一种钢轨擦伤的识别方法、巡检的方法及相关装置与流程

1.本发明涉及轨道交通技术领域，尤其涉及一种钢轨擦伤的识别方法、巡检的方法及相关装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.铁路作为一种安全快捷的运输方式，已经成为交通运输体系中重要的组成部分。而随着铁路运量的增长，钢轨的伤损日益严重，其中钢轨擦伤是一种主要的伤损形式。钢轨擦伤是列车在启动制动、上下坡道时以及经过小半径曲线时，由于轮轨黏着力不足，从而使得轮对空转或者轮轨之间发生相对滑动，导致轮轨接触面因摩擦而产生严重的塑性变形。擦伤处的钢轨表面会出现局部凹陷、局部堆高甚至剥离掉块，导致列车驶过时会产生很大的冲击载荷，从而加剧钢轨的伤损恶化，甚至威胁列车的行车安全，因此对钢轨擦伤进行高效准确的检测，可以为日常的钢轨检查维护提供可靠的依据。
4.传统的钢轨擦伤检测依靠人工巡检人眼识别的方式，但是该方法检测速度慢、人工成本高。随着图像处理和计算机视觉技术的快速发展，基于图像的机器视觉检测技术以其无接触、检测效率高、检测速度较快等优势已经渐渐运用到了钢轨状态检测中。例如，采用应用灰度对比图和基于最大熵的阈值分割方法来确定钢轨擦伤区域，但这类方法，检测结果的可靠性受到拍摄时光照等外部环境的影响较大，当光照等因素造成钢轨图像局部灰度值变化时，根据灰度阈值的钢轨擦伤检测方法容易将图像局部灰度异常区域判定为擦伤区域，引起误检，影响钢轨擦伤区域识别的准确性。


技术实现要素：

5.本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的钢轨擦伤的识别方法、巡检的方法及相关装置。
6.本发明实施例提供的一种钢轨擦伤的识别方法，包括：
7.从轨道图像中，标记出其中包含的钢轨轨顶面图像；
8.确定所述钢轨轨顶面图像中擦伤区域的候选边缘像素；
9.利用形态学收缩运算，删除所述候选边缘像素中不属于擦伤区域的候选边缘像素，得到钢轨轨顶面擦伤区域的实际边缘像素；
10.根据所述实际边缘像素，确定钢轨轨顶面的擦伤区域。
11.在一个实施例中，所述确定所述钢轨轨顶面图像中擦伤区域的候选边缘像素，包括：
12.利用边缘检测的方法，识别出钢轨轨顶面图像中擦伤区域的候选边缘像素。
13.在一个实施例中，利用边缘检测的方法，识别出钢轨轨顶面图像中擦伤区域的候选边缘像素，包括：
14.使用高斯滤波函数对所述钢轨轨顶面图像进行平滑处理；
15.对平滑处理后的图像中的每个像素，确定所述像素梯度幅值和相位；
16.根据所述平滑处理后的图像中的每个像素的梯度幅值和相位，对所述图像进行非极大抑制处理；
17.对经过所述非极大抑制处理的图像，检测出候选边缘像素的集合。
18.在一个实施例中，对平滑处理后的图像中的每个像素，确定所述像素的梯度幅值，包括：
19.对平滑处理后的图像中的每个像素，计算所述像素沿水平和垂直方向的偏导数，并根据所述像素沿水平和垂直方向的偏导数，计算出所述像素的梯度幅值。
20.在一个实施例中，根据所述平滑处理后的图像中的每个像素的梯度幅值和相位，对所述图像进行非极大抑制处理，包括：
21.针对每个像素，在预设的n
×
n的邻域内，根据所述相位，将所述像素与沿着预设的梯度线方向的相邻两个像素的梯度幅值进行比较，若所述像素的梯度幅值比所述相邻两个像素的梯度幅值均大，则保持所述像素的梯度幅值不变，否则将所述像素的梯度幅值修改为0。
22.在一个实施例中，所述对经过所述非极大抑制处理的图像，检测出候选边缘像素的集合，包括：
23.对经过所述非极大抑制处理的图像，将梯度幅值小于所述第一阈值的像素灰度值设置为0，得到第一图像；以及将梯度幅值小于所述第二阈值的像素灰度值设置为0，得到第二图像；所述第一阈值小于第二阈值；
