述分类模型中，并且得出所述医用包装盒制品是否具有瑕疵的结果。
一种医用包装盒制品的瑕疵在线检测方法及检测系统
技术领域
[0001] 本发明属于图像处理技术领域，具体涉及一种医用包装盒制品的瑕疵在线检测方法及检测系统。
背景技术
[0002] 根据对于医用包装盒制品的管理规范，医用包装盒制品在出厂之前都必须经过三期检测，现有技术中一般通过人工来进行医用包装盒制品的三期检测，即需要人工检查医用包装盒制品，或者医用包装盒制品的图像，来判断医用包装盒制品的三期是否存在瑕疵，并且对瑕疵品进行剔除，该方法对于人工的熟练程度要求很高，在人工的熟练程度不够高的情况下，容易大大影响到医用包装盒制品的三期检测的工作效率，因此，研究一种医用包装盒制品的瑕疵在线检测方法及检测系统，用来自动识别出有三期瑕疵的医用包装盒制品，而无需依靠大量的人工操作，具有十分重要的现实意义。
发明内容
[0003] 本发明通过将医用包装盒制品的图像和医用包装盒制品的模板图像进行对齐处理，来方便提取上述图像和上述模板图像的差异向量，同时生成上述图像的像素点是否具有瑕疵的真实标签，使用差异向量和真实标签训练和检验用于识别上述图像是否存在瑕疵的分类模型，旨在实现对于医用包装盒制品瑕疵的自动检测。
[0004] 为了达到上述的发明目的，给出如下所述的一种医用包装盒制品的瑕疵在线检测方法，主要包括以下的步骤过程：
[0005] 获取医用包装盒制品的图像，并且从模板图像库中查找出与所述医用包装盒制品的图像相对应的模板图像，所述模板图像库存储有不同的医用包装盒制品的模板图像；
[0006] 针对所述医用包装盒制品的图像和所述医用包装盒制品的模板图像进行图像对齐处理，并且基于对齐的所述医用包装盒制品的图像和所述医用包装盒制品的模板图像，计算所述医用包装盒制品的图像与所述医用包装盒制品的模板图像之间的差异向量；
[0007] 建立用于检测所述医用包装盒制品的图像中是否存在瑕疵的机器学习的分类模型，并且构建所述分类模型的训练数据集和验证数据集，同时使用所述训练数据集针对所述分类模型进行训练处理，使用所述验证数据集检验所述分类模型的性能；
[0008] 将所述医用包装盒制品的图像与所述医用包装盒制品的模板图像之间的所述差异向量输入到所述分类模型中，所述分类模型输出所述医用包装盒制品的图像的每个像素点是否具有瑕疵的结果，仅当所述医用包装盒制品的图像的每个像素点都没有瑕疵时，判定所述医用包装盒制品没有瑕疵，反之，判定所述医用包装盒制品具有瑕疵。
[0009] 与现有技术相比，本发明的有益效果至少如下所述：
[0010] 1、本发明的一种医用包装盒制品的瑕疵在线检测方法，首先，获取医用包装盒制品的图像，并且从模板图像库中查找出与医用包装盒制品的图像相对应的模板图像；其次，针对医用包装盒制品的图像和医用包装盒制品的模板图像进行图像对齐处理，并且计算二者之间的差异向量；再次，建立用于检测医用包装盒制品的图像是否存在瑕疵的分类模型，同时训练分类模型，并且检验分类模型的性能；最后，将医用包装盒制品的图像与医用包装盒制品的模板图像之间的差异向量输入到分类模型，分类模型输出医用包装盒制品的图像的像素点是否具有瑕疵的结果；
[0011] 2、本发明解决了现有技术中通过人工进行医用包装盒制品瑕疵检测时，对人工的熟练程度要求高，且人工的工作效率低的问题，能够实现对医用包装盒制品瑕疵的自动检测，而不需要花费大量的人工，具有检测准确度好，检测效率高的优点。
附图说明
[0012] 图1为本发明的一种医用包装盒制品的瑕疵在线检测方法的步骤流程图；
[0013] 图2为本发明的一种医用包装盒制品的瑕疵在线检测系统的组成结构图。
具体实施方式
[0014] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0015] 可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
