错字检测方法及作业批改方法

技术领域

本申请涉及文字处理技术领域，具体涉及一种错字检测方法及作业批改方法。

背景技术

识字是阅读和写作的基础，是语文教学的一项重要任务，而在学生识字和写字的过程中，会不可避免出现写错字的情况。相关错字检测方法通常利用基于整字建模的分类模型、或基于偏旁部首建模的解码模型，对目标字进行检测。然而，上述两种方案的应用范围有限，并且，在训练对应的模型时，也存在收集训练数据的丰富性较差的问题。

发明内容

为了解决上述技术问题，提出了本申请。本申请实施例提供了一种错字检测方法及作业批改方法。

第一方面，本申请一实施例提供了一种错字检测方法，该方法包括：获取目标图像，目标图像中包含待检测的目标字；基于目标图像，确定目标字对应的标准模板字，标准模板字的字内容与目标字的字内容相同，标准模板字为第一字体风格；基于目标图像，确定与目标字符合预设相似条件的第一参考字，第一参考字为正确字；基于第一参考字和标准模板字，确定目标字对应的错字检测结果。

结合第一方面，在第一方面的某些实现方式中，基于第一参考字和标准模板字，确定目标字对应的错字检测结果，包括：若第一参考字与标准模板字的字体风格不同，则对第一参考字进行字体风格转换，得到所第一参考字对应的第二参考字，第二参考字为第一字体风格；若第二参考字对应的字特征数据和标准模板字对应的字特征数据不同，则确定目标字对应的错字检测结果为目标字为错字。

结合第一方面，在第一方面的某些实现方式中，基于第一参考字和标准模板字，确定目标字对应的错字检测结果，包括：若第一参考字与标准模板字的字体风格相同，并且，第一参考字对应的字特征数据和标准模板字对应的字特征数据相同，则确定目标字对应的错字检测结果为目标字为正确字。

结合第一方面，在第一方面的某些实现方式中，基于目标图像，确定目标字对应的标准模板字，包括：利用字体标准化模型，处理目标图像，得到目标字对应的标准模板字。

结合第一方面，在第一方面的某些实现方式中，字体标准化模型的训练方法包括：构建待训练网络模型；对待训练网络模型进行自监督训练，得到预训练字体标准化模型；对预训练字体标准化模型进行监督训练，得到字体标准化模型。

结合第一方面，在第一方面的某些实现方式中，对待训练网络模型进行自监督训练，得到预训练字体标准化模型，包括：获取第一训练数据集，第一训练数据集中包括字样本图像；对字样本图像进行切块，得到字样本图像对应的多个字图像块；对多个字图像块中的部分字图像块进行掩膜操作；基于进行掩膜操作后的字图像块和未进行掩膜操作的字图像块，对待训练网络模型进行自监督训练，得到预训练字体标准化模型。

结合第一方面，在第一方面的某些实现方式中，对预训练字体标准化模型进行监督训练，得到字体标准化模型，包括：获取第二训练数据集，第二训练数据集中包括训练样本组，训练样本组包括手写字样本图像、与手写字样本图像对应的标准模板字；基于第二训练数据集，对预训练字体标准化模型进行监督训练，得到字体标准化模型。

第二方面，本申请一实施例提供了一种作业批改方法，该方法包括：获取待批改作业图像，待批改作业图像中包括待批改手写字；利用第一方面所述的错字检测方法，确定待批改手写字对应的错字检测结果。

第三方面，本申请一实施例提供了一种错字检测装置，该装置包括：获取模块，用于获取目标图像，目标图像中包含待检测的目标字；第一确定模块，用于基于目标图像，确定目标字对应的标准模板字，标准模板字的字内容与目标字的字内容相同，标准模板字为第一字体风格；第二确定模块，用于基于目标图像，确定与目标字符合预设相似条件的第一参考字，第一参考字为正确字；第三确定模块，用于基于第一参考字和标准模板字，确定目标字对应的错字检测结果。

第四方面，本申请一实施例提供了一种作业批改装置，该装置包括：获取模块，用于获取待批改作业图像，待批改作业图像中包括待批改手写字；确定模块，用于利用第一方面所述的错字检测方法，确定待批改手写字对应的错字检测结果。

第五方面，本申请一实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序用于执行第一方面和第二方面所述的方法。

