一种贴片电阻上的印刷字符识别方法、装置、终端及介质

【技术领域】

本发明涉及人工智能技术领域，尤其涉及一种贴片电阻上的印刷字符识别方法、装置、终端及介质。

【背景技术】

表面贴装技术(Surface Mounted Technology，SMT)是一种现代电子组装技术，广泛应用于计算机、通信、消费电子等行业。在这种技术中，没有引脚或短引线的电子元件如贴片电阻、贴片电容、贴片电感等，被贴装到印刷电路板(PCB：Printed Circuit Boards)的表面，然后通过回流焊接设备进行加热焊接，将电子元件和电路板连接起来。该技术具有装配密度高、体积小、重量轻、易实现自动化、高生产效率等优点。其中，贴片电阻是SMT中最重要的电子元器件之一。

然而，在贴片电阻被贴装到电路板上后，需要检测贴片电阻上的字符来判断电阻是否贴装到正确的位置，例如字符“100”代表该电阻的阻值是10Ω(如图4-1所示)，“201”代表该电阻的阻值是200Ω，“5101”是5100Ω。但是贴片电阻的长度和宽度通常只有几毫米，如果没有检测装置协助，人工很难高效地识别贴片电阻上的字符。而自动光学检测(Automated Optical Inspection)设备广泛应用于工业检测项目，该类设备利用高分辨率工业相机对检测对象进行拍照，然后采用一系列图像处理技术来判断检测对象是否存在某种缺陷。但是现有的图像处理技术中并不能对贴片电阻上的印刷字符进行高效、精准的识别。

鉴于此，实有必要提供一种贴片电阻上的印刷字符识别方法、装置、终端及存储介质以克服上述缺陷。

【发明内容】

本发明的目的是提供一种贴片电阻上的印刷字符识别方法、装置、终端及介质，旨在改善现有的图像处理技术中并不能对贴片电阻上的印刷字符进行高效、精准的识别的问题。

为了实现上述目的，本发明第一方面是提供一种贴片电阻上的印刷字符识别方法，包括以下步骤：

获取对贴片电阻进行拍摄所得到的输入图像，将所述输入图像的尺寸调整为预设大小并提取图像有效区域；

将所述图像有效区域进行灰度化处理，并根据预设的拉伸公式对灰度化后的图像进行对比度拉伸处理；

对拉伸处理完成的图像根据预设的二值化阈值进行二值化处理，得到印刷字符被黑色区域包围的矩形区域的位置坐标信息；

根据矩形区域的位置坐标信息，将整个印刷字符从原始输入图像中截取出来，然后进行图像分割，得到若干个包含排序信息的单个打印字符且统一重置预设尺寸大小的图像；

将所述单个打印字符的图像输入到预先训练完成的人工神经网络印刷字符识别模型中进行检测，从而自动识别所述贴片电阻上的印刷字符。

在一个优选实施方式中，将所述输入图像的尺寸调整为预设大小并提取图像有效区域步骤中包括：

判断所述输入图像的宽度是否大于高度，若结果为否，则将所述输入图像旋转90°；

将宽度大于高度的所述输入图像的尺寸重置为预设大小；

将预设大小尺寸的所述输入图像按照预设的分割尺寸进行截取，得到图像有效区域。

在一个优选实施方式中，所述对拉伸处理完成的图像根据预设的二值化阈值进行二值化处理，得到印刷字符被黑色区域包围的矩形区域的位置坐标信息步骤中包括：

对进行过对比度拉伸处理后的图像进行二值化处理，若图像中的像素值大于预设的二值化阈值，则重置为255；若图像中的像素值小于预设的二值化阈值，则重置为0；

根据预设的轮廓函数求得印刷字符被黑色区域包围的矩形区域的位置坐标信息。

在一个优选实施方式中，还包括以下步骤：

在每次二值化处理后，计算所得到区域的轮廓面积；

判断所述轮廓面积是否大于预设的面积阈值，若结果为否，则对二值化处理后的图像进行预定次数的图像腐蚀处理，直至所述印刷字符周围的黑色区域被连通。

在一个优选实施方式中，所述根据矩形区域的位置坐标信息，将整个印刷字符从原始输入图像中截取出来，然后进行图像分割，得到若干个包含排序信息的单个打印字符且统一重置预设尺寸大小的图像步骤中包括以下步骤：

