本发明涉及切丝机维护技术领域，尤其涉及了一种基于自动光学检测技术的切丝机智能维护方法和系统。
背景技术：
切丝机是卷烟行业中的制丝设备中技术含量极高、机械结构极为复杂的一种专用设备，切丝机关键部件的状态和性能将直接决定切丝的工艺质量指标，进而影响到下游卷接包整个流程的质量控制。目前，切丝机的关键部件存在诸多问题，最为突出的有两点：其一，切刀容易出现多种缺陷问题，如刀片的裂纹、崩口等硬性损伤以及磨损和污损等，进而可能造成跑片等工艺质量问题；其二，由于铜排链结构本身的缺陷，在实际运行过程中，常会因大负载导致下输送排链链板错位或铰链拉伸；也会因下排链内环面积尘致使铰链处动作不灵活或卡死，出现链板拱起；还会因排链与墙板间隙小、积尘、链板错位等问题进一步导致链端磨损问题。
相对于切丝机各关键部件的重要程度及其影响程度，其维护程度却一直较低，如对于切刀，在切丝机运行过程中，只能主要依靠设备本身的自动进刀系统和磨刀系统对刀片的磨损进行持续性补偿和对堆积物等污损进行清洁，维保效果有限；而对于裂纹、崩口等硬性损伤，只能依靠人工在机器停机状态下检修，检视难度极高，且往往只能在因之导致的切丝质量出现显著波动时才能引起关注。对于铜排链，主要通过日常的清洁保养等维护措施来减缓相应的错位、拉伸、拱起、磨损等故障问题，效果比较有限。这些现状一方面会造成这些关键部件的过度损耗和备件问题，产生大量的成本损失；另一方面，切刀、铜排链等从缺陷和故障出现到发现，再到检出并进而解决的整个过程，时间久、滞后性大，期间可能造成对切丝工艺的影响，产生大量的不合格烟丝，直接导致卷烟产品的质量损失。同时，这些关键部件的缺陷及故障问题及不合格烟丝问题还会造成连锁的设备故障停机，产生不同程度的效率损失。
自动光学检测技术(automaticopticalinspection，aoi)，是指采用高速高精度的光学影像检测系统取代传统的人力结合光学仪器进行检测的方案。aoi中一般使用相机等光学检测器获取待测物体图像，通过对采集的待测图像迅速地进行图像处理和模式识别，从而获得对象的规格、大小、结构特点和缺陷等方面的特征信息，进而实现自动化在线检测的目的，它是一种将电子学、光学检测、图像处理和计算机技术融合一体的先进的非接触式检测方法，在半导体、冶金、印刷、汽车等多个工业应用领域都具有广泛的应用。但是在烟草机械领域，aoi技术起步本身较晚，在实际生产中的应用成熟度也相对较差，在切丝机智能维护相关的检测领域的应用更是少之又少。
现行的切丝机关键部件多是经过人工来检测确认是否存在问题的，这种检测方法量化程度低、精度有限、主观性强、只能在事后检测已经发生的故障，并且不能对关键部件的健康度进行量化评估和预测。由于自动光学检测技术能准确采集图像并进行实时、高效处理，因此，想借助自动光学检测技术来克服切丝机关键部件检测领域中现有人工检测技术的不足问题，期望能够在切丝机运行过程中对其关键部件在状态实时监测的基础上实现对其各类缺陷及故障的准确、快速和及时检测，并结合检测结果给出针对相应部件及切丝机整机的综合、客观、量化的健康评估，进而提供及时有效的智能化维护策略，最终实现提高切丝机维护效率、降低切丝机维护成本以及稳定切丝质量的目标。
技术实现要素：
本发明针对现有技术中人工检测切丝机的关键部件的缺点，提供了一种基于自动光学检测技术的切丝机智能维护方法和系统。
针对上述技术问题，本发明通过下述技术方案得以解决：
一种基于自动光学检测技术的切丝机智能维护方法，包括以下步骤：
获取切丝机目标部件的原始图像，对所述原始图像进行预处理，得到预处理后的图像；
将预处理后的图像进行图像分割处理，得到目标图像区域数据；
对目标图像区域数据进行抽象降维处理，提取出目标图像区域数据的关键特征的特征量，将所述关键特征的特征量建立为样本特征集和目标集；
