一种铁路列车闸瓦钎环故障的检测方法及装置与流程

本发明属于计算机视觉和图像识别领域，尤其涉及一种铁路列车闸瓦钎环故障的检测方法及装置。

背景技术：

为了保证铁路列车的安全性，通常需要对铁路列车进行故障检测，闸瓦钎环是列车基础制动装置中的部件，闸瓦钎环的故障将会影响列车的制动。

现有技术中，通常是由经验丰富的列检人员来检测闸瓦钎环是否存在故障，例如丢失、位置偏移、有覆盖物等，然而人工检测的效率较低，为了提高闸瓦钎环故障的检测效率，出现了货车闸瓦故障的自动识别方法，上述方法，首先采用图像分割的方式确定货车闸瓦特征区域，然后使用svm(supportvectormachine支持向量机)算法进行特征值计算，再通过比较提取的特征值与预置的故障识别值进行比较，判定闸瓦是否存在故障。

然而，申请人发现，现有的货车闸瓦故障的自动识别方法，采用的svm算法进行特征值计算，然而svm算法仅适用于训练样本量较少的情况，对于大规模的训练样本容易导致目标漏检或误检，则当货车车闸数量和种类较多时，无法保证故障检测的准确率。

可见，现有方法中闸瓦钎环故障检测的准确率不高的技术问题。

技术实现要素：

本发明提供一种铁路列车闸瓦钎环故障的检测方法及装置，用以解决现有方法中闸瓦钎环故障检测的准确率不高的技术问题。

第一方面，本发明实施例提供了一种铁路列车闸瓦钎环故障的检测方法，所述方法包括:

从所述铁路列车的图像中获取所述铁路列车的车轮轴线坐标；

根据所述车轮轴线坐标，从所述铁路列车的图像中获取与所述闸瓦钎环相关的图块；

采用深度学习和支持向量机相结合的方法构建闸瓦钎环定位与识别模型；

根据所述闸瓦钎环定位与识别模型，对所述与所述闸瓦钎环相关的图块进行检测，以对所述铁路列车闸瓦钎环故障进行检测。

本发明提供的铁路列车闸瓦钎环故障的检测方法，在所述根据所述车轮轴线坐标，从所述铁路列车的图像中获取与所述闸瓦钎环相关的图块之前，还包括：

采用深度学习方法构建车型识别模型；

根据所述车型识别模型，获得所述铁路列车的车型；

根据所述车型，判断所述铁路列车的图像是否包含闸瓦钎环。

本发明提供的铁路列车闸瓦钎环故障的检测方法，所述采用深度学习方法构建车型识别模型，包括：

获取的车轮区域图像块和摇枕区域图像块；

对所述车轮区域图像块和所述摇枕区域图像块进行分类，获得车轮区域数据集和摇枕区域数据集；

当所述车轮区域数据集达到所述第一预设值时，利用深度卷积神经网络获取所述车轮区域数据集的第一分类特征；

当所述摇枕区域数据集达到所述第二预设值时，利用深度卷积神经网络获取所述摇枕区域数据集的第二分类特征；

分别根据所述第一分类特征和所述第二分类特征，获得车轮识别模型和摇枕识别模型，以所述车轮识别模型和摇枕识别模型作为车型识别模型。

本发明提供的铁路列车闸瓦钎环故障的检测方法，所述从所述铁路列车的图像中获取所述铁路列车的车轮轴线坐标，包括：

根据所述铁路列车的车轮的先验信息，获得第一定位车轮区域图像；

对所述粗定位车轮区域图像进行预处理，获得去除干扰信息的第二定位车轮区域图像；

对所述第二定位车轮区域图像进行二值化，获得第三定位车轮区域图像；

将所述第三定位车轮区域图像进行水平方向投影，获得投影曲线，以所述投影曲线的峰值所在位置作为所述铁路列车的车轮轴线坐标。

本发明提供的铁路列车闸瓦钎环故障的检测方法，所述采用深度学习和支持向量机相结合的方法构建闸瓦钎环定位与识别模型，包括：

构建闸瓦钎环训练数据集；

采用深度学习方法从所述闸瓦钎环训练数据集中提取高层特征，获得第一特征模型和第二特征模型；

以所述第一特征模型和所述第二特征模型作为支持向量机的输入，从而获得支持向量机方法的训练结果；

根据所述支持向量机方法的训练结果，构建所述闸瓦钎环定位与识别模型。

本发明提供的铁路列车闸瓦钎环故障的检测方法，所述根据所述闸瓦钎环定位与识别模型，对所述与所述闸瓦钎环相关的图块进行检测，以对所述铁路列车闸瓦钎环故障进行检测，包括：