第六方面，本申请一实施例提供了一种电子设备，该电子设备包括：处理器；用于存储处理器可执行指令的存储器；该处理器用于执行第一方面和第二方面所述的方法。

本申请实施例提供的错字检测方法具有如下有益效果：

首先，本申请将目标字转换成对应的标准模板字，即目标字在检测前，统一目标字的字体风格，避免了因目标字可能存在的书写不规范、字体不统一导致的错字检测精度低的问题。换言之，本申请通过将目标字转换成对应的标准模板字，提高了错字检测的精度。其次，本申请为目标字匹配了符合相似条件的第一参考字，并且第一参考字是正确字，进而通过比较第一参考字和标准模板字，确定目标字的错字检测结果，本方案更加简单、可操作性强、可迁移性强，能够对任意目标字进行检测。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1所示为本申请一示例性实施例提供的错字示意图。

图2所示为本申请实施例所适用的一场景示意图。

图3所示为本申请一示例性实施例提供的错字检测方法的流程示意图。

图4所示为本申请一示例性实施例提供的确定错字检测结果的流程示意图。

图5所示为本申请一示例性实施例提供的确定标准模板字的流程示意图。

图6所示为本申请一示例性实施例提供的预训练过程示意图。

图7所示为本申请一示例性实施例提供的监督训练过程示意图。

图8所示为本申请一示例性实施例提供的作业批改方法的流程示意图。

图9所示为本申请一示例性实施例提供的错字检测装置的结构示意图。

图10所示为本申请一示例性实施例提供的作业批改装置的结构示意图。

图11所示为本申请一实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

申请概述

识字是阅读和写作的基础，是语文教学的一项重要任务，而在学生识字和写字的过程中，难免出现写错别字的现象，错别字检测对于实现智能作业批改具有重要意义。错别字通常包括两类，一类是错字，指写的是不在字典中的字。图1所示为本申请一示例性实施例提供的错字示意图。如图1所示，a、b、c、d表示的字均为正确字，a’是与符号a代表的“低”对应的错字；b’是与符号b代表的“冷”对应的错字；c’是与符号c代表的“忆”对应的错字；d’是与符号d代表的“抓”对应的错字。另一类是别字，指把一个字写成了另一个字，但两个字都在字典中。本申请聚焦于检测把汉字的某个部首写错而形成的错字。

相关错字检测方案包括基于整字建模的分类方案和基于偏旁部首建模的解码方案。基于整字建模的分类方案是将每一种类型的错字当成一个类别加入到正确字的字典中，然后训练一个分类模型直接分类每个汉字的类别。该方法适用于错字种类已知且类别较少的情况，但无法避免的缺点是每个错字需要收集足够多的训练样本。即，整字建模的方案将每一种错字类型视为一个分类的类别，这样分类的类别数较大影响模型效率，并且需要收集大量的训练数据来训练该分类模型，新增错字类别时需要重新训练模型，成本很高。

基于偏旁部首建模的解码方案是基于序列到序列的识别方案。该方案由编码器(encoder)和解码器(decoder)两部分组成，通过一个encoder提取包含图像文本行的特征，然后通过一个decoder将图像的特征解码为字符序列。该方案可以在不同汉字之间共享偏旁部首集合，相比整字建模方案减少了训练需要的数据量，但仍然存在对于新类型的错字可能需要定义新的部首、并收集相应训练数据的问题。

有鉴于此，本申请提出一种新方案，即将错字的判断问题转化为标准模板字的比对问题，具体过程如下：首先获取目标图像，并且目标图像中包含待检测的目标字；进一步地，将目标字转换成标准模板字；再确定与目标字符合相似条件并且正确的第一参考字，进而对比第一参考字和标准模板字的相似性，确定目标字对应的错字检测结果。本申请在对目标字进行检测前，统一目标字的字体风格，避免了因目标字可能存在的书写不规范、字体不统一导致的错字检测精度低的问题。换言之，本申请通过将目标字转换成对应的标准模板字，提高了错字检测的精度。其次，本方案更加简单、可操作性强、可迁移性强，能够对任意目标字进行检测。

示例性场景

本申请实施例提出的错字检测方法可由电子设备执行，该电子设备可以是终端，比如智能手机、平板电脑、台式计算机等等；或者该电子设备还可以是服务器，比如独立的物理服务器、由多个服务器组成的服务器集群，或者能够进行云计算的云服务器。

图2所示为本申请实施例所适用的一场景示意图。该场景示意图包括图像采集设备21和服务器22。图像采集设备21和服务器22之间通信连接。

示例性地，图像采集设备21可以是手机、平板电脑、摄像机，或者其他具有图像采集功能的设备。具体而言，图像采集设备21拍摄学生的作答作业，得到包含目标字的目标图像，并将目标图像发送至服务器22，服务器22确定与目标字对应的标准模板字、以及与目标字对应的第一参考字，并比较第一参考字和标准模板字之间的相似性，根据相似性，确定目标字对应的错字检测结果，并将错字检测结果发送至终端。