通过所述样本特征集和目标集建立检测切丝机各个部件的故障检测模型，通过故障检测模型对待测样本进行故障检测，得到故障检测结果；
通过故障检测结果结合切丝机的原始评估结果，对切丝机进行多层级健康度评估，得到各层级健康度评估结果；
通过故障检测结果和健康度评估结果进行整合，得到切丝机的智能维护方案。
作为一种可实施方式，所述获取切丝机目标部件的原始图像通过成像设备获取，所述成像设备为工业相机、工业摄像机、红外相机、红外热成像仪和扫描仪中的任意一种。
作为一种可实施方式，所述获取切丝机目标部件的原始图像的具体步骤包括：
选取适合目标部件的采光元件，通过采光元件从切丝机所处环境中采集对应的光线；
基于采集到的光线类型，选用相对应的成像设备的图像传感器对光线进行采集，并将采集到的光线转化成图像模拟信号；
将所述图像模拟信号转换为数字图像信息，所述数字图像信息即为所述原始图像。
作为一种可实施方式，所述对所述原始图像进行预处理的方法为：
对原始图像进行图像增强和去噪处理，得到预处理后的图像，图像处理采用空间域增强法和频域增强法中的任意一种；图像去噪处理采用加权均值滤波、中值滤波、高斯滤波、和维纳滤波中的任意一种。
作为一种可实施方式，所述将预处理后的图像进行图像分割处理，采用阈值分割算法、基于几何特征的分割算法、模板匹配算法或基于压缩感知的分割算法中的任意一种。
作为一种可实施方式，所述对目标图像区域数据进行抽象降维处理，提取出目标图像区域数据的关键特征的特征量，将所述关键特征建立为样本特征集和目标集具体步骤为：
对目标图像区域数据进行抽象降维处理，去除冗余信息，得到一个或者多个关键特征的特征量，其中，抽象降维处理采用区域特征提取算法、灰度特征提取算法、轮廓特征提取算法、基于相位一致性的特征提取算法中的任意一种；
将所述关键特征的特征量和相应的图像状态标签进行关联，得到一个或多个目标量；
将关键特征的特征量建立成样本特征集，将目标量建立成目标集。
作为一种可实施方式，通过所述样本特征集和目标集建立检测切丝机各个部件的故障检测模型，通过故障检测模型对待测样本进行故障检测，得到故障检测结果具体为：
将所述样本特征集和所述目标集进行机器学习，通过样本特征集和目标集中表征故障存在与否的目标变量建立故障识别模型；通过样本特征集和目标集中表征故障多类模式的目标变量建立故障分类模型；通过样本特征集和目标集中表征故障严重性程度的等级型或数值型的目标变量建立故障评估模型；
通过故障识别模型检测待测样本是否存在故障；
通过故障分类模型检测出待测样本存在的几种故障模式，并对故障模式进行分类，得到表征故障模式的分类结果；
通过故障评估模型对分类结果进行量化评估，得到表征故障严重性的预测结果。
作为一种可实施方式，所述通过故障检测结果结合切丝机的原始评估结果，对切丝机整机的健康度进行评估，得到切丝机整机健康度评估结果具体为：
所述切丝机的原始评估结果由设备专家给出，专家给出的原始评估结果为影响度评估结果、维修性评估结果和重要性评估结果，通过影响度评估结果、维修性评估结果和重要性评估结果得到故障影响度权值向量、部件维修性权值向量和部件重要性权值向量；
根据所述故障严重性的预测结果并结合故障影响度权值向量进行计算，得到待测部件各故障模式的综合评估指数；
根据所述综合评估指数构建相应部件的故障模式雷达图，并计算故障模式雷达图的面积，通过雷达图的面积和所述部件维修性权值向量得到待测部件的综合健康度指数：
通过所述综合健康度指数和所述部件重要性权值向量，得到待测部件的加权健康度指数：
通过所述加权健康度指数构建切丝机整机的健康状态雷达图，并计算切丝机整机的健康状态雷达图面积，得到切丝机整机的综合健康度指数，得到切丝机整机健康度评估结果。
