本申请涉及智能设备技术领域，例如涉及食材识别更新控制的方法及装置、冷藏设备。
背景技术：
随着智能化技术的不断发展，深度学习作为一种新兴的机器学习方法，其特征在于模拟人脑关于认知的结构，不断提取样本特征，进而抽象出样本的属性特征，并可通过数据驱动，可找寻大量样本的内在联系，进而解决一类问题。目前，机器学习已经广泛应用于冷藏设备的食材识别过程中，即获取食材图像后，可通过基于机器学习的食材识别算法模型，识别出对应的食材。
但是，针对使用食材识别算法模型识别冰箱食材的过程中，存在用户放入冷藏设备的食材样本差异性远大于识别模型现有机器学习中的训练样本库，从而，可能会导致识别模型识别率下降。
技术实现要素：
为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
本公开实施例提供了一种食材识别更新控制的方法、装置和冷藏设备，以解决食材识别率有待提高的技术问题。
在一些实施例中，所述方法包括：
获取冷藏设备内储藏食材的食材图像；
获取并呈现食材识别结果，所述食材识别结果是根据食材识别算法模型，对所述食材图像进行识别后得到的；
根据用户对所述食材识别结果进行确认输入的识别确认信息，以及所述食材识别结果，得到食材识别率；
在所述食材识别率小于设定数值的情况下，控制所述食材识别算法模型进行自动更新。
在一些实施例中，所述装置包括：
图像获取模块，被配置为获取冷藏设备内储藏食材的食材图像；
结果获取模块，被配置为获取并呈现食材识别结果，所述食材识别结果是根据食材识别算法模型，对所述食材图像进行识别后得到的；
接收确定模块，被配置为根据用户对所述食材识别结果进行确认输入的识别确认信息，以及所述食材识别结果，得到食材识别率；
控制更新模块，被配置为在所述食材识别率小于设定数值的情况下，控制所述食材识别算法模型进行自动更新。
在一些实施例中，所述食材识别更新控制的装置，包括处理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行上述食材识别更新控制方法。
在一些实施例中，所述冷藏设备包括：上述食材识别更新控制的装置。
本公开实施例提供的食材识别更新控制的方法、装置和冷藏设备，可以实现以下技术效果：
可在获得根据食材识别算法模型，识别出的食材识别结果后，根据食材识别结果的正确分析信息，得到对应的食材识别率，并在食材识别率小于设定数值的情况下，控制食材识别算法模型进行自动更新，这样，可及时重新训练机器学习中的样本图像，更新食材识别算法模型，进而提高了根据食材识别算法模型，识别食材方式的食材识别率。
以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
图1是本公开实施例提供的一种食材识别更新控制方法的流程示意图；
图2是本公开实施例提供的一种冰箱摄像头的安装位置示意图；
图3是本公开实施例提供的一种食材识别更新控制硬件架构的示意图；
图4是本公开实施例提供的一种食材识别更新控制方法的流程示意图；
图5是本公开实施例提供的一种食材识别更新控制硬件架构的示意图；
图6是本公开实施例提供的一种食材识别更新控制方法的流程示意图；
图7是本公开实施例提供的一种食材识别更新控制装置的结构示意图；
图8是本公开实施例提供的一种食材识别更新控制装置的结构示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
本公开实施例中，可重新训练机器学习中的样本图像，对食材识别算法模型进行更新，从而，提高了根据食材识别算法模型，识别食材方式的食材识别率。
图1是本公开实施例提供的一种食材识别更新控制方法的流程示意图。如图1所示，食材识别更新控制的过程包括：
步骤101：获取冷藏设备内储藏食材的食材图像。
本公开实施例中，冷藏设备包括：冰箱、冰柜、酒柜、饮料售卖设备等等这些可以在低于环境温度的情况下，存储食材的可密闭设备。随着人工智能的发展，冷藏设备中配置了智能控制板，该智能控制板可在对应的操作系统运行下，控制冷藏设备的运行。并且，冷藏设备中还配置了图像采集装置，通过图像采集装置，可获取冷藏设备内储藏食材的食材图像。一般，图像采集装置需较全面地采集到冷藏设备内储藏食材的食材图像，因此，可将图像采集装置安装在冷藏设备内的设定位置。例如：冰箱的顶部，冰柜的侧上方等等。
图2是本公开实施例提供的一种冰箱摄像头的安装位置示意图。冷藏设备可为冰箱，图像采集装置可为摄像头，摄像头位于冰箱的顶部，如图2箭头指向，摄像头采用130度大广角镜头，以此保证拍摄范围覆盖整个冰箱的宽，如图2的w所示。配置摄像头的拍摄参数经过一定优化，曝光时间设定非常短，可防止拍照出现运动模糊；镜头的光圈设得较大，则可保证进光量，从而保证图片亮度。
通过图像采集装置，可采集冷藏设备内的一张、两张或多张采集图像，然后可将其中一张采集图像，确定为获取的食材图像。
