木材加工控制方法、装置、电子设备及存储介质与流程

本公开涉及智能控制技术领域，具体涉及一种木材加工控制方法、装置、电子设备及存储介质。

背景技术：

目前的木材加工自动化领域中，设备能够实现部分的加工自动化，例如通过自动化设备对木材，木块，木桩等木料进行打磨。然而，由于自动化加工设备只是按照预定义的路线控制打磨装置，这使得由于木块的非标特性导致打磨结果无法像其他工件一样质量可控。例如，当木料由于自然生长的原因导致一些部分紧致，一些部分松软。因此在加工设备按预定义的路线打磨之后，会造成打磨结果的不一致。除此之外，这些木材表面自动化加工方法使用台锯、平刨或压刨的处理之后虽然会显得平整光滑，但刀具留下的刀痕和锯路在上漆之后，会非常明显的表现出来。因此，一般木材通过自动化加工之后，往往还需要进行人工的二次打磨。

技术实现要素：

本公开实施例提供一种木材加工控制方法、装置、电子设备及计算机可读存储介质。

第一方面，本公开实施例中提供了一种木材加工控制方法。

具体的，所述木材加工控制方法，包括：

获取目标木材的第一图像；其中，所述目标木材为初次加工过的木材；

将所述第一图像输入至预先训练好的机器学习模型，生成所述目标木材的二次打磨策略；

将所述二次打磨策略输出至加工设备，以控制所述加工设备对所述目标木材进行打磨。

进一步地，将所述第一图像输入至预先训练好的机器学习模型，生成所述目标木材的二次打磨策略，包括以下至少之一：

将所述第一图像输入至预先训练好的机器学习模型，识别所述目标木材上用于打磨的目标区域；

将所述第一图像输入至预先训练好的机器学习模型，规划打磨所述目标木材所采用的磨具参数；

将所述第一图像输入至预先训练好的机器学习模型，规划打磨所述目标木材的路径。

进一步地，将所述二次打磨策略输出至加工设备，以控制所述加工设备对所述目标木材进行打磨之后，还包括：

获取经过所述二次打磨策略打磨过的所述目标木材的第二图像；

将所述第二图像输入至所述机器学习模型，生成所述目标木材的再次打磨策略。

进一步地，所述木材加工控制方法，还包括：

确定所述第一图像的第一深度信息；

将所述第一图像输入至预先训练好的机器学习模型，生成所述目标木材的二次打磨策略，包括：

将所述第一图像和所述第一深度信息输入至预先训练好的所述机器学习模型，生成所述二次打磨策略。

进一步地，所述木材加工控制方法，其特征在于，还包括：

确定所述第二图像的第二深度信息；

将所述第二图像输入至所述机器学习模型，生成所述目标木材的再次打磨策略，包括：

将所述第二图像和所述第二深度信息输入至预先训练好的所述机器学习模型，生成所述再次打磨策略。

进一步地，所述第一深度信息和第二深度信息利用距离传感器或者获取所述第一图像和/或所述第二图像的深度图像传感器得到。

进一步地，所述磨具参数包括规划要使用的一个或多个磨头的粒度。

进一步地，所述木材加工控制方法，还包括：

获取所述目标木材的原始图像；

将所述原始图像输入至所述机器学习模型，生成对所述目标木材的初次加工策略；

将所述初次加工策略输出至加工设备，以控制所述加工设备对所述目标木材进行初次加工。

第二方面，本公开实施例中提供了一种木材加工控制装置。

具体的，所述木材加工控制装置，包括：

第一获取模块，被配置为获取目标木材的第一图像；其中，所述目标木材为初次加工过的木材；

第一生成模块，被配置为将所述第一图像输入至预先训练好的机器学习模型，生成所述目标木材的二次打磨策略；

第一输出模块，被配置为将所述二次打磨策略输出至加工设备，以控制所述加工设备对所述目标木材进行打磨。

进一步地，所述第一生成模块，包括以下至少之一：

识别子模块，被配置为将所述第一图像输入至预先训练好的机器学习模型，识别所述目标木材上用于打磨的目标区域；

第一规划子模块，被配置为将所述第一图像输入至预先训练好的机器学习模型，规划打磨所述目标木材所采用的磨具参数；

第二规划子模块，被配置为将所述第一图像输入至预先训练好的机器学习模型，规划打磨所述目标木材的路径。

进一步地，所述输出模块之后，还包括：

第二获取模块，被配置为获取经过所述二次打磨策略打磨过的所述目标木材的第二图像；

第二生成模块，被配置为将所述第二图像输入至所述机器学习模型，生成所述目标木材的再次打磨策略。

进一步地，所述木材加工控制装置，还包括：

第一确定模块，被配置为确定所述第一图像的第一深度信息；

所述第一生成模块，包括：

第一生成子模块，被配置为将所述第一图像和所述第一深度信息输入至预先训练好的所述机器学习模型，生成所述二次打磨策略。