[0016] 参考如图1所示，本发明提供一种医用包装盒制品的瑕疵在线检测方法，主要通过执行如下的步骤过程来具体实现：
[0017] 步骤一、获取医用包装盒制品的图像，并且从模板图像库中查找出与上述医用包装盒制品的图像相对应的模板图像，上述模板图像库存储有不同的医用包装盒制品的模板图像。
[0018] 步骤二、针对上述医用包装盒制品的图像和上述医用包装盒制品的模板图像进行图像对齐处理，并且基于对齐的上述医用包装盒制品的图像和上述医用包装盒制品的模板图像，计算上述医用包装盒制品的图像与上述医用包装盒制品的模板图像之间的差异向量；
[0019] 进一步的，针对上述医用包装盒制品的图像和上述医用包装盒制品的模板图像进行图像对齐处理，又包括如下的步骤：
[0020] 第一步、遍历上述医用包装盒制品的图像的像素点，并且分别生成上述像素点的特征描述符，同时使用相同的方法分别得到上述医用包装盒制品的模板图像的像素点的特征描述符；
[0021] 第二步、基于上述医用包装盒制品的图像的像素点的特征描述符，以及上述医用包装盒制品的模板图像的像素点的特征描述符，确定与上述医用包装盒制品的图像的像素点相匹配的上述医用包装盒制品的模板图像的像素点；
[0022] 第三步、依据上述医用包装盒制品的图像的像素点和相匹配的上述医用包装盒制品的模板图像的像素点，计算从上述医用包装盒制品的图像的像素点到上述医用包装盒制品的模板图像的像素点的变换关系；
[0023] 第四步、按照上述变换关系，分别将上述医用包装盒制品的图像的像素点映射到上述医用包装盒制品的模板图像的像素点上；
[0024] 具体的，发明人考虑到在通过相机拍摄得到医用包装盒制品的图像之后，医用包装盒制品的图像与医用包装盒制品的模板图像之间存在着图像角度偏移的问题，因此需要对二者进行图像对齐处理，该图像对齐处理的过程大致包括：第一步生成图像的像素点的特征描述符，该特征描述符能够针对像素点的图像特征进行编码，以区分不同的像素点，两个图像中对应像素点的特征描述符应该是相同的，第二步通过比较医用包装盒制品的图像的像素点的特征描述符与医用包装盒制品的模板图像的像素点的特征描述符，确定二者中相匹配的若干个像素点，第三步在已经得出了医用包装盒制品的图像中与医用包装盒制品的模板图像中相匹配的像素点之后，通过使用数学运算，即可以计算得出从上述图像到上述模板图像的转换关系，举例如平移、缩放、旋转，第四步分别将医用包装盒制品的图像的像素点映射到医用包装盒制品的模板图像的像素点上，也即实现了上述图像和上述模板图像的对齐；
[0025] 进一步的，确定与上述医用包装盒制品的图像的像素点相匹配的上述医用包装盒制品的模板图像的像素点，又包括如下的步骤：
[0026] 第一步、将医用包装盒制品的图像的未处理的像素点形成像素点集p，并且从像素点集p中选择一个像素点pi，同时将上述像素点pi的特征描述符与医用包装盒制品的模板图像的像素点的特征描述符进行相似性匹配，按照相似性从高到低对医用包装盒制品的模板图像的像素点进行排序，确定相似性较高的k个医用包装盒制品的模板图像的像素点，形成像素点集m；
[0027] 第二步、从上述像素点集m中选择一个像素点mi，同时将上述像素点mi的特征描述符与医用包装盒制品的图像的像素点的特征描述符进行相似性匹配，按照相似性从高到低对医用包装盒制品的图像的像素点进行排序，确定相似性较高的k个医用包装盒制品的图像的像素点，形成像素点集e；
[0028] 第三步、判断上述像素点pi是否在上述像素点集e中，若是，则上述像素点pi和上述像素点mi相匹配，反之，则继续下个步骤；
[0029] 第四步、判断上述像素点集m中是否还有未处理的像素点，若有，则继续选择上述像素点集m中的下一个像素点，并且跳转第二步，反之，则继续下个步骤；
[0030] 第五步、判断上述像素点集p中是否还有未处理的像素点，若有，则继续选择上述像素点集p中的下一个像素点，并且跳转第一步，反之，结束步骤；
