用于断路器状态监测的方法和系统

摘要

公开一种用于断路器状态监测的方法和系统。该方法包括：获取(202)断路器的图像；从图像提取(204)与断路器的状况有关的一个或多个特征；将提取的一个或多个特征与表征断路器的预定状况的基准数据进行比较(206)；基于比较确定(208)断路器的健康状态。

权利要求

1.一种用于断路器状态监测的方法，包括：获取断路器的图像；

从所述图像提取与所述断路器的状况有关的一个或多个特征，包括从所述图像获取二进制图像或灰度直方图；

将所提取的所述二进制图像或灰度直方图与表征所述断路器的预定状况的基准特征向量进行比较，其中所述比较包括：确定度量，所述度量包括以下中的至少一个：所述二进制图像或灰度直方图与所述基准特征向量之间的距离，所述二进制图像或灰度直方图与所述基准特征向量之间的相关系数；以及基于所述度量确定所述二进制图像或灰度直方图与所述基准特征向量之间的相异性；

基于所述比较确定所述断路器的健康状态。

2.根据权利要求1所述的方法，其中提取所述一个或多个特征还包括以下中的至少一个：

从所述图像提取描述所述断路器的部件的特征的关键特征点；以及对所述图像进行分割，以识别所述断路器的部件的位置和灰度数据。

3.根据权利要求2所述的方法，其中所述断路器的所述部件包括以下中的至少一个：固定触头、可动触头和接地触头。

4.根据权利要求1‑3中的任一项所述的方法，进一步包括：获取多组图像组，每组图像包括针对所述断路器的预定状况中的一个预定状况的多个图像；以及

对于每组图像，

从所述多个图像提取表征相应预定状况的特征；以及基于所提取的特征训练分类器。

5.根据权利要求4所述的方法，其中提取的所述一个或多个特征由所述分类器分类。

6.根据权利要求1‑3和5中的任一项所述的方法，其中所述预定状况包括以下中的至少一个：正常闭合、缺陷闭合、正常断开、缺陷断开、正常接地、缺陷接地、导体腐蚀和粉尘污染。

7.一种用于断路器状态监测的系统，包括：相机，被配置为拍摄所述断路器的图片；以及至少一个处理器，通讯地耦合到所述相机，并且被配置为执行权利要求1至6中的任一项所述的方法。

8.一种计算机可读介质，其上存储有指令，所述指令在至少一个处理器上执行时，使得所述至少一个处理器执行根据权利要求1至6中任一项所述的方法。

9.一种物联网（IoT）系统，包括：断路器；以及

根据权利要求7所述的用于断路器状态监测的系统。

说明书

用于断路器状态监测的方法和系统

技术领域

[0001] 本公开的示例实施例总体涉及断路器监测，并且更具体地，涉及用于断路器状态监测的方法和系统。

背景技术

[0002] 断路器被广泛地用于电网中。断路器旨在保护电路或电气设备免受过载或短路引起的过大电流造成的损坏。当断路器在这种不利的电气条件下无法运行时，可能会发生灾
难性的后果。然而，随着时间的流逝，断路器可能遭受各种故障，这将威胁电路的安全性。期
望对断路器进行状态监测，以便跟踪断路器的操作状态，并且能够指示潜在的故障发生和
预防性维护。

[0003] 断路器通常被封闭在壳体中，并且它们的状态不能容易地被监测。常规的断路器监测系统通常包括测量装置，测量装置测量与断路器相关联的参数。然而，这样的系统只能
监测断路器的有限状态，而不能提供断路器的全面状态监测和诊断。

[0004] 在一些断路器中，提供了相机来拍摄断路器的图片。然而，所拍摄的图片通常会被传输到远程控制中心，技术工程师在远程控制中心对所拍摄的图片逐一进行检查并诊断以
进行状态监测。这是耗时且低效的。

[0005] 附加地，在一些断路器中，使用了机器视觉方法，但是这些方法与断路器的状态监测和断路器的诊断无关。例如，CN106526467A公开了一种高压断路器，其可以基于机器视觉
来测量可动触头的闭合和断开速度。预定参考点，并识别一系列图像中物体的位置，然后可
以计算出可动触头的闭合和断开速度。