根据矩形区域的位置坐标信息，将所述矩形区域分割出来，得到包含所述印刷字符的矩形图像；

对所述矩形图像进行灰度化与对比度拉伸，然后根据预设的另一二值化阈值进行二值化处理，得到二值化后的矩形图像；其中，若图像的像素值大于预设的另一二值化阈值，则将像素值转换为1，否则转换为0；

计算所述二值化后的矩形图像的每一列的像素值之和；其中，将最前端预设列数与最后端预设列数的像素值之和统一重置为0；

除去最前端与最后端连续为0的区域外，从像素值连续为0的区域的中间对所述二值化后的矩形图像进行分割；

计算向量中连续非0区域的长度，若所述长度大于预设的长度阈值，则从所述连续非0区域的中间段分割图像；

输出包含单个若干个包含排序信息的单个打印字符的图像。

在一个优选实施方式中，所述将所述单个打印字符的图像输入到预先训练完成的印刷字符识别模型中进行检测，从而自动识别所述贴片电阻上的印刷字符步骤中包括以下步骤：

建立包含11类图像的训练集；其中，所述11类包含0、1、2、......、8、9和“null”，“null”表示图像没有字符，但分布着一些干扰点；

搭建并训练基于人工神经网络的印刷字符识别模型；

将所述单个印刷字符的图像输入到训练完成的印刷字符识别模型中，得到所述贴片电阻上的印刷字符的识别结果。

在一个优选实施方式中，所述将所述单个印刷字符的图像输入到训练完成的印刷字符识别模型中，得到所述贴片电阻上的印刷字符的识别结果步骤中包括：

将含有单个印刷字符的图像依次输入到所述印刷字符识别模型中进行识别，并输出字符预测结果；

判断所述字符预测结果是否含有1、2、3、4、7中的至少一个字符，若结果为否，则按照正常顺序输出印刷字符；若结果为是，则判断所述字符预测结果的第一个字符是否为0；

当判断所述字符预测结果的第一个字符为0时，则按照倒序输出印刷字符，反之则求出单个印刷字符的图像每一列的像素值之和；

判断所述像素值之和的变化趋势是否是先减少再增加，若结果为是，则按正常顺序输出印刷字符；若结果为否，则按照倒序输出印刷字符。

本发明第二方面提供了一种贴片电阻上的印刷字符识别装置，包括：

图像获取模块，用于获取对贴片电阻进行拍摄所得到的输入图像，将所述输入图像的尺寸调整为预设大小并提取图像有效区域；

图像处理模块，用于将所述图像有效区域进行灰度化处理，并根据预设的拉伸公式对灰度化后的图像进行对比度拉伸处理；

位置获取模块，用于对拉伸处理完成的图像根据预设的二值化阈值进行二值化处理，得到印刷字符被黑色区域包围的矩形区域的位置坐标信息；

图像分割模块，用于根据矩形区域的位置坐标信息，将整个印刷字符从原始输入图像中截取出来，然后进行图像分割，得到若干个包含排序信息的单个印刷字符且统一重置预设尺寸大小的图像；

字符识别模块，用于将所述单个印刷字符的图像输入到预先训练完成的人工神经网络印刷字符识别模型中进行检测，从而自动识别所述贴片电阻上的印刷字符。

本发明第三方面提供了一种终端，所述终端包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的贴片电阻上的印刷字符识别程序，所述贴片电阻上的印刷字符识别程序被所述处理器执行时实现如上述实施方式任一项所述的贴片电阻上的印刷字符识别方法的各个步骤。

本发明第四方面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存储有贴片电阻上的印刷字符识别程序，所述贴片电阻上的印刷字符识别程序被处理器执行时实现如上述实施方式任一项所述的贴片电阻上的印刷字符识别方法的各个步骤。