采用区域筛选算法从所述图块中搜索出候选区域；

利用所述闸瓦钎环定位与识别模型在所述候选区域内进行预测，判断是否出现重叠框；

如出现，则闸瓦钎环正常；

如未出现，则闸瓦钎环发生故障。

基于与第一发明相同的发明构思，本发明第二方面还提供了一种铁路列车闸瓦钎环故障的检测装置，所述装置包括:

第一获取模块，用于从所述铁路列车的图像中获取所述铁路列车的车轮轴线坐标；

第二获取模块，用于根据所述车轮轴线坐标，从所述铁路列车的图像中获取与所述闸瓦钎环相关的图块；

构建模块，用于采用深度学习和支持向量机相结合的方法构建闸瓦钎环定位与识别模型；

检测模块，用于根据所述闸瓦钎环定位与识别模型，对所述与所述闸瓦钎环相关的图块进行检测，以对所述铁路列车闸瓦钎环故障进行检测。

本发明提供的铁路列车闸瓦钎环故障的检测装置中，所述第一获取模块还用于：

根据所述铁路列车的车轮的先验信息，获得第一定位车轮区域图像；

对所述粗定位车轮区域图像进行预处理，获得去除干扰信息的第二定位车轮区域图像；

对所述第二定位车轮区域图像进行二值化，获得第三定位车轮区域图像；

将所述第三定位车轮区域图像进行水平方向投影，获得投影曲线，以所述投影曲线的峰值所在位置作为所述铁路列车的车轮轴线坐标。

本发明提供的铁路列车闸瓦钎环故障的检测装置中，所述构建模块还用于：

构建闸瓦钎环训练数据集；

采用深度学习方法从所述闸瓦钎环训练数据集中提取高层特征，获得第一特征模型和第二特征模型；

以所述第一特征模型和所述第二特征模型作为支持向量机的输入，从而获得支持向量机方法的训练结果；

根据所述支持向量机方法的训练结果，构建所述闸瓦钎环定位与识别模型。

本发明提供的铁路列车闸瓦钎环故障的检测装置中，所述检测模块还用于：

采用区域筛选算法从所述图块中搜索出候选区域；

利用所述闸瓦钎环定位与识别模型在所述候选区域内进行预测，判断是否出现重叠框；

如出现，则闸瓦钎环正常；

如未出现，则闸瓦钎环发生故障。

本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本发明实施例提供的铁路列车闸瓦钎环故障的检测方法，首先从所述铁路列车的图像中获取所述铁路列车的车轮轴线坐标；并根据所述车轮轴线坐标，从所述铁路列车的图像中获取与所述闸瓦钎环相关的图块；然后采用深度学习和支持向量机相结合的方法构建闸瓦钎环定位与识别模型；再利用所述闸瓦钎环定位与识别模型，对与闸瓦钎环相关的图块进行检测，以对所述铁路列车闸瓦钎环故障进行检测。通过获取车轮轴线坐标，可以获得车轮轴线的位置，然后根据车轮轴线与闸瓦钎环之间的位置关系可以准确获取与所述闸瓦钎环相关的图块，并利用采用深度学习和支持向量机相结合的方法构建闸瓦钎环定位与识别模型，对与闸瓦钎环相关的图块进行检测，由于采用深度学习和支持向量机相结合的方法，则可以适应大规模的样本，相较于现有技术，本发明的方法，可以准确获取与闸瓦钎环相关的图块，并且构建闸瓦钎环定位与识别模型可以适用于数量和种类较多的闸瓦钎环，因此可以提高故障检测的准确率，由此解决了现有方法中闸瓦钎环故障检测的准确率不高的技术问题。