在一些实施例中，还需满足设定的触发条件，才可获取冷藏设备内储藏食材的食材图像，可包括：获取冷藏设备门体的当前角度值；在当前角度值小于设定角度值的情况下，启动配置在冷藏设备内的图像采集装置进行图像采集，获取至少一张采集图像；然后，可将一张采集图像确定为食材图像。例如：冰箱，酒柜，饮料售卖机等设备中可安装有角度传感器，从而可采集冷藏设备门体的角度值，若采集的当前角度值小于设定角度值，其中，设定角度值可为1、3、5等等比较小一点的值，这样，可确定冷藏设备的门体处于关门状态，即冷藏设备处于封闭状态，此时，可启动配置在冷藏设备内的图像采集装置进行图像采集，获取1、2、5等等张采集图像，然后，可将一张采集图像确定为食材图像。
可随机或者根据图像的色彩质量、曝光质量等等，来将一张采集图像确定为食材图像。在一些实施例中，还可根据食材的置信度，将一张采集图像确定为食材图像，可包括：确定冷藏设备内每个食材在每张采集图像中对应的置信度；根据置信度，将公式(1)对应的采集图像确定为食材图像；
其中，n为冷藏设备内食材的个数编号，i为采集图像的张数编号，cin为置信度。
例如：冰箱关门后，冰箱内储藏有n个食材，分别是a1，a2，a3.....an，对应的置信度分别是ci1，ci2，ci3...cin(0<ci1，ci2，ci3...cin<1)，一次拍摄的图片序号为pi(0<i<6)，即p1，p2，p3，p4，p5，则只需找出图片pi，使得
当然，图像采集装置进行图像采集，图像采集装置获取至少一张采集图像后，还可由图像采集装置将一张采集图像确定为食材图像，即无论是冷藏设备确定食材图像，还是图像采集装置确定食材图像，冷藏设备都可通过图像采集装置获取冷藏设备内储藏食材的食材图像。
步骤102：获取并呈现食材识别结果，食材识别结果是根据食材识别算法模型，对食材图像进行识别后得到的。
冷藏设备中可本地保存食材识别算法模型，即冷藏设备可以自己进行机器学习，对样本图像进行训练，得到食材识别算法模型并保存，或者，从服务器中获取食材识别算法模型并保存。当然，在一些实施例中，服务器进行机器学习，对样本图像进行训练，得到食材识别算法模型并保存。此时，冷藏设备不需要进行机器学习，可以从服务器中获取食材识别算法模型并保存；当然，冷藏设备也可以不获取食材识别算法模型，即食材识别算法模型只保存在服务器中。
其中，若冷藏设备本地保存了食材识别算法模型，则可根据食材识别算法模型，对食材图像进行识别，得到食材识别结果，即获取本地根据保存的食材识别算法模型，对食材图像进行识别后得到的食材识别结果。
若冷藏设备本地没有保存食材识别算法模型，则可将食材图像发送给服务器，这样，服务器可根据保存的食材识别算法模型，对食材图像进行识别，得到食材识别结果，并发送给冷藏设备，从而，冷藏设备可接收服务器发送的根据保存的食材识别算法模型，对食材图像进行识别后得到的食材识别结果。食材识别算法模型只保存在服务器中，这样，冷藏设备本地不需要进行机器学习，不需要占用内存，并且，服务器可以面向所有可进行通讯的冷藏设备，进一步节省了资源。
冷藏设备中一般都有显示装置，例如显示屏、人机交互界面等等，从而可在显示装置中呈现食材识别结果。
步骤103：根据用户对食材识别结果进行确认输入的识别确认信息，以及食材识别结果，得到食材识别率。
显示装置上，已经呈现了根据食材识别算法模型，对食材图像进行识别后得到的食材识别结果，但是，食材识别结果可能是与冷藏设备内储藏食材匹配，即食材识别结果完全正确，食材识别结果可能是与冷藏设备内储藏食材不完全匹配，即食材识别结果不完全正确。因此，需要用户进行食材识别结果进行确认。
其中，可对食材识别结果中正确识别结果进行确认，得到正确确认信息，即接收用户输入的对食材识别结果中正确识别结果进行确认的正确确认信息，从而，可根据正确确认信息，以及食材识别结果，确定食材识别率中的检出率(recall)。例如：正确确认信息中正确食材种类为c，而食材识别结果中食材种类为a，则recall＝c/b。
或者，不仅对食材识别结果中正确识别结果进行确认，得到正确确认信息，还对错误识别结果进行修改，得到修正食材信息，即接收用户输入的对食材识别结果中正确识别结果进行确认的正确确认信息，以及对错误识别结果进行修改的修正食材信息，从而，根据正确确认信息，修正食材信息，确定食材识别率中的检准率(precision)。例如：正确确认信息中正确食材种类为c，而修正食材信息中修改食材种类为b，从而，precision＝c/(c+b)。
或者，食材识别率即包括检出率(recall)还包括检准率(precision)，这样，在一些实施例中，得到食材识别率包括：接收用户输入的对食材识别结果中正确识别结果进行确认的正确确认信息，以及对错误识别结果进行修改的修正食材信息；根据正确确认信息，修正食材信息，确定食材识别率中的检准率；根据正确确认信息，以及食材识别结果，确定食材识别率中的检出率。
