基于神经网络的作业在线批改方法、装置及设备

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于神经网络的作业在线批改方法、装置及设备。

背景技术

随着计算机技术的发展，一些教学工具类产品也应运而生，为学生、老师和家长提供了教育辅导上的技术支持和帮助，很多教学工具类产品都能提供将作业或试卷进行在线批改的功能。

目前的作业在线批改方法，通常使用光学字符识别(OCR)技术：首先对作业图像进行处理，识别分割出作业图像内的字符后进行识别判断，最后通过内部逻辑规则进行答案的判断。

大多数答案判断的方法包括模板匹配等图像处理和神经网络的方式来进行学生作业的大量批改。相对的，使用神经网络的方式较模板匹配等图像处理的方式，其泛化能力更强，更加智能化。

发明人在实践中，发现上述现有技术存在以下缺陷：由于神经网络的局限性和每个人的手写风格和习惯，会导致同一个字符有不同的书写形式，使得神经网络对字符的识别出现错误，进而会出现误判的情况，导致批改结果出现误差。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于神经网络的作业在线批改方法、装置及设备，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于神经网络的作业在线批改方法，该方法包括以下具体步骤：

采集当前学生的作业图像，利用神经网络对所述作业图像进行作业批改，以得到所述当前学生的当前分数；

基于判定的错误结果，当每个所述错误结果的字符位数大于或等于标准字符位数时，根据所述错误结果中每个手写字符的模糊程度得到每个所述错误结果的不确定性指标；

根据所述不确定性指标得到所述当前学生的误判分数；根据所述误判分数和所述当前分数得到新分数，基于所述当前分数的分数等级和所述新分数的所述分数等级得到所述当前学生的人工复审必要性指标，以进行分数纠正处理；

所述错误结果中每个手写字符的模糊程度的获取包括：

根据当前所述手写字符与对应标准字符之间的差异得到第一类模糊程度；

基于对学生手写字符进行识别得到的字符识别结果，根据当前所述手写字符与其他相同所述手写字符之间的差异得到第二类模糊程度；

结合所述第一类模糊程度和所述第二类模糊程度得到当前所述手写字符的所述模糊程度。

进一步地，所述标准字符包括多种对应印刷体字符和所述标准答案中对应的标准字符。

进一步地，所述其他相同所述手写字符包括与所述当前手写字符对应的其他同类手写字符、每个所述标准答案中同类字符所对应的手写字符。

进一步地，当所述标准字符为多种对应所述印刷体字符时，所述第一类模糊程度的获取方法，包括：

利用自编码网络对当前所述手写字符和多种对应所述印刷体字符进行降维处理得到第一字符分布图像；

基于所述第一字符分布图像获取所述印刷体字符的第一分布聚类中心点，计算当前所述手写字符和所述第一分布聚类中心点之间的第一距离以及当前所述手写字符和邻近所述印刷体字符之间的第二距离；

结合所述第一距离和所述第二距离得到当前所述手写字符的第一模糊程度。

进一步地，当所述标准字符为所述标准答案中对应的标准字符时，所述第一类模糊程度的获取方法，还包括：

利用所述自编码网络对所述作业图像中所有字符进行降维处理得到对应的第二字符分布图像；

基于所述第二字符分布图像，根据当前所述手写字符对应的第一同类字符区域和所述标准字符对应的第二同类字符区域得到交集区域面积、并集区域面积、第一聚类中心点、第二聚类中心点以及交集区域内当前所述手写字符对应的相同字符的第一数量和所述标准字符对应的相同字符的第二数量；

根据所述交集区域面积、所述并集区域面积、所述第一聚类中心点、所述第二聚类中心点、所述第一数量和所述第二数量获取当前所述手写字符的所述第二模糊程度。

进一步地，当所述其他相同所述手写字符为与所述当前手写字符对应的其他同类手写字符时，所述第二类模糊程度的获取方法，包括：

利用所述自编码网络对所述所有手写字符的识别结果中相同的所述手写字符进行降维处理得到对应的第三字符分布图像；

基于所述第三字符分布图像获取除当前所述手写字符之外其他所述同类手写字符的第二分布聚类中心点，根据当前所述手写字符与所述第二分布聚类中心点之间的第三距离得到当前所述手写字符的第三模糊程度。