进一步地，所述木材加工控制装置，还包括：

第二确定模块，被配置为确定所述第二图像的第二深度信息；

所述第二生成模块，包括：

第二生成子模块，被配置为将所述第二图像和所述第二深度信息输入至预先训练好的所述机器学习模型，生成所述再次打磨策略。

进一步地，所述第一深度信息和第二深度信息利用距离传感器或者获取所述第一图像和/或所述第二图像的深度图像传感器得到。

进一步地，所述磨具参数包括规划要使用的一个或多个磨头的粒度。

进一步地，所述木材加工控制装置，还包括：

第三获取模块，被配置为获取所述目标木材的原始图像；

第三生成模块，被配置为将所述原始图像输入至所述机器学习模型，生成对所述目标木材的初次加工策略；

第二输出模块，被配置为将所述初次加工策略输出至加工设备，以控制所述加工设备对所述目标木材进行初次加工。

所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。

在一个可能的设计中，木材加工控制装置的结构中包括存储器和处理器，所述存储器用于存储一条或多条支持木材加工控制装置执行上述第一方面中木材加工控制方法的计算机指令，所述处理器被配置为用于执行所述存储器中存储的计算机指令。所述木材加工控制装置还可以包括通信接口，用于木材加工控制装置与其他设备或通信网络通信。

第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现第一方面所述的方法步骤。

第四方面，本公开实施例提供了一种计算机可读存储介质，用于存储木材加工控制装置所用的计算机指令，其包含用于执行上述第一方面中木材加工控制方法所涉及的计算机指令。

本公开实施例提供的技术方案可以包括以下有益效果：

本公开实施例针对初次加工过的木材，通过获取其图像数据，并将图像数据输入至预先训练好的机器学习模型中，生成二次打磨策略，之后再将二次打磨策略输出至加工设备，以控制加工设备对木材进行二次打磨。通过本公开上述方式，可以针对初次加工过的木材自动进行二次打磨，而无需人工进行二次打磨，节省了人力成本，提高了木材加工效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：

图1示出根据本公开一实施方式的木材加工控制方法的流程图；

图2示出根据本公开一实施方式的木材加工控制方法的实施流程示意图；

图3示出本公开一实施方式中使用的初次加工后的目标木材的图像示意图；

图4示出本公开一实施方式中机器学习模型处理初次加工后的木材图像的流程示意图；

图5中示出根据本公开一实施方式执行打磨策略的示例性示意图；

图6示出根据图1所示实施方式中步骤s103的流程图；

图7示出本公开一实施方式中机器学习模型利用距离数据处理初次加工后的木材图像的流程示意图；

图8示出根据本公开另一实施方式的木材加工控制方法的流程图；

图9示出根据本公开一实施方式的木材加工控制装置的结构框图；

图10示出根据图9所示实施方式的第一输出模块903的结构框图；

图11示出根据本公开另一实施方式的木材加工控制装置的结构框图；

图12是适于用来实现根据本公开一实施方式的木材加工控制方法的电子设备的结构示意图。

具体实施方式

下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。

在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。

另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出根据本公开一实施方式的木材加工控制方法的流程图。如图1所示，所述木材加工控制方法包括以下步骤s101-s103：

在步骤s101中，获取目标木材的第一图像；其中，所述目标木材为初次加工过的木材；

在步骤s102中，将所述第一图像输入至预先训练好的机器学习模型，生成所述目标木材的二次打磨策略；

在步骤s103中，将所述二次打磨策略输出至加工设备，以控制所述加工设备对所述目标木材进行打磨。

本实施例中，针对初次加工后的目标木材自动生成二次打磨策略，以控制加工设备对目标木材自动进行二次打磨。本公开通过图像传感器获得初次加工后的目标木材的第一图像后，将获得的第一图像输入至预先训练好的机器学习模型。在一些实施例中，该机器学习模型可以是卷积神经网络、深度神经网络、循环神经网络中的一个或者多个的组合。而在另一些实施例中，该机器学习模型可以是其他机器学习模型，如逻辑回归模型等。