发明内容

[0006] 本公开的示例实施例提出了一种用于断路器状态监测的解决方案。

[0007] 在第一方面中，本公开的示例实施例提供了一种用于断路器状态监测的方法。该方法包括：获取断路器的图像；从图像中提取与断路器的状况有关的一个或多个特征；将提
取的一个或多个特征与表征断路器的预定状况的基准数据进行比较；基于比较结果确定断
路器的健康状态。

[0008] 利用用于断路器状态监测的方法，可以以简单的方式可靠且准确地确定断路器的健康状况。而且，由于断路器的状态监测是通过机器视觉方法进行的，因此可以在不增加实
质负担的情况下监测断路器的任意数目的预定状况。因此，可以以简单的方式来监测一些
不健康的状态，例如导体腐蚀、粉尘污染，这是使用常规方法难以监测的。

[0009] 在一些实施例中，提取一个或多个特征包括以下中的至少一个：获取图像的二进制图像或灰度直方图；从图像中提取描述断路器的部件的特征的关键特征点；以及分隔图
像以识别断路器的部件的位置和灰度数据。因此，简化了计算复杂度。

[0010] 在一些实施例中，断路器的部件包括以下中的至少一个：固定触头、可动触头和接地触头。

[0011] 在一些实施例中，比较包括：确定度量，度量包括以下中的至少一个：一个或多个特征与基准数据之间的距离，以及一个或多个特征与基准数据之间的相关系数；并且基于
该度量确定一个或多个特征与基准数据之间的相异性。因此，可以通过图像处理方法来确
定断路器的健康状态。

[0012] 在一些实施例中，方法进一步包括：获取图像组，每组包括针对断路器的预定状况中的一个预定状况的多个图像；对于每组图像，从多个图像提取表征相应预定状况的特征；
并且基于提取的特征训练分类器。当为断路器的多个预定状况中的一个预定状况提供一组
图像时，可以对分类器进行很好的训练。可以提高确定的可靠性和准确性。

[0013] 在一些实施例中，一个或多个提取的特征由分类器分类。当使用分类器时，减少了计算，并且可以以方便且有效的方式确定断路器的健康状态。

[0014] 在一些实施例中，预定状况包括一下中的至少一个：正常闭合、缺陷闭合、正常断开、缺陷断开、正常接地、缺陷接地、导体腐蚀和粉尘污染。

[0015] 在第二方面中，本公开的示例实施例是一种用于断路器状态监测的系统。该系统包括：相机，被配置为对断路器拍照；以及通信地耦合到相机的至少一个处理器，并且处理
器被配置为执行第一方面的方法。在一些实施例中，至少一个处理器可以是本地的。在一些
实施例中，至少一个处理器可以是远程的。利用用于断路器状态监测的系统，可以以简单的
方式可靠且准确地确定断路器的健康状态。可以类似地获得关于该方法的所有优点。

[0016] 在第三方面中，本公开的示例实施例提供一种其上存储有指令的计算机可读介质，当在至少一个处理器上执行该指令时，使得至少一个处理器执行根据第一方面中的任
一项所述的方法。

[0017] 在第四方面中，本公开的示例实施例提供一种计算机程序产品，该计算机程序产品有形地存储在计算机可读存储介质上，并且计算机程序产品包括指令，当在至少一个处
理器上执行该指令时，使得至少一个处理器执行根据第一方面中的任一项所述的方法。

[0018] 在第五方面中，本公开的示例实施例提供一种物联网(IoT)系统。该系统包括：断路器；以及根据第二方面的用于断路器状态监测的系统。

附图说明

[0019] 通过以下参考附图的详细描述，本文公开的示例实施例的上述和其它目的、特征和优点将变得更加可理解。在附图中，将以示例性且非限制性的方式示出本文公开的几个
示例实施例，其中：