24.对第二图像进行扫描，查找其中每个非0灰度值的像素，并确定出以所述非0灰度值的像素为起点的轮廓线；针对每个轮廓线，在第一图像中查找与所述轮廓线的终点对应的像素，查找所述终点对应的像素的3
×
3邻域内是否存在非0灰度值的像素，若存在，则将其添加至第二图像中的对应位置；
25.将所述第二图像中的所有非0灰度值像素，作为擦伤区域边缘的候选像素集合。
26.在一个实施例中，利用形态学收缩运算，删除所述候选边缘像素中不属于擦伤区域的候选边缘像素，得到钢轨轨顶面擦伤区域的实际边缘像素，包括：
27.将第二图像中包含非0灰度值的像素的灰度值修改为1，得到第三图像；
28.对所述第三图像，迭代进行利用形态学收缩运算，删除所述候选边缘像素集合中不满足预设收缩运算条件的像素，直至迭代运算结果保持不变，得到实际边缘像素的集合。
29.本发明实施例提供的一种铁路钢轨巡检的方法，包括：
30.利用如前述的钢轨擦伤的识别方法，对采集的轨道图像中的钢轨擦伤顶面的擦伤区域进行识别；
31.将识别的结果，推送至预设的铁路钢轨巡检客户端。
32.本发明实施例提供的钢轨擦伤识别装置，包括：
33.标记模块，用于从轨道图像中，标记出其中包含的钢轨轨顶面图像；
34.候选像素确定模块，用于确定所述钢轨轨顶面图像中擦伤区域的候选边缘像素；
35.收缩运算模块，用于利用形态学收缩运算，删除所述候选边缘像素中不属于擦伤区域的候选边缘像素，得到钢轨轨顶面擦伤区域的实际边缘像素；
36.擦伤区域确定模块，用于根据所述实际边缘像素，确定钢轨轨顶面的擦伤区域。
37.本发明实施例提供的铁路钢轨巡检的设备，包括：
38.擦伤区域识别模块，用于利用如前述的钢轨擦伤的识别方法，对采集的轨道图像中的钢轨擦伤顶面的擦伤区域进行识别；
39.推送模块，用于将识别的结果，推送至预设的铁路钢轨巡检客户端。
40.本发明实施例提供的一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述钢轨擦伤的识别方法或者实现前述的铁路钢轨巡检的方法。
41.本发明实施例提供的一种计算机可读存储介质，所述计算机可读存储介质存储有执行如前述的钢轨擦伤的识别方法或者实现如前述的铁路钢轨巡检的方法的计算机程序。
42.本发明实施例提供的上述技术方案的有益效果至少包括：
43.本发明实施例提供的钢轨擦伤的识别方法、巡检的方法及相关装置，先在钢轨轨顶面图像中确定钢轨轨顶面的擦伤区域的候选边缘像素，然后使用形态学收缩运算的方法，删除候选边缘像素中不属于擦伤区域的虚假边缘像素，以留下擦伤区域的实际边缘像素，确定出钢轨擦伤区域的准确位置，利用连接钢轨轨顶面图像擦伤区域边缘像素形成的轮廓线是封闭这一特点，可实现对钢轨擦伤区域的自动、高效和准确的检测，克服了现有技术人工巡检人眼识别的方法成本高、检测速度慢的缺陷，与现有基于灰度对比图和基于最大熵的阈值分割方法等技术方案相比，可以避免图像拍摄时光照不均匀和钢轨不同区域表面属性差异对识别擦伤区域的影响，实现对钢轨轨顶面擦伤区域的准确检测。
44.进一步地，因在钢轨轨顶面的图像中，擦伤区域的灰度会较正常区域低，与周围的非擦伤区域形成灰度值差异，确定所述钢轨轨顶面图像中擦伤区域的候选边缘像素时，本发明实施例利用边缘检测的方法，可较方便地识别出擦伤区域的候选边缘像素。
附图说明
45.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的前提下，还可以根据这些附图获得其他的附图。在附图中：
46.图1为本发明实施例中钢轨擦伤的识别方法的流程图；
47.图2a和图2b为本发明实施例中标记出钢轨轨顶面图像过程的示意图；