进一步地，当所述其他相同所述手写字符为每个所述标准答案中同类字符所对应的手写字符时，所述第二类模糊程度的获取方法，包括：

利用所述自编码网络对当前所述手写字符和每个所述标准答案中同类字符对应的所述手写字符进行降维处理得到对应的第四字符分布图像；

基于所述第四字符分布图像获取除当前所述手写字符之外其他所述手写字符的第三分布聚类中心点，根据当前所述手写字符与所述第三分布聚类中心点之间的第四距离得到当前所述手写字符的第四模糊程度。

进一步地，所述基于所述当前分数的分数等级和所述新分数的所述分数等级得到所述当前学生的人工复审必要性指标的方法，包括：

根据所述当前分数和所述新分数的分数等级差异得到所述当前学生的人工复审必要性指标。

第二方面，本发明另一个实施例提供了一种基于神经网络的作业在线批改装置，该装置包括：

作业批改单元，用于采集当前学生的作业图像，利用神经网络对所述作业图像进行作业批改，以得到所述当前学生的当前分数；

不确定性检测单元，用于基于判定的错误结果，当每个所述错误结果的字符位数大于或等于标准字符位数时，根据所述错误结果中每个手写字符的模糊程度得到每个所述错误结果的不确定性指标；

人工复查检测单元，用于根据所述不确定性指标得到所述当前学生的误判分数；根据所述误判分数和所述当前分数得到新分数，基于所述当前分数的分数等级和所述新分数的所述分数等级得到所述当前学生的人工复审必要性指标，以进行分数纠正处理；

不确定性检测单元中所述错误结果中每个手写字符的模糊程度的获取包括：

根据当前所述手写字符与对应标准字符之间的差异得到第一类模糊程度；

基于对学生手写字符进行识别得到的字符识别结果，根据当前所述手写字符与其他相同所述手写字符之间的差异得到第二类模糊程度；

结合所述第一类模糊程度和所述第二类模糊程度得到当前所述手写字符的所述模糊程度。

进一步地，一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述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上述任意一项方法的步骤。

本发明实施例至少存在以下有益效果：通过每个手写字符的模糊程度来获取错误结果中的不确定性指标，进而利用不确定性指标估计学生的误判分数以得到新分数，根据当前分数和新分数的分数等级差异得到学生的人工复审必要性指标，一方面能够对分数等级差异大的学生进行优先人工复审，能够避免学生的分数等级评价出现问题，另一方面根据人工复审必要性指标对分数差异大的学生进行优先人工复审，能够保证批改的准确性。

附图说明

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和优点，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的介绍，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它附图。

图1为本发明一个实施例所提供的一种基于神经网络的作业在线批改方法的步骤流程图；

图2为本发明另一个实施例所提供的一种基于神经网络的作业在线批改装置的结构框图；

图3为本发明实施例所提供的一种电子设备的示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于神经网络的作业在线批改方法、装置及设备，其具体实施方式、结构、特征及其作用，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于神经网络的作业在线批改方法、装置及设备的具体方案。

本发明实施例所针对的场景为：具有标准答案的客观类型题目，如英文类或者数学计算类的填空题、选择题等。本发明实施例中的作业是指学生所做的练习题，例如练习册、试卷等。下面本发明实施例以小学的数学计算类的填空题作业为例来具体说明本发明的方案。

本发明实施例中的同类手写字符是指学生在不同位置手写的同一个数字或者符号。

参照附图1，本发明实施例提供了一种基于神经网络的作业在线批改方法，该方法包括以下具体步骤：

步骤S001，采集当前学生的作业图像，利用神经网络对作业图像进行作业批改，以得到当前学生的当前分数。

具体的，利用图像采集设备采集学生的作业图像，本发明实施例利用神经网络对作业图像进行作业批改，以得到当前学生的当前分数的过程为：

1)对作业图像进行灰度化、归一化等预处理。

2)使用字符检测神经网络对预处理后的作业图像进行处理，得到网络检测的字符结果。

该字符检测神经网络使用包围框的形式实现目标检测，其训练的数据集采用学生的作业图像。标签需要标注出作业图像中各字符对应包围框的中心点及宽、高信息。损失函数使用均方差损失函数，用于数据的回归。