[0020] 图1示出了根据本公开的一些示例实施例的断路器的示意图；

[0021] 图2示出了根据本公开的一些示例实施例的用于断路器状态监测的方法的流程图；

[0022] 图3示出了根据本公开的一些示例实施例的特征提取过程的示意图；

[0023] 图4示出了根据本公开的一些示例实施例的示出了断路器的各种预定状况的图像；

[0024] 图5示出了根据本公开的一些示例实施例的与图4中的图像相对应的灰度直方图；

[0025] 图6示出了根据本公开的一些示例实施例从断路器的图像提取的二维特征向量；并且

[0026] 图7示出了根据本公开的一些示例实施例的测试图像及其灰度直方图。

[0027] 图8示出了根据本公开的实施例的用于断路器状态监测的系统800的框图。

[0028] 在所有附图中，相同或相应的附图标记指代相同或相应的部分。

具体实施方式

[0029] 现在将参考几个示例实施例来讨论本文描述的主题。仅出于使本领域的技术人员能够更好地理解并因此实现本文所述主题的目的来讨论这些实施例，而不是暗示对主题范
围的任何限制。

[0030] 术语“包括”或“包含”及其变体应被理解为开放术语，其意指“包括但不限于”。除非上下文另外明确地指出，否则术语“或”应被理解为“和/或”。术语“基于”应被理解为“至
少部分基于”。术语“可操作于”是指可以通过由用户或外部机构引起的操作来实现功能、动
作、运动或状况。术语“一个实施例”和“一个实施例”应被理解为“至少一个实施例”。术语
“另一实施例”应被理解为“至少一个其它实施例”。

[0031] 除非另有说明或限制，否则术语“安装”、“连接”、“支撑”和“耦合”及其变体被广泛使用，并且涵盖直接和间接的安装、连接、支撑和耦合。此外，“连接”和“耦合”不限于物理或
机械连接或耦合。在下面的描述中，相似的参考数字和标签用于描述图中的相同、相似或对
应的部分。其它定义(显式和隐式)可能包含在下面。

[0032] 图1示出了根据本公开的一些示例实施例的断路器的示意图。该示图仅显示其主要部件，而省略了其它部件。

[0033] 如图所示，断路器10包括固定触头14、可动触头12和接地触头16。可动触头12可以包括许多操作状况。例如，可动触头12可以移动到其接触固定触头14的第一位置。在这种情
况下，包括断路器10的电路闭合并且电流可以流过断路器10。可动触头12可以移动到其与
固定触头14和接地触头16分离的第二位置。在这种情况下，包括断路器10的电路断开，并且
电流不能流过断路器10。可动触头12也可以移动到其接触接地触头16的第三位置，从而使
断路器10接地，以保护断路器10不受损坏。

[0034] 断路器10对于电路保护很重要，因此应该很好地监测其工作状况。如上所述，一些常规的状态监测方法只能检测断路器的有限数目的状况，并且一些常规的状态监测方法深
度需要人的参与并且不能被自动地执行，这种方法效率低且不方便。本公开提出了基于图
像处理或分析技术的用于断路器状态监测和诊断的新颖解决方案。

[0035] 图2示出了根据本公开的一些示例实施例的用于断路器状态监测的方法200的流程图。方法200可以被实现为以简单的方式有效地执行断路器的状态监测，而对断路器的操
作没有任何影响。

[0036] 在框202处，拍摄断路器的一个或多个图像。至少一台相机等可以被固定地安装在断路器内的适当位置处。优选地，相机的位置可以确保由相机拍摄的图像包括用于断路器
的状态监测或诊断的关键特征。在一些实施例中，仅提供一个相机，可以满足状态监测要求
的。在一些实施例中，提供两个或更多个相机以便提供更多数据用于状态监测。

[0037] 在框204处，从图像提取与断路器的状况有关的一个或多个特征。通常，由相机拍摄的图片是彩色的。在一些实施例中，这些图片在计算机中被记录为3个矩阵。数据通常非
常大并且很难直接地被使用。图片必须被压缩或处理，以提取与断路器的状态监测或诊断
相关的关键或必要的特征。有许多用于从图像提取特征的方法，下面将(例如)参照图3和图
4进行描述。