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一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中一种铁路列车闸瓦钎环故障的检测方法的流程图；

图2为本发明实施例中一种铁路列车闸瓦钎环故障的检测装置的结构示意图。

具体实施方式

本申请实施例通过提供一种铁路列车闸瓦钎环故障的检测方法及装置，用以解决现有方法中闸瓦钎环故障检测的准确率不高的技术问题。

本申请实施例中的技术方案，总体思路如下：

一种铁路列车闸瓦钎环故障的检测方法，所述方法包括:从所述铁路列车的图像中获取所述铁路列车的车轮轴线坐标；根据所述车轮轴线坐标，从所述铁路列车的图像中获取与所述闸瓦钎环相关的图块；采用深度学习和支持向量机相结合的方法构建闸瓦钎环定位与识别模型；根据所述闸瓦钎环定位与识别模型，对所述与所述闸瓦钎环相关的图块进行检测，以对所述铁路列车闸瓦钎环故障进行检测。

在上述方法中，通过获取车轮轴线坐标，可以获得车轮轴线的位置，然后根据车轮轴线与闸瓦钎环之间的位置关系可以准确获取与所述闸瓦钎环相关的图块，并利用采用深度学习和支持向量机相结合的方法构建闸瓦钎环定位与识别模型，对与闸瓦钎环相关的图块进行检测，由于采用深度学习和支持向量机相结合的方法，则可以适应大规模的样本，相较于现有技术，本发明提供的方法，可以准确获取与闸瓦钎环相关的图块，并且构建闸瓦钎环定位与识别模型可以适用于数量和种类较多的闸瓦钎环，因此可以提高故障检测的准确率，由此解决了现有方法中闸瓦钎环故障检测的准确率不高的技术问题。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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作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。

实施例一

本实施例提供了一种铁路列车闸瓦钎环故障的检测方法，请参考图1，所述方法包括：

步骤s101：从所述铁路列车的图像中获取所述铁路列车的车轮轴线坐标；

步骤s102：根据所述车轮轴线坐标，从所述铁路列车的图像中获取与所述闸瓦钎环相关的图块；

步骤s103：采用深度学习和支持向量机相结合的方法构建闸瓦钎环定位与识别模型；

步骤s104：根据所述闸瓦钎环定位与识别模型，对所述与所述闸瓦钎环相关的图块进行检测，以对所述铁路列车闸瓦钎环故障进行检测

在本申请实施例中，铁路列车可以是铁路客车或铁路货车，步骤s102和步骤s103的执行顺序不分先后，可以先执行步骤s102，也可以先执行步骤s103。

下面，结合图1，对本申请提供的铁路列车闸瓦钎环故障的检测方法进行详细描述：

首先，执行步骤s101，从所述铁路列车的图像中获取所述铁路列车的车轮轴线坐标。

在具体的实施过程中，可以采用图像处理软件获得铁路列车的图像，获取铁路列车的图像后，再从图像中获得车轮轴线坐标，由于闸瓦钎环的位置与车轮位置有一定的关系，以便后期定位闸瓦钎环的位置。

具体地，所述从所述铁路列车的图像中获取所述铁路列车的车轮轴线坐标，包括：

根据所述铁路列车的车轮的先验信息，获得第一定位车轮区域图像；

对所述粗定位车轮区域图像进行预处理，获得去除干扰信息的第二定位车轮区域图像；

对所述第二定位车轮区域图像进行二值化，获得第三定位车轮区域图像；

将所述第三定位车轮区域图像进行水平方向投影，获得投影曲线，以所述投影曲线的峰值所在位置作为所述铁路列车的车轮轴线坐标。

具体来说，所述先验信息是由历史知识和经验知识确定的，例如可以利用数据库存储铁路列车的车轮的先验信息。

在具体的实施过程中，可以采用区域截取、降采样、去噪等图像处理方法对粗定位车轮区域图像进行预处理，距离来说，区域截取可以截取车轮底部1/10的部分，而降采样是对车轮区域图像进行比例因子为2的降采样操作，从而将图像缩小至原图像的1/4大小，然后再进行去噪处理，从而获得去除干扰信息的第二定位车轮区域图像。对所述第二定位车轮区域图像进行二值化可以采用常用的二值化方法，然后采用灰度投影法将第三定位车轮区域图像做水平方向投影，可以得到投影曲线，该投影曲线的峰值对应的位置即为车轮轴线坐标。