在一些实施例中，该机器学习模型可以用于输出对应目标木材的二次打磨策略，二次打磨策略例如可以包括需要进行二次打磨的区域、打磨磨具参数、打磨的策略规划等。如图2所示，机器学习模型输出一组打磨策略参数到控制模块，控制模块将打磨策略转化成电机控制信号，驱动磨具对目标木材进行打磨。其中，加工设备可以包含多个磨具组成的磨具组，磨具组可以由参数不同的磨具组成。如图1所示，三个磨具为目数不同的砂纸组成的磨头。

本公开实施例针对初次加工过的木材，通过获取其图像数据，并将图像数据输入至预先训练好的机器学习模型中，生成二次打磨策略，之后再将二次打磨策略输出至加工设备，以控制加工设备对木材进行二次打磨。通过本公开上述方式，可以针对初次加工过的木材自动进行二次打磨，而无需人工进行二次打磨，节省了人力成本，提高了木材加工效率。

在本实施例的一个可选实现方式中，所述步骤s102，即将所述第一图像输入至预先训练好的机器学习模型，生成所述目标木材的二次打磨策略的步骤，进一步包括以下至少之一：

将所述第一图像输入至预先训练好的机器学习模型，识别所述目标木材上用于打磨的目标区域；

将所述第一图像输入至预先训练好的机器学习模型，规划打磨所述目标木材所采用的磨具参数；

将所述第一图像输入至预先训练好的机器学习模型，规划打磨所述目标木材的路径。

该可选的实现方式中，预先训练好的机器学习模型根据目标木材的第一图像识别出需要进行二次打磨的目标区域。例如可以确定一个正方形打磨区域。初次加工带来的刀痕会对木料本身的纹理带来特定的畸变，这是由一次加工刀具本身结构以及加工工艺决定的。除此之外，木料本身的材质也会对加工后的木料图像产生影响。例如固定的一次加工工艺对质地较为松软的区域加工会使得木料表面呈现一定程度的粗糙，而对质地较为坚硬的部分这种粗糙程度则要小。这些一次加工的特征与木料本身的纹理和颜色不同，因此能够被神经网络所捕捉，进而用于二次打磨的目标区域的识别。

预先训练好的机器学习模型还可以根据目标木材的第一图像输出一组打磨目标木材的路径规划，例如在识别出来的目标区域内按工字型打磨，打磨路径的规划可以根据所要使用的磨具以及目标区域面积等确定。

预先训练好的机器学习模型还可以输出一组磨具参数，也即用于二次打磨目标木材所使用的磨具参数。加工设备在收到机器学习模型输出的打磨策略后，控制模块驱动电机移动磨具组。例如，电机组控制磨具组在x、y、z轴移动，将磨具组移动到对应的目标区域，控制模块根据磨具参数控制磨具组切换到对应的磨头并驱动该磨头的动力单元，动力单元带动磨头旋转，完成二次打磨。

图3示出了初次加工后的目标木材的图像示意图，其中标注的区域为机器学习模型识别出来需要进行二次打磨的目标区域，该目标区域利用其对应的图像中的相对坐标位置来标注。

图4示出了机器学习模型处理初次加工后的木材图像的流程示意图。其中机器学习模型为一个卷积神经网络，该神经网络包括多个逐级相连的处理层，其中处理层包括卷积层和其他非线性层，例如降采样层和池化层等。该机器学习模型将木材图像中对应的料需要进行二次打磨的区域识别出来。

使用图4中相同的神经网络或另外一个独立的神经网络，机器学习模型可以规划出一个或至少一个磨具参数。例如，一个磨具参数可以为使用120目砂纸的磨头，或者使用180目砂纸的磨头。所述规划也可以为由多个打磨参数按一定方式互相排列的组合，例如目数由低到高的三个磨具组合。

在识别出需要打磨的目标区域、对应的磨具参数以及路径后，控制模块可以计算出磨具的执行策略，并将策略转化成电机组控制信号，驱动磨具完成打磨任务。图5中示出了一种执行打磨策略的示意图，其中磨具为一个电机驱动的120目的砂纸来实施打磨任务，具体的打磨任务由电机驱动磨具在图中所示区域内按所示的规划路径完成。

在本实施例的一个可选实现方式中，如图6所示，所述步骤s103，即将所述二次打磨策略输出至加工设备，以控制所述加工设备对所述目标木材进行打磨的步骤之后，所述方法进一步包括以下步骤s601-s602：