在另一适用场景中，若待检测的目标字的复杂度低、或者待检测的目标字的数量少，图像采集设备21可直接将目标图像发送至终端，利用终端对目标字进行错字检测。或者，图像采集设备21根据待检测的目标字的复杂度和数量，将数量少且复杂度低的目标字发送至终端进行错字检测，将数量多且复杂度高的目标字发送至服务器22进行错字检测。

示例性方法

图3所示为本申请一示例性实施例提供的错字检测方法的流程示意图。如图3所示，本申请实施例提供的错字检测方法包括如下步骤。

步骤310，获取目标图像。

目标图像中包含待检测的目标字。目标字的数量可以是一个，也可以是多个，本申请实施例不限制目标字的个数。此外，目标字可以是手写字，也可以是其他字体风格的字，例如，目标字是华文楷体风格的字，本申请实施例不限制目标字的具体字体风格。

步骤S320，基于目标图像，确定目标字对应的标准模板字。

标准模板字的字内容与目标字的字内容相同，标准模板字为第一字体风格。也即，将目标字转换成标准模板字，仅改变了目标字的字体风格，并未改变目标字的内容。示例性地，目标字为手写字，标准模板字为楷体字，即将手写字转换成楷体字。

步骤S330，基于目标图像，确定与目标字符合预设相似条件的第一参考字。

第一参考字为正确字。示例性地，相似条件是指相似性最高，也即确定与目标字相似性最高的第一参考字。示例性地，将目标图像输入训练好的分类模型，得到与目标图像中的待检测的目标字相似性最高的正确字，即第一参考字。

步骤S340，基于第一参考字和标准模板字，确定目标字对应的错字检测结果。

示例性地，利用相似性比较模型，提取第一参考字和标准模板字的特征数据，根据第一参考字的特征数据和标准模板字的特征数据，确定目标字对应的错字检测结果。

在本申请实施例中，将目标字转换成对应的标准模板字，即目标字在检测前，统一目标字的字体风格，避免了因目标字可能存在的书写不规范、字体不统一导致的错字检测精度低的问题。换言之，本申请通过将目标字转换成对应的标准模板字，提高了错字检测的精度。其次，本申请为目标字匹配了符合相似条件的第一参考字，并且第一参考字是正确字(比如第一参考字是存在汉字字典中的字)，进而通过比较第一参考字和标准模板字，确定目标字的错字检测结果，本方案更加简单、可操作性强、可迁移性强，能够对任意目标字进行检测。

图4所示为本申请一示例性实施例提供的确定错字检测结果的流程示意图。在图3所示实施例的基础上延伸出图4所示实施例，下面着重叙述图4所示实施例与图3所示实施例的不同之处，相同之处不再赘述。

如图4所示，在本申请实施例中，基于第一参考字和标准模板字，确定目标字对应的错字检测结果，包括如下步骤。

步骤S410，判断第一参考字与标准模板字的字体风格是否相同。

示例性地，若标准模板字为楷体字，第一参考字为宋体字，则第一参考字和标准模板字的字体风格不同。

示例性地，在实际应用过程中，若步骤S410的判断结果是第一参考字与标准模板字的字体风格相同，则执行步骤S450；若步骤S410的判断结果是第一参考字与标准模板字的字体风格不同，则执行步骤S420。

步骤S420，对第一参考字进行字体风格转换，得到所第一参考字对应的第二参考字。第二参考字为第一字体风格。

示例性地，利用风格转换模型对第一参考字进行字体风格转换，得到第一参考字对应的第二参考字。或者，利用字体风格转换算法对第一参考字进行字体风格转换，本申请实施例不限制具体的字体风格转换方式。

沿用前述示例，若第一字体风格为楷体字，则将第一参考字也对应转换成楷体字，得到第二参考字。第二参考字和第一参考字相比，字的内容未变，仅仅改变了字体风格。

基于步骤S420，执行步骤S430：若第二参考字对应的字特征数据和标准模板字对应的字特征数据相同，则确定目标字对应的错字检测结果为目标字为正确字。

在另一种实施方式中，若第二参考字对应的字特征数据和标注模板字对应的字特征数据相同，还可进一步确定第二参考字对应的待检测的目标字是否为目标任务中的字，若是，则确定目标字对应的错字检测结果为目标字为正确字。示例性地，目标任务为报听写任务。