[0038] 在框206处，将提取的一个或多个特征与表征断路器的预定状况的基准数据进行比较。在根据本公开的一些示例实施例的方法200中，创建基准数据以表征断路器的预定状
况。在一些实施例中，这些基准数据被存储在处理器可访问的数据库中。在创建基准数据之
前，需要收集与断路器的预定状况有关的数据。例如，收集记录断路器的预定状况的图像，
并对这些收集的图像进行处理以提取关键特征或必要特征。这些提取的特征被用作基准数
据，用于表征断路器的预定状况。在一些实施例中，方法可以确定断路器的至少一种预定状
况。当要确定断路器的多个预定状况时，对于每一个预定状况，收集记录或描述断路器的预
定状况的至少一个图像以形成基准数据。

[0039] 在框208处，可以基于比较来确定断路器的健康状态。当断路器的健康状态被确定时，(例如，经由显示器)向用户显示该健康状态。在一些实施例中，当系统包括多个断路器
时，可以同时检查多个断路器的状况。在一些实施例中，当断路器的状态不健康时，向用户
发送警报，并且可以采取适当的动作，例如更换或维护断路器。

[0040] 根据用于断路器状态监测的方法，可以以简单的方式可靠且准确地确定断路器的健康状态。而且，由于断路器的状态监测是通过机器视觉方法进行的，因此可以在不增加实
质负担的情况下监测断路器的任意数目的预定状况。因此，可以以简单的方式来监测一些
不健康的状态，诸如导体腐蚀、粉尘污染，这些不健康的状态使用常规方法难以监测。

[0041] 在一些实施例中，由相机拍摄的图片通常可以被压缩或处理以提取关键或必要特征。有很多方法可以从图像中提取特征。当图片被进一步处理时，简化了计算复杂性并且可
以减轻硬件负担。

[0042] 图3示出了根据本公开的一些示例实施例的特征提取的示意图。如图3所示，由相机拍摄的原始彩色图像301被转换到灰度图像302。由于典型地以一个矩阵记录灰度图像，
因此原始彩色图像301可以被压缩。

[0043] 在所示的实施例中，可以进一步压缩灰度图像以减少图像处理的计算复杂度。

[0044] 在一个示例实施例中，可以使用各种二值化方法将灰度图像302转换为二值图像303。例如，将Otsu方法用于二进制化。在Otsu的方法中，穷举地搜索最小化类内方差(即，类
别内方差)的阈值。类内方差被定义为两个类方差的加权和：

[0045]

[0046] 其中权重ω0和ω1分别地表示两个类别分开阈值t的的概率，并且 和 分别地表示这两个类别的方差。

[0047] 在另一个示例实施例中，可以将灰度图像302转换为灰度直方图304。灰度直方图是一种直方图，其用作数字图像中的灰度分布的图形表示。它为每一个灰度值绘制像素数。
针对特定图像的灰度直方图记录了图像的灰度分布。然后可以将灰度直方图向量用作向量
特征进行计算。

[0048] 在一些示例实施例中，使用图像处理算法来提取图像中的特征点。作为示例，可以提取图像中的对象上的兴趣点。这些特征可以表征断路器的主要特征。表征的特征可以被
用于识别不同图像中的关键对象，并且可以被用于与基准数据进行比较。如上所述，为了执
行可靠的识别，即使在噪声和照度变化的情况下，也可以检测出从图像提取的特征。例如，
这些点通常位于图像的高对比度区域(诸如，对象边缘)上。在一些示例实施例中，这些特征
包括图像中的部件的边缘、拐角等。图像处理算法可以包括SIFT(尺度不变特征变换)、角检
测等。