3)使用字符识别神经网络对裁剪得到单字符进行识别，得到字符识别结果。

以得到的各个字符的各包围框为掩膜遮罩从原图中裁剪出相应字符的灰度图像。对裁剪出的灰度图像进行尺寸的修改，使其统一符合字符识别神经网络对输入图像的尺寸要求。

字符识别神经网络以分类的方式实现对图像内字符的识别，该字符识别神经网络的训练过程具体为：

i.输入图像为单个字符的灰度图像。

ii.字符识别神经网络的标签为对应的字符类别以及属性类别。其中共包括15个字符类别，例如：数字0-9、基本算术运算符加减乘除四个运算符及等号。字符的属性类别包括印刷体和手写体，所以输出层共包含16个神经元，前15个神经元用于判断字符的内容，最后一个神经元用于判断该字符的属性类别是印刷体还是手写体，印刷体标记为0，手写体标记为1。

iii.损失函数使用交叉熵损失函数。

4)根据字符识别结果进行手写答案的正确性判断。

由于近乎水平方向，从左向右，对等号左边的印刷体数据和运算符进行计算，得到对应的答案，将该答案与等号右边的手写体答案进行比较。根据比较结果的相似性，判断学生给出的手写答案是否正确。

本发明实施例中手写答案的正确性判断的过程为：

i.对等号左边的印刷体进行识别，得到相应的题目。

ii.对题目进行计算，得到正确答案。

iii.将计算出的正确答案与学生的手写答案进行比较。若是相等，则回答正确，否则判定为回答错误。

本发明实施例根据字符识别神经网络对手写答案的判断结果进而得到该学生的当前分数。

步骤S002，基于判定的错误结果，当每个错误结果的字符位数大于或等于标准字符位数时，根据错误结果中每个手写字符的模糊程度得到每个错误结果的不确定性指标。

错误结果是指学生撰写的手写答案与标准答案不匹配，被网络判定为答题错误的结果。

具体的，基于字符识别神经网络识别出的错误结果，首先根据每个错误结果的字符位数判断该错误结果的粗略准确性,当每个错误结果的字符位数大于或等于标准字符位数时，根据错误结果中每个手写字符的模糊程度得到每个错误结果的不确定性指标。

错误结果的不确定性指标的获取过程为：

字符位数的差别能反映识别出的错误结果的正确性，字符位数差异越大，则识别出的错误结果的不确定性越小。

字符位数的判断能够分为三种情况：第一情况为当该错误结果的字符位数与标准答案的标准字符位数相等时，则可能存在由于手写字符不规范导致识别错误的情况，例如：标准答案为45，手写答案为45，但是由于手写字符的字体不规范，网络将手写答案中的4识别为9；第二种情况为当该错误结果的字符位数小于标准答案的标准字符位数时，则说明该错误结果没有判定错误；第三种情况为当该错误结果的字符位数大于标准答案的标准字符位数时，则可能存在由于在题目周围演算等情况导致多字符识别的情况。则:

wk＝wu/(ws-wu)

其中，W为错误结果的不确定性指标；ws为错误结果的字符位数；wu为标准答案的字符位数；zc为字符位数相等时错误结果的不确定性指标；pc为字符位数大于标准字符位数时错误结果的不确定性指标；MH

进一步地，考虑到网络评判的不确定性多是由学生答案字体的随机性引起的，即同样的数字，不同的学生书写出来的样子不同，且同一人不同时刻写出来的也不相同，尤其是年纪较小的学生进行书写时，字符的旋转角度、大小尺度、结构比例等都不尽相同，往往会造成字符不易明确判定的结果。因此，本发明实施例基于标准字符和其他手写字符，通过对比与当前手写字符的差异来获取当前手写字符的模糊程度，每个错误结果中每个手写字符的模糊程度的获取过程为：