作为一种可实施方式，所述得到切丝机的智能维护方案包括故障预警方案、故障模式可视化方案、健康评估结果汇总方案和智能化维护策略推送方案。
作为一种可实施方式，还包括以下步骤：
更新步骤：目标部件的样本特征集和目标集根据获取到的目标图像数据进行更新；
自学习步骤：自学习并动态更新故障识别模型、故障分类模型和故障评估模型。
一种基于自动光学检测技术的切丝机智能维护系统，包括图像获取模块、图像预处理模块、图像分割模块、特征提取模块、故障检测模块、健康度评估模块、智能维护模块、更新模块和自学习模块；
所述图像获取模块，用于获取切丝机目标部件的原始图像；
所述图像预处理模块，用于对所述原始图像进行预处理，得到预处理后的图像；
所述图像分割模块，用于将预处理后的图像进行图像分割处理，得到目标图像区域数据；
所述特征提取模块，用于对目标图像区域数据进行抽象降维处理，提取出目标图像区域数据的关键特征的特征量，将所述关键特征的特征量建立为样本特征集和目标集；
所述故障检测模块，用于通过所述样本特征集和目标集建立检测切丝机各个部件的故障检测模型，通过故障检测模型对待测样本进行故障检测，得到故障检测结果；
所述健康度评估模块，用于通过故障检测结果结合切丝机的原始评估结果，对切丝机进行多层级健康度评估，得到各层级健康度评估结果；
所述智能维护模块，用于通过故障检测结果和健康度评估结果进行整合，得到切丝机的智能维护方案；
所述更新模块，用于目标部件的样本特征集和目标集根据获取到的目标图像数据进行更新；
所述自学习模块，用于自学习并动态更新故障识别模型、故障分类模型和故障评估模型。
本发明由于采用了以上技术方案，具有显著的技术效果：
本发明通过提出的智能维护方法，将对烟草行业专用设备切丝机的人工检测进行了代替，基于光学自动检测技术，在对切丝机关键目标部件进行图像采集、图像预处理、目标识别与分割、特征提取的基础上完成对目标部件各基于数据及模型的故障检测，并基于故障检测的结果实现对切丝机各主要故障模式、关键部件乃至整机的综合量化的健康评估，进而能提供及时、明确、高效的智能维护策略。该方法和系统进行机器学习构建出各种故障检测模型，随着图像数据的变化，可以通过在线自学习不断提高各种故障检测模型的精度和适应度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的方法流程示意图；
图2是本发明的系统结构示意图；
图3是现有的某旋转式切丝机压实单元的示意图；
图4为某旋转式切丝机压实单元下铜排链的示意图；
图5为某旋转式切丝机铜排链故障模式的可视化结果；
图6为某旋转式切丝机铜排链的故障模式雷达图。
标号说明：100、图像获取模块；200、图像预处理模块；300、图像分割模块；400、特征提取模块；500、故障检测模块；600、健康度评估模块；700、智能维护模块；800、更新模块；900、自学习模块。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1：
一种基于自动光学检测技术的切丝机智能维护方法，如图1所示，包括以下步骤：
s100、获取切丝机目标部件的原始图像，对所述原始图像进行预处理，得到预处理后的图像；
s200、将预处理后的图像进行图像分割处理，得到目标图像区域数据；
s300、对目标图像区域数据进行抽象降维处理，提取出目标图像区域数据的关键特征的特征量，将所述关键特征的特征量建立为样本特征集和目标集；
s400、通过所述样本特征集和目标集建立检测切丝机各个部件的故障检测模型，通过故障检测模型对待测样本进行故障检测，得到故障检测结果；
s500、通过故障检测结果结合切丝机的原始评估结果，对切丝机进行多层级的健康度评估，得到各层级健康度评估结果；
