虹吸式排泥设备工作状态的识别方法、装置及设备

摘要

一种虹吸式排泥设备工作状态的识别方法、装置及设备，通过获取目标虹吸式排泥设备对应的多个图像块；将各个图像块输入至预先训练好的目标分类网络模型中，对各个图像块对应的目标虹吸式排泥设备排泥口的水面状态进行二值分类识别，得到各个图像块对应的类别信息，目标分类网络模型基于标注了各个图像块对应类别的训练样本训练得到；根据各个图像块对应的类别信息，确定目标虹吸式排泥设备是否正常工作，无需人工查看每个虹吸式排泥设备排泥口水面处的水花翻滚情况来判断虹吸式排泥设备是否正常工作，减少了识别虹吸式排泥设备工作状态的人力投入成本和识别虹吸式排泥设备工作状态的时间，从而提高了虹吸式排泥设备工作状态的识别效率。

说明书

技术领域

本发明涉及深度学习技术领域，具体涉及一种虹吸式排泥设备工作状态的识别方法、装置及设备。

背景技术

二次沉淀池是污水处理厂污水处理的重要环节，作用主要是泥水分离，使混合液澄消、污泥浓缩并将分离的污泥回流到生物处理阶段。其中，利用虹吸式排泥设备进行排泥是二次沉淀池的主要处理手段，虹吸式排泥设备的排泥效果的好坏，直接影响出水的水质和回流污泥的浓度。因此，对于虹吸式排泥设备工作状态的识别显得尤为重要。

虹吸式排泥设备正常工作时，在水面会形成大量水花翻滚的表象。目前，主要是通过人工观察每个虹吸式排泥设备排泥口水面处的水花翻滚情况来判断虹吸式排泥设备是否正常工作。然而，由于每个污水处理厂都存在若干个二次沉淀池，每个二次沉淀池包含大量的虹吸式排泥设备，且二次沉淀池之间相隔较远且占地较大，因此，人工识别虹吸式排泥设备的工作状态费时耗力，导致识别效率非常低下。

发明内容

本发明实施例提供一种虹吸式排泥设备工作状态的识别方法、装置及设备，用以提高虹吸式排泥设备工作状态的识别效率。

根据第一方面，一种实施例中提供一种虹吸式排泥设备工作状态的识别方法，包括：

获取目标虹吸式排泥设备对应的视频图像上的多个图像块；

将所述各个图像块输入至预先训练好的目标分类网络模型中，对各个图像块对应的目标虹吸式排泥设备排泥口的水面状态进行二值分类识别，得到各个图像块对应的类别信息，其中，所述目标分类网络模型基于标注了各个图像块对应类别的训练样本训练得到；

根据各个图像块对应的类别信息，确定所述目标虹吸式排泥设备是否正常工作。

可选的，所述目标分类网络模型输出的类别信息包括各个图像块对应的类别的置信度，

所述根据各个图像块对应的类别信息，确定所述目标虹吸式排泥设备是否正常工作，包括：

对各个图像块设置对应的权重；

根据各个图像块对应的权重和类别的置信度，计算平均置信度；

根据所述平均置信度，判断所述目标虹吸式排泥设备是否正常工作。

可选的，所述对各个图像块设置对应的权重，包括：

各个图像块对应的权重与各个图像块至所述目标虹吸式排泥设备排泥口的中心位置的距离负相关。

可选的，在确定所述目标虹吸式排泥设备工作异常之后，所述方法还包括：

输出提示信息，以提示目标虹吸式排泥设备工作异常。

可选的，所述获取目标虹吸式排泥设备对应的视频图像上的多个图像块，包括：

采集目标虹吸式排泥设备对应的视频并解码成图像；

对所述图像进行图像块的随机采样划分，得到多个只包含目标虹吸式排泥设备的排泥口水面的图像块。

可选的，所述目标虹吸式排泥设备排泥口的水面状态包括：有水花翻滚状态和无水花翻滚状态。

可选的，所述目标分类网络模型根据输入的所述各个图像块的图像属性进行输出尺度的配置。

根据第二方面，一种实施例中提供一种虹吸式排泥设备工作状态的识别装置，包括：

第一获取模块，用于获取目标虹吸式排泥设备对应的视频图像上的多个图像块；

第二获取模块，用于将所述各个图像块输入至预先训练好的目标分类网络模型中，对各个图像块对应的目标虹吸式排泥设备排泥口的水面状态进行二值分类识别，得到各个图像块对应的类别信息，其中，所述目标分类网络模型基于标注了各个图像块对应类别的训练样本训练得到；