[0049] 在一些示例实施例中，图像分割方法被用于定位关键部件。关键部件的位置和表面状况可以反映断路器的状况。当识别出图像中的关键部件的位置和表面状况时，该信息
可以被用于确定断路器的状况。例如，可动触头的位置可以被用于确定断路器的断开和闭
合的状况，铜质触头中的腐蚀特征可能表示缺陷特性。通常，可以预先创建领域知识
(domain knowledge)数据库。图像分割方法可以与领域知识结合使用，以定位关键部件并
且提取图中的对应部分作为诊断模型的输入。例如，可以通过图像分割结合领域知识将可
动触头定位为矩形内的圆形。然后，可动触头的位置和表面状况可以被用于确定断路器的
状况。图像分割方法可以采用多种算法进行，包括但不限于聚类算法(K‑means)、分水岭
(Watershed)、图像切割(GraphCut)等。

[0050] 参考图4‑6，描述了用于创建基准数据的方法。例如，收集与断路器的预定状况有关的图像。使用上述提取方法从这些图像中提取表征与断路器的预定状况相关的关键特征
的基准数据。然后将这些基准数据存储在数据库中。预定状况包括但不限于正常闭合、缺陷
闭合、正常断开、缺陷断开、正常接地、缺陷接地、导体腐蚀和粉尘污染。

[0051] 在一个示例中，图4仅示出了根据本公开的一些示例实施例的断路器的四个预定状况。如图4中的401处所示，断路器是闭合的，并且可动触头接触固定触头。在图4中的402
处，断路器接地，并且可动触头接触接地触头。在图4中的403处，断路器是断开的，并且可动
触头位于固定触头与接地触头之间，并且不与它们中的任何一个触头接触。在图4中的404
处，断路器有缺陷地闭合，并且可动触头靠近或部分地接触固定触头。

[0052] 所收集的表示断路器的预定状况的图像可以被压缩以提取用于表征预定状况的关键特征。

[0053] 图5示出了根据本公开的一些示例实施例的与图4中的图像相对应的灰度直方图。与断路器的预定状况相关联的灰度直方图可以作为基准数据被存储在数据库中。如图5所
示，灰度直方图501对应于图4中的断路器的合闸状况；灰度直方图502对应于图4中的断路
器的接地状况；灰度直方图503对应于图4中的断路器的断开状况；并且灰度直方图504对应
于图4中的断路器的缺陷闭合状况。

[0054] 图6示出了根据本公开的一些示例实施例从断路器的图像提取的二维特征向量。由于向量是二维的，因此可以将其表示为二维坐标系中的点。如图所示，图中的每一个点表
示从断路器的一个图中提取的特征向量。收集不同类型的基准数据作为参考数据。在所示
的示例中，示出了已知的正常断路器的三种状况和可能的缺陷闭合类型。

[0055] 如图所示，附图标记601(“╳”)表示断路器可以正常地断开。附图标记602(“△”)表示断路器可以正常地闭合。附图标记603“☆”表示断路器可以正常地接地。附图标记604
“○”表示一种缺陷类型。例如，断路器不能正常地闭合或断开，即缺陷断开或缺陷闭合。附
图标记605“▽”表示另一种缺陷类型。例如，断路器不能正常地接地，即缺陷接地。附图标记
606“*”表示提取的测试特征向量。如图所示，对于基准数据的每一个符号，示出了多个点。
这意味着，有多个图像被收集，以指示每一个预定状况。在一些实施例中，当针对每一个预
定状况仅收集一个图像时，对于每一个预定状况仅示出一个点。可以使用多种方法基于基
准数据对测试特征向量进行分类，例如，K最近邻(k‑Nearest Neighbor)、支持向量机、经典
图像处理方法(诸如，相似度计算)等。

[0056] 为了确定目标断路器的状况，通过相机拍摄测试图像或图片，并且提取用于表征目标断路器的状况的特征。可以使用多种方法基于基准数据对提取的测试特征或向量进行
分类。该方法包括但不限于经典图像处理方法和机器学习算法。

[0057] 现在将描述用于确定目标断路器的状况的方法的实施例。这些方法的主要原理是确定测试数据与哪种基准类型最相似。

[0058] 在一些示例实施例中，使用经典图像处理方法。例如，确定度量(诸如，一个或多个特征与基准数据之间的距离，一个或多个特征与基准数据之间的相关系数)，并且基于该度
量确定一个或多个特征和基准数据之间的相异性(dissimilarity)。然后，可以确定目标断
路器的状况。

