一种防振锤滑移的检测方法、装置及设备与流程

1.本发明涉及目标检测技术领域，特别是指一种防振锤滑移的检测方法、装置及设备。


背景技术：

2.长期稳定供电能够保障居民的稳定生活以及国家经济的发展，因此输电线路的安全防护至关重要。国内外常见的电力导线断股原因主要是微风振动导致的线路疲劳最终形成断股，而防振锤作为输电线路中的保护金具在防护电力导线断裂中起到了弥足轻重的作用，将防振锤应安装在导线振动的波动波腹处，能够有效地防止导线震动。
3.但是由于输电线路年久失修，一些防振锤会偏离原来位置对导线失去了保护作用，造成电力导线断股或失修等危害。由于防振锤的安放位置在保护电力导线中起着关键作用，因此对其进行检测至关重要。对于防振锤滑移目标的检测，传统人工筛检方式成本高、效率低、对大量检测数据不能做出及时的处理。


技术实现要素：

4.本发明提供了一种防振锤滑移的检测方法、装置及设备。实现了在不同场景下对防振锤滑移异常的检测，可适应多种环境变化，满足无人机巡检的实际需求，具有很好的鲁棒性和泛化能力。
5.为解决上述技术问题，本发明的实施例提供以下方案：
6.一种防振锤滑移的检测方法，包括：
7.获取输电线路的检测图片；
8.将所述检测图片通过目标网络进行特征处理，得到所述检测图片对应的目标特征；
9.根据所述目标特征，得到所述检测图片中防振锤和防振锤对应的关联部位的实际距离；
10.根据所述实际距离判断防振锤滑移是否存在滑移的检测结果。
11.可选的，将所述检测图片通过目标网络进行特征处理，得到所述检测图片对应的目标特征，包括：
12.将所述检测图片输入第一目标网络进行特征提取处理，得到第一目标特征；
13.对所述第一目标特征中的多个子特征进行特征结合处理，得到第二目标特征；所述特征结合处理用于将低于目标分辨率且语义强度大于目标语义强度的第一子特征与高于目标分辨率且语义强度小于目标语义强度的第二子特征相结合。
14.可选的，将所述检测图片输入第一目标网络进行特征提取处理，得到第一目标特征，包括：
15.将所述检测图片进行1
×
1的卷积处理，得到s个特征图子集xi；其中，i∈{1,2,...,s}；
16.对除了特征图子集x1以外的(s-1)个特征图子集xi进行3
×
3的卷积处理，得到第一目标特征yi。
17.可选的，对除了特征图子集x1以外的(s-1)个特征图子集xi进行3
×
3的卷积处理，得到第一目标特征yi，包括：
18.将所述特征图子集x1作为第一目标特征y1；
19.对(s-1)个特征图子集xi进行3
×
3的卷积处理，得到第一目标特征yn，其中n∈{2,3,...,s}；
20.根据所述y1和yn，得到第一目标特征
21.其中，yi为第一目标特征，xi为特征图子集，ki(xi)表示对特征图子集xi进行3
×
3的卷积处理，s为特征图子集的数量。
22.可选的，根据所述目标特征，得到所述检测图片中防振锤和防振锤对应的关联部位的实际距离，包括：
23.根据所述目标特征对应的防振锤的第一坐标信息以及所述防振锤对应的关联部位的第二坐标信息，得到防振锤和防振锤对应的关联部位的图像距离；
24.根据所述图像距离和检测图片的相机参数，得到所述检测图片中防振锤和防振锤对应的关联部位的实际距离。
25.可选的，对所述实际距离进行判别处理，得到防振锤滑移的判别结果，包括：
26.获取所述实际距离和标准安装距离之间的滑移偏差值；
27.根据所述滑移偏差值与预设滑动阈值，得到防振锤滑移是否存在滑移的检测结果。
28.可选的，根据所述滑移偏差值与预设滑动阈值，得到防振锤滑移是否存在滑移的检测结果，包括：
29.若|d-dr|≤t，则判别结果为防振锤不存在滑移；
30.若|d-dr|＞t，则判别结果为防振锤存在滑移；
31.其中，d为防振锤和防振锤对应的关联部位的实际距离，dr为标准安装距离，t为预设滑动阈值。
32.本发明还提供一种防振锤滑移的检测装置，包括：
33.获取模块，用于获取输电线路的检测图片；
34.处理模块，用于将所述检测图片通过目标网络进行特征处理，得到所述检测图片对应的目标特征；根据所述目标特征，得到所述检测图片中防振锤和防振锤对应的关联部位的实际距离；根据所述实际距离判断防振锤滑移是否存在滑移的检测结果。
35.本发明提供一种电子设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如上述的防振锤滑移的检测方法的步骤。