或者基于步骤S420，执行步骤S440：若第二参考字对应的字特征数据和标准模板字对应的字特征数据不同，则确定目标字对应的错字检测结果为目标字为错字。

示例性地，将第一参考字和标准模板字送入一个分类网络，分类目标是判断输入的第二参考字和标准模板字是否为同一个字。示例性地，将第二参考字和标准模板字渲染成图像，第二参考字图像和标准模板字图像可以预处理成64×64大小的灰度图，将二者的灰度图输入分类网络中的4个Res Block提取特征。ResBlock包括卷积层、归一化层、激活函数层。每个Res Block后面连接一个下采样层对输入数据进行下采样。4个ResBlock中的最后一个ResBlock连接两个全连接层，输出数据为0或1。其中，0表示第二参考字和标准模板字不同，1表示第二参考字和标准模板字相同。即，分类网络输出0时，表示目标字为错误字；分类网络输出为1时，表示目标字为正确字。

步骤S450，若第一参考字对应的字特征数据和标准模板字对应的字特征数据相同，则确定目标字对应的错字检测结果为目标字为正确字。

示例性地，沿用步骤S430和步骤S440中所述的方法，将第一参考字和标准模板字输入分类网络，若根据第一参考字对应的特征数据和标准模板字对应的特征数据，分类网络输出为0，则确定目标字为错字。若分类网络输出为1，则确定目标字为正确字。

在本申请实施例中，在第一参考字与标准模板字的字体风格不相同的情况下，转换第一参考字的字体风格与标准模板字的字体风格一致，再比较第二参考字和标准模板字是否一致，进而确定目标字是否为正确字，通过本申请实施例中的方案，能够更准确地确定目标字对应的错字检测结果。

在一些实施例中，基于目标图像，确定目标字对应的标准模板字，包括：利用字体标准化模型，处理目标图像，得到目标字对应的标准模板字。

下面结合图5举例说明字体标准化模型的训练方法。如图5所示，字体标准化模型的训练方法包括如下步骤。

步骤S510，构建待训练网络模型。

示例性地，待训练网络模型使用VisionTransformer结构。encoder为12层TransformerBlock，decoder为4层TransformerBlock。

步骤S520，对待训练网络模型进行自监督训练，得到预训练字体标准化模型。

具体地，步骤S520包括：获取第一训练数据集，第一训练数据集中包括字样本图像；对字样本图像进行切块，得到字样本图像对应的多个字图像块；对多个字图像块中的部分字图像块进行掩膜操作；基于进行掩膜操作后的字图像块和未进行掩膜操作的字图像块，对待训练网络模型进行自监督训练，得到预训练字体标准化模型。

图6所示为本申请一示例性实施例提供的预训练过程示意图。如图6所示，对于第一训练数据集中的图像样本“解”，将其缩放到64×64大小，然后切分成256(16x16)个不重叠的字图像块，每个字图像块的大小均为4×4。从256个切分的字图像块中随机选择1/4的字图像块保留，未选择的字图像块进行掩膜操作。只将选择的未掩膜的字图像块送入encoder中提取特征。encoder的输入为按顺序排列的256个字图像块的特征。若某个字图像块在输入的图像样本中被掩码，则使用一个共享的可学习的masktoken(掩膜标记)代替，否则使用encoder解码出来的特征。encoder和decoder联合训练的目标为重构原始输入的图像样本。并且，预训练过程中可以使用大量无标签数据(同时包含正确字数据和错字数据)，这大大提高了模型的泛化能力。

步骤S530，对预训练字体标准化模型进行监督训练，得到字体标准化模型。

具体地，步骤S530包括：获取第二训练数据集，第二训练数据集中包括训练样本组，训练样本组包括手写字样本图像、与手写字样本图像对应的标准模板字；基于第二训练数据集，对预训练字体标准化模型进行监督训练，得到字体标准化模型。

图7所示为本申请一示例性实施例提供的监督训练过程示意图。如图7所示，该过程只使用正确书写的样本字图像，因为错字图像无对应标准模板字。训练过程为将预训练标准化模型作为本步骤的初始化模型，使用手写汉字图像与配对的标准模板字图像进行监督训练。即，训练目标是输入手写汉字图像，输出对应的标准模板字图像(灰度图)，另外本步骤训练时不对输入样本字图像进行掩膜操作。

通过本申请实施例中的模型的自监督和监督的联合训练，解决了不需要扩增字典、不需要额外增加错字分类即能识别所有错字的问题。此外，在模型的训练过程中，不需要标注错字样本图像的偏旁部首序列，大大节约了数据成本。