1)根据当前手写字符与对应标准字符之间的差异得到第一类模糊程度。

具体的，标准字符包括印刷体字符和标准答案中对应标准字符。对于印刷体字符，本发明实施例根据当前手写字符与多种对应印刷体字符之间的差异得到当前手写字符的第一模糊程度，则第一模糊程度的计算过程为：

a.利用自编码网络对当前手写字符和多种对应印刷体字符进行降维处理得到第一字符分布图像。

印刷体数字符包括黑体、宋体、楷体等多种印刷体字符。

利用编码器-解码器结构的自编码网络，该网络的中间层的输出神经元设置为2个，以便将字符信息降维处理为二维坐标点信息，且2个神经元分别为印刷体字符和手写字符；该网络的训练数据为各个印刷体字符和各个手写字符的混合数据；该网络的损失函数使用均方差损失函数。

b.基于第一字符分布图像获取当前手写字符对应的多种印刷体字符的第一分布聚类中心点，计算当前手写字符和对应同类字符的第一分布聚类中心点之间的第一距离以及当前手写字符和邻近印刷体字符之间的第二距离，所述邻近印刷体字符为距离当前手写字符最近的印刷体字符。

通过第一字符分布图像能够得到每个字符的二维坐标点，根据第一字符分布图像中当前手写字符的字符类别对应的多种印刷体字符的二维坐标点进行聚类得到第一分布聚类中心点。例如：当前手写字符为0时，将数字0对应的各种印刷体字符的二维坐标点进行聚类得到第一分布聚类中心点。

计算当前手写字符的二维坐标点和对应同类字符的第一分布聚类中心点的第一距离为D

c.结合第一距离和第二距离得到当前手写字符的第一模糊程度。

MD＝α*D

其中，MD为第一模糊程度；α为距离影响比例系数；c为影响因素的权值系数；min(D

优选的，本发明实施例中α、c都为经验值，且α＝10，c＝5。

进一步地，当网络识别的手写字符为9，而正确答案是4，由于4和9的特征很接近，因此模糊程度较大。但如果正确答案是2，由于2和9的特征差异很大，因此不容易识别错误，也即模糊程度较小。故，对于标准答案中对应标准字符，本发明实施例根据当前手写字符与标准答案中对应标准字符之间的相似度得到当前手写字符的第二模糊程度，则第二模糊程度的获取过程为：

a.利用自编码网络对作业图像中所有字符进行降维处理得到对应的第二字符分布图像。

需要说明的是，所有字符包括印刷体字符和手写字符。

b.基于第二字符分布图像，根据当前手写字符对应的第一同类字符区域和标准字符对应的第二同类字符区域得到交集区域面积、并集区域面积、第一聚类中心点、第二聚类中心点以及交集区域内当前手写字符对应的同类字符的第一数量和标准字符对应的同类字符的第二数量。

将当前手写字符所对应的同类字符的二维坐标点进行聚类得到第一聚类中心点，以第一聚类中心点为参考点进行360度方向上的判断，得到各个方向上距离参考点最远的二维坐标点，进而连接这些二维坐标点得到的闭合区域即为当前手写字符对应的第一同类字符区域。

相同的，对标准字符进行相同的处理得到对应的第二聚类中心点和第二同类字符区域。

获取第一同类字符区域和第二同类字符区域之间的交集区域和并集区域，以得到交集区域面积和并集区域面积；计算交集区域内当前手写字符对应的同类字符的第一数量和标准字符对应的同类字符的第二数量。

c.根据交集区域面积、并集区域面积、第一聚类中心点、第二聚类中心点、第一数量和第二数量获取当前手写字符的第二模糊程度。

其中，s

3)基于对学生手写字符进行识别得到的字符识别结果，根据当前手写字符与其他同类手写字符之间的差异得到第二类模糊程度。

具体的，同份作业里同类字符的手写体是高度相似的,越相似越可能误判，因此，本发明实施例根据对学生手写字符进行识别得到的所有手写字符的识别结果，计算当前手写字符与其他同类手写字符之间的差异得到当前手写字符的第三模糊程度，则第三模糊程度的获取方法为：

a.利用所述自编码网络对所述所有手写字符的识别结果中同类的所述手写字符进行降维处理得到对应的第三字符分布图像；

b.基于所述第三字符分布图像获取除当前所述手写字符之外其他同类手写字符的第二分布聚类中心点，根据当前所述手写字符与所述第二分布聚类中心点之间的第三距离得到当前所述手写字符的第三模糊程度。