36.本发明还提供一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如上述的防振锤滑移的检测方法的步骤。
37.本发明的上述方案至少包括以下有益效果：
38.本发明的上述方案，通过获取输电线路的检测图片；将所述检测图片通过目标网络进行特征处理，得到所述检测图片对应的目标特征；根据所述目标特征，得到所述检测图片中防振锤和防振锤对应的关联部位的实际距离；根据所述实际距离判断防振锤滑移是否存在滑移的检测结果。实现了在不同场景下对防振锤滑移异常的检测，可适应多种环境变化，满足无人机巡检的实际需求，具有很好的鲁棒性和泛化能力。
附图说明
39.图1为本发明实施例的防振锤滑移的检测方法的流程示意图；
40.图2为本发明实施例的防振锤滑移的检测方法中特征处理的流程示意图；
41.图3为本发明提供的具体的实施例1中瓶颈结构的卷积模块的结构示意图；
42.图4为本发明提供的具体的实施例1中多尺度骨干网络模块的结构示意图；
43.图5为本发明实施例的防振锤滑移的检测装置的结构示意图。
具体实施方式
44.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
45.如图1所示，本发明提供一种防振锤滑移的检测方法，包括：
46.步骤11，获取输电线路的检测图片；
47.步骤12，将所述检测图片通过目标网络进行特征处理，得到所述检测图片对应的目标特征；
48.步骤13，根据所述目标特征，得到所述检测图片中防振锤和防振锤对应的关联部位的实际距离；
49.步骤14，根据所述实际距离判断防振锤滑移是否存在滑移的检测结果。
50.该实施例中，优选通过无人机巡检获取输电线路的检测图片，将检测图片通过目标网络进行特征处理，得到所述检测图片对应的目标特征，这里的目标网络优选为cascade r-cnn网络(级联目标检测网络)，根据目标特征，通过对检测图片中的防振锤和防振锤对应的关联部位之间的语义关系，得到防振锤和防振锤对应的关联部位之间的实际距离，进而根据实际距离判断防振锤滑移是否存在滑移的检测结果；实现了在不同场景下对防振锤滑移异常的检测，可适应多种环境变化，满足无人机巡检的实际需求，具有很好的鲁棒性和泛化能力。
51.需要说明的是，这里的cascade r-cnn网络可用于训练多级联的检测器，实现对防振锤及其关联部件的检测与定位；
52.其中，cascade r-cnn网络是表现优异的两阶段目标检测算法，提出了一种多阶段目标检测体系结构，级联目标检测网络由一系列经过提高iou(intersection over union，重叠度)阈值训练的检测器组成，检测器是按顺序训练的，每个阶段负责预测特定类别下的置信度分数给定的前景/背景阈值，由于在目标检测需要为每个目标实例分配一个类别标
签，该类别标签如防振锤、线夹等，使用检测器的输出作为下一个检测器的训练集这种方式能够逐步提高假设质量，保证了所有检测器的正训练集大小相等，并最小化了过度拟合。
53.本发明一可选的实施例中，步骤12包括：
54.步骤121，将所述检测图片输入第一目标网络进行特征提取处理，得到第一目标特征；
55.步骤122，对所述第一目标特征中的多个子特征进行特征结合处理，得到第二目标特征；所述特征结合处理用于将低于目标分辨率且语义强度大于目标语义强度的第一子特征与高于目标分辨率且语义强度小于目标语义强度的第二子特征相结合。
56.如图2所示，本实施例中，目标网络包括第一目标网络和第二目标网络，将来自无人机巡检的输电线路的检测图片输入第一目标网络进行特征提取处理，得到第一目标特征，这里的第一目标特征包括若干个子特征，将第一目标特征的多个子特征作为输入，输入第二目标网络进行特征结合处理，得到第二目标特征；这里的第二目标网络进行特征结合处理即为对第一目标特征进行视觉关系上的处理，视觉关系是图像中目标间的相互作用，存在于所有由多个物体组成的图片(检测图片)中，而每个目标间的关系在语义上是相互关联的；因此，将相关目标关系抽象，说明物体之间的交互行为即可判断防振锤是否滑移；
57.需要说明的是，第二目标网络优选为fpn网络(语义分割网络)，通过fpn网络可以在基本不增加原有模型计算量的情况下，大幅度提升了较小缺陷目标检测的性能，fpn网络通过自上而下的路径和横向连接将低分辨率语义强的特征与高分辨率语义弱的特征相结合，构建了具有更多层的特征金字塔信息，能够获取检测图片中所检测目标(防振锤)准确定位的低级信息和高级信息，使得目标的特征更具有鲁棒性，可有效提高较小目标的检测精度，能够极大程度上提升防振锤相关目标检测精度，确保后续工作中防振锤滑移目标判断的正确性。