在步骤s601中，获取经过所述二次打磨策略打磨过的所述目标木材的第二图像；

在步骤s602中，将所述第二图像输入至所述机器学习模型，生成所述目标木材的再次打磨策略。

该可选的实现方式中，在对目标木材进行了二次打磨之后，由于打磨工作可能无法一次完成，因此还可以在每次执行完规划的二打磨策略后，再次获得目标木材的第二图像，进一步由机器学习模型生成再次打磨策略，并执行类似上述二次打磨策略的打磨过程，以对目标木材完成新一轮的打磨。具体打磨的次数可以根据实际情况设定，也可以由人工或者机器学习模型动态识别并调整。

在本实施例的一个可选实现方式中，所述方法进一步包括以下步骤：

确定所述第一图像的第一深度信息；

所述步骤s102，即将所述第一图像输入至预先训练好的机器学习模型，生成所述目标木材的二次打磨策略得步骤，进一步包括以下步骤：

将所述第一图像和所述第一深度信息输入至预先训练好的所述机器学习模型，生成所述二次打磨策略。

该可选的实现方式中，在获取目标木材的第一图像时，还可以获取第一图像的第一深度信息。由于二次打磨的需求也是由目标木材的形状决定的，例如打磨一个三维的木料模型，或者将一个木材打磨成平整的桌面。因此，木料的三维信息，也就是距离信息也可以作为一个数据输入至机器学习模型。

该可选的实现方式中，预先训练好的该机器学习模型可以是通过多组标注了二次打磨策略的样本图像和样本图像的深度数据构成的样本图像所训练出来的，用于将规划打磨任务所需的特征提取出来。在运行模式下，设备同时采集一个目标木材的图像和深度信息，并输入至机器学习模型中。此时，机器学习模型的输出与上述机器学习模型类似，仍然二次打磨策略。

图7示出了使用距离数据(高度图)作为机器学习模型的一个输入，与图像数据一同输入至一个卷积神经网络中的示意图。由于距离数据与图像信息均为二维数据组，并且与目标木材表面一一对应，因此训练数据可以将需要二次打磨的区域与对应的图像和距离数据进行一个表征。通过训练如图所示的神经网络，图2所示设备能够在基于图像和距离数据更精准的规划打磨策略。例如，当木料图像表现较为均匀，但是表面存在一定的曲率时，图像中无法体现任何二次打磨的特征，此时距离信息仍然能够反映二次打磨的需要，并且被机器学习模型所捕捉。反之，如果木料表面平整，但不足够光滑，图像中仍然会出现一定的特征，并且被机器学习模型捕捉。

在本实施例一可选的实现方式中，第一图像的第一深度信息可以通过激光传感器或深度图像传感器获得。第一图像的第一深度信息可以按照一定的规则处理成与第一图像类似的二维数组，以便于机器学习模型处理。其中，激光传感器可以设置在获取第一图像的图像传感器上，用于获取与目标木材上任一点之间的距离信息，而第一图像的第一深度信息可以基于距离信息来确定。

在本实施例的一个可选实现方式中，所述方法进一步包括以下步骤：

确定所述第二图像的第二深度信息；

所述步骤s602，即将所述第二图像输入至所述机器学习模型，生成所述目标木材的再次打磨策略得步骤，进一步包括以下步骤：

将所述第二图像和所述第二深度信息输入至预先训练好的所述机器学习模型，生成所述再次打磨策略。

该可选的实现方式中，与上述实施例类似，再次获得第二图像的同时也获得第二图像的第二深度信息，并将第二图像和第二深度信息同时输入至机器学习模型中进行识别，并生成再次打磨策略，具体细节可参见上述对第一图像和第一深度信息的描述，再次不再赘述。

在本实施例一可选的实现方式中，第二图像的第二深度信息页可以通过激光传感器或深度图像传感器获得。第二图像的第二深度信息可以按照一定的规则处理成与第一图像类似的二维数组，以便于机器学习模型处理。其中，激光传感器可以设置在获取第二图像的图像传感器上，用于获取与目标木材上任一点之间的距离信息，而第二图像的第二深度信息可以基于距离信息来确定。

在本实施例的一个可选实现方式中，所述磨具参数包括规划要使用的一个或多个磨头的粒度。加工设备上可以设置一个或多个具有不同粒度的磨具，机器学习模型可以基于目标木材的图像和/或深度信息规划得到包括磨具参数的打磨策略。磨具参数可以包括所要使用的磨头的粒度。打磨策略可以包括使用哪个或哪些粒度的磨头打磨哪个或哪些目标区域等信息。