确定模块，用于根据各个图像块对应的类别信息，确定所述目标虹吸式排泥设备是否正常工作。

根据第三方面，一种实施例中提供一种电子设备，包括：

存储器，用于存储程序；

处理器，用于通过执行所述存储器存储的程序以实现上述第一方面中任一项所述的虹吸式排泥设备工作状态的识别方法。

根据第四方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现上述第一方面中任一项所述的虹吸式排泥设备工作状态的识别方法。

本发明实施例提供一种虹吸式排泥设备工作状态的识别方法、装置及设备，通过获取目标虹吸式排泥设备对应的视频图像上的多个图像块；将各个图像块输入至预先训练好的目标分类网络模型中，对各个图像块对应的目标虹吸式排泥设备排泥口的水面状态进行二值分类识别，得到各个图像块对应的类别信息，其中，目标分类网络模型基于标注了各个图像块对应类别的训练样本训练得到；根据各个图像块对应的类别信息，确定目标虹吸式排泥设备是否正常工作，无需人工查看每个虹吸式排泥设备排泥口水面处的水花翻滚情况来判断虹吸式排泥设备是否正常工作，减少了识别虹吸式排泥设备工作状态的人力投入成本，以及，节约了识别虹吸式排泥设备工作状态的时间，从而提高了虹吸式排泥设备工作状态的识别效率。

附图说明

图1为本发明实施例提供的一种虹吸式排泥设备工作状态的识别方法的实施例一的流程示意图；

图2为本发明实施例提供的一种划分后的图像块的示意图；

图3为本发明实施例提供的一种虹吸式排泥设备工作状态的识别方法的实施例二的流程示意图；

图4为本发明实施例提供的一种虹吸式排泥设备工作状态的识别方法的实施例三的流程示意图；

图5为本发明实施例提供的一种虹吸式排泥设备工作状态的识别方法的实施例四的流程示意图；

图6为本发明实施例提供的一种虹吸式排泥设备工作状态的识别装置的结构示意图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。

本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。

由于现有技术中主要是通过人工观察每个虹吸式排泥设备排泥口水面处的水花翻滚情况来判断虹吸式排泥设备是否正常工作。然而，由于每个污水处理厂都存在若干个二次沉淀池，每个二次沉淀池包含大量的虹吸式排泥设备，且二次沉淀池之间相隔较远且占地较大，因此，人工识别虹吸式排泥设备的工作状态费时耗力，导致识别效率非常低下。为了提高虹吸式排泥设备工作状态的识别效率，本发明实施例提供了一种虹吸式排泥设备工作状态的识别方法、装置及设备，以下分别进行详细说明。

图1为本发明实施例提供的一种虹吸式排泥设备工作状态的识别方法的实施例一的流程示意图，如图1所示，本实施例提供的虹吸式排泥设备工作状态的识别方法可以包括：

S101，获取目标虹吸式排泥设备对应的视频图像上的多个图像块。

本发明实施例的执行主体可以为任意具有处理能力的设备，例如，可以由与监控摄像机所连接的本地主机来执行本实施例提供的虹吸式排泥设备工作状态的识别方法。

具体实现时，可以将监控摄像机拍摄的监控视频解码成多个图像，再通过自由选择划分方法对每个图像进行随机划分，得到多个图像块，这样可以缩小图像的识别区域，以便后续对于图像的分析。例如，图2为本发明实施例提供的一种划分后的图像块的示意图，如图2所示，20为监控视频解码后的一个图像(图2中的实线框)，对图像20进行随机划分后，得到8个图像块(图2中的8个虚线框)：图像块A、图像块B、图像块C、图像块D、图像块E、图像块F、图像块G和图像块H。具体实现时，划分后的各图像块之间，可以相互重叠也可以不重叠，如图2中的图像块A和图像块C相互重叠，而图像块A和图像块B不重叠。