本发明提供的贴片电阻上的印刷字符识别方法，首先对输入图像进行了有效区域的提取，然后依次经过灰度化处理、对比度拉伸处理与二值化处理之后，得到了印刷字符所在的矩形区域的位置信息，从而能够将印刷字符的图像截取出来，然后进行分割，得到单个印刷字符的图像，最后通过对单个印刷字符的识别来得到对整个印刷字符的识别结果，降低了图像背景的复杂度，同时降低了字符识别的难度，提升了印刷字符识别的精准度与效率。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。

图1为本发明提供的贴片电阻上的印刷字符识别方法的流程图；

图2为图1所示贴片电阻上的印刷字符识别方法中步骤S14的子步骤的流程图；

图3为图1所示贴片电阻上的印刷字符识别方法中步骤S15的子步骤的流程图；

图4为输入图像经过本发明提供的贴片电阻上的印刷字符识别方法中各个处理步骤处理后的输出图像；

图5为经过本发明提供的贴片电阻上的印刷字符识别方法识别为倒置排列的输出结果的示意图；

图6为本发明提供的贴片电阻上的印刷字符识别装置的框架图。

【具体实施方式】

为了使本发明的目的、技术方案和有益技术效果更加清晰明白，以下结合附图和具体实施方式，对本发明进行进一步详细说明。应当理解的是，本说明书中描述的具体实施方式仅仅是为了解释本发明，并不是为了限定本发明。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

在本发明的实施例中，第一方面是提供一种贴片电阻上的印刷字符识别方法，用于对电路板上的贴片电阻所标识的印刷字符进行识别，进而判断贴片电阻是否贴装到了正确的位置，提升对于印刷字符的识别精准度与效率。需要说明的是，本方法还可应用于贴片电容等电子元器件上的印刷字符的识别，本领域技术人员可通过本方法在不付出创造性劳动的情况下轻易地获得对贴片电容等电子元器件上的印刷字符的识别方法。因此，对于贴片电容等电子元器件上的印刷字符的识别也在本发明的保护范围之内。

如图1所示，贴片电阻上的印刷字符识别方法包括以下步骤S11-S15。

步骤S11：获取对贴片电阻进行拍摄所得到的输入图像，将输入图像的尺寸调整为预设大小并提取图像有效区域。

在本步骤，可通过高分辨率工业相机对电路板进行拍照，获得贴片电阻的输入图像(如图4-1所示)。同时，在对印刷字符进行识别时，首先需要将字符从原始输入图像中提取出来。具体的，对输入图像的处理包括以下步骤：

首先，判断输入图像的宽度是否大于高度，若结果为否，则将输入图像旋转90°。需要说明的是，原始图像的尺寸大小一般不均匀，有的图像宽度大于高度，有的图像宽度小于高度，所以需要统一图像的尺寸，这样有利于后续的图像处理。因此，如果一个图像的宽度小于高度，就将图像顺时针或逆时针旋转90°，从而使得原本高度大于宽度的图像转化成宽度大于高度的图像。

其次，将宽度大于高度的输入图像的尺寸重置为预设大小。具体的，将所有图像的尺寸重置为240×140。其中，这两个图像尺寸值是在生产组装过程中收集的数据集中贴片电阻的平均宽度和高度。

最后，将预设大小尺寸的输入图像按照预设的分割尺寸进行截取，得到图像有效区域。具体的，调整宽高度的尺寸后，如果直接对图像进行处理，复杂的背景会增加大量工作，同时也会影响检测的准确性。所以，需要从图像中提取有效区域(region of interest,ROI)，然后进行截取，减少处理面积。通过对数据集中的贴片电阻特性统计分析，发现印刷字符通常位于贴片电阻的中心位置，因此将ROI的预设尺寸大小设为110×100，那么从图像中分割的区域是[(120-55):(120+55),(70-50):(70+50)]。

步骤S12：将图像有效区域进行灰度化处理，并根据预设的拉伸公式对灰度化后的图像进行对比度拉伸处理。

具体的，得到输入图像的有效区域ROI后，对其进行灰度化处理，然后根据预设的拉伸公式(1)对图像进行对比度拉伸处理。式中f(x,y)

