一种显示屏信息采集方法、设备及介质与流程

1.本技术涉及图像处理领域，具体涉及一种显示屏信息采集方法、设备及介质。


背景技术：

2.由于在某些领域，比如铁路ctc调度集中控制系统中不允许接入外来的系统，假如想要获取此类系统的显示屏信息，只能从外部单独设置一个图像采集装置，进而使用图像采集装置获取待采集显示屏的拍摄图像，然后再对拍摄图像进行畸变校正、反光处理等步骤，才能还原该待采集显示屏的显示图像。为不影响工作人员对于显示屏的使用，图像采集装置必须放置在靠近待采集显示屏的地方，甚至是抵近显示屏。但是现有的图像采集装置的摄像头一旦不能正对待采集显示屏，很容易造成图像扭曲等现象。
3.因此，亟需一种显示屏信息采集方法，能够使得即使图像采集装的摄像头不正对显示屏，也能够获取到正常图像。


技术实现要素：

4.为了解决上述问题，本技术提出了一种显示屏信息采集方法、设备及介质，其中，显示屏信息采集方法应用于显示屏信息采集装置，所述显示屏信息采集装置包括图像采集装置、无线模块、处理模块；方法包括：
5.通过所述图像采集装置获取待采集显示屏的拍摄图像，并将所述拍摄图像分为第一局部图像、第二局部图像、第三局部图像、第四局部图像，使得所述第一局部图像位于所述拍摄图像的左上方，所述第二局部图像位于所述拍摄图像的右上方，所述第三局部图像位于所述拍摄图像的左下方，所述第四局部图像位于所述拍摄图像的右下方；将所述第二局部图像进行左右翻转，将所述第三局部图像进行上下翻转，将所述第四局部图像进行上下翻转及左右翻转；确定预设卷积神经网络模型，通过所述预设卷积神经网络模型分别确定所述第一局部图像、翻转后的所述第二局部图像、翻转后的所述第三局部图像及翻转后的所述第四局部图像内对应的所述待采集显示屏的屏幕角坐标；根据透视变换，以及所述屏幕角坐标，将所述拍摄图像还原为显示图像。
6.在一个示例中，通过所述预设卷积神经网络模型分别确定所述第一局部图像、翻转后的所述第二局部图像、翻转后的所述第三局部图像及翻转后的所述第四局部图像对应的所述待采集显示屏的屏幕角坐标，具体包括：对所述第一局部图像、所述翻转后的第二局部图像、所述翻转后的第三局部图像及所述翻转后的第四局部图像进行预处理，所述预处理方式包括：失焦修复、图像不均匀消除中的至少一种；将所述预处理后的图像转化为三通道、像素个数为256*256的待输入图像。
7.在一个示例中，将所述预处理后的图像转化为三通道、像素个数为256*256的待输入图像之后，所述方法还包括：通过所述预设卷积神经网络模型中的卷积层以及全连接层，确定所述屏幕角坐标中的横坐标以及纵坐标。
8.在一个示例中，通过所述预设卷积神经网络模型中的卷积层以及全连接层，确定
所述屏幕角坐标中的横坐标，具体包括：将所述待输入图像输入至所述预设卷积神经网络模型中，通过第一横坐标卷积层将所述待输入图像的图像信息进行下采样，转化为32通道、像素个数为128*64的第一横坐标图像矩阵；通过第二横坐标卷积层将所述第一横坐标图像矩阵进行下采样，转化为256通道、像素个数为64*16的第二横坐标图像矩阵；通过第三横坐标卷积层将所述第二横坐标图像矩阵进行下采样，转化为256通道、像素个数为32*4的第三横坐标图像矩阵；通过第四横坐标卷积层将所述第三横坐标图像矩阵进行下采样，转化为256通道、像素个数为16*1的第四横坐标图像矩阵；所述第一横坐标卷积层、所述第二横坐标卷积层、所述第三横坐标卷积层、所述第四横坐标卷积层采用3*5维的矩形卷积核，且通过2*4的池化卷积核进行最大池化；；通过第一横坐标全连接层将所述第四横坐标图像信息转化为16通道、256*1维的第五横坐标图像矩阵；通过第二横坐标全连接层将所述第五横坐标图像矩阵转化为256通道、16*1维的横坐标向量组；通过归一化指数函数及所述横坐标向量组，确定所述待采集显示屏的屏幕角坐标中的横坐标。