S102，将各个图像块输入至预先训练好的目标分类网络模型中，对各个图像块对应的目标虹吸式排泥设备排泥口的水面状态进行二值分类识别，得到各个图像块对应的类别信息。

其中，上述目标分类网络模型可以基于标注了各个图像块对应类别的训练样本训练得到。

并且，可以将目标虹吸式排泥设备排泥口的水面状态定义为有水花翻滚状态和无水花翻滚状态，这样在对每个图像块进行二值分类时，二值的状态区分较为明显，从而有利于加快识别目标虹吸式排泥设备排泥口的水面状态的速度。

具体实现时，目标分类网络模型的训练过程，可以包括以下步骤：

步骤a：获取多个样本图像块和每个样本图像块所对应的标注信息，其中，标注信息用于标识样本图像块对应的类别。

步骤b：将任一样本图像块输入至初始分类网络模型，以由初始分类网络模型输出针对任一样本图像块对应的类别信息。

步骤c：根据任一样本图像块对应的类别信息和任一样本图像所对应的标注信息，计算预设损失函数的损失值。

步骤d：根据预设损失函数的损失值，对初始分类网络模型的参数进行调整，以得到更新的分类网络模型。

步骤e：针对更新的分类网络模型，迭代上述训练过程，直至基于预设损失函数的损失值确定预设损失函数实现收敛或者迭代次数大于预设训练迭代次数。

步骤f：将基于预设损失函数的损失值确定预设损失函数实现收敛或者迭代次数大于预设训练迭代次数所对应的分类网络模型作为目标分类网络模型。

具体实现时，上述预设损失函数可以为交叉熵损失函数。由于本发明实施例提供的目标分类网络模型是基于标注了各个图像块对应类别的训练样本训练得到的，并且各个图像块对应类别只包括两种情况，使得样本数据的采集和数据的标注十分容易快速，因此不需要大量的训练数据，使得模型的泛化能力较好。同时，对于虹吸式排泥设备排泥口的水面状态的识别，本发明实施例侧重于识别水面有无水花翻滚，没有其他复杂的类别，所以本发明实施例对识别任意污水处理厂的虹吸式排泥设备的工作状态有很好的适用性。

S103，根据各个图像块对应的类别信息，确定目标虹吸式排泥设备是否正常工作。

根据图像块对应的类别信息，可以很好地确定目标虹吸式排泥设备排泥口的水面状态，从而可以根据排泥口的水面状态，确定目标虹吸式排泥设备是否正常工作。

本发明实施例提供的虹吸式排泥设备工作状态的识别方法，通过获取目标虹吸式排泥设备对应的视频图像上的多个图像块；将各个图像块输入至预先训练好的目标分类网络模型中，对各个图像块对应的目标虹吸式排泥设备排泥口的水面状态进行二值分类识别，得到各个图像块对应的类别信息，其中，目标分类网络模型基于标注了各个图像块对应类别的训练样本训练得到；根据各个图像块对应的类别信息，确定目标虹吸式排泥设备是否正常工作，无需人工查看每个虹吸式排泥设备排泥口水面处的水花翻滚情况来判断虹吸式排泥设备是否正常工作，减少了识别虹吸式排泥设备工作状态的人力投入成本，以及，节约了识别虹吸式排泥设备工作状态的时间，从而提高了虹吸式排泥设备工作状态的识别效率。