接下来执行步骤s102：根据所述车轮轴线坐标，从所述铁路列车的图像中获取与所述闸瓦钎环相关的图块。

在具体的实施过程中，由于获取了车轮轴线坐标，即获得了车轮的位置，然后根据闸瓦车环与车轮的相对位置关系，可以利用图像分块的方法，从列车图像中获取所述闸瓦钎环相关的图块，从而对闸瓦钎环进行准确定位，为后续的故障检测提供基础。

然后执行步骤s103：采用深度学习和支持向量机相结合的方法构建闸瓦钎环定位与识别模型。

在具体的实施过程中，需要对闸瓦钎环进行故障检测，因此需要有故障检测的依据，本实施例中采用深度学习和支持向量机相结合的方法构建闸瓦钎环定位与识别模型。

具体地，所述采用深度学习和支持向量机相结合的方法构建闸瓦钎环定位与识别模型，包括：

构建闸瓦钎环训练数据集；

采用深度学习方法从所述闸瓦钎环训练数据集中提取高层特征，获得第一特征模型和第二特征模型；

以所述第一特征模型和所述第二特征模型作为支持向量机的输入，从而获得支持向量机方法的训练结果；

根据所述支持向量机方法的训练结果，构建所述闸瓦钎环定位与识别模型。

在具体的实施过程中，构建闸瓦钎环训练数据集可以通过在与闸瓦钎环相关的图像块中通过手工标注闸瓦钎环区域作为正样本，在不包含闸瓦钎环的背景区域内自动产生与正样本同样大小的区域作为负样本来实现，当正、负样本的数量达到设定的数量后，制作正、负样本训练数据集，上述正、负样本训练数据集即为闸瓦钎环训练数据集；优选地，还可以对正负样本训练集进行归一化操作，上述归一化操作即是将样本缩放到统一尺寸，以便后续处理。然后采用深度学习方法从所述闸瓦钎环训练数据集中提取高层特征，上述深度学习方法可以为深度卷积网络，从而获得第一特征模型和第二特征模型；接着利用特第一特征模型和第二特征模型训练支持向量机，得到支持向量机方法的训练结果，上述训练结果即为闸瓦钎环定位与识别模型。

最后执行步骤s104：根据所述闸瓦钎环定位与识别模型，对所述与所述闸瓦钎环相关的图块进行检测，以对所述铁路列车闸瓦钎环故障进行检测。

具体地，所述根据所述闸瓦钎环定位与识别模型，对所述与所述闸瓦钎环相关的图块进行检测，以对所述铁路列车闸瓦钎环故障进行检测，包括：

采用区域筛选算法从所述图块中搜索出候选区域；

利用所述闸瓦钎环定位与识别模型在所述候选区域内进行预测，判断是否出现重叠框；

如出现，则闸瓦钎环正常；

如未出现，则闸瓦钎环发生故障。

具体的实施过程中，采用区域筛选算法从所述图块中搜索出候选区域，然后判断候选区域内是否出现重叠框来判断闸瓦钎环是否发生故障，如果征程，则会得到若干个重叠框，此时可以采用非极大值抑制算法消除重叠框，从而获得闸瓦钎环位置。若闸瓦钎环丢失或者遮挡，将不会得到重叠框，此时可以将闸瓦钎环图像块存储至故障库，并将预警信息上传，供列检人员现场确认。本实施例采用的基于候选区域的故障检测方法，而现有的目标检测一般采取滑动窗口的区域选择策略，没有针对性，从而时间复杂度高，窗口冗余。本实施例的候选区域选择算法是首先对图像等间距划分，然后计算每个区域的灰度均值与方差，保留满足条件的区域框作为最可能的候选区域，并对候选区域做图像增强处理，然后利用闸瓦钎环定位与识别模型进行预测，由于检测区域减少，以及候选区域质量也有所提升，可以获得更好的故障检测效果，进一步提高了故障检测的准确率。