步骤S13：对拉伸处理完成的图像根据预设的二值化阈值进行二值化处理，得到印刷字符被黑色区域包围的矩形区域的位置坐标信息。

具体的，步骤S13包括以下步骤：

首先，对拉伸后的图像进行二值化处理，若图像中的像素值大于预设的二值化阈值，则重置为255；若图像中的像素值小于预设的二值化阈值，则重置为0。具体的，在本实施例中，预设的二值化阈值设为10。如果图像中的像素值大于10，则重置为255，否则重置为0。二值化处理后印刷字符被黑色包围，字符周围的整个区域近似矩形的形状。

然后，根据预设的轮廓函数求得印刷字符被黑色区域包围的矩形区域的位置坐标信息。具体的，在获取位置信息后，从ROI中再次分割出印刷字符，进一步缩小图像处理范围。这里的二值化处理是寻找矩形轮廓的关键步骤，如果二值化后的图像不能得到字符周围合适的连通区域，则该函数可能会找到错误的位置，只能对部分字符进行裁剪。

因此，为了解决这一问题，步骤S13还包括以下步骤：

首先，在每次二值化处理后，计算所得到区域的轮廓面积。然后判断轮廓面积是否大于预设的面积阈值(在本实施例中面积阈值为2500，该值从贴片电阻数据集统计得到)，若结果为否，表明印刷字符周围的区域可能会出现碎片化，没有形成完整的连通区域，函数可能找不到字符正确的位置，则对二值化处理后的图像进行预定次数的图像腐蚀处理，直至印刷字符周围的黑色区域被连通。其中，图像腐蚀操作是在某一区域获取局部最小的像素值，并扩大最小像素值区域，可以增加图像中的黑色区域。通过两次图像腐蚀处理，印刷字符周围的黑色被连通，从而使轮廓函数正确地找到字符的位置。

步骤S14：根据矩形区域的位置坐标信息，将整个印刷字符从原始输入图像中截取出来，然后进行图像分割，得到若干个包含排序信息的单个印刷字符且统一重置预设尺寸大小的图像。

具体的，如图2所示，步骤S14包括以下步骤S141-S146。

步骤S141：根据矩形区域的位置坐标信息，将矩形区域分割出来，得到包含印刷字符的矩形图像。具体的，根据印刷字符的位置坐标信息，将字符从原图像中分割出来，然后统一重置分割出的图像的尺寸大小，使其宽度等于72，高度等于55，如图4-2所示，以便于后续的图像处理工作。

步骤S142：对矩形图像进行灰度化与对比度拉伸，然后根据预设的另一二值化阈值进行二值化处理，得到二值化后的矩形图像((如图4-3所示)；其中，若图像的像素值大于预设的另一二值化阈值，则将像素值转换为1，否则转换为0。在本步骤中，预设的另一二值化阈值为80。

步骤S143：计算二值化后的矩形图像的每一列的像素值之和；其中，将最前端预设列数与最后端预设列数的像素值之和统一重置为0。具体的，因为字符通常不会太靠近图像的前端和末端边缘。如果像素值和大于0，表示图像前五列和后五列存在干涉白点。例如，图4-3中每一列像素值和经过处理后的向量为[0,0,0,0,0,0,0,0,0,0,2,4,6,25,28,28,29,28,26,15,0,0,0,0,0,0,0,23,26,27,29,29,29,15,12,12,12,13,18,29,29,28,28,26,24,23,24,26,28,28,29,29,29,13,11,11,13,16,30,30,29,28,27,25,0,0,0,0,0,0,0,0]。

步骤S144：除去最前端与最后端连续为0的区域外，从像素值连续为0的区域的中间对二值化后的矩形图像进行分割。具体的，找到向量中连续为0的部分，并从该部分的中间分割图像，但是对首端和尾端连续为0的部分不进行该操作，例如在图4-3的向量中，在像素值“15”和“23”中间连续为0的部分进行分割，可以将字符“1”从图4中分割出来。