9.在一个示例中，通过所述预设卷积神经网络模型中的卷积层以及全连接层，确定所述屏幕角坐标中的纵坐标，具体包括：将所述待输入图像输入至所述预设卷积神经网络模型中，通过第一纵坐标卷积层将所述待输入图像的图像信息进行下采样，转化为32通道、像素个数为64*128的第一纵坐标图像矩阵；通过第二横坐标卷积层将所述第一纵坐标图像矩阵进行下采样，转化为256通道、像素个数为16*64的第二纵坐标图像矩阵；通过第三横坐标卷积层将所述第二纵坐标图像矩阵进行下采样，转化为256通道、像素个数为4*32的第三纵坐标图像矩阵；通过第四横坐标卷积层将所述第三纵坐标图像矩阵进行下采样，转化为256通道、像素个数为1*16的第四纵坐标图像矩阵；所述第一纵坐标卷积层、所述第二纵坐标卷积层、所述第三纵坐标卷积层、所述第四纵坐标卷积层采用5*3维的矩形卷积核，且通过4*2的池化卷积核进行最大池化；通过第一纵坐标全连接层将所述第四纵坐标图像信息转化为16通道、256*1维的第五纵坐标图像矩阵；通过第二纵坐标全连接层将所述第五纵坐标图像矩阵转化为256通道、16*1维的纵坐标向量组；通过归一化指数函数及所述纵坐标向量组，确定所述所述确定所述屏幕角坐标中的纵坐标。
10.在一个示例中，所述使用透视变换的方法，通过所述屏幕角坐标，将所述拍摄图像还原为显示图像，具体包括：将所述屏幕角坐标根据所述局部图像的翻转关系，转化为全局图像角坐标；根据所述透视变换方法及所述全局图像的角坐标，将所述拍摄图像还原为所述待采集显示屏的显示图像。
11.在一个示例中，所述方法还包括：确定所述局部图像中不包含所述待采集显示屏的屏幕角坐标；通过所述无线模块发出告警信息，以能够根据所述告警信息挪动所述图像采集装置。
12.在一个示例中，所述方法还包括：确定计算工作量超出预设阈值，通过所述无线传输模块将所述拍摄图像传输至服务器进行计算；通过所述无线传输模块接收经过所述服务器进行还原的所述显示图像。
13.本技术还提供了一种显示屏信息采集设备，包括：
14.至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：通过图像采集装置获取待采集显示屏的拍摄图像，并
将所述拍摄图像分为第一局部图像、第二局部图像、第三局部图像、第四局部图像，使得所述第一局部图像位于所述拍摄图像的左上方，所述第二局部图像位于所述拍摄图像的右上方，所述第三局部图像位于所述拍摄图像的左下方，所述第四局部图像位于所述拍摄图像的右下方；将所述第二局部图像进行左右翻转，将所述第三局部图像进行上下翻转，将所述第四局部图像进行上下翻转及左右翻转；确定预设卷积神经网络模型，通过所述预设卷积神经网络模型分别确定所述第一局部图像、翻转后的所述第二局部图像、翻转后的所述第三局部图像及翻转后的所述第四局部图像内对应的所述待采集显示屏的屏幕角坐标；根据透视变换，以及所述屏幕角坐标，将所述拍摄图像还原为显示图像。
15.本技术还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：通过图像采集装置获取待采集显示屏的拍摄图像，并将所述拍摄图像分为第一局部图像、第二局部图像、第三局部图像、第四局部图像，使得所述第一局部图像位于所述拍摄图像的左上方，所述第二局部图像位于所述拍摄图像的右上方，所述第三局部图像位于所述拍摄图像的左下方，所述第四局部图像位于所述拍摄图像的右下方；将所述第二局部图像进行左右翻转，将所述第三局部图像进行上下翻转，将所述第四局部图像进行上下翻转及左右翻转；确定预设卷积神经网络模型，通过所述预设卷积神经网络模型分别确定所述第一局部图像、翻转后的所述第二局部图像、翻转后的所述第三局部图像及翻转后的所述第四局部图像内对应的所述待采集显示屏的屏幕角坐标；根据透视变换，以及所述屏幕角坐标，将所述拍摄图像还原为显示图像。
16.通过本技术提出的方法能够使得即使图像采集装的摄像头不正对显示屏，也能够获取到正常图像，解决了在某些安全戒备较高的系统中，无法获取到显示屏内容的问题，从而使得该安全戒备较高的系统即使不与其他系统相连，外接系统也能够通过设置图像采集装置，来获取待采集显示屏的显示图像。
附图说明
17.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：
18.图1为本技术实施例中一种显示屏信息采集方法示意图；