48.图3为本发明实施例中边缘检测的方法流程图；
49.图4为本发明实施例中确定候选边缘像素的流程图；
50.图5为本发明实施例中经过canny边缘检测得到的图像s2进行二值化后的示意图；
51.图6为本发明实施例中经过形态学收缩运算后得到的真实边缘像素的示意图；
52.图7为本发明实施例中铁路巡检方法的流程图；
53.图8为本发明实施例中钢轨擦伤识别装置的结构框图；
54.图9为本发明实施例中铁路钢轨巡检的设备的结构框图。
具体实施方式
55.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
56.下面结合附图，对本发明实施例提供的一种钢轨擦伤的识别方法、铁路钢轨巡检的方法及相关装置的具体实施方式进行详细说明。
57.参照图1所示，本发明实施例提供的钢轨擦伤的识别方法，至少包括下述步骤：
58.s11、从轨道图像中，标记出其中包含的钢轨轨顶面图像；
59.s12、确定钢轨轨顶面图像中擦伤区域的候选边缘像素；
60.s13、利用形态学收缩运算，删除候选边缘像素中不属于擦伤区域的候选边缘像素，得到钢轨轨顶面擦伤区域的实际边缘像素；
61.s14、根据实际边缘像素，确定钢轨轨顶面的擦伤区域。
62.下面分别对上述s11～s14进行详细说明。
63.上述步骤s11中，获取巡检设备(客户端)所拍摄的轨道图像，对获取到的轨道图像进行进一步处理。巡检设备在巡检过程拍摄轨道图像之后，可通过网络传送给后台服务器进行擦伤识别，服务器将擦伤结果反馈给巡检设备(客户端)或者巡检设备(客户端)在自身具备一定计算能力的情形下，也可以按照本发明实施例提供的钢轨擦伤的识别方法，自身实现对钢轨图像的识别。
64.轨道图像，一般是从钢轨上方拍摄的，所拍摄的轨道图像中除了钢轨部分，还包含了非钢轨区域。非钢轨区域的图像信息会对后续的钢轨擦伤区域检测产生干扰，为此，需要将钢轨部分和非钢轨区域区分开，从中提取出钢轨的轨顶面区域。为了从采集的轨道图像中提取出钢轨轨顶面区域的图像，本发明实施例中，可利用车轮与钢轨表面长期摩擦使得钢轨顶面灰度值高、图像中钢轨顶面宽度固定的特点，根据图像列方向上的投影曲线，将钢轨顶面区域标记出来。
65.例如采用参照图2a所示的流程标记出钢轨轨顶面图像。该流程包括：
66.s21、将采集的轨道图像转换为灰度图像，参照图2b左侧所示的灰度图像；
67.s22、计算轨道图像每一列的灰度均值。
68.每一列的灰度均值例如为m(x)，其中x＝1，2，
…
，w
i
，w
i
为图像i的宽度。
69.s23、确定钢轨轨顶面的左侧起点位置和右侧终点位置，并据此截取出钢轨轨顶面图像。
70.针对图像的列的灰度均值,依次计算每个宽度为r的区间的灰度值积分，即：
[0071][0072]
上式中，x＝1，2，
…
，w
i
‑
r，r为钢轨轨顶面的宽度(为一固定值)。使得im(x)取得最大值的x即为钢轨轨顶面的左侧起始位置gb，即：
[0073]
gb＝argmax(im(x))，x＝1，2,
…
,w
i
‑
r；
[0074]
因此，与左侧起始位置对应的钢轨顶面的右侧终点位置则为：gb+r。
[0075]
基于左侧起始位置和右侧终点位置，可以从轨道图像中截取出水平轴区间为[gb,gb+r]的子图像，即钢轨顶面区域的图像，参照图2b右侧所示的灰度图像。
[0076]
上述步骤s12中，可运用例如边缘检测的方法来确定钢轨轨顶面图像中擦伤区域的候选边缘像素。
[0077]
本发明的发明人发现，所获取的轨道图像中，通常擦伤区域的灰度会较正常区域低，与周围的非擦伤区域形成灰度值差异，擦伤区域的边缘较明显，因此，可以采用例如边缘检测方法，较方便地识别出擦伤区域的候选边缘像素。
[0078]