步骤S145：计算向量中连续非0区域的长度，若长度大于预设的长度阈值，则从连续非0区域的中间段分割图像。计算向量中连续非0部分的长度，如果长度大于30，则从该连续部分的中间段分割图像，这是因为一个字符的宽度通常不超过连续15列的宽度。根据此规则，如图4-4所示，图4-3可被分割为3个部分。

步骤S146：输出包含单个若干个包含排序信息的单个打印字符的图像。

步骤S15：将单个打印字符的图像输入到预先训练完成的人工神经网络印刷字符识别模型中进行检测，从而自动识别贴片电阻上的印刷字符。

在本步骤中，从原始图像中切割出单个打印字符后，需要将字符输入到模型中进行识别。本发明采用人工神经网络对该模型进行训练。首先需要制作一个多样化的大型训练数据集。训练数据集对神经网络模型的训练非常重要，通常模型识别的表现随训练数据集大小的呈数量级线性增长。然而，收集大量贴片电阻图像存在一定的困难。此外，分割后的字符图像是二值化的，背景不太复杂，降低了识别的难度。因此，可采用一种轻型的网络结构模型。

在本实施例中，神经网络的输入尺寸为55×55，训练图像需要转换为这个尺寸。单个印刷字符图像分割后大小不均匀(如图4-4所示)，因此采用黑色来填充图像使图像的尺寸满足55×55。图4-5显示了一些填充后尺寸为55×55单个字符图像的例子。

具体的，如图3所示，步骤S15包括以下步骤S151-S156。

步骤S151：建立包含11类图像的训练集；其中，11类包含0、1、2、......、8、9和“null”，“null”表示图像没有字符，但分布着一些干扰点。具体的，可采用收集的11×600张图像作为训练集，“11”表示字符:0、1、2、......、8、9和“null”。其中，“null”图像没有字符，但分布着一些点(干扰点)，这些点不位于图像的前端边缘或末端边缘，因此也被独立地分割开来，如图4-5中的最右端图像所示，所以这些图像也应该像其他字符一样作为单独的类别收集。每个类有600张图片。在6600幅图像中，4610幅用于训练网络，其余的用于测试输出模型。

步骤S152：搭建并训练基于人工神经网络的印刷字符识别模型。具体的，神经网络的结构如表1所示，输入尺寸为55×55，输出尺寸为11。该网络有三个卷积层、三个最大池化层和两个完整连接层。用函数ReLU(如式2)计算卷积输出，用Softmax(如式3)计算最终输出。训练模型时，设置批数为10(即每一轮输入10张图像)，总迭代轮数为2000。最终测试精度为99.7％。

表1.人工神经网络模型结构

f(z

其中，将单个印刷字符的图像输入到训练完成的印刷字符识别模型中，得到贴片电阻上的印刷字符的识别结果。

具体的，在获得训练完成的印刷字符识别模型后，将包含单个印刷字符的图像输入到该模型中识别。然而，如图5所示，一些原始图像倒置了，通过图像分割出来的单个字符也是倒置的，当我们训练神经网络模型时，相同数字的倒置字符和正常字符被收集为一个类。因此，最终的模型只能识别字符，而不能识别字符是否倒置。因此，如图3所示，步骤S15还包括以下步骤：

步骤S153：将含有单个印刷字符的图像按照排序信息依次输入到印刷字符识别模型中进行识别，并输出字符预测结果。

步骤S154：判断字符预测结果是否含有1、2、3、4、7中的至少一个字符，若结果为否，则按照正常顺序输出印刷字符；若结果为是，则判断字符预测结果的第一个字符是否为0。其中，例如，图5中字符“4”是颠倒的，模型预测它的结果和正常状态的“4”是相同的。因此，当输出为“1”、“2”、“3”、“4”、“7”等字符时，还需要决定打印字符是否颠倒了。如果其中一个打印字符是颠倒的，则整个原始图像被预测出的最终数据要倒转。如果字符是“0”、“1”、“2”、“3”、“4”、“7”等，则最终输出的原始图像上的数字可能是倒序的。例如，图5中的图像预测结果为“451”，而实际结果为“154”。