图8所示为本申请一示例性实施例提供的作业批改方法的流程示意图。如图8所示，本申请实施例提供的作业批改方法包括如下步骤。

步骤S810，获取待批改作业图像。

待批改作业图像中包括待批改手写字。具体地，待批改作业图像可以是关于听写词的作答图像，也可以组词类的作答图像，本申请实施例不限制待批改作业图像的具体类型。

步骤S820，确定待批改手写字对应的错字检测结果。

示例性地，利用前述任一实施例所述的错字检测方法确定待批改手写字对应的错字检测结果。

步骤S830，基于待批改手写字对应的错字检测结果，批改待批改手写字。

通过本申请实施例中的方案，能够更准确、快速地确定待批改手写字对应的错字检测结果，进而准确地得到待批改手写字的批改结果。

示例性装置

上文结合图3至图8，详细描述了本申请的方法实施例，下面结合图9和图10，详细描述本申请的装置实施例。应理解，方法实施例的描述与装置实施例的描述相互对应，因此，未详细描述的部分可以参见前面方法实施例。

图9所示为本申请一示例性实施例提供的错字检测装置的结构示意图。如图9所示，本申请实施例提供的错字检测装置90包括：

获取模块910，用于获取目标图像，目标图像中包含待检测的目标字；

第一确定模块920，用于基于目标图像，确定目标字对应的标准模板字，标准模板字的字内容与目标字的字内容相同，标准模板字为第一字体风格；

第二确定模块930，用于基于目标图像，确定与目标字符合预设相似条件的第一参考字，第一参考字为正确字；

第三确定模块940，用于基于第一参考字和标准模板字，确定目标字对应的错字检测结果。

在本申请一实施例中，第三确定模块940还用于，若第一参考字与标准模板字的字体风格不同，则对第一参考字进行字体风格转换，得到所第一参考字对应的第二参考字，第二参考字为第一字体风格；若第二参考字对应的字特征数据和标准模板字对应的字特征数据不同，则确定目标字对应的错字检测结果为目标字为错字。

在本申请一实施例中，第三确定模块940还用于，若第一参考字与标准模板字的字体风格相同，并且，第一参考字对应的字特征数据和标准模板字对应的字特征数据相同，则确定目标字对应的错字检测结果为目标字为正确字。

在本申请一实施例中，第一确定模块920还用于，利用字体标准化模型，处理目标图像，得到目标字对应的标准模板字。

在本申请一实施例中，第一确定模块920还用于，构建待训练网络模型；对待训练网络模型进行自监督训练，得到预训练字体标准化模型；对预训练字体标准化模型进行监督训练，得到字体标准化模型。

在本申请一实施例中，第一确定模块920还用于，获取第一训练数据集，第一训练数据集中包括字样本图像；对字样本图像进行切块，得到字样本图像对应的多个字图像块；对多个字图像块中的部分字图像块进行掩膜操作；基于进行掩膜操作后的字图像块和未进行掩膜操作的字图像块，对待训练网络模型进行自监督训练，得到预训练字体标准化模型。

在本申请一实施例中，第一确定模块920还用于，获取第二训练数据集，第二训练数据集中包括训练样本组，训练样本组包括手写字样本图像、与手写字样本图像对应的标准模板字；基于第二训练数据集，对预训练字体标准化模型进行监督训练，得到字体标准化模型。

图10所示为本申请一示例性实施例提供的作业批改装置的结构示意图。如图10所示，本申请实施例提供的作业批改装置100包括如下步骤。

获取模块1010，用于获取待批改作业图像，待批改作业图像中包括待批改手写字；

确定模块1020，用于确定待批改手写字对应的错字检测结果。

下面，参考图11来描述根据本申请实施例的电子设备。图11所示为本申请一示例性实施例提供的电子设备的结构示意图。

如图11所示，电子设备110包括一个或多个处理器1101和存储器1102。

处理器1101可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备110中的其他组件以执行期望的功能。

存储器1102可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器1101可以运行所述程序指令，以实现上文所述的本申请的各个实施例的方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如包括目标图像、待检测的目标字、标准模板字和第一参考字等各种内容。

在一个示例中，电子设备110还可以包括：输入装置1103和输出装置1104，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入装置1103可以包括例如键盘、鼠标等等。

该输出装置1104可以向外部输出各种信息，包括目标图像、待检测的目标字、标准模板字和第一参考字等。该输出装置1104可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图11中仅示出了该电子设备110中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备110还可以包括任何其他适当的组件。

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述描述的根据本申请各种实施例的方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述描述的根据本申请各种实施例的方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，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申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。