例如采用canny边缘检测的方法，canny边缘检测方法是一种经典的边缘检测方法，可包括：图像降噪、计算图像梯度、非极大值抑制和阈值筛选等步骤。当然，本发明实施例并不限于canny边缘检测方法，任何可以对图像中特定区域进行边缘检测的计算机视觉识别算法皆可。
[0079]
下面以canny边缘检测的方法为例进行说明。
[0080]
参照图3所示，边缘检测的方法的流程如下：
[0081]
s31、使用高斯滤波函数对钢轨轨顶面图像进行平滑处理；
[0082]
滤波的目的是为了去除噪声，高斯滤波去噪的效果较好，也可根据实施的需要，采用其他滤波器，例如均值滤波、中值滤波等等，本发明实施例对此不做限定。
[0083]
以采用高斯滤波的方式为例，高斯滤波函数的表达式为：
[0084][0085]
其中σ是高斯滤波函数的标准差，用来控制平滑程度，σ例如可取为1(也可以经试验取其他经验值)。具体实施时，g(x,y)对应于一个3
×
3的高斯模板，用g(x,y)和钢轨图像i(x,y)做卷积得到平滑后的图像i
p
(x,y)。
[0086]
s32、对平滑处理后的图像中的每个像素，确定像素梯度幅值和相位；
[0087]
canny边缘检测算法使用四个算子来检测图像中的水平、垂直和对角边缘。算子是以图像卷积的形式来计算梯度，比如roberts、prewitt、sobel等。
[0088]
计算图像i
p
(x,y)中每个像素处沿着水平方向的偏导数g
x
(x,y)和垂直方向的偏导数g
,
(x,y)，并求出梯度幅值g和相位θ(即梯度方向)。像素(x,y)处的偏导数由差分近似来计算：
[0089][0090][0091]
像素(x,y)处的梯度幅值g和相位θ为
[0092][0093][0094]
s33、根据平滑处理后的图像中的每个像素的梯度幅值和相位，对图像进行非极大抑制处理；
[0095]
本步骤通过非极大抑制梯度幅值的方法，确定经过平滑处理后图像中局部梯度最大值点。预先把梯度方向划为水平、垂直、45
°
和－45
°
这4种方向，针对每个像素，在n
×
n(例
如3
×
3)的邻域内，将该给定像素与沿着梯度线方向的两个像素相比，如果该像素的梯度幅值比这两个像素的梯度幅值大，则保留该像素的梯度幅值，否则将该像素的梯度幅值置为0。
[0096]
s34、对经过非极大抑制处理的图像，检测出候选边缘像素的集合。
[0097]
上述步骤s34中，可利用预设的第一阈值和第二阈值，检测出候选边缘像素的集合。
[0098]
假设第一阈值为t1，第二阈值为t2，则t1<t2。t2可以人为指定，也可以设计算法来自适应的指定。例如取值t1＝t2
×
0.5。
[0099]
在步骤s34中，经过非极大值抑制处理的图像的边缘点中，梯度值超过t2的像素为强边缘像素，梯度值小于t2大于t1像素的称为弱边缘像素，梯度小于t1的不是边缘像素。强边缘像素是真实边缘像素，因此需要将t2设置的足够高，以满足像素的梯度值足够大(变化足够剧烈)，而弱边缘像素可能是边缘像素，也可能是噪声，因此，可根据弱边缘的像素来判断该像素是否为真实的边缘像素。例如当弱边缘的周围3
×
3邻域有强边缘像素存在时，就将该弱边缘像素变成强边缘像素，以此来实现对强边缘像素的补充。
[0100]
具体实施时，对经过所述非极大抑制处理的图像，将梯度幅值小于所述第一阈值的像素灰度值设置为0，得到第一图像；以及将梯度幅值小于所述第二阈值的像素灰度值设置为0，得到第二图像；
[0101]
对第二图像进行扫描，查找其中每个非0灰度值的像素，并确定出以所述非0灰度值的像素为起点的轮廓线；针对每个轮廓线，在第一图像中查找与所述轮廓线的终点对应的像素，查找所述终点对应的像素的3
×