19.图2为本技术实施例中一种通过卷积神经网络模型确定屏幕角坐标流程示意图；
20.图3为本技术实施例中一种显示屏信息采集设备示意图。
具体实施方式
21.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。
22.本技术实施例涉及的分析方法的实现可以为终端设备，也可以为服务器，本技术对此不作特殊限制。为了方便理解和描述，以下实施例均以终端设备为例进行详细描述。以下结合附图，详细说明本技术各实施例提供的技术方案。
23.如图1所示，本技术实施例提供一种显示屏信息采集方法，应用于显示屏信息采集
装置，显示屏信息采集装置包括图像采集装置、无线模块、处理模块。其中，图像采集装置用于采集显示屏的图像数据，可以使用摄像头、高清相机等装置。无线模块用于与云端之间的数据交互，处理模块用于本地对于图像数据的处理。显示屏信息采集方法包括：
24.s101：通过所述图像采集装置获取待采集显示屏的拍摄图像，并将所述拍摄图像分为第一局部图像、第二局部图像、第三局部图像、第四局部图像，使得所述第一局部图像位于所述拍摄图像的左上方，所述第二局部图像位于所述拍摄图像的右上方，所述第三局部图像位于所述拍摄图像的左下方，所述第四局部图像位于所述拍摄图像的右下方。
25.首先需要通过图像采集装置对待采集显示屏进行拍摄，得到待采集显示屏的拍摄图像，然后将该拍摄图像十字四等分为第一局部图像、第二局部图像、第三局部图像、第四局部图像。其中，第一局部图像位于原拍摄图像的左上角，第二局部图像位于原拍摄图像的右上角，第三局部图像位于原拍摄图像的左下角，第四局部图像位于原拍摄图像的右下角。
26.s102：将所述第二局部图像进行左右翻转，将所述第三局部图像进行上下翻转，将所述第四局部图像进行上下翻转及左右翻转。
27.将拍摄图像十字等分为四个局部图像之后，由于待采集显示屏是矩形，那么拍摄图像中的显示屏会呈现一个梯形的形状，默认显示屏的显示图像的四个角都在拍摄图像中，且每个局部图像中都有一个待采集显示屏的显示图像的一个角。在此基础上，将第二局部图像进行左右翻转，将第三局部图像进行上下翻转，将第四局部图像进行上下及左右翻转。这样一来，四个局部图像内都会有全局图像中，梯形的一角，且朝向基本相同。
28.s103：确定预设卷积神经网络模型，通过所述预设卷积神经网络模型分别确定所述第一局部图像、翻转后的所述第二局部图像、翻转后的所述第三局部图像及翻转后的所述第四局部图像内对应的所述待采集显示屏的屏幕角坐标。
29.首先需要确定预先设置并训练好的卷积神经网络模型，这里的卷积神经网络模型的输入是局部图像，输出是局部图像中待采集显示屏的屏幕角坐标，也就是局部图像内梯形一角的顶点坐标。这里我们将第一局部图像以及翻转后的第二、第三、第四局部图像的左上角作为原点，建立坐标系。将第一局部图像、翻转后的第二、第三、第四局部图像输入至卷积神经网络模型中，然后输出翻转后的局部图像内的梯形一角的顶点坐标。为方便称呼，可以分别将第一、翻转后的第二、第三、第四局部图像中的顶点坐标称为(u1，v1)、(u2，v2)、(u3，v3)、(u4，v4)。
30.s104：根据透视变换，以及所述屏幕角坐标，将所述拍摄图像还原为显示图像。
31.得到了翻转后的局部图像中包含的待采集显示屏内的显示内容之后，使用透视变换的方法，将拍摄图像还原为显示图像。也就通过外设的图像采集装置得到了显示屏的显示内容。
32.在一个实施例中，将局部图像输入卷积神经网络模型之后，首先需要对局部图像进行预处理。根据局部图像判断图像内是否包含镜头失焦、图像不均匀等情况，再采用相应的方法处理局部图像，以降低后续过程中识别顶点时的影响。并将预处理的图像转化为三通道(rgb)、像素个数为256*256的待输入图像，以方便后续过程中卷积神经网络模型对待输入图像的处理，减小计算量。
33.进一步地，对局部图像预处理并转化为待输入图像之后，卷积神经网络模型会通过卷积层以及全连接层对待输入图像进行处理，从而确定局部图像中顶点的横坐标以及纵
坐标。