[0031] 具体的，确定与医用包装盒制品的图像的像素点相匹配的医用包装盒制品的模板图像的像素点，是上述图像对齐处理中的重要步骤，只有准确的定位出相互匹配的像素点，才能将上述图像中的像素点正确对应到上述模板图像中的像素点，这也是后续构建上述分类模型的训练数据集和验证数据集的基础，首先选定上述图像中的一个像素点pi，并且在上述模板图像中确定与该像素点最匹配的前k个像素点形成像素点集m，其次从像素点集m中选定一个像素点mi，并且在上述图像中确定与该像素点最匹配的前k个像素点形成像素点集e，最后若像素点pi在像素点集e中，那么就说明了像素点pi和像素点mi之间相互匹配，这样做能够提高医用包装盒制品的图像的像素点和医用包装盒制品的模板图像的像素点之间的匹配准确度；
[0032] 进一步的，计算上述医用包装盒制品的图像与上述医用包装盒制品的模板图像之间的差异向量H，通过如下的计算公式进行实现：
[0033] H＝[d1, d2, …, dn], di＝f (|αi－βi / βi|), i∈[1,n]；
[0034] 其中，n为上述医用包装盒制品的图像的像素点个数，di为上述医用包装盒制品的图像的第i个像素点与相匹配的上述医用包装盒制品的模板图像的第i个像素点之间的差异值，αi为上述医用包装盒制品的图像的第i个像素点的像素值，βi为上述医用包装盒制品的模板图像的第i个像素点的像素值，函数f在|αi－βi / βi|小于预设的阈值时，令di为0，否则，令di为1，具体的，di为0意味着上述图像的像素点与上述模板图像的像素点没有差异，di为1意味着上述图像的像素点与上述模板图像的像素点有差异。
[0035] 步骤三、建立用于检测上述医用包装盒制品的图像中是否存在瑕疵的机器学习的分类模型，并且构建上述分类模型的训练数据集和验证数据集，同时使用上述训练数据集针对上述分类模型进行训练处理，使用上述验证数据集检验上述分类模型的性能；
[0036] 进一步的，构建上述分类模型的训练数据集和验证数据集之前，还包括提前获取多个上述医用包装盒制品的图像与上述医用包装盒制品的模板图像之间的上述差异向量，并且对应取得上述医用包装盒制品的图像是否具有瑕疵的真实标签，若上述医用包装盒制品的图像的像素具有瑕疵，设置上述真实标签为1，反之，设置上述真实标签为0；具体的，在基于多个上述差异向量和多个相应的上述真实标签，构建上述分类模型的训练数据集和验证数据集时，可以使用现有技术中的构建方法，本实施例不对该构建方法进行限制，举例如可以采用随机抽样和分层抽样的方法；
[0037] 进一步的，使用训练数据集针对上述分类模型进行训练处理，以及使用验证数据集检验上述分类模型的性能，还包括如下的步骤：
[0038] 第一步、针对上述分类模型设置多组模型参数，并且从多组模型参数中选定一组模型参数；
[0039] 第二步、基于选定的一组模型参数，使用训练数据集训练上述分类模型，还在训练结束之后使用验证数据集对于上述分类模型的性能进行检验，具体通过比较上述分类模型输出的医用包装盒制品的图像的每个像素是否具有瑕疵的结果，和医用包装盒制品的图像的每个像素是否具有瑕疵的真实标签，计算上述分类模型的性能得分；
[0040] 第三步、如果当前计算的上述分类模型的性能得分高于之前计算的上述分类模型的性能得分，上述分类模型确定使用上述选定的一组模型参数，反之，判断是否存在未处理的其他组模型参数，若存在，继续选定下一组模型参数，并且跳转第二步，否则的话，结束步骤；
[0041] 具体的，上述分类模型可以是机器学习模型中的支持向量机，本实施例不对上述分类模型的类型进行限制，经过对上述分类模型的训练，能够使上述分类模型学习到从上述图像与上述模板图像之间的差异向量到上述图像的每个像素点是否有瑕疵之间的内在关系，此外，训练后的上述分类模型，还需要进一步的验证其性能，只有其性能满足要求时才能用于自动检测上述图像中的瑕疵，其中，能够使用如下的性能计算公式计算上述分类模型的性能得分S：