例如，显示装置上呈现的食材识别结果为“西红柿2个，鸡蛋8个，胡萝卜2根，青椒3个”，而冷藏设备内储藏食材为“西红柿2个，鸡蛋5个，土豆3个，胡萝卜2根，青椒3个”，因此，用户需对食材识别结果中每种食材的信息进行确认，例如：通过人机交互界面上呈现的菜单，对食材识别结果中的每种正确识别结果进行确认，可得到识别确认信息中的正确确认信息，这里，正确确认信息中食材种类为3，而食材识别结果中是食材种类中为5，从而，recall＝3/5，或者，用户对错误识别结果进行修改，同样，可通过人机交互界面上呈现的菜单，对食材识别结果中的每种错误识别结果进行修改，这样，可获取到用户输入的修正食材信息，这样，正确食材中为3，修改食材食材信息种类为2，从而，precision＝3/(3+2)。
其中，可以将根据食材识别算法模型，对食材图像进行识别后得到的食材识别结果保存到第一文件中，而用户进行确认后确认识别结果放入第二文件中，确认识别结果可包括：正确确认信息和修正食材信息。
步骤104：在食材识别率小于设定数值的情况下，控制食材识别算法模型进行自动更新。
食材识别率包括：检准率和检出率中的一种或两种。因此，只要有一项小于设定数值，即可控制食材识别算法模型进行自动更新。例如：食材识别率包括：检准率，则precision<0.95时，即可确定食材识别算法模型需要更新了。或者，食材识别率包括：检准率和检出率时，若precision<0.95，recall>0.95，也可确定食材识别算法模型需要更新了；或者，recall<0.95，precision>0.95，也可确定食材识别算法模型需要更新了；当然，precision<0.95，recall<0.95，也可确定食材识别算法模型需要更新了。设定数值可以为0.9,0.95,0.96,0.98等等。
若冷藏设备具有机器学习的能力，且保存了食材识别算法模型，则控制食材识别算法模型进行自动更新包括：重新训练样本图像，得到更新后的食材识别算法模型并保存。
若服务器保存了食材识别算法模型，则控制食材识别算法模型进行自动更新包括：向服务器发送算法更新指令信息，控制服务器重新训练样本图像，得到更新后的食材识别算法模型并保存。
可见，本公开实施例中，可在获得根据食材识别算法模型，识别出的食材识别结果后，根据食材识别结果的正确分析信息，得到对应的食材识别率，并在食材识别率小于设定数值的情况下，控制食材识别算法模型进行自动更新，这样，可及时重新训练机器学习中的样本图像，更新食材识别算法模型，进而提高了根据食材识别算法模型，识别食材方式的食材识别率。另外，若服务器进行机器学习，重新训练样本图像，即后台训练和更新食材识别算法模型，这样，不仅减少对冷藏设备内存的占用，而且，服务器服务多台冷藏设备，保障和提高了可连接的所有的冷藏设备的食材识别率。
当然，在进行食材识别更新控制的过程中，需要用户与冷藏设备进行互动，因此，在得到食材识别率之前，还包括：启动接收用户输入识别确认信息的功能。这样，保障了食材识别更新控制的顺利进行，提高了冷藏设备的食材识别率。
下面将操作流程集合到具体实施例中，举例说明本发明实施例提供的食材识别更新控制过程。
本公开一实施例中，冷藏设备可为冰箱，冰箱的顶部配置了摄像头。
可如图2所示。
图3是本公开实施例提供的一种食材识别更新控制硬件架构的示意图。如图3所示，包括：摄像头1100，智能控制板1200，人机交互界面1300。这些硬件都位于冰箱1000中。
图4是本公开实施例提供的一种食材识别更新控制方法的流程示意图。如图4所示，食材识别更新控制的过程包括：
步骤401：获取冰箱门体的当前角度值。
可通过安装在门体上的角度传感器，实时或定时采集冰箱门体的当前角度值。
步骤402：判断当前角度值是否小于1？若是，执行步骤403，否则，返回步骤401。
步骤403：启动摄像头1100，获取5张冰箱内储藏食材的采集图像。
步骤404：确定冰箱内每个食材在每张采集图像中对应的置信度，并根据置信度，将公式(1)对应的采集图像确定为食材图像。
步骤405：根据食材识别算法模型，对食材图像进行识别，得到食材识别结果，并呈现在人机交互界面1300上。
步骤406：接收用户通过人机交互界面1300输入的对食材识别结果中正确识别结果进行确认的正确确认信息，并根据正确确认信息，以及食材识别结果，确定食材识别率中的检出率。
步骤407：判断检出率是否小于0.93？若是，执行步骤408，否则，流程结束。
步骤408：重新训练样本图像，得到更新后的食材识别算法模型并保存。
可见，本实施例中，冰箱在获得根据食材识别算法模型，识别出的食材识别结果后，根据食材识别结果的正确分析信息，得到对应的食材识别率中的检出率，并在检出率小于设定数值的情况下，控制食材识别算法模型进行自动更新，这样，可及时重新训练机器学习中的样本图像，更新食材识别算法模型，进而提高了根据食材识别算法模型，识别食材方式的食材识别率。
本公开一实施例中，冷藏设备可为冰箱，冰箱的顶部配置了摄像头。
可如图2所示。
