一种数据处理方法、设备及存储介质与流程

1.本技术涉及数据处理技术领域，尤其涉及一种数据处理方法、设备及存储介质。


背景技术：

2.自来水是居民用水的主要来源。
3.众所周知，由于自然因素和人为因素，原水里含有各种各样的杂质。水厂需要对原水进行混合、反应、沉淀、过滤以及消毒等多个环节的处理，才能获得符合人类健康和工业生产要求的水。
4.目前，在沉淀环节，通常是根据经验判断沉淀后水的浊度，若发现异常，再去调整前后环节中的处理参数。这种方式下，沉淀环节中的浊度的精准度不足，会影响其它环节的处理效果；而且，由于沉淀环节所需的时长较长，因此，会导致对处理参数的调整操作存在滞后性问题。


技术实现要素：

5.本技术的多个方面提供一种数据处理方法、设备及存储介质，用以提高沉淀后水浊度的精准度和/或改善对处理参数的调整操作存在的滞后性问题。
6.本技术实施例提供一种数据处理方法，包括：
7.利用图像采集设备采集目标水段的至少一张水体图像；
8.根据所述至少一张水体图像，确定所述目标水段的混凝状态参数；
9.获取所述目标水段的原水属性参数；
10.根据所述混凝状态参数和所述原水属性参数，预测所述目标水段经过沉淀后的水浊度。
11.本技术实施例还提供一种计算设备，包括存储器和处理器；
12.所述存储器用于存储一条或多条计算机指令；
13.所述处理器与所述存储器耦合，用于执行所述一条或多条计算机指令，以用于：
14.利用图像采集设备采集目标水段的至少一张水体图像；
15.根据所述至少一张水体图像，确定所述目标水段的混凝状态参数；
16.获取所述目标水段的原水属性参数；
17.根据所述混凝状态参数和所述原水属性参数，预测所述目标水段经过沉淀后的水浊度。
18.本技术实施例还提供一种存储计算机指令的计算机可读存储介质，当所述计算机指令被一个或多个处理器执行时，致使所述一个或多个处理器执行前述的数据处理方法。
19.在本技术实施例中，可利用图像采集设备采集目标水段的至少一张水体图像；根据至少一张水体图像，确定目标水段的混凝状态参数；获取目标水段的原水属性参数；根据混凝状态参数和原水属性参数，预测目标水段经过沉淀后的水浊度。据此，本技术实施例中，可实时地预测目标水段经过沉淀后的水浊度，而不再需要等待漫长的沉淀过程结束后
再确定后水浊度。这一方面可解决传统方案存在的滞后性问题，另一方面还可有效提高沉淀后的水浊度的精确度。
附图说明
20.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
21.图1为本技术一示例性实施例提供的一种数据处理方法的流程示意图；
22.图2为本技术一示例性实施例提供的一种数据处理方法的逻辑示意图；
23.图3为本技术一示例性实施例提供的一种沉淀池的结构示意图；
24.图4为本技术一示例性实施例提供的一种混凝状态参数生成方案的逻辑示意图；
25.图5为本技术一示例性实施例提供的一种水体图像的区域划分示意图；
26.图6为本技术一示例性实施例提供的另一种数据处理方法的流程示意图；
27.图7为本技术一示例性实施例提供的又一种数据处理方法的流程示意图；
28.图8为本技术一示例性实施例提供的一种计算设备的结构示意图。
具体实施方式
29.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
30.目前，对沉淀后水浊度的确定存在精确度不足以及滞后性问题。为此，在本技术的一些实施例中：可利用图像采集设备采集目标水段的至少一张水体图像；根据至少一张水体图像，确定目标水段的混凝状态参数；获取目标水段的原水属性参数；根据混凝状态参数和原水属性参数，预测目标水段经过沉淀后的水浊度。据此，本技术实施例中，可实时地预测目标水段经过沉淀后的水浊度，而不再需要等待漫长的沉淀过程结束后再确定后水浊度。这一方面可解决传统方案存在的滞后性问题，另一方面还可有效提高沉淀后的水浊度的精确度。
31.以下结合附图，详细说明本技术各实施例提供的技术方案。