基于除当前手写字符之外其他同类手写字符的二维坐标点进行聚类得到第二分布聚类中心点，计算当前手写字符的二维坐标点与第二分布聚类中心点之间的第三距离。根据每个其他同类手写字符与第二分布聚类中心点之间的距离计算对应的均值，结合第三距离和均值得到第三模糊程度。

其中，TM为第三模糊程度；yo为距离判断系数；

优选的，本发明实施例中距离判断系数为经验值，且yo＝1.2。

进一步地，由于每个题目对应的标准答案中都含有相同的字符，例如有5个标准答案中都含有9，但是网络识别出标准答案对应的手写字符中只有4个9，则另一个被识别错误的9所对应的模糊程度高。因此，本发明实施例中获取当前手写字符与每个标准答案中同类字符对应的手写字符之间的差异得到当前手写字符的第四模糊程度，则第四模糊程度的获取方法为：

a.利用自编码网络对当前手写字符和每个标准答案中同类字符对应的手写字符进行降维处理得到对应的第四字符分布图像。例如，当前手写字符为9，则对包含9的标准答案所对应的手写字符进行降维处理。

b.基于第四字符分布图像获取除当前手写字符之外其他手写字符的第三分布聚类中心点，根据当前手写字符与第三分布聚类中心点之间的第四距离得到当前手写字符的第四模糊程度。

考虑到标准答案中同类字符对应的手写字符的识别结果，本发明实施例分为两种情况来获取第四模糊程度，其中第一种情况为每个标准答案中同类字符对应的手写字符没有识别错误，第二种情况为：每个标准答案中同类字符对应的手写字符出现识别错误，则公式表达为：

其中，DM为第四模糊程度；JM为无识别错误时的取值；GM为识别错误时的取值；JG为标准答案中字符；p为手写字符。

当每个标准答案中同类字符对应的手写字符没有识别错误时，基于除当前手写字符之外其他同类所述手写字符的二维坐标点进行聚类得到第三分布聚类中心点，计算当前手写字符的二维坐标点与第三分布聚类中心点之间的第四距离。根据每个其他同类手写字符与第三分布聚类中心点之间的距离计算对应的均值，结合第四距离和均值获取无识别错误时的取值JM。

其中，

优选的，本发明实施例中距离判断系数为经验值，且yo＝1.3。

当每个标准答案中同字符对应的手写字符出现识别错误时，基于除当前手写字符之外其他同类所述手写字符的二维坐标点进行聚类得到第三分布聚类中心点，计算当前手写字符的二维坐标点与第三分布聚类中心点之间的第四距离。根据每个其他同类手写字符与第三分布聚类中心点之间的距离计算对应的均值，结合第四距离和均值获取识别错误时的取值GM。

4)结合第一类模糊程度和第二类模糊程度得到当前手写字符的模糊程度。

具体的，本发明实施例将第一类模糊程度中的第一模糊程度、第二模糊程度和第二类模糊程度中的第三模糊程度、第四模糊程度进行加权得到当前手写字符的模糊程度，则加权公式为：

MH＝α*MQ+β*TM+γ*DM+δ*XM

其中，MH为模糊程度；α为第一模糊程度的权重；β为第三模糊程度的权重；γ为第四模糊程度的权重；δ为第二模糊程度的权重。

步骤S003，根据不确定性指标得到当前学生的误判分数；根据误判分数和当前分数得到新分数，基于当前分数的分数等级和新分数的分数等级得到当前学生的人工复审必要性指标，以进行分数纠正处理。