3邻域内是否存在非0灰度值的像素，若存在，则将其添加至第二图像中的对应位置；
[0102]
将所述第二图像中的所有非0灰度值像素，作为擦伤区域边缘的候选像素(即候选边缘像素)的集合。
[0103]
上述处理过程，可以参照图4所示的流程实现，该流程包括：
[0104]
s41、将经过非极大抑制处理后的图像s梯度幅值小于t1的像素灰度值置0，得到图像s1(即第一图像)；
[0105]
s42、将经过非极大抑制处理后的图像s梯度幅值小于t2的像素灰度值置0，得到图像s2(即第二图像)；
[0106]
s43、对图像s2进行扫描，当遇到一个未被访问的非零灰度值的像素p(x,y),跟踪以p(x,y)开始的轮廓线，直到轮廓线的终点q(x,y)；
[0107]
s44、在图像s1中找到与图像s2中像素q(x,y)位置对应的像素r(x,y)，查找r(x,y)的3
×
3邻域内是否存在非零灰度值的像素，若存在，则执行下述步骤s45，若不存在，则返回执行s43；
[0108]
s45、将其包含到图像s2中(即根据s1中非零灰度值的像素，修改s2图像中对应位置的像素)；
[0109]
s46、以图像s2中像素q(x,y)开始重复步骤s43，如果该轮廓线无法继续，则将该轮廓线标记为已访问，并回到步骤s43继续对图像s2扫描寻找下一条轮廓线。
[0110]
s47、当检测不到新的轮廓线时，算法结束，最终得到的图像s2中的非零灰度值像素即为canny边缘检测得到的边缘像素，即为擦伤区域的候选边缘像素，将生成的候选边缘
像素集记为e
i
。
[0111]
本发明的发明人发现，在铁轨擦伤实际情况中，受拍摄时光照不均匀和钢轨不同区域表面属性差异的影响，利用边缘检测得到的结果可能包含不属于擦伤区域的虚假边缘，但连接钢轨图像擦伤区域边缘像素形成的轮廓线是封闭的，这些像素组成的轮廓线是封闭的，根据这一特点，在上述步骤s13中，可利用形态学收缩运算，删除候选边缘像素中不属于擦伤区域的候选边缘像素。
[0112]
具体来说，可通过下述流程来实现：
[0113]
1)将经边缘检测处理得到的图像s2二值化，即将图像s2中非零灰度值像素的灰度值取为1，得到二值化图像s3。
[0114]
参照图5所示，图5为进行canny边缘检测得到的图像s2进行二值化的结果，其中白色的像素为canny边缘检测得到的边缘像素，其灰度值为1；黑色的像素为非边缘像素，其灰度值为0。
[0115]
2)利用形态学收缩运算，对二值化图像s3进行处理。
[0116]
例如将形态学收缩运算b定义为：
[0117]
z＝b(s3)＝{z∈s3&z∈e
i
&con(z)≥2}
[0118]
其中e
i
为擦伤区域边缘的候选像素集，con(z)为像素z的边缘连通数。像素z的边缘连通数定义为在像素z的3
×
3的邻域内存在的属于e
i
的像素的个数。
[0119]
利用形态学收缩运算对图像s3进行处理的目的是删除e
i
中边缘连通数小于2的像素。由于擦伤区域的边缘的特征为：轨道图像中，连接钢轨轨顶面擦伤区域边缘像素形成的轮廓线是封闭的，因此e
i
中属于擦伤区域边缘的像素的边缘连通数都不小于2，收缩运算会保留这些像素。而e
i
中不属于擦伤区域边缘组成的轮廓线不是封闭的，这些轮廓线边界上的像素的边缘连通数等于1，收缩运算会从e
i
中删除这些像素。
[0120]
3)重复步骤2)，对图像s3进行收缩运算，直到两次收缩运算得到的结果不再变化，最终保留的边缘像素的集合即为擦伤区域的真实边缘像素，如图6所示，这些真实边缘像素所围成的区域，就是擦伤区域，从而得到钢轨顶面擦伤区域的真实位置。
[0121]
轨道擦伤区域的准确识别结果，为轨道的养护维修提供了可靠的依据。
[0122]