图5是本公开实施例提供的一种食材识别更新控制硬件架构的示意图。如图5所示，包括：摄像头1100，智能控制板1200，人机交互界面1300。这些硬件都位于冰箱1000中，还可包括：服务器2000。
图6是本公开实施例提供的一种食材识别更新控制方法的流程示意图。如图6所示，食材识别更新控制的过程包括：
步骤601：通过摄像头1100，获取冰箱内储藏食材的食材图像。
这里，可在门体关闭的时候，获取冰箱内储藏食材的食材图像；或者，在门体开启，或者检测到人体的时候，获取冰箱内储藏食材的食材图像。摄像头1100可连续拍摄3、5或8张图像，并且，摄像头可根据图像色彩，图像曝光度等等图像参数，将一张图像确定为食材图像，从而，可从摄像头1100获取到对应的食材图像。当然，也可摄像头获取到多张图像后，根据食材的置信度，将一张图像确定为食材图像。当然，摄像头1100可拍一张图像，从而，获取冰箱内储藏食材的食材图像。
步骤602：将食材图像发送给服务器2000。
步骤603：接收服务器2000发送的根据保存的食材识别算法模型，对食材图像进行识别后得到的食材识别结果，并呈现在人机交互界面1300上。
步骤604：判断接收用户输入识别确认信息的功能是否启动？若是，执行步骤605，否则，执行步骤606。
接收用户输入识别确认信息的功能没有启动，那就默认都是正确的。
步骤605：接收用户通过人机交互界面1300输入的对食材识别结果中正确识别结果进行确认的正确确认信息，以及对错误识别结果进行修改的修正食材信息。
步骤606：将食材识别结果保存在第一文件中，以及将正确确认信息，以及修正食材信息保存在第二文件中。
若接收用户输入识别确认信息的功能没有启动，则食材识别结果中的信息都是正确确认信息。这样，食材识别结果保存在第一文件，又保存在第二文件中。
步骤607：根据第二文件中的正确确认信息，以及第一文件中的食材识别结果，确定食材识别率中的检出率，以及根据第二文件中的正确确认信息，以及修正食材信息确定食材识别率中的检准率。
步骤608：判断检出率以及检准率是否有一项小于0.95？若是，执行步骤609，否则，流程结束。
步骤609：向服务器发送算法更新指令信息，控制服务器重新训练样本图像，得到更新后的食材识别算法模型并保存。
可见，本实施例中，冰箱在获得服务器发送的食材识别结果后，根据食材识别结果的正确分析信息，得到对应的食材识别率中的检出率，并在检出率小于设定数值的情况下，控制服务器中的食材识别算法模型进行自动更新，这样，可及时重新训练机器学习中的样本图像，更新食材识别算法模型，进而提高了根据食材识别算法模型，识别食材方式的食材识别率。另外，服务器进行机器学习，重新训练样本图像，即后台训练和更新食材识别算法模型，这样，不仅减少对冷藏设备内存的占用，而且，服务器服务多台冷藏设备，保障和提高了可连接的所有的冷藏设备的食材识别率。
根据上述食材识别更新控制的过程，可构建一种食材识别更新控制的装置。
图7是本公开实施例提供的一种食材识别更新控制装置的结构示意图。如图7所示，食材识别更新控制装置包括：图像获取模块710、结果获取模块720、接收确定模块730以及控制更新模块740。
图像获取模块710，被配置为获取冷藏设备内储藏食材的食材图像。
结果获取模块720，被配置为获取并呈现食材识别结果，食材识别结果是根据食材识别算法模型，对食材图像进行识别后得到的。
接收确定模块730，被配置为根据用户对食材识别结果进行确认输入的识别确认信息，以及食材识别结果，得到食材识别率。
控制更新模块740，被配置为在食材识别率小于设定数值的情况下，控制食材识别算法模型进行自动更新。
在一些实施例中，图像获取模块710，具体被配置为获取冷藏设备门体的当前角度值；在当前角度值小于设定角度值的情况下，启动配置在冷藏设备内的图像采集装置进行图像采集，获取至少一张采集图像；将一张采集图像确定为食材图像。
在一些实施例中，图像获取模块710，具体被配置为确定冷藏设备内每个食材在每张采集图像中对应的置信度；根据置信度，将公式(1)对应的采集图像确定为食材图像；
其中，n为冷藏设备内食材的个数编号，i为采集图像的张数编号，cin为置信度。
在一些实施例中，结果获取模块720，具体被配置为获取本地根据保存的食材识别算法模型，对食材图像进行识别后得到的食材识别结果；或，将食材图像发送给服务器，接收服务器发送的根据保存的食材识别算法模型，对食材图像进行识别后得到的食材识别结果。
在一些实施例中，还包括：启动模块，启动接收用户输入识别确认信息的功能。
在一些实施例中，接收确定模块730，具体被配置为接收用户输入的对食材识别结果中正确识别结果进行确认的正确确认信息，以及对错误识别结果进行修改的修正食材信息；根据正确确认信息，修正食材信息，确定食材识别率中的检准率；根据正确确认信息，以及食材识别结果，确定食材识别率中的检出率。