s600、通过故障检测结果和健康度评估结果进行整合，得到切丝机的智能维护方案。
更进一步地，在步骤s100中，所述获取切丝机目标部件的原始图像通过成像设备获取，所述目标部件包括切刀和铜排链中的一种或两种，亦或者其他部件，所述成像设备为工业相机、工业摄像机、红外相机、红外热成像仪和扫描仪中的任意一种。通过成像设备对原始图像进行获取，所述获取切丝机目标部件的原始图像的具体步骤包括：
s111、选取适合目标部件的采光元件，通过采光元件从切丝机所处环境中采集对应的光线；也就是说，先选定好采光元件，通过使用采光元件照射切丝机所处的环境，并且可以得到相互对应的光线类型；
s112、基于采集到的光线类型，选用相对应的成像设备的图像传感器对光线进行采集，并将采集到的光线转化成图像模拟信号；基于光线类型，来选取相应的成像设备，成像设备中都包含了图像传感器，通过图像传感器将光线转换成电信号；
s113、将所述图像模拟信号转换为数字图像信息，所述数字图像信息即为所述原始图像。成像设备中都包含了模数转换单元，通过模数转换单元将电信号转换成数字的图像信息，这些原始的数字图像信息就是所述的原始图像。
本发明应用的自动光学检测技术是将现有的自动光学检测技术做了进一步改进，是利用光学方式取得物体的图像数据，通过对获取到的图像数据进行各种处理，最终将这些处理后的图像数据进行机器学习，构建出多个故障检测模型，通过故障检测模型对待测样本进行预测和评估，最终得到评估结果。
采集好原始图像数据之后，首先对原始图像进行预处理，所述对所述原始图像进行预处理的方法为：
对原始图像进行图像增强和去噪处理，得到预处理后的图像，图像处理采用空间域增强法和频域增强法中的任意一种；图像去噪处理采用加权均值滤波、中值滤波、高斯滤波、和维纳滤波中的任意一种。在此，图像增强处理和图像去噪处理是不分先后顺序的，可以先对原始图像进行图像增强处理，后进行图像去噪处理；也可以先对原始图像进行图像去噪处理，后进行图像增强处理。
对原始图像预处理之后进行再处理，本申请中的再处理为图像分割处理，图像分割处理采用阈值分割算法、基于几何特征的分割算法、模板匹配算法或基于压缩感知的分割算法中的任意一种。
将图像预处理之后还需进行抽象降维处理，所述对目标图像区域数据进行抽象降维处理，提取出目标图像区域数据的关键特征的特征量，将所述关键特征建立为样本特征集和目标集具体步骤为：
s310、对目标图像区域数据进行抽象降维处理，去除冗余信息，得到一个或者多个关键特征的特征量，其中，抽象降维处理采用区域特征提取算法、灰度特征提取算法、轮廓特征提取算法、基于相位一致性的特征提取算法中的任意一种；
s320、将所述关键特征的特征量和相应的图像状态标签进行关联，得到一个或多个目标量；
s330、将关键特征的特征量建立成样本特征集f＝{fi│i＝1,2,3...n}，n为样本数，将目标量建立成目标集t＝{ti│i＝1,2,3...n}，n为样本数。
进一步地，通过所述样本特征集f和目标集t建立检测切丝机各个部件的故障检测模型，通过故障检测模型对待测样本进行故障检测，得到故障检测结果具体为：
s410、将所述样本特征集f和所述目标集t进行机器学习，通过样本特征集f和目标集t中表征故障存在与否的目标变量tr建立故障识别模型mr；通过样本特征集f和目标集t中表征故障多类模式的目标变量tc建立故障分类模型mc；通过样本特征集f和目标集t中表征故障严重性程度的等级型或数值型的目标变量te建立故障评估模型me；