步骤S155：当判断字符预测结果的第一个字符为0时，则按照倒序输出印刷字符，反之则求出每一列的像素值之和。需要说明的是，电阻标识中的首位数字必定不是0，因此，若字符“0”处于第一位，一定表明是原本处于个位的0被倒转移到了第一位。

步骤S156：判断像素值之和的变化趋势是否是先减少在增加，若结果为是，则按正常顺序输出印刷字符；若结果为否，则按照倒序输出印刷字符。

具体的，如果预测结果包括“1”、“2”、“3”、“4”、“7”，则对含有这些字符的图像每一列像素值进行求和，并检查和的变化趋势，当变化趋势由小到大时，判断字符是正常的，输出数保持不变。否则，字符颠倒，应按倒序输出预测的数字。

综上所述，本发明提供的贴片电阻上的印刷字符识别方法，首先对输入图像进行了有效区域的提取，然后依次经过灰度化处理、对比度拉伸处理与二值化处理之后，得到了印刷字符所在的矩形区域的位置信息，从而能够将印刷字符的图像分割出来，得到单个打印字符的图像，再根据单个印刷字符的图像每一列像素和的变化趋势来判断字符是否颠倒，从而推测整个印刷字符是否按正常顺序输出，还是按倒序输出。本发明采用传统图像分割和现代人工神经网络模型训练识别相结合的方法，最后通过对单个打印字符的识别来得到对整个印刷字符的识别结果，降低了图像背景的复杂度，同时降低了字符识别的难度，提升了印刷字符识别的精准度与效率。

本发明第二方面提供了一种贴片电阻上的印刷字符识别装置100，用于对电路板上的贴片电阻所标识的印刷字符进行识别，进而判断贴片电阻是否贴装到了正确的位置，提升对于印刷字符的识别精准度与效率。需要说明的是，贴片电阻上的印刷字符识别装置100的实现原理及实施方式与上述的贴片电阻上的印刷字符识别方法相一致，故以下不再赘述。

如图6所示，贴片电阻上的印刷字符识别装置100包括：

图像获取模块10，用于获取对贴片电阻进行拍摄所得到的输入图像，将输入图像的尺寸调整为预设大小并提取图像有效区域；

图像处理模块20，用于将图像有效区域进行灰度化处理，并根据预设的拉伸公式对灰度化后的图像进行对比度拉伸处理；

位置获取模块30，用于对拉伸处理完成的图像根据预设的二值化阈值进行二值化处理，得到印刷字符被黑色区域包围的矩形区域的位置坐标信息；

图像分割模块40，用于根据矩形区域的位置坐标信息，将整个印刷字符从原始输入图像中截取出来，然后进行图像分割，得到若干个包含排序信息的单个打印字符且统一重置预设尺寸大小的图像；

字符识别模块50，用于将单个打印字符的图像输入到预先训练完成的印刷字符识别模型中进行检测，从而自动识别贴片电阻上的印刷字符。

本发明再一方面是提供一种终端(图中未示出)，终端包括存储器、处理器以及存储在存储器并可在处理器上运行的贴片电阻上的印刷字符识别程序，贴片电阻上的印刷字符识别程序被所述处理器执行时实现如上述实施方式任一项所述的贴片电阻上的印刷字符识别方法的各个步骤。

本发明还提供一种计算机可读存储介质(图中未示出)，计算机可读存储介质存储有贴片电阻上的印刷字符识别程序，贴片电阻上的印刷字符识别程序被处理器执行时实现如上述实施方式任一项所述的贴片电阻上的印刷字符识别方法的各个步骤。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

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方法步骤，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。

在本发明所提供的实施例中，应该理解到，所揭露的系统或装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的系统或装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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。

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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

本发明并不仅仅限于说明书和实施方式中所描述，因此对于熟悉领域的人员而言可容易地实现另外的优点和修改，故在不背离权利要求及等同范围所限定的一般概念的精神和范围的情况下，本发明并不限于特定的细节、代表性的设备和这里示出与描述的图示示例。