58.本发明一可选的实施例中，步骤121包括：
59.步骤1211，将所述检测图片进行1
×
1的卷积处理，得到s个特征图子集xi；其中，i∈{1,2,...,s}；
60.步骤1212，对除了特征图子集x1以外的(s-1)个特征图子集xi进行3
×
3的卷积处理，得到第一目标特征yi。
61.本实施例中，这里的第一目标网络优选为res2net网络(多尺度骨干网络)，通过res2net网络可在更细粒度的级别上提高多尺度表示能力，这里res2net网络所提出的多尺度是指多个更细粒度的可用感受野，其中，感受野是指在卷积神经网络中，特征图上的某个点能看到的输入图像的区域，即特征图上的点是由输入图像中感受野大小区域的计算得到的；
62.第一目标网络对输入的检测图片进行1
×
1的卷积处理，经1
×
1的卷积处理后将检测图片对应的特征图平均分成s个特征图子集xi；其中，i∈{1,2,...,s}，与输入的检测图片相比，这里的每个特征图子集xi具有相同的空间大小，通道数为1/s，每个特征图子集xi对应有一个3
×
3的卷积处理，对除了特征图子集x1以外的剩余(s-1)个特征图子集xi进行3
×
3的卷积处理，得到第一目标特征yi。
63.本发明一可选的实施例中，具体的，步骤1212包括：
64.步骤12121，将所述特征图子集x1作为第一目标特征y1；
65.步骤12122，对(s-1)个特征图子集xi进行3
×
3的卷积处理，得到第一目标特征yn，其中n∈{2,3,...,s}；
66.步骤12123，根据所述y1和yn，得到第一目标特征
[0067][0068]
其中，yi为第一目标特征，xi为特征图子集，ki(xi)表示对特征图子集xi进行3
×
3的卷积处理，s为特征图子集的数量。
[0069]
本实施例中，将每个特征图子集xi对应的一个3
×
3的卷积处理，用ki(xi)表示对特征图子集xi进行3
×
3的卷积处理，其中，特征图子集x1不进行3
×
3的卷积处理，将特征图子集x1直接作为第一目标特征y1，对(s-1)个特征图子集xi进行3
×
3的卷积处理，每个(s-1)个特征图子集xi与上一特征图子集x
i-1
的输出相加作为特征图子集xi进行3
×
3的卷积处理的输入，得到第一目标特征yn，其中n∈{2,3,...,s}；根据y1和yn，可得到第一目标特征
[0070]
一个具体的实施例1中，通过res2net网络(多尺度骨干网络)对检测图片进行特征提取处理，这里的多尺度是指多个更细粒度的可用感受野；
[0071]
如图3所示，瓶颈结构的卷积模块对输入的检测图片先通过1
×
1的卷积处理，再通过3
×
3的卷积处理，最后进行1
×
1的卷积处理；
[0072]
如图4所示，res2net module(多尺度骨干网络模块)相较于瓶颈结构的卷积模块用一组较小的滤波器组替换了n个通道的3
×
3滤波器，每个滤波器组都有w个通道；具体的，对输入的检测图片先通过1
×
1的卷积处理，再通过较小的过滤器组以类似分层残差的样式连接用来增加输出特征可以表示的尺度数量，具体的，将输入的检测图片分为几组特征图子集，过滤器首先从一组输入的特征图子集中进行提取特征，然后将前一组的输出特征与另一组输入特征图子集一起发送到下一组过滤器，将上述过程重复至处理完所有的特征图子集，最后将来自所有组的特征图子集的输出连接并发送到1
×
1的卷积处理的过滤器以完全融合信息，随着输入特征图子集转换为输出特征图子集的任何可能路径，每当它通过3
×
3的卷积处理的过滤器时等效感受野就会增加，这种先拆分后融合的策略能够使卷积可以更高效的处理特征，使网络的特征提取能力更强大。
[0073]
本发明一可选的实施例中，步骤13包括：
[0074]
步骤131，根据所述目标特征对应的防振锤的第一坐标信息以及所述防振锤对应的关联部位的第二坐标信息，得到防振锤和防振锤对应的关联部位的图像距离；
[0075]
步骤132，根据所述图像距离和检测图片的相机参数，得到所述检测图片中防振锤和防振锤对应的关联部位的实际距离。
[0076]
本实施例中，根据目标特征对应的防振锤的第一坐标信息以及防振锤对应的关联