在本申请提供的铁路列车闸瓦钎环故障的检测方法中，在所述根据所述车轮轴线坐标，从所述铁路列车的图像中获取与所述闸瓦钎环相关的图块之前，还包括：

采用深度学习方法构建车型识别模型；

根据所述车型识别模型，获得所述铁路列车的车型；

根据所述车型，判断所述铁路列车的图像是否包含闸瓦钎环。

具体地，所述采用深度学习方法构建车型识别模型，包括：

获取的车轮区域图像块和摇枕区域图像块；

对所述车轮区域图像块和所述摇枕区域图像块进行分类，获得车轮区域数据集和摇枕区域数据集；

当所述车轮区域数据集达到所述第一预设值时，利用深度卷积神经网络获取所述车轮区域数据集的第一分类特征；

当所述摇枕区域数据集达到所述第二预设值时，利用深度卷积神经网络获取所述摇枕区域数据集的第二分类特征；

分别根据所述第一分类特征和所述第二分类特征，获得车轮识别模型和摇枕识别模型，以所述车轮识别模型和摇枕识别模型作为车型识别模型。

在具体的实施过程中，由于车轮和摇枕的类型可以确定列车的车型，因此通过分别构建车轮识别模型和摇枕识别模型，来作为车型识别模型，根据车轮的轴线坐标信息，然后可以精确剪切车轮区域和摇枕区域，并利用车轮识别模型和摇枕识别模型，可以得到车轮类型和摇枕类型；然后综合车轮类型结果和摇枕类型结果，确定车型类别。确定车型类别的作用是在检测列车是否出现闸瓦钎环故障之前，首先筛选出包含闸瓦钎环的车型，剔除不包含含闸瓦钎环的车型，因为不包含含闸瓦钎环的车型的列车不在检测的范围之内，从而减少了检测的目标，有利于提高故障检测的效率。

在上述介绍了本发明实施例提供的铁路列车闸瓦钎环故障的检测方法之后，下面通过一个具体的实例来说明本发明方法的具体应用，对来自不同探测站的tvds(客车故障轨边图像检测系统traincoachmachinevisiondetectionsystem，tvds)现场采集的总共31015张大小在2048*8500和2048*12000之间包含车轮的列车图像进行检测，通过构建的车型识别模型可以识别出7135张包含闸瓦钎环的图像，与实际数量完全吻合，然后通过闸瓦钎环定位与识别模型，一种检测出345个闸瓦钎环存在故障(包含丢失与遮挡)，其中确认故障有316个，实际故障为322个。实验效果为：检测准确率99.5％，漏识率1.8％，误识率8.4％。平均每张图的处理时间为0.5s，达到了现场实际使用的标准。其中对方法性能的评价上，我们采用了准确率(accuracy)、漏识率(miss)和误报率(mistake)三个性能指标。其定义如下：

其中，#truepositive代表实际正常闸瓦钎环数，#truenegtive代表实际故障的闸瓦钎环数，#falsepositive代表误判正常闸瓦钎环数；#falsenegtive代表误判故障闸瓦钎环数。