图3为本发明实施例提供的一种虹吸式排泥设备工作状态的识别方法的实施例二的流程示意图，如图3所示，本实施例提供的虹吸式排泥设备工作状态的识别方法可以包括：

S301，获取目标虹吸式排泥设备对应的视频图像上的多个图像块。

S302，将各个图像块输入至预先训练好的目标分类网络模型中，对各个图像块对应的目标虹吸式排泥设备排泥口的水面状态进行二值分类识别，得到各个图像块对应的类别信息。

其中，目标分类网络模型输出的类别信息可以包括各个图像块对应的类别的置信度。例如，目标分类网络模型可以同时输出各个图像块对应“有水花翻滚状态”类别的置信度和“无水花翻滚状态”类别的置信度；目标分类网络模型可以只输出各个图像块对应“有水花翻滚状态”类别的置信度；目标分类网络模型也可以只输出各个图像块对应“无水花翻滚状态”类别的置信度。

S301、S302的具体实现方式可以参考上述实施例一中对于S101、S102的相关说明。

S303，对各个图像块设置对应的权重。

具体实现时，各个图像块对应的权重可以与各个图像块至目标虹吸式排泥设备排泥口的中心位置的距离负相关。例如，对于靠近排泥口的中心位置的图像块赋予比边缘区域的图像块更高的权重，这样可以更好的识别水花翻滚的状态，从而大大地提高了识别的精度。

S304，根据各个图像块对应的权重和类别的置信度，计算平均置信度。

S305，根据平均置信度，判断目标虹吸式排泥设备是否正常工作。

作为一种可以实现的方式，可以根据各个图像块对应“有水花翻滚状态”类别的置信度和对应的权重，计算“有水花翻滚状态”类别的平均置信度；若“有水花翻滚状态”类别的平均置信度大于或者等于第一预设阈值，则确定目标虹吸式排泥设备工作正常，若“有水花翻滚状态”类别的平均置信度小于第一预设阈值，则确定目标虹吸式排泥设备工作异常。

作为一种可以实现的方式，可以根据各个图像块对应“无水花翻滚状态”类别的置信度和对应的权重，计算“无水花翻滚状态”类别的平均置信度；若“无水花翻滚状态”类别的平均置信度大于或者等于第二预设阈值，则确定目标虹吸式排泥设备工作异常，若“无水花翻滚状态”类别的平均置信度小于第二预设阈值，则确定目标虹吸式排泥设备工作正常。

作为一种可以实现的方式，在确定目标虹吸式排泥设备工作异常之后，本实施例提供的虹吸式排泥设备工作状态的识别方法还可以包括：输出提示信息，以提示目标虹吸式排泥设备工作异常，以便工作人员更快速地发现虹吸式排泥设备工作异常。

图4为本发明实施例提供的一种虹吸式排泥设备工作状态的识别方法的实施例三的流程示意图，如图4所示，本实施例提供的虹吸式排泥设备工作状态的识别方法可以包括：

S401，采集目标虹吸式排泥设备对应的视频并解码成图像。

本发明实施例不对将视频解码成图像的具体实现方式进行限定，可根据现有的视频解码方式得到图像，本发明实施例不再赘述。

S402，对图像进行图像块的随机采样划分，得到多个只包含目标虹吸式排泥设备的排泥口水面的图像块。

在特定的场景下，虹吸式排泥设备排泥口的环境状态可能非常复杂，由于监控摄像机的安装位置受限，可能会存在局部遮挡的情况，因此，对图像进行图像块的随机采样划分后，可以剔除被遮挡物影响的图像块，得到只包含目标虹吸式排泥设备的排泥口水面的图像块，从而有针对性地对图像块进行分析识别。

S403，将各个图像块输入至预先训练好的目标分类网络模型中，对各个图像块对应的目标虹吸式排泥设备排泥口的水面状态进行二值分类识别，得到各个图像块对应的类别信息。

S404，根据各个图像块对应的类别信息，确定目标虹吸式排泥设备是否正常工作。

S403、S404的具体实现方式可以参考上述实施例一中对于S102、S103的相关说明。

下面以一个具体的实现方式为例对本发明实施例提供的虹吸式排泥设备工作状态的识别方法进行说明。图5为本发明实施例提供的一种虹吸式排泥设备工作状态的识别方法的实施例四的流程示意图，如图5所示，本实施例提供的虹吸式排泥设备工作状态的识别方法可以包括：