s420、通过故障识别模型检测待测样本是否存在故障；具体地，故障包含但不仅限于如切刀的硬损、磨损、污损等问题，以及如铜排链的错位、拉伸、拱起、磨损等问题；具体地，故障识别模型mr可以为二分类模型，通过二分类模型来检测目标部件是否存在故障；所述的待测样本是指实时采集的目标部件的图像，并经过步骤s100～s300相同的处理方法得到的待测特征集f*，将待测特征集f*输入故障识别模型mr、故障分类模型mc和故障评估模型me中，并通过故障识别模型mr、故障分类模型mc和故障评估模型me对待测特征集f*进行预测；
s430、通过故障分类模型检测出待测样本存在的几种故障模式，并对故障模式进行分类，得到表征故障模式的分类结果
s440、通过故障评估模型对分类结果
参照附图4所示，附图4给出了铜排链整体的示意图，在步骤s200中所述的目标图像区域数据包括铜排链整体的横端面(转轴方向)，铜排链铰链侧端面，铜排链整体侧端面等；在步骤s300中的特征量包含横端面链板中心偏移距离，铰链端面中央间隙距离，排链表面的拱起角度，全新链板长度与当前链板的长度差等；步骤s400中所述的故障模式主要包含铜排链的错位、拉伸、拱起、磨损等。
在步骤s500中，所述通过故障检测结果结合切丝机的原始评估结果，对切丝机进行多层级健康度评估，得到各层级健康度评估结果具体为：
s510、所述切丝机的原始评估结果由设备专家给出，专家给出的原始评估结果为影响度评估结果、维修性评估结果和重要性评估结果，通过影响度评估结果、维修性评估结果和重要性评估结果得到故障影响度权值向量wi、部件维修性权值向量wm和部件重要性权值向量ws；本步骤中，由多位设备专家对切丝机各关键部件的主要故障模式进行影响度打分评估(值越大影响度越高)，得到综合的故障影响度权值向量wi；由多位设备专家对切丝机各关键部件进行维修性打分评估(值越大维修性越高)，得到综合的部件维修性权值向量wm和由多位设备专家对切丝机各关键部件进行重要性打分评估(值越大重要性越高)，得到综合的部件重要性权值向量ws；
s520、根据所述故障严重性的预测结果
s530、根据所述综合评估指数fi构建相应部件的故障模式雷达图，并计算故障模式雷达图的面积fa，通过雷达图的面积fa和所述部件维修性权值向量wm得到待测部件的综合健康度指数hi，综合健康度指数hi＝wm/fa，其中，fa表示雷达图的面积，wm表示部件维修性权值向量；比如，参见附图6，附图6中给出了铜排链的故障模式雷达图。从附图6中可以直观地看出针对铜排链的各主要故障模式，其整体的故障模式分布，本例中铜排链的拉伸故障最为显著。基于图中所给出的结果，结合维修人员所提供的报警、维修、更换等参数阈值，即可实现针对性地智能维护。
s540、通过所述综合健康度指数hi和所述部件重要性权值向量ws，得到待测部件的加权健康度指数hw，加权健康度指数hw＝hi*ws，其中，hi为综合健康度指数，ws为部件重要性权值向量；
s550、通过所述加权健康度指数hw构建切丝机整机的健康状态雷达图，并计算切丝机整机的健康状态雷达图面积ha，得到切丝机整机的综合健康度指数h，即h＝ha，并通过综合健康度指数h得到切丝机整机健康度评估结果。
更具体地，在步骤s600中，所述得到切丝机的智能维护方案包括故障预警方案、故障模式可视化方案、健康评估结果汇总方案和智能化维护策略推送方案。故障预警方案是指：通过故障识别模型，将对在线监测所得待测样本图像处理后得到的待测特征集f*作为故障识别模型的输入进行故障识别，得到表征是否存在故障的结果
故障模式可视化方案是指目标部件被采集的实时的图像数据经过步骤s300处理之后得到的目标部件的待测特征集f*，并将待测特征集f*作为故障分类模型mc和故障评估模型me的输入，并通过故障分类模型mc和故障评估模型me进行故障的分类与评估，得到表征故障模式的分类结果