[0042] ；
[0043] 其中，ρ为上述分类模型的输出的个数，即上述医用包装盒制品的图像的像素点个数，μ为上述分类模型的输出为0，且相应的上述真实标签也为0的个数，ν为上述分类模型的输出为0，且相应的上述真实标签为1的个数，λ为预先设定的调节参数，λ大于0且小于1，能够根据具体的计算需求进行设定，本实施例不针对此进行限定，实验数据表明，计算得到的上述分类模型的性能得分越高，代表着上述分类模型的性能越好。
[0044] 步骤四、将上述医用包装盒制品的图像与上述医用包装盒制品的模板图像之间的上述差异向量输入到上述分类模型中，上述分类模型输出上述医用包装盒制品的图像的每个像素点是否具有瑕疵的结果，仅当上述医用包装盒制品的图像的每个像素点都没有瑕疵时，判定上述医用包装盒制品没有瑕疵，反之，判定上述医用包装盒制品具有瑕疵，具体的，因为本实施例以一个像素点为单位来确定图像中是否存在瑕疵，所以无论图像中的瑕疵如何，都可以被本实施例检测到，并且检测的准确度好，效率高。
[0045] 进一步的，参考如图2所示，本发明还提供一种医用包装盒制品的瑕疵在线检测系统，用来实现如以上内容所描述的一种医用包装盒制品的瑕疵在线检测方法，其中，各个模块的功能如下：
[0046] 图像获取模块，用于获取医用包装盒制品的图像，并且从模板图像库中查找出与上述医用包装盒制品的图像相对应的模板图像；
[0047] 图像对齐模块，用于针对上述医用包装盒制品的图像和上述医用包装盒制品的模板图像进行图像对齐处理，并且计算上述医用包装盒制品的图像与上述医用包装盒制品的模板图像之间的差异向量；
[0048] 模型训练模块，用于建立用于检测上述医用包装盒制品的图像中是否存在瑕疵的机器学习的分类模型，同时使用训练数据集针对上述分类模型进行训练处理，使用验证数据集检验上述分类模型的性能；
[0049] 瑕疵检测模块，用于将上述医用包装盒制品的图像与上述医用包装盒制品的模板图像之间的上述差异向量输入到上述分类模型中，并且得出上述医用包装盒制品是否具有瑕疵的结果。
[0050] 综上所述，本发明的一种医用包装盒制品的瑕疵在线检测方法，首先，获取医用包装盒制品的图像，并且从模板图像库中查找出与医用包装盒制品的图像相对应的模板图像；其次，针对医用包装盒制品的图像和医用包装盒制品的模板图像进行图像对齐处理，并且计算二者之间的差异向量；再次，建立用于检测医用包装盒制品的图像是否存在瑕疵的分类模型，同时训练分类模型，并且检验分类模型的性能；最后，将医用包装盒制品的图像与医用包装盒制品的模板图像之间的差异向量输入到分类模型，分类模型输出医用包装盒制品的图像的像素点是否具有瑕疵的结果。本发明解决了现有技术中通过人工进行医用包装盒制品瑕疵检测时，对人工的熟练程度要求高，且人工的工作效率低的问题，能够实现对医用包装盒制品瑕疵的自动检测，而不需要花费大量的人工，具有检测准确度好，检测效率高的优点。
[0051] 应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0052] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一个非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
[0053] 以上上述的实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0054] 以上上述的实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
[0055] 以上上述的仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