32.图1为本技术一示例性实施例提供的一种数据处理方法的流程示意图，图2为本技术一示例性实施例提供的一种数据处理方法的逻辑示意图。该方法可由一数据处理装置执行，该数据处理装置可实现为软件或软件与硬件的结合，该数据处理装置可集成在计算设备中。参考图1，该方法包括：
33.步骤100、利用图像采集设备采集目标水段的至少一张水体图像；
34.步骤101、根据至少一张水体图像，确定目标水段的混凝状态参数；
35.步骤102、获取目标水段的原水属性参数；
36.步骤103、根据混凝状态参数和原水属性参数，预测目标水段经过沉淀后的水浊度。
37.本实施例提供的数据处理方法可应用于水处理场景中。以下先对本实施例中涉及到的几种概念进行示例性解释。
38.原水：从水库运输到制水厂的水。
39.沉淀池：用来沉淀混凝物和杂质的蓄水池，混凝物可以是矾花等。
40.混凝剂：能够与原水中相关离子结合生成混凝物的药剂。
41.经过沉淀后的水浊度：原水在沉淀池经过沉淀后的浊度，也即是完成物理沉淀后的原水的浊度。
42.在水处理场景中，制水厂在获取到原水后，将对原水进行多个环节的处理，才能获得符合人类健康或工业生产要求的水。其中，本实施例中主要涉及对原水进行沉淀的环节。在沉淀环节，需要在絮凝池池中投放混凝剂以形成混凝物，混凝物随原水一起流向沉淀池。图3为本技术一示例性实施例提供的一种沉淀池的结构示意图。参考图3，在沉淀池中，混凝物可与原水中的悬浮物、胶体等物质结合、吸附以及混凝物内部相互运动，密度逐渐增大，当混凝物的密度大于水的密度时，可在重力作用下沉淀至沉淀池底部，实现对原水的沉淀。原水的沉淀环节对后续的其它原水处理环节具有非常重要的影响。
43.本实施例中提出了一种数据处理方案，可在原水的沉淀环节中，准确预测沉淀后的水浊度。
44.参考图1和图2，在步骤100中，可利用图像采集设备在采集目标水段的至少一张水体图像。其中，目标水段可以是在指定时段内位于指定位置的一段水流。例如，图像采集设备可部署在沉淀池入口，则目标水段可以是在指定时段内位于沉淀池入口的一段水流。值得说明的是，本实施例中，不考虑水分子之间的相对运动。本实施例中，对指定时段的长度不作限定，例如，可以是1分钟或5分钟等。另外，对不同时段之间的间隔，也即是对沉淀后水浊度进行预测的频率，也不做限定，例如，可以每隔3分钟预测一次，也可每隔10分钟预测一次，等等。实际应用中，制水厂通常会采集原水属性参数，基于此，对沉淀后水浊度进行预测的频率可以与原水属性参数的更新频率保持一致，当然，本实施例并不限于此。
45.本实施例中，原水属性参数包括但不限于浊度、ph值、温度、氮氨浓度、进水量或水位高度等。本实施例中，可获取目标水段的原水属性数据，作为沉淀后水浊度的依据。
46.参考图3，本实施例中，可在沉淀池入口处布置图像采集设备，图像采集设备可对流经沉淀池入口的原水进行拍摄，以获得若干水体图像。实际应用中，图像采集设备可布置在沉淀池入口处的水面以下，例如，水面下2米的位置，当然，本实施例对图像采集设备的部署位置不作限定。
47.基于此，在步骤100中，可从图像采集设备拍摄到目标水段的若干水体图像中，选择至少一张水体图像，作为预测沉淀后的水浊度的依据。例如，可按照预设的时间间隔，在拍摄到的若干水体图像中，等间隔的提取出至少一张水体图像，作为预测沉淀后水浊度的依据。当然，在步骤100中，也可设定图像采集设备的采集频率，控制图像采集设备对目标水段采集至少一张水体图像。值得说明的是，以上是考虑到计算量而未使用全量的水体图像，在不考虑计算量的情况下，本实施例中，也可直接使用全量的水体图像，作为预测沉淀后水浊度的依据。
48.正如上文提及的，絮凝池中产生的混凝物会随原水一起流向沉淀池，因此，水体图像可反映出目标水段的混凝物生成情况。基于此，参考图1和图2，在步骤101中，可根据目标水段的至少一张水体图像，确定目标水段的混凝状态参数。其中，混凝状态参数包括但不限于混凝物个数、混凝物权重均值、混凝物权重中值、混凝物面积均值或混凝物面积中值等。
49.至此，可获得目标水段的原水属性参数和目标水段的混凝状态参数，作为预测沉淀后水浊度的依据。
50.参考图1和图2，在步骤103中，可根据目标水段的混凝状态参数和原水属性参数，预测目标水段经过沉淀后的水浊度。