[0059] 图7示出了根据本公开的一些示例实施例的测试图像701及其灰度直方图702。使用上述方法将相机拍摄的原始彩色图像701转换为灰度直方图702。在一些示例实施例中，
图5所示的灰度直方图被存储为基准数据。

[0060] 灰度直方图被记录为一个特征向量，例如，包括256个元素，对应于每一个灰度值(灰度＝1～256)处的图像中的像素数。应当理解，灰度直方图向量的长度不必是256，可以
将该长度确定为其它值。因此，图5所示的基准数据表示断路器的预定状况的四个类别，每
一个状况表示为由xj(j＝1,2,3,4)表示的基准特征向量，并且提取的测试图像的特征向量
表示为xt。

[0061] 在一些实施例中，可以计算相异性或/和距离，以便将测试图像分类为基准数据中的一类。基准特征向量中的与测试图像的特征向量最相似或最接近的基准特征向量可以指
示断路器的状况。例如，可以使用以下等式计算测试图像的特征向量与每一个基准特征向
量之间的欧几里德距离。

[0062]

[0063] 从测试图像的特征向量到每一个基准特征向量的欧几里德距离结果如表1所示：

[0064] 表1

[0065]

[0066]

[0067] 从上面可以看出，d3是最小值，因此可以将测试图像分类或确定为“断开”。

[0068] 存在多种计算相异性或距离的方式。例如，在一些示例实施例中，可以计算测试图像的特征向量与每一个基准特征向量之间的相关系数。

[0069] 在一些示例实施例中，使用机器学习算法。例如，在一个实施例中，获取图像组，每一个图像组包括针对断路器的预定状况中的一个预定状况的多个图像。对于每组图像，从
多个图像提取表征相应的预定状况的特征。训练基于提取的特征的分类器。然后，可以通过
分类器确定目标断路器的状况。当为断路器的预定状况中的一种预定状况提供一组图像
时，可以对分类器进行很好的训练。这可以提高确定的可靠性和准确性。存在多种机器学习
方法，这些机器学习方法可基于基准数据来训练分类器，例如，K最近邻(KNN)、支持向量机
(SVM)、神经网络、逻辑回归等。作为示例，使用KNN和SVM方法进行分类的原理说明如下。应
该理解，以下实施例仅是示例性的。

[0070] 在KNN方法中，输入是提取的测试特征，并且输出是类成员。由相机拍摄的测试图像在基准数据库中按其邻居的多数投票进行分类，并且将测试数据分配给其k最近邻中最
常见的类别(k是正整数，通常很小)。

[0071] 假设基准数据被表示为(X1，y1)，(X2，y2)，...，(Xn，yn)，其中状况特征被表示为Xi，并且yi是状况特征Xi的状况类别。给定距离定义(例如，欧几里德距离)，可以确定基准数据
集中最接近的k个样本。这k个样本的多数投票指示测试图像的状况或类别。

[0072] 在一些实施例中，可以设置阈值用于分类。即，如果测试特征向量与最近的基准邻居之间的距离大于阈值，则可以将测试图像的状况确定为“其它”，这意味着没有已知的基
准类似于测试图像。这可能是新的缺陷类型。在一些实施例中，在这种情况下，可以将警报
发送给用户。

[0073] 在一些示例实施例中，可以使用SVM方法来训练分类器模型，分类器模型可以基于创建如下的基准点的表示，该基准点的划分是通过尽可能宽的明显间隙来划分的。

[0074] 例如，给定基准数据(X1，y2)，(X2，y2)，...，(Xn，yn)，其中状况特征被表示为Xi，并且yi是状况特征Xi的状况类别。使用SVM进行训练的目标是获取分类器或模型。

[0075]

[0076] 这可以使损失函数R[f]最小化。

[0077]