基于与实施例一同样的发明构思，本发明实施例二提供了一种铁路列车闸瓦钎环故障的检测装置，请参见图2，所述装置包括：

第一获取模块201，用于从所述铁路列车的图像中获取所述铁路列车的车轮轴线坐标；

第二获取模块202，用于根据所述车轮轴线坐标，从所述铁路列车的图像中获取与所述闸瓦钎环相关的图块；

构建模块203，用于采用深度学习和支持向量机相结合的方法构建闸瓦钎环定位与识别模型；

检测模块204，用于根据所述闸瓦钎环定位与识别模型，对所述与所述闸瓦钎环相关的图块进行检测，以对所述铁路列车闸瓦钎环故障进行检测。

在本发明实施例提供的铁路列车闸瓦钎环故障的检测装置中，所述第一获取模块还用于：

根据所述铁路列车的车轮的先验信息，获得第一定位车轮区域图像；

对所述粗定位车轮区域图像进行预处理，获得去除干扰信息的第二定位车轮区域图像；

对所述第二定位车轮区域图像进行二值化，获得第三定位车轮区域图像；

将所述第三定位车轮区域图像进行水平方向投影，获得投影曲线，以所述投影曲线的峰值所在位置作为所述铁路列车的车轮轴线坐标。

在本发明实施例提供的铁路列车闸瓦钎环故障的检测装置中，所述构建模块还用于：

构建闸瓦钎环训练数据集；

采用深度学习方法从所述闸瓦钎环训练数据集中提取高层特征，获得第一特征模型和第二特征模型；

以所述第一特征模型和所述第二特征模型作为支持向量机的输入，从而获得支持向量机方法的训练结果；

根据所述支持向量机方法的训练结果，构建所述闸瓦钎环定位与识别模型。

在本发明实施例提供的铁路列车闸瓦钎环故障的检测装置中，所述检测模块还用于：

采用区域筛选算法从所述图块中搜索出候选区域；

利用所述闸瓦钎环定位与识别模型在所述候选区域内进行预测，判断是否出现重叠框；

如出现，则闸瓦钎环正常；

如未出现，则闸瓦钎环发生故障。

在本发明实施例提供的铁路列车闸瓦钎环故障的检测装置，所述检测装置还包括处理模块，所述处理模块用于：在所述根据所述车轮轴线坐标，从所述铁路列车的图像中获取与所述闸瓦钎环相关的图块之前，

采用深度学习方法构建车型识别模型；

根据所述车型识别模型，获得所述铁路列车的车型；

根据所述车型，判断所述铁路列车的图像是否包含闸瓦钎环。

在本发明实施例提供的铁路列车闸瓦钎环故障的检测装置，所述处理模块还用于：

获取的车轮区域图像块和摇枕区域图像块；

对所述车轮区域图像块和所述摇枕区域图像块进行分类，获得车轮区域数据集和摇枕区域数据集；

当所述车轮区域数据集达到所述第一预设值时，利用深度卷积神经网络获取所述车轮区域数据集的第一分类特征；

当所述摇枕区域数据集达到所述第二预设值时，利用深度卷积神经网络获取所述摇枕区域数据集的第二分类特征；

分别根据所述第一分类特征和所述第二分类特征，获得车轮识别模型和摇枕识别模型，以所述车轮识别模型和摇枕识别模型作为车型识别模型。

实施例1中所示的铁路列车闸瓦钎环故障的检测方法的各种变化方式和具体实例同样适用于本实施例中的铁路列车闸瓦钎环故障的检测装置，通过前述对铁路列车闸瓦钎环故障的检测方法的详细描述，本领域技术人员可以清楚的知道本实施例中铁路列车闸瓦钎环故障的检测装置，所以为了说明书的简洁，在此不再详述。

本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本发明实施例提供的铁路列车闸瓦钎环故障的检测方法，首先从所述铁路列车的图像中获取所述铁路列车的车轮轴线坐标；并根据所述车轮轴线坐标，从所述铁路列车的图像中获取与所述闸瓦钎环相关的图块；然后采用深度学习和支持向量机相结合的方法构建闸瓦钎环定位与识别模型；再利用所述闸瓦钎环定位与识别模型，对与闸瓦钎环相关的图块进行检测，以对所述铁路列车闸瓦钎环故障进行检测。通过获取车轮轴线坐标，可以获得车轮轴线的位置，然后根据车轮轴线与闸瓦钎环之间的位置关系可以准确获取与所述闸瓦钎环相关的图块，并利用采用深度学习和支持向量机相结合的方法构建闸瓦钎环定位与识别模型，对与闸瓦钎环相关的图块进行检测，由于采用深度学习和支持向量机相结合的方法，则可以适应大规模的样本，相较于现有技术，本发明提供的方法，可以准确获取与闸瓦钎环相关的图块，并且构建闸瓦钎环定位与识别模型可以适用于数量和种类较多的闸瓦钎环，因此可以提高故障检测的准确率，由此解决了现有方法中闸瓦钎环故障检测的准确率不高的技术问题。

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、系统、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。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。