51.原水需要一定的延迟时间才能从沉淀池入口流动到沉淀池出口，因此，本实施例中，还可标注沉淀后水浊度对应的时间。为此，本实施例中，可计算目标水段从指定流出位置流出的流出时间；将目标水段经过沉淀后的水浊度与流出时间进行关联。这样，可获得目标水段经过沉淀后的水浊度及流出时间。
52.其中，在一种可选的实现方案中，可获取沉淀池的施工图，以确定沉淀池入口的尺寸等规格参数以及沉淀池的长度，还可获取沉淀池在指定时段下的进水量。从而，可根据沉淀池入口的规格参数和在指定时段下的进水量，计算出指定时段下的水流速度；进而，可根据沉淀池的总长度以及指定时段下的水流速度，计算出目标水段到达沉淀池出口(指定流出位置)所需的延迟时间。根据延迟时间，即可确定出目标水段从指定流出位置流出的流出时间。
53.综上，本实施例中，可实时地预测沉淀后水浊度，而不再需要等待漫长的沉淀过程结束后再确定沉淀后水浊度。据此，一方面，基于预测出的沉淀后水浊度，不仅能够预警沉淀后水浊度是否达标，还可实时地指导沉淀环节中混凝剂的投放量及水流速度、进水量等其它处理参数，还可及时地对沉淀环节的后续环节的处理参数进行调整，从而可有效改善传统方案存在的滞后性问题，降低水处理的成本；另一方面，由于是以目标水段的原水属性参数和目标水段的混凝状态参数作为预测依据，因此，可有效保证预测出的沉淀后水浊度的精确度，从而更加准确地指导水处理各环节中的处理参数，也可降低水处理的成本。
54.在上述或下述实施例中，可在至少一张水体图像中，分别识别至少一类混凝物。其中，混凝物的类型包括但不限于蓬松矾花、片状矾花或模糊矾花。本实施例中，可采用目标检测算法，在至少一张水体图像中识别混凝物。其中，目标检测算法可采用深度学习图像示例分割算法mask
‑
rcnn、实时实例分割算法yolact、实例分割算法solo等，本实施例对此不作限定。实际应用中，可采用目标检测模型来对至少一张水体图像进行混凝物检测。其中，目标检测模型可采用分类模型，目标检测模型可输出单张水体图像中包含的混凝物在各种混凝物类型下的置信度，作为前文中的权重，从而标记单张水体图像中包含的混凝物的类型。
55.在此基础上，可从至少一个量化维度，对识别到的至少一类混凝物分别进行量化，以获得混凝状态参数。其中，量化维度可包括个数、权重均值、权重中值、面积均值或面积中值等。图4为本技术一示例性实施例提供的一种混凝状态参数生成方案的逻辑示意图。参考图4，混凝状态参数中可包括至少一类混凝物各自对应的量化数据。而单类混凝物下的量化数据可包括但不限于混凝物个数、混凝物权重均值、混凝物权重中值、混凝物面积均值或混凝物面积中值等。
56.其中，在对至少一类混凝物分别进行量化的过程中，可在至少一张水体图像下，分别从至少一个量化维度对至少一类混凝物进行量化，以获得至少一张水体图像下的量化数据；再根据至少一张水体图像下的量化数据，生成混凝状态参数。也即是，在单张水体图像下进行混凝物量化后，再在时间层面对至少一张水体图像下的量化数据进行融合，以产生
混凝状态参数。可选地，可采用求均值、求和、求中值等方式，将至少一张水体图像下的量化数据进行融合。
57.以下将以第一水体图像为例，说明在第一水体图像中识别至少一类混凝物的示例性方案。应当理解的是，第一水体图像可以是目标水段的至少一个张水体图像中的任意一张。
58.本实施例中，可将第一水体图像划分为至少两个图像区域；在至少两个图像区域中，分别识别至少一类混凝物。图5为本技术一示例性实施例提供的一种水体图像的区域划分示意图。参考图5，可将第一水体图像划分为4个区域，并在每个区域下，分别识别至少一类混凝物。当然，还可将第一水体图像划分为3个区域、6个区域等，本实施例对划分的区域个数不做限定。
59.据此，通过将单张水体图像划分为多个区域，并在多个区域分别识别混凝物以及后续的量化操作，可在目标检测过程中增加特征提取维度，优化特征提取结果，从而提高目标检测的性能。而且，由于混凝物在不同区域内的分布可能不均匀，因此，通过区域划分，可综合考虑各区域中的混凝物分布情况，提高后续量化数据的准确性。
60.当然，本实施例中，在单张水体图像中识别混凝物的实现方式并不限于此，本实施例中，也可直接对整张水体图像进行混凝物识别，而不进行区域划分。