在一些实施例中，控制更新模块740，具体被配置为重新训练样本图像，得到更新后的食材识别算法模型并保存；或，向服务器发送算法更新指令信息，控制服务器重新训练样本图像，得到更新后的食材识别算法模型并保存。
可见，本实施例中，食材识别更新控制装置可在获得根据食材识别算法模型，识别出的食材识别结果后，根据食材识别结果的正确分析信息，得到对应的食材识别率，并在食材识别率小于设定数值的情况下，控制食材识别算法模型进行自动更新，这样，可及时重新训练机器学习中的样本图像，更新食材识别算法模型，进而提高了根据食材识别算法模型，识别食材方式的食材识别率。
本公开实施例提供了一种食材识别更新控制的装置，其结构如图8所示，包括：
处理器(processor)100和存储器(memory)101，还可以包括通信接口(communicationinterface)102和总线103。其中，处理器100、通信接口102、存储器101可以通过总线103完成相互间的通信。通信接口102可以用于信息传输。处理器100可以调用存储器101中的逻辑指令，以执行上述实施例的食材识别更新控制的方法。
此外，上述的存储器101中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
存储器101作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器100通过运行存储在存储器101中的程序指令/模块，从而执行功能应用以及数据处理，即实现上述方法实施例中的食材识别更新控制的方法。
存储器101可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器101可以包括高速随机存取存储器，还可以包括非易失性存储器。
本公开实施例提供了一种冷藏设备，包含上述的食材识别更新控制装置。
本公开实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为执行上述食材识别更新控制方法。
本公开实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述食材识别更新控制方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质，也可以是非暂态计算机可读存储介质。
本公开实施例的技术方案可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括一个或多个指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。本公开实施例的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。当用于本申请中时，虽然术语“第一”、“第二”等可能会在本申请中使用以描述各元件，但这些元件不应受到这些术语的限制。这些术语仅用于将一个元件与另一个元件区别开。比如，在不改变描述的含义的情况下，第一元件可以叫做第二元件，并且同样第，第二元件可以叫做第一元件，只要所有出现的“第一元件”一致重命名并且所有出现的“第二元件”一致重命名即可。第一元件和第二元件都是元件，但可以不是相同的元件。而且，本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地，如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本申请中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，可以仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外，在本公开实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的系统、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，流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。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，两个连续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，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤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，这可以依所涉及的功能而定。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动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。