部位的第二坐标信息，计算出二者在检测图像中的图像距离d，进而可根据检测图片对应的相机参数，通过计算或推算处理，得到检测图片中二者的实际距离d；
[0077]
其中，图像距离d可根据公式计算得到，实际距离d可根据d＝f(d)计算得到，其中，(x1，y1)为第一坐标信息，(x2，y2)为第二坐标信息，f(d)为图像距离与实际距离变换公式的求解公式。
[0078]
本发明一可选的实施例中，步骤14包括：
[0079]
步骤141，获取所述实际距离和标准安装距离之间的滑移偏差值；
[0080]
步骤142，根据所述滑移偏差值与预设滑动阈值，得到防振锤滑移是否存在滑移的检测结果。
[0081]
本实施例中，标准安装距离根据防振锤的实际情况而定，不同的防振锤在不同场景下的标准安装距离不一定相同，根据标准安装距离，得到实际距离和标准安装距离之间的滑移偏差值，将滑移偏差值与预设滑动阈值进行比较，根据比较结果得到防振锤滑移的检测结果；这里的预设滑动阈值可根据经验值而定。
[0082]
本发明一可选的实施例中，步骤142包括：
[0083]
步骤1421，若|d-dr|≤t，则判别结果为防振锤不存在滑移；
[0084]
步骤1422，若|d-dr|＞t，则判别结果为防振锤存在滑移。
[0085]
本实施例中，t为预设滑动阈值，|d-dr|为滑移偏差值，将预设滑动阈值t和滑移偏差值|d-dr|进行大小对比，当滑移偏差值|d-dr|不大于预设滑动阈值t，则判别结果为防振锤不存在滑移；当滑移偏差值|d-dr|小于预设滑动阈值t，则判别结果为防振锤存在滑移；
[0086]
需要说明的是，这里的防振锤滑移的情况可以包括：
[0087]
(1)防振锤并排现象；
[0088]
(2)防振锤与绝缘子相对距离超过标准安装距离(或接触)；
[0089]
(3)线夹两侧防振锤相对距离超过标准安装距离(或接触)；
[0090]
(4)防振锤与连接金具相对距离超过标准安装距离(或接触)。
[0091]
一个具体的实施例2中，将pytorch作为深度学习框架，使用经过imagenet-1000(图像训练可视化数据库)预训练的模型在输电线路数据集上做迁移学习，随机初始化其他层的参数；
[0092]
首先，通过cascade r-cnn网络训练防振锤、线夹、连接金具以及绝缘子四类目标，训练过程中三次判断正负样本的iou阈值分别设为0.5、0.6、0.7，输入图像训练尺寸为((1200，600)，(2400，1200))，学习率初始化为0.01；
[0093]
训练集共22873，测试集7600，共经过150000轮迭代，得到的最优模型预判目标，结合语义位置关系和距离关系判断在图片档距范围内是否出现防振锤滑移异常，并将预测结果在测试集上进行测试，采用目标识别应用中常用的评价标准精准率(precision)和召回率(recall)评估算法的有效性；
[0094]
具体地，通过公式：
[0095]
[0096][0097]
其中，tp为防振锤滑移目标被算法正确检测的数量，fp为被算法错误分类为防振锤滑移目标的数量，fn为算法遗漏的防振锤滑移目标；
[0098]
得到如下的模型实验结果：
[0099]
表1
[0100][0101][0102]
如表1所示，通过7600张测试集进行模型实验，表1中的测试数据表明相关部件在输电线巡检数据集上检测效果显著，可实现0.9以上的平均检测精度；且召回率都在0.95以上，说明部件目标漏检情况极少发生，为之后的防振锤滑移工作提供了良好的基础，其中，ap为average precision，平均精准度。
[0103]
一个具体的实施例3中，通过目标在语义上的相互关联性，将表1中的模型预测部件识别结果和防振锤相关部件空间位置关系映射到向量空间，通过距离约束判定防振锤滑移异常；具体地，通过下述步骤对防振锤滑移是否异常进行判断：
[0104]
(1)判断检测图像中是否出现防振锤目标及目标个数；
[0105]
(2)判断检测图像中是否出现防振锤相关联部件目标，如绝缘子、线夹、连接金具；
[0106]
(3)当图像中出现n(n≥2)个防振锤时，利用几何约束关系及聚类分析算法实现异常判别，将图片中所示的二维空间通过cayley-menger行列式提供的距离几何约束，结合加权质心计算约束距离，进行判断；
[0107]
(4)若出现防振锤相关联部件目标，还需计算出相邻部件与防振锤之间的x轴间距，并转化为世界坐标，通过距离约束判定防振锤滑移异常；
[0108]