具体的，根据对学生的作业批改得到的分数，通常需要进行分数等级的评价，例如优、良、差等多个等级。每个错误结果的不确定性都会影响学生分数的分数等级评价，因此，本发明实施例基于不确定性指标来获取当前学生的人工复审必要性指标。

优选的，本发明实施例中分数小于60的为第三等级；分数大于等于60且小于90的为第二等级；分数大于90的为第三等级。

人工复审必要性指标的获取过程为：

1)利用每个错误结果的不确定性指标得到当前学生的误判分数，进而根据误判分数和当前分数得到新分数，即：

nf＝df+cf

其中，nf为新分数；df为当前分数；cf为误判分数；fz

2)根据当前分数和新分数的分数等级差异得到当前学生的人工复审必要性指标。

其中，FC为人工复审必要性指标；C

当学生得到的新分数的分数等级没有差异变化时，说明该学生的分数影响较小，进而在同分数等级内根据学生的人工复审必要性指标进行分数纠正处理；当学生得到的新分数的分数等级出现分数等级变化时，说明该学生更需要人工复审，进而优先对该学生进行分数纠正处理。

综上所述，本发明实施例提供了一种基于神经网络的作业在线批改方法，该方法将学生的作业图像通过神经网络进行批改以得到当前分数；基于神经网络识别出的错误结果，通过对比错误结果中每个手写字符与标准字符、其他手写字符的差异以得到每个手写字符的模糊程度，进而得到每个错误结果的不确定性指标；利用每个错误结果的不确定性指标获取该学生的误判分数，结合当前分数和误判分数得到新分数，根据当前分数和新分数的分数等级差异获取该学生的人工复审必要性指标以进行分数纠正处理。一方面，根据当前手写字符与对应标准字符、同类手写字符之间的差异得到当前手写字符的模糊程度，能够准确得到作业批改的不确定性，进而根据不确定性指标获取误判分数以新分数，能够降低学生分数批改的误差，另一方面根据人工复审必要性指标对分数差异大的学生进行优先人工复审，能够避免学生的分数等级评价出现问题，能够保证批改的准确性。

基于与上述方法相同的发明构思，本发明实施例提供了一种基于神经网络的作业在线批改装置。

参照附图2，本发明实施例了一种基于神经网络的作业在线批改装置，该装置包括作业批改单元10、不确定性检测单元20和人工复查检测单元30。

作业批改单元10用于采集当前学生的作业图像，利用神经网络对作业图像进行作业批改，以得到当前学生的当前分数。

不确定性检测单元20用于基于判定的错误结果，当每个错误结果的字符位数大于或等于标准字符位数时，根据错误结果中每个手写字符的模糊程度得到每个错误结果的不确定性指标。

人工复查检测单元30用于根据不确定性指标得到当前学生的误判分数；根据误判分数和当前分数得到新分数，基于当前分数的分数等级和新分数的分数等级得到当前学生的人工复审必要性指标，以进行分数纠正处理。

不确定性检测单元20中错误结果中每个手写字符的模糊程度的获取包括：

根据当前手写字符与对应标准字符之间的差异得到第一类模糊程度；

基于对学生手写字符进行识别得到的字符识别结果，根据当前手写字符与其他相同手写字符之间的差异得到第二类模糊程度；

结合第一类模糊程度和第二类模糊程度得到当前手写字符的模糊程度。

进一步地，请参阅附图3，其示出了本发明实施例提供的一种电子设备的示意图。该实施例中的该电子设备包括：处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于神经网络的作业在线批改方法实施例中的步骤，例如图1所示的步骤。或者，处理器执行计算机程序时实现上述一种基于神经网络的作业在线批改装置实施例中单元的功能。

示例性的，计算机程序可以被分割成一个或多个单元，其中一个或者多个单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。其中一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备中的执行过程。

该电子设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述一种电子设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，示意图仅仅是该电子设备的示例，并不构成对该电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如该电子设备还可以包括输入输出设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，该处理器是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书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。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。