61.承接区域划分后进行混凝物识别的实现方式，本实施例中，在量化阶段，可在第一水体图像的至少两个图像区域中，分别从至少一个量化维度对至少一类混凝物进行量化，以获得至少两个图像区域下的量化数据；再根据至少两个图像区域下的量化数据，生成第一水体图像下的量化数据。
62.也即是，在单个区域下进行混凝物量化后，再将至少两个区域下的量化数据进行融合，以产生第一水体图像下的量化数据。可选地，可采用求均值、求和、求中值等方式，将至少两个区域下的量化数据进行融合。
63.据此，本实施例中，可对目标水段的至少一张水体图像进行目标检测，以识别出至少一类混凝物，并对至少一类混凝物进行量化，从而准确地确定出目标水段的混凝状态参数。进而可为沉淀后水浊度的预测提供准确的数据基础。
64.在上述或下述实施例中，可将混凝状态参数和原水属性参数输入浊度预测模型；在浊度预测模型中，基于混凝状态参数和原水属性参数与水浊度之间的映射关系，预测目标水段经过沉淀后的水浊度。
65.其中，浊度预测模型可采用回归模型，例如支持向量回归模型、随机森林模型及其对应的集成模型、或梯度提升树gbdt模型等，本实施例对浊度预测模型采用的模型类型不作限定。
66.本实施例中，对浊度预测模型的训练过程可以是：
67.获取若干训练样本，训练样本包括样本水段的原水属性参数、样本水段的混凝状态参数以及样本水段经过沉淀后的水浊度；
68.将若干训练样本输入浊度预测模型，以供浊度预测模型学习混凝状态参数和原水属性参数与水浊度之间的映射关系。
69.其中，本实施例中，可确定样本水段从指定流出位置流出的流出时间；按照流出时间，在流出位置采集水流的浊度，作为样本水段经过沉淀后的水浊度。计算流出时间的过程
可参考前文中计算目标水段从指定流出位置流出的流程时间的描述，在此不再赘述。
70.另外，正如上文提及的，本实施例中，还可将目标水段从指定流出位置流出的流出时间关联至浊度预测模型输出的预测结果。因此，本实施例中，还可在该流出时间下采集指定流出位置处水流的真实浊度，并结合目标水段的原水属性参数和混凝状态参数，形成新的训练样本，并使用新的训练样本对浊度预测模型进行不断优化，从而不断提升浊度预测模型的预测性能。
71.据此，浊度预测模型可准确学习到混凝状态参数和原水属性参数与水浊度之间的映射关系，从而，本实施例中，可利用浊度预测模型，根据其它水段的混凝状态参数和原水属性参数，准确地预测出其它标水段经过沉淀后的水浊度。
72.在一种可能的设计中，上述实施例提供的数据处理方案可在云服务器或云平台上实施，图6为本技术一示例性实施例提供的另一种数据处理方法的流程示意图，参考图6，该方法包括：
73.步骤600、响应于调用目标服务的请求，确定目标服务对应的处理资源，利用目标服务对应的处理资源执行如下步骤：
74.步骤601、利用图像采集设备采集目标水段的至少一张水体图像；
75.步骤602、根据至少一张水体图像，确定目标水段的混凝状态参数；
76.步骤603、获取目标水段的原水属性参数；
77.步骤604、根据混凝状态参数和原水属性参数，预测目标水段经过沉淀后的水浊度。
78.本实施例中，目标服务可部署在云服务器或云平台上，云服务器或云平台可接收调用目标服务的请求，以对外提供沉淀后水浊度预测功能。其中，目标服务中可包含目标检测模型及浊度预测模型，而云服务器或云平台还可对目标检测模型及浊度预测模型进行训练，以使目标服务可支持对沉淀后水浊度预测功能。
79.关于目标服务可提供的沉淀后水浊度的预测方案，可参考前述方法实施例中的相关描述，在此不再赘述，但这不应造成对本技术保护范围的损失。
80.图7为本技术一实施例提供的又一种数据处理方法的流程示意图。该方法可由一数据处理装置执行，该数据处理装置可实现为软件或软件与硬件的结合，该数据处理装置可集成在计算设备中。参考图7，该方法可包括：
81.700、响应于沉淀参数配置指令，确定已有沉淀参数对应的沉淀后水浊度，沉淀后水浊度为根据采用已有沉淀参数的指定水段的水体图像和原水属性参数预测得到的；
82.701、若沉淀后水浊度不符合预设要求，则根据沉淀后水浊度，调整已有沉淀参数；