上述步骤(1)至步骤(4)的实现算法如下：
[0109]
algorithm:判断防振锤滑移
[0110]
input detect_results,防振锤数n,标准安装距离,滑动阈值t
[0111]
if n＝0then无防振锤滑移目标
[0112]
else
[0113]
if n≥2
[0114]
if cayley-menger(box)》t then return存在防振锤滑,(box,score)
[0115]
else输出无防振锤滑移
[0116]
if绝缘子in d or线夹in d or连接金具in d then
[0117]
xi,yi＝box[j][0],box[j][1]
[0118]
xj,yj＝box[j][0],box[j][1]
[0119]
[0120]
d＝f(d)
[0121]
if then return存在防振锤滑,(box,score)
[0122]
else输出无防振锤滑移
[0123]
end
[0124]
使用上述实现算法对输电线路不同场景下的现场图片数据进行验证，在实验中共收集了2831张混合有防振锤滑移异常与正常无异常的数据用于检测所提算法的有效性，并对检测结果进行了可视化分析，本实施例中防振锤滑移目标的形态位置变化较大、目标大小不一增加了检测复杂度，防振锤滑移检测算法检测到防振锤滑移异常正确率非常高，如下表所示：
[0125]
表2
[0126]
类别标签召回率准确率ap防振锤滑移0.8740.730.789
[0127]
通过表2可见，对检测图片中防振锤滑移的检测的召回率为0.874，准确率为0.73，平均精准度为0.789，该算法在2831张输电线路现场数据中上可以达到78.9％的检测精度，能够对输电线路中防振锤滑移所引起的线路隐患进行及时监测，有效地避免了输电线中防振锤滑移的造成的线路问题，具有较高的理论价值和实际应用前景；在不同场景下对防振锤滑移异常检测效果较好，模型能够应对多种环境变化，满足无人机巡检的实际需求，具有很好的鲁棒性和泛化能力。
[0128]
本发明的实施例中通过获取输电线路的检测图片；将所述检测图片通过目标网络进行特征处理，得到所述检测图片对应的目标特征；根据所述目标特征，得到所述检测图片中防振锤和防振锤对应的关联部位的实际距离；对所述实际距离进行判别处理，得到防振锤滑移的判别结果；实现了在不同场景下对防振锤滑移异常的检测，可适应多种环境变化，满足无人机巡检的实际需求，具有很好的鲁棒性和泛化能力。
[0129]
如图5所示，本发明还提供一种防振锤滑移的检测装置，所述装置50包括：
[0130]
获取模块51，用于获取输电线路的检测图片；
[0131]
处理模块52，用于将所述检测图片通过目标网络进行特征处理，得到所述检测图片对应的目标特征；根据所述目标特征，得到所述检测图片中防振锤和防振锤对应的关联部位的实际距离；对所述实际距离进行判别处理，得到防振锤滑移的判别结果。
[0132]
可选的，将所述检测图片通过目标网络进行特征处理，得到所述检测图片对应的目标特征，包括：
[0133]
将所述检测图片输入第一目标网络进行特征提取处理，得到第一目标特征；
[0134]
对所述第一目标特征进行特征结合处理，得到第二目标特征；所述特征结合处理用于将低于目标分辨率且语义强度大于目标语义强度的特征与高于目标分辨率且语义强度小于目标语义强度的特征相结合。
[0135]
可选的，将所述检测图片输入第一目标网络进行特征提取处理，得到第一目标特征，包括：
[0136]
将所述检测图片进行1
×
1的卷积处理，得到s个特征图子集xi；其中，i∈{1,2,...,s}；
[0137]
对除了特征图子集x1以外的剩余(s-1)个特征图子集xi进行3
×
3的卷积处理，得到
第一目标特征yi。
[0138]
可选的，对除了特征图子集x1以外的剩余(s-1)个特征图子集xi进行3
×
3的卷积处理，得到第一目标特征yi，包括：
[0139]
将所述特征图子集x1作为第一目标特征y1；
[0140]
对剩余(s-1)个特征图子集xi进行3
×
3的卷积处理，得到第一目标特征yn，其中n∈{2,3,...,s}；
[0141]
根据所述y1和yn，得到第一目标特征
[0142]
其中，yi为第一目标特征，xi为特征图子集，ki(xi)表示对特征图子集xi进行3
×
3的卷积处理，s为特征图子集的数量。
[0143]