本发明实施例还提供了一种铁路巡检的方法，可应用于服务器侧，或者巡检设备本身，参照图7所述，该方法包括：
[0123]
s71、利用如前述的钢轨擦伤的识别方法，对采集的轨道图像中的钢轨擦伤顶面的擦伤区域进行识别；
[0124]
s72、将识别的结果，推送至预设的铁路钢轨巡检客户端。
[0125]
如果是网络侧服务器完成钢轨擦伤识别，则可通过有线或者无线网络(例如4g、5g网络等)将检测结果发送至巡检客户端，方便执行下一步维护操作。如果是巡检设备本身具备计算能力，能够将采集的图像进行钢轨擦伤识别，则可直接通过所连接的巡检客户端通告结果，方便巡检人员及时处理。
[0126]
本发明实施例中还提供了一种钢轨擦伤识别装置、铁路钢轨巡检的设备、计算机设备和计算机可读存储介质，如下面的实施例所述。由于该装置、设备和计算机可读存储介质解决问题的原理与前述钢轨擦伤的识别方法和铁路巡检方法相似，因此该装置的实施可以参见前述钢轨擦伤的识别方法和铁路巡检方法的实施，重复之处不再赘述。
[0127]
参照图8所示，本发明实施例提供的一种钢轨擦伤识别装置，包括：
[0128]
标记模块81，用于从轨道图像中，标记出其中包含的钢轨轨顶面图像；
[0129]
候选像素确定模块82，用于确定所述钢轨轨顶面图像中擦伤区域的候选边缘像素；
[0130]
收缩运算模块83，用于利用形态学收缩运算，删除所述候选边缘像素中不属于擦伤区域的候选边缘像素，得到钢轨轨顶面擦伤区域的实际边缘像素；
[0131]
擦伤区域确定模块84，用于根据所述实际边缘像素，确定钢轨轨顶面的擦伤区域。
[0132]
参照图9所示，本发明实施例提供的一种铁路钢轨巡检的设备，包括：
[0133]
擦伤区域识别模块91，用于利用前述钢轨擦伤的识别方法，对采集的轨道图像中的钢轨擦伤顶面的擦伤区域进行识别；
[0134]
推送模块92，用于将识别的结果，推送至预设的铁路钢轨巡检客户端。
[0135]
本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述钢轨擦伤的识别方法或者实现前述铁路钢轨巡检的方法。
[0136]
本发明实施例提供的一种计算机可读存储介质，所述计算机可读存储介质存储有执行前述钢轨擦伤的识别方法或者实现前述铁路钢轨巡检的方法的计算机程序。
[0137]
本发明实施例提供的钢轨擦伤的识别方法、巡检的方法及相关装置，先在钢轨轨顶面图像中确定钢轨轨顶面的擦伤区域的候选边缘像素，然后使用形态学收缩运算的方法，删除候选边缘像素中不属于擦伤区域的虚假边缘像素，以留下擦伤区域的实际边缘像素，确定出钢轨擦伤区域的准确位置，利用连接钢轨轨顶面图像擦伤区域边缘像素形成的轮廓线是封闭这一特点，可实现对钢轨擦伤区域的自动、高效和准确的检测，克服了现有技术人工巡检人眼识别的方法成本高、检测速度慢的缺陷，与现有基于灰度对比图和基于最大熵的阈值分割方法等技术方案相比，可以避免图像拍摄时光照不均匀和钢轨不同区域表面属性差异对识别擦伤区域的影响，实现对钢轨轨顶面擦伤区域的准确检测。
[0138]
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。
[0139]
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。
[0140]
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。
[0141]
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。
[0142]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。