在本实施例的一个可选实现方式中，如图8所示，所述方法进一步包括以下步骤s801-s803：

在步骤s801中，获取所述目标木材的原始图像；

在步骤s802中，将所述原始图像输入至所述机器学习模型，生成对所述目标木材的初次加工策略；

在步骤s803中，将所述初次加工策略输出至加工设备，以控制所述加工设备对所述目标木材进行初次加工。

该可选的实现方式中，本公开实施例所涉及的目标木材为进行过初次加工的木料，而初次加工可以为使用自动化加工设备对原始的目标木材进行过自动打磨。对目标木材的初次加工也可以为获取未进行过任何加工的目标木材的原始图像，并将原始图像输入至机器学习模型，由机器学习模型生成初次加工策略，并将初次加工策略输出至加工设备进行初次加工。加工由于加工设备只是按照预定义的路线控制打磨装置，这使得由于木料的非标特性导致打磨结果无法像其他工件一样质量可控。因此，本公开实施例还对初次加工过的目标木材实施二次打磨。

下述为本公开装置实施例，可以用于执行本公开方法实施例。

图9示出根据本公开一实施方式的木材加工控制装置的结构框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图9所示，所述木材加工控制装置包括：

第一获取模块901，被配置为获取目标木材的第一图像；其中，所述目标木材为初次加工过的木材；

第一生成模块902，被配置为将所述第一图像输入至预先训练好的机器学习模型，生成所述目标木材的二次打磨策略；

第一输出模块903，被配置为将所述二次打磨策略输出至加工设备，以控制所述加工设备对所述目标木材进行打磨。

在本实施例的一个可选实现方式中，所述第一生成模块902，进一步包括以下至少之一：

识别子模块，被配置为将所述第一图像输入至预先训练好的机器学习模型，识别所述目标木材上用于打磨的目标区域；

第一规划子模块，被配置为将所述第一图像输入至预先训练好的机器学习模型，规划打磨所述目标木材所采用的磨具参数；

第二规划子模块，被配置为将所述第一图像输入至预先训练好的机器学习模型，规划打磨所述目标木材的路径。

在本实施例的一个可选实现方式中，如图10所示，所述第一输出模块903，包括：

第二获取模块1001，被配置为获取经过所述二次打磨策略打磨过的所述目标木材的第二图像；

第二生成模块1002，被配置为将所述第二图像输入至所述机器学习模型，生成所述目标木材的再次打磨策略。

在本实施例的一个可选实现方式中，所述木材加工控制装置还包括：

第一确定模块，被配置为确定所述第一图像的第一深度信息；

所述第一生成模块902，包括：

第一生成子模块，被配置为将所述第一图像和所述第一深度信息输入至预先训练好的所述机器学习模型，生成所述二次打磨策略。

在本实施例的一个可选实现方式中，所述木材加工控制装置包括：

第二确定模块，被配置为确定所述第二图像的第二深度信息；

所述第二生成模块1002，包括：

第二生成子模块，被配置为将所述第二图像和所述第二深度信息输入至预先训练好的所述机器学习模型，生成所述再次打磨策略。

在本实施例的一个可选实现方式中，如图11所示，所述木材加工控制装置包括：

第三获取模块1101，被配置为获取所述目标木材的原始图像；

第三生成模块1102，被配置为将所述原始图像输入至所述机器学习模型，生成对所述目标木材的初次加工策略；

第二输出模块1103，被配置为将所述初次加工策略输出至加工设备，以控制所述加工设备对所述目标木材进行初次加工。

本实施例提出的木板识别装置与图1所示实施例及相关实施例中提出的木材加工控制方法对应一致，具体细节可参见上述对木材加工控制方法的描述，在此不再赘述。

图12是适于用来实现根据本公开实施方式的木材加工控制方法的电子设备的结构示意图。

如图12所示，电子设备1200包括中央处理单元(cpu)1201，其可以根据存储在只读存储器(rom)1202中的程序或者从存储部分1208加载到随机访问存储器(ram)1203中的程序而执行上述图1所示的实施方式中的各种处理。在ram1203中，还存储有电子设备1200操作所需的各种程序和数据。cpu1201、rom1202以及ram1203通过总线1204彼此相连。输入/输出(i/o)接口1205也连接至总线1204。

以下部件连接至i/o接口1205：包括键盘、鼠标等的输入部分1206；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分1207；包括硬盘等的存储部分1208；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至i/o接口1205。可拆卸介质1211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1210上，以便于从其上读出的计算机程序根据需要被安装入存储部分1208。

特别地，根据本公开的实施方式，上文参考图1描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行图1的木材加工控制方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分1209从网络上被下载和安装，和/或从可拆卸介质1211被安装。

附图中的流程图和框图，图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。