83.702、按照调整后的沉淀参数，控制沉淀工序。
84.本实施例提供的数据处理方法可应用于水处理场景中，其中，已有沉淀参数是指沉淀工序当前所采用的沉淀参数。沉淀参数包括但不限于混凝剂的剂量、种类等，当然，沉淀参数并不限于此，还可以是其它对沉淀工序的效果存在影响的参数。
85.本实施例中，根据采用已有沉淀参数的指定水段的水体图像和原水属性参数，预测该指定水段经过沉淀后的水浊度，作为该已有沉淀参数对应的沉淀后水浊度。例如，指定水段可以是按照已有沉淀参数进行处理后，流入到沉淀池中的一段水流。优选地，可以将采用已有沉淀参数且最新(例如距离絮凝池最近的)的水段作为确定沉淀后水浊度的依据，这
可保证确定出的沉淀后水浊度的准确性。其中，根据指定水段的水体图像和原水属性参数预测指定水段经过沉淀后的水浊度的技术细节，可参考前述实施例中的相关描述，在此不再赘述。
86.基于此，本实施例中，可预测未来的沉淀后水浊度，而且可根据未来的沉淀后水浊度实时地指导当前的沉淀参数的配置。例如，可根据预测出的沉淀后水浊度，实时地指导当前的混凝剂投放方案，而不需要等待几个小时后去采集沉淀池出口的水浊度，再去修改混凝剂投放方案。这样，可避免沉淀参数配置的滞后性问题，实现沉淀工序的实时化、智能化。
87.另外，关于实施上述数据处理方法的计算设备，可包括存储器、处理器及通信组件等，处理器可与存储器及通信组件耦合，用于执行存储器中的计算机程序，以用于实施上述数据处理方法。在此不再进行详述，但也应属于本技术所保护的对象。
88.需要说明的是，上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤101至步骤103的执行主体可以为设备a；又比如，步骤101和102的执行主体可以为设备a，步骤103的执行主体可以为设备b；等等。
89.另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的图像、消息、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
90.图8为本技术一示例性实施例提供的一种计算设备的结构示意图。如图8所示，该计算设备包括：存储器80和处理器81。
91.存储器80，用于存储计算机程序，并可被配置为存储其它各种数据以支持在计算平台上的操作。这些数据的示例包括用于在计算平台上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器80可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
92.处理器81，与存储器80耦合，用于执行存储器80中的计算机程序，以用于：
93.利用图像采集设备采集目标水段的至少一张水体图像；
94.根据至少一张水体图像，确定目标水段的混凝状态参数；
95.获取目标水段的原水属性参数；
96.根据混凝状态参数和原水属性参数，预测目标水段经过沉淀后的水浊度。
97.在一可选实施例中，处理器81在根据水体图像，确定目标水段的混凝状态参数时，用于：
98.在至少一张水体图像中，分别识别至少一类混凝物；
99.从至少一个量化维度，对识别到的至少一类混凝物分别进行量化，以获得混凝状态参数。
100.在一可选实施例中，处理器81在从至少一个量化维度，对识别到的至少一类混凝物分别进行量化，以获得混凝状态参数时，用于：
101.在至少一张水体图像下，分别从至少一个量化维度对至少一类混凝物进行量化，以获得至少一张水体图像下的量化数据；
102.根据至少一张水体图像下的量化数据，生成混凝状态参数。
103.在一可选实施例中，处理器81在至少一张水体图像中，分别识别至少一类混凝物时，用于：
104.将第一水体图像划分为至少两个图像区域；
105.在至少两个图像区域中，分别识别至少一类混凝物；
106.在至少一张水体图像下，分别对至少一类混凝物进行量化时，用于：
107.在至少两个图像区域中，分别从至少一个量化维度对至少一类混凝物进行量化，以获得至少两个图像区域下的量化数据；