参照附图5所示，附图5给出了经故障模式可视化方案展示的铜排链的错位、拉伸、拱起、磨损等故障模式的可视化结果，图中不仅可以显示各类故障模式的类型，还可结合铜排链的整体结构确定其所处位置，所述的表征故障严重性程度的等级型或数值型的目标变量te包含图示中的变量d1-d4，d1表示链面拱起角度，表征拱起；d2表示铜排链端面中央间隙，表征拉伸；d3表示横断面链板中心偏移，表征错位；d4表示链板的长度差，表征磨损，这些变量都可以被量化，量化可以表征各类故障的严重性程度；基于此可视化结果，可实现铜排链各类故障的分类、汇总、量化评估及快速定位。
健康评估结果汇总方案是指将故障模式评估指数fi构建相应部件的故障模式雷达图以及将部件的综合健康度指数hi构建切丝机整机的健康状态雷达图进行汇总；
智能化维护策略推送方案是指对切丝机各个不同的关键部件进行针对性的维护策略推送，以实现最为高效的智能维护。所述的智能维护策略包括但不仅限于针对切刀的智能化磨刀策略，以及针对铜排链的保养、维修及更换策略等。
在本发明的方法中，还包括更新自学习的步骤，在步骤s300所得目标部件的样本特征集f和目标集t，可在实际运行过程中根据切丝机在线所得的目标部件的图像数据不断更新，同时自学习并动态更新步骤s400中所述的故障识别模型mr、故障分类模型mc和故障评估模型me。
通过本发明的方法能实时的对构建的故障识别模型mr、故障分类模型mc和故障评估模型me并进行自学习，经过处理的图像数据输入至相对应的故障识别模型mr、故障分类模型mc和故障评估模型me三个模型中，得出精确表征故障严重性的预测结果
实施例2
一种基于自动光学检测技术的切丝机智能维护系统，如图2所示，包括图像获取模块100、图像预处理模块200、图像分割模块300、特征提取模块400、故障检测模块500、健康度评估模块600、智能维护模块700、更新模块800和自学习模块900；
所述图像获取模块100，用于获取切丝机目标部件的原始图像；
所述图像预处理模块200，用于对所述原始图像进行预处理，得到预处理后的图像；
所述图像分割模块300，用于将预处理后的图像进行图像分割处理，得到目标图像区域数据；
所述特征提取模块400，用于对目标图像区域数据进行抽象降维处理，提取出目标图像区域数据的关键特征的特征量，将所述关键特征的特征量建立为样本特征集和目标集；
所述故障检测模块500，用于通过所述样本特征集和目标集建立检测切丝机各个部件的故障检测模型，通过故障检测模型对待测样本进行故障检测，得到故障检测结果；
所述健康度评估模块600，用于通过故障检测结果结合切丝机的原始评估结果，对切丝机整机的健康度进行评估，得到切丝机整机健康度评估结果；
所述智能维护模块700，用于通过故障检测结果和健康度评估结果进行整合，得到切丝机的智能维护方案；
所述更新模块800，用于目标部件的样本特征集和目标集根据获取到的目标图像数据进行更新；
所述自学习模块900，用于自学习并动态更新故障识别模型、故障分类模型和故障评估模型。
本发明需要保护的系统结构是根据本发明需要保护的方法进行部署的，通过本发明需要保护的系统结构依然可以实时的对构建的故障识别模型mr、故障分类模型mc和故障评估模型me并进行自学习，经过处理的图像数据输入至相对应的故障识别模型mr、故障分类模型mc和故障评估模型me三个模型中，得出精确表征故障严重性的预测结果
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明的方法、终端设备(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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。
需要说明的是：
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。