可选的，根据所述目标特征，得到所述检测图片中防振锤和防振锤对应的关联部位的实际距离，包括：
[0144]
根据所述目标特征对应的防振锤的第一坐标信息以及所述防振锤对应的关联部位的第二坐标信息，得到防振锤和防振锤对应的关联部位的图像距离；
[0145]
根据所述图像距离，通过检测图片的相机参数，得到所述检测图片中防振锤和防振锤对应的关联部位的实际距离。
[0146]
可选的，对所述实际距离进行判别处理，得到防振锤滑移的判别结果，包括：
[0147]
根据标准安装距离，得到所述实际距离和所述标准安装距离之间的滑移偏差值；
[0148]
将所述滑移偏差值与预设滑动阈值进行比较，得到防振锤滑移的判别结果。
[0149]
可选的，将所述滑移偏差值与预设滑动阈值进行比较，得到防振锤滑移的判别结果，包括：
[0150]
若|d-dr|≤t，则判别结果为防振锤不存在滑移；
[0151]
若|d-dr|＞t，则判别结果为防振锤存在滑移。
[0152]
需要说明的是，该装置是与上述方法对应的装置，上述方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
[0153]
本发明还提供一种电子设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如上述的防振锤滑移的检测方法的步骤。
[0154]
需要说明的是，该电子设备是与上述方法对应的电子设备，上述方法实施例中的所有实现方式均适用于该电子设备的实施例中，也能达到相同的技术效果。
[0155]
本发明的实施例还提供一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如上述的防振锤滑移的检测方法的步骤。
[0156]
需要说明的是，该可读存储介质是与上述方法对应的可读存储介质，上述方法实施例中的所有实现方式均适用于该可读存储介质的实施例中，也能达到相同的技术效果。
[0157]
本领域普通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，取决于技术方案的特定应用和设计约束条件。专业技术人员
可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0158]
所属领域的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。
[0159]
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，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，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。另一点，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。
[0160]
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方案的目的。
[0161]
另外，在本发明各个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。
[0162]
所述功能如果以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。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分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，包括若干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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0163]
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
[0164]
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
[0165]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。