108.根据至少两个图像区域下的量化数据，生成第一水体图像下的量化数据；
109.其中，第一水体图像为至少一张水体图像中的任意一张。
110.在一可选实施例中，量化维度包括个数、权重均值、权重中值、面积均值或面积中值；
111.混凝物的类型包括蓬松矾花、片状矾花或模糊矾花。
112.在一可选实施例中，处理器81在根据混凝状态参数和原水属性参数，预测目标水段经过沉淀后的水浊度时，用于：
113.将混凝状态参数和原水属性参数输入浊度预测模型；
114.在浊度预测模型中，基于混凝状态参数和原水属性参数与水浊度之间的映射关系，预测目标水段经过沉淀后的水浊度。
115.在一可选实施例中，处理器81还用于：
116.获取若干训练样本，训练样本包括样本水段的原水属性参数、样本水段的混凝状态参数以及样本水段经过沉淀后的水浊度；
117.将若干训练样本输入浊度预测模型，以供浊度预测模型学习混凝状态参数和原水属性参数与水浊度之间的映射关系。
118.在一可选实施例中，处理器81还用于：
119.确定样本水段从指定流出位置流出的流出时间；
120.按照流出时间，在流出位置采集水流的浊度，作为样本水段经过沉淀后的水浊度。
121.在一可选实施例中，处理器81还用于：
122.计算目标水段从指定流出位置流出的流出时间；
123.将目标水段经过沉淀后的水浊度与流出时间进行关联。
124.在一可选实施例中，原水属性参数包括浊度、ph值、温度、氮氨浓度、进水量和水位高度中的一种或多种。
125.进一步，如图8所示，该终端设备还包括：通信组件82、电源组件83等其它组件。图8中仅示意性给出部分组件，并不意味着计算设备只包括图8所示组件。
126.值得说明的是，上述关于计算设备各实施例中的技术细节，可参考前述的方法实施例中的相关描述，为节省篇幅，在此不再赘述，但这不应造成本技术保护范围的损失。
127.相应地，本技术实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被执行时能够实现上述方法实施例中可由计算设备执行的各步骤。
128.上述图8中的通信组件，被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如wifi，2g、3g、4g/lte、5g等移动通信网络，或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
129.上述图8中的电源组件，为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
130.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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。
131.本技术是参照根据本技术实施例的方法、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。
132.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。
133.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。
134.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
135.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
136.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd
‑
rom)、
数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
137.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
138.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。