S501，对图像块进行状态定义。

具体实现时，根据二次沉淀池的实际情况选择合适的位置进行监控摄像设备的安装。对获取到的监控视频图像，按照实际虹吸式排泥设备排泥口的特点，自由选取n(n>0)个方形区域(图像块)，这n个方形区域仅包含水面且可以相互重叠(方形区域边长的像素范围可以为128～640)，并对每个方形区域i(i＝1，2，3…n)，赋予一个权重值σ[i](0＜σ[i]≤1)。

并且，可以对方形区域内的图像进行定义：有水花翻滚(正常)图像块，表示为0；无水花翻滚(异常)图像块，表示为1。

S502，训练目标分类网络模型。

具体的，目标分类网络模型的训练过程可以包括以下步骤：

步骤a：采集各虹吸式排泥设备排泥口的视频并解码成图像，对每个图像进行多次128～640像素方形图像块的随机采样划分，剔除被遮挡物影响的图像块，然后对每个只包含目标虹吸式排泥设备的排泥口水面的图像块进行标注，有水花翻滚的图像块，标记为0；无水花翻滚的图像块，标记为1。

并且，为了目标分类网络模型的泛化能力，在选择样本的时候，可以大致按照一天中的每个时间段进行均匀采集，例如，可以每隔一个小时，采集一个小时的监控视频，比如可以采集1：00-2：00、3：00-4：00、5：00-6：00……23：00-24：00各个时间段的监控视频。必要时，还可以采集下雨等其他特殊情况的数据，以此来满足不同场景的变化。

步骤b：将步骤a中标注好的数据进行预处理并缩放到同一尺度，例如在本发明实施例中，可以将各图像块缩放到128*128。

步骤c：记录总的训练样本为{x

步骤d：设计目标分类网络模型。具体实现时，可以选择ResNet18残差网络作为图像识别的基础网络。假设经上述步骤b对每个方形图像块进行缩放处理后，得到128*128*3的图像块。由于此时分类网络模型的输入变成了128*128*3的图像(宽和高的维度为128个像素，3表示RGB3个通道，RGB为工业界的一种颜色标准)，而原始ResNet18残差网络的输入是224*224*3的图像，因此需要对原始ResNet18残差网络进行尺度上的适配。如表1所示，表1为原始ResNet18残差网络和本发明实施例提供的ResNet18残差网络的属性对比表。相对于原始ResNet18残差网络的网络参数，本发明实施例提供的ResNet18残差网络模型的参数量不足原始ResNet18残差网络的一半，因此，本发明实施例提供的目标分类网络模型的设计更加简单，训练比较容易达到收敛。

表1

其中，conv1为卷积层，res2_x、res3_x、res4_x和res5_x、为残差层，pool6为池化层，fc7为全连接层，prob为预测输出层。

步骤e：训练目标分类网络模型。具体实现时，可以选择深度学习训练框架进行模型训练，如可以采用Pytorch训练框架进行模型训练。根据步骤c中的训练样本，根据类别名(0和1)建立两个目录，将对于类别的样本分别放入到这两个目录中。再根据步骤d设计的网络框架，建立目标分类网络模型，其中，训练过程中的损失函数可以选择交叉熵损失函数。当训练达到设定的迭代次数或者损失小于预设阈值时，输出目标分类网络模型，则训练过程结束。

S503，进行图像识别。

具体的，图像识别的过程可以包括以下步骤：

步骤a：在时刻T，根据S501中选取的n个方形区域，截取每个方形区域的图像块。将这n个图像块输入到训练好的目标分类网络模型中，进行二值分类，获得这n个图像块属于标签1(异常)的置信度，记为p[i](i＝1，2，3，…，n)。