34.如图2所示，神经网络的卷积层下采样算法，x、y两个网络通道分别采用了4x4-＞2x1和4x4-＞1x2两种模式，如此递推下去，最终把256x256方阵压缩成左右两个256通道的16x1和1x16维向量组。具体地讲，在确定局部图像中屏幕角坐标的横坐标时，需要将待输入图像输入至卷积神经网络模型中，并通过第一横坐标卷积层，即图中的xconv1卷积层，将所述待输入图像的图像信息进行下采样，转化为32通道、像素个数为128*64的第一横坐标图像矩阵；通过第二横坐标卷积层，即图中的xconv2卷积层，将第一横坐标图像矩阵进行下采样，转化为256通道、像素个数为64*16的第二横坐标图像矩阵；通过第三横坐标卷积层，即图中的xconv3卷积层，将第二横坐标图像矩阵进行下采样，转化为256通道、像素个数为32*4的第三横坐标图像矩阵；通过第四横坐标卷积层，即图中的xconv4卷积层，将第三横坐标图像矩阵进行下采样，转化为256通道、像素个数为16*1的第四横坐标图像矩阵；其中，第一横坐标卷积层、第二横坐标卷积层、第三横坐标卷积层、第四横坐标卷积层都采用3*5维的矩形卷积核，且通过2*4的池化卷积核进行最大池化，以使图像矩阵卷积之后的行数改变为卷积之前的二分之一，列数改变为卷积之前的四分之一。再通过第一全连接层，即图中的xfn256卷积层，将第四横坐标图像信息转化为256*1的第五横坐标图像矩阵；通过第二全连接层，即图中的xfn16卷积层，将第五横坐标图像矩阵转化为16*1的第六横坐标图像矩阵；通过归一化指数函数及第六横坐标图像矩阵，从而确定局部图像中顶点的横坐标，即u1、u2、u3、u4的值。
35.基于同样思路，在确定局部图像中顶点的纵坐标时，将所述待输入图像输入至所述预设卷积神经网络模型中，通过第一纵坐标卷积层，即图中的yconv1卷积层，将待输入图像的图像信息进行下采样，转化为32通道、像素个数为64*128的第一纵坐标图像矩阵；通过第二横坐标卷积层，即图中的yconv2卷积层，将第一纵坐标图像矩阵进行下采样，转化为256通道、像素个数为16*64的第二纵坐标图像矩阵；通过第三横坐标卷积层，即图中的yconv3卷积层，将第二纵坐标图像矩阵进行下采样，转化为256通道、像素个数为4*32的第三纵坐标图像矩阵；通过第四横坐标卷积层，即图中的yconv4卷积层，将第三纵坐标图像矩阵进行下采样，转化为256通道、像素个数为1*16的第四纵坐标图像矩阵；其中，第一纵坐标卷积层、第二纵坐标卷积层、第三纵坐标卷积层、第四纵坐标卷积层都采用5*3维的矩形卷积核，且通过4*2的池化卷积核进行最大池化，以使图像矩阵卷积之后的行数改变为卷积之前的四分之一，列数改变为卷积之前的二分之一。再通过第一全连接层，即图中的yfn256卷积层，将第四纵坐标图像信息转化为256*1的第五纵坐标图像矩阵；通过第二全连接层，即图中的yfn16卷积层，将第五纵坐标图像矩阵转化为16*1的第六纵坐标图像矩阵；通过归一化指数函数及第六纵坐标图像矩阵，从而确定待采集显示屏的图像角纵坐标，即确定v1、v2、v3、v4的值。其中，x、y两个通道的卷积核分别采用3*5和5*3矩形卷积核。
36.在一个实施例中，在得到翻转后的局部图像中，梯形的四个角的顶点坐标之后，根据翻转关系以及图像的大小，将顶点坐标还原至翻转之前的顶点坐标。即通过(u1，v1)、(u2，v2)、(u3，v3)、(u4，v4)确定在原拍摄图像中(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)然后再根据透视变换的方法，将拍摄图像还原为待采集显示屏的显示图像。
37.在一个实施例中，由于有的时候可能因为图像采集装置的放置位置太过偏僻，因此得到的拍摄图像可能因为变形严重，导致根据十字等分得到的四个局部图像中，存在局
部图像中出现不包含梯形一角的现象。这个时候可以通过无线传输模块发出告警信息，以能够根据告警信息挪动图像采集装置，挪动方式可以是通过工作人员进行挪动，也可以是在图像采集装置下安装导轨，在此不作限定。如果挪动后，还是出现这种情况，无线传输模块将会持续告警，直到这种情况消失。