[0078] 使得满足

[0079] 其中 表示从低维空间到高维空间的映射函数，w表示映射函数的权重，b表示偏差。通过等式(4)中的损失函数R[f]和等式(5)中的约束条件，可以确定等式(3)中的w的
值。因此，可以在等式(3)中获取分类器或模型。

[0080] 因此，对于任何测试数据x*，断路器的状况是由训练的分类器计算的输出y*。

[0081] 图8示出了根据本公开的实施例的用于断路器状态监测的系统800的框图。系统800包括相机805和至少一个处理器810。相机805被配置为拍摄断路器的图片。至少一个处
理器810被通讯地耦合到相机805，并且被配置为执行如上所述的方法200。利用用于断路器
状态监测的系统，可以以简单的方式可靠且准确地确定断路器的健康状态。可以类似地实
现关于方法200的所有优点，在此将不再重复描述。

[0082] 通常，本公开的各种实施例可以以硬件或专用电路、软件、逻辑或其任意组合来实现。一些方面可以以硬件来实现，而其它方面可以以可以由控制器、微处理器或其它计算设
备执行的固件或软件来实现。尽管本公开的实施例的各个方面被图示和描述为框图、流程
图或使用一些其它图形表示，但是应当理解，本文所述的框、装置、系统、技术或方法可以作
为非限制性示例在硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其它计算机设
备或其某种组合中实现。

[0083] 本公开还提供了有形地存储在非暂时性计算机可读存储介质上的至少一个计算机程序产品。该计算机程序产品包括计算机可执行指令，诸如程序模块中包括的在目标真
实或虚拟处理器上的设备中执行的那些指令，以执行如上参考图2所述的过程或方法。通
常，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、库、对象、类、部件、
数据结构等。如在各种实施例中期望的，程序模块的功能可以在程序模块之间组合或分割。
用于程序模块的机器可执行指令可以在本地或分布式设备内执行。在分布式设备中，程序
模块可以位于本地和远程存储介质中。

[0084] 可以以一种或多种编程语言的任何组合来编写用于执行本公开的方法的程序代码。可以将这些程序代码提供给通用计算机、专用计算机或其它可编程数据处理装置的处
理器或控制器，以使得该程序代码在由处理器或控制器执行时，将导致实现流程图和/或框
图中指定的功能/操作。程序代码可以完全在计算机上执行，部分地在计算机上作为独立软
件包执行、部分地在计算机上并且部分地在远程计算机上执行，或者完全在远程计算机或
服务器上执行。

[0085] 以上程序代码可以体现在机器可读介质上，该机器可读介质可以是任何有形的介质，可以包含或存储供指令执行系统、装置或设备使用或与其结合使用的程序。机器可读介
质可以是机器可读信号介质或机器可读存储介质。机器可读介质可以包括但不限于电子、
磁性、光学、电磁、红外或半导体系统、装置或设备，或前述的任何合适的组合。机器可读存
储介质的更具体的示例将包括：具有一根或多根导线的电连接、便携式计算机软盘、硬盘、
随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光纤、
便携式光盘只读存储器(CD‑ROM)、光学存储设备、磁存储设备或上述的任意合适的组合。

[0086] 此外，尽管以特定顺序描绘了操作，但是这不应被理解为要求以所示的特定顺序或以连续的顺序执行这样的操作，或者执行所有示出的操作以实现期望的结果。在某些情
况下，多任务和并行处理可能是有利的。同样地，尽管以上讨论中包含几个特定的实现细
节，但是这些不应被解释为对本公开范围的限制，而应被解释为对特定实施例而言特定的
特征的描述。在单独的实施例的上下文中描述的某些特征也可以在单个实施例中组合实
现。另一方面，在单个实施例的上下文中描述的各种特征也可以分别在多个实施例中或以
任何合适的子组合来实现。

[0087] 尽管已经以特定于结构特征和/或方法动作的语言描述了主题，但是应该理解，所附权利要求书中定义的主题不必限于上述特定特征或动作。相反，上述特定特征和动作被
公开为实现权利要求的示例形式。