步骤b：将各图像块属于标签1的置信度p[i]乘以其对应的权重值σ[i]，求和之后再除以所有权重值σ[i]的总和，即可得到一个加权平均置信度P，如下所示：

步骤c：设置一个阈值θ，如θ＝0.5，若P≥0.5，则确定目标虹吸式排泥设备工作异常；若P<0.5，则确定目标虹吸式排泥设备工作正常。

图6为本发明实施例提供的一种虹吸式排泥设备工作状态的识别装置的结构示意图，如图6所示，该虹吸式排泥设备工作状态的识别装置60可以包括：第一获取模块610、第二获取模块620以及确定模块630。

第一获取模块610，可以用于获取目标虹吸式排泥设备对应的视频图像上的多个图像块。

第二获取模块620，可以用于将各个图像块输入至预先训练好的目标分类网络模型中，对各个图像块对应的目标虹吸式排泥设备排泥口的水面状态进行二值分类识别，得到各个图像块对应的类别信息，其中，目标分类网络模型基于标注了各个图像块对应类别的训练样本训练得到。

确定模块630，可以用于根据各个图像块对应的类别信息，确定目标虹吸式排泥设备是否正常工作。

本发明实施例提供的虹吸式排泥设备工作状态的识别装置，通过第一获取模块，获取目标虹吸式排泥设备对应的视频图像上的多个图像块；通过第二获取模块，将各个图像块输入至预先训练好的目标分类网络模型中，对各个图像块对应的目标虹吸式排泥设备排泥口的水面状态进行二值分类识别，得到各个图像块对应的类别信息，其中，目标分类网络模型基于标注了各个图像块对应类别的训练样本训练得到；通过确定模块，根据各个图像块对应的类别信息，确定目标虹吸式排泥设备是否正常工作，无需人工查看每个虹吸式排泥设备排泥口水面处的水花翻滚情况来判断虹吸式排泥设备是否正常工作，减少了识别虹吸式排泥设备工作状态的人力投入成本，以及，节约了识别虹吸式排泥设备工作状态的时间，从而提高了虹吸式排泥设备工作状态的识别效率。

可选的，当目标分类网络模型输出的类别信息包括各个图像块对应的类别的置信度时，上述确定模块630在实现根据各个图像块对应的类别信息，确定目标虹吸式排泥设备是否正常工作时，可以具体用于：

对各个图像块设置对应的权重；

根据各个图像块对应的权重和类别的置信度，计算平均置信度；

根据平均置信度，判断目标虹吸式排泥设备是否正常工作。

可选的，上述确定模块630在实现对各个图像块设置对应的权重时，可以具体用于：各个图像块对应的权重与各个图像块至目标虹吸式排泥设备排泥口的中心位置的距离负相关。

可选的，虹吸式排泥设备工作状态的识别装置60还可以包括输出模块(图中未示出)，可以用于输出提示信息，以提示目标虹吸式排泥设备工作异常。

可选的，上述第一获取模块610在实现获取目标虹吸式排泥设备对应的视频图像上的多个图像块时，可以具体用于：

采集目标虹吸式排泥设备对应的视频并解码成图像；

对图像进行图像块的随机采样划分，得到多个只包含目标虹吸式排泥设备的排泥口水面的图像块。

可选的，目标虹吸式排泥设备排泥口的水面状态包括：有水花翻滚状态和无水花翻滚状态。

可选的，目标分类网络模型根据输入的各个图像块的图像属性进行输出尺度的配置。

另外，相应于上述实施例所提供的虹吸式排泥设备工作状态的识别方法，本发明实施例还提供了一种电子设备，该电子设备可以包括：存储器，用于存储程序；处理器，用于通过执行所述存储器存储的程序以实现本发明实施例提供的虹吸式排泥设备工作状态的识别方法的所有步骤。

另外，相应于上述实施例所提供的虹吸式排泥设备工作状态的识别方法，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序被处理器执行时实现本发明实施例提供的虹吸式排泥设备工作状态的识别方法的所有步骤。

本领域技术人员可以理解，上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。

以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。