38.在一个实施例中，由于在图像的处理以及顶点的识别过程中，可能会出现计算量过大的情况，如果显示屏信息采集任务要求的实时性较为严格，可能会出现机器反应较慢的情况。为避免这种情况发生，可以通过处理模块实时监控处理模块内的计算工作量，如果计算工作量超出预设阈值，则通过无线模块将拍摄图像传输至云端，并通过云端对拍摄图像进行处理，从而减缓处理模块的计算工作压力。然后再通过无线传输模块接收云端还原的显示图像。
39.如图3所示，本技术实施例还提供了一种显示屏信息采集设备，包括：
40.至少一个处理器；以及，
41.与所述至少一个处理器通信连接的存储器；其中，
42.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
43.通过图像采集装置获取待采集显示屏的拍摄图像，并将所述拍摄图像分为第一局部图像、第二局部图像、第三局部图像、第四局部图像，使得所述第一局部图像位于所述拍摄图像的左上方，所述第二局部图像位于所述拍摄图像的右上方，所述第三局部图像位于所述拍摄图像的左下方，所述第四局部图像位于所述拍摄图像的右下方；
44.将所述第二局部图像进行左右翻转，将所述第三局部图像进行上下翻转，将所述第四局部图像进行上下翻转及左右翻转；
45.确定预设卷积神经网络模型，通过所述预设卷积神经网络模型分别确定所述第一局部图像、翻转后的所述第二局部图像、翻转后的所述第三局部图像及翻转后的所述第四局部图像内对应的所述待采集显示屏的屏幕角坐标；
46.根据透视变换，以及所述屏幕角坐标，将所述拍摄图像还原为显示图像。
47.本技术实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
48.通过图像采集装置获取待采集显示屏的拍摄图像，并将所述拍摄图像分为第一局部图像、第二局部图像、第三局部图像、第四局部图像，使得所述第一局部图像位于所述拍摄图像的左上方，所述第二局部图像位于所述拍摄图像的右上方，所述第三局部图像位于所述拍摄图像的左下方，所述第四局部图像位于所述拍摄图像的右下方；
49.将所述第二局部图像进行左右翻转，将所述第三局部图像进行上下翻转，将所述第四局部图像进行上下翻转及左右翻转；
50.确定预设卷积神经网络模型，通过所述预设卷积神经网络模型分别确定所述第一局部图像、翻转后的所述第二局部图像、翻转后的所述第三局部图像及翻转后的所述第四局部图像内对应的所述待采集显示屏的屏幕角坐标；
51.根据透视变换，以及所述屏幕角坐标，将所述拍摄图像还原为显示图像。
52.本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介
质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
53.本技术实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
54.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。
55.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。
56.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。
57.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。
58.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。
59.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。
60.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。
61.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。
62.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权利要求范围之内。