具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、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。

目前，对数据中心机柜U位的盘点准确率不足、成本较高。为此，本申请的一些实施例中：可利用拍摄设备进行机柜拍摄，以获得机柜图像，所述机柜图像中包含至少一个机柜；在所述机柜图像中，确定所述至少一个机柜的位置信息；识别所述机柜图像中存在的空U位，以获得至少一个空U位的位置信息；基于所述至少一个机柜的位置信息和所述至少一个空U位的位置信息，检测所述至少一个机柜各自所包含的空U位。据此，本申请实施例中，可采用计算机视觉技术实现机柜U位检测，检测效率高，可有效节省人力物力；检测准确率高，可有效避免人工误差；对现场零改造，实施难度低，实施成本低。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本申请一示例性实施例提供的一种机柜U位检测方法的流程示意图，图2为本申请一示例性实施例提供的一种机柜U位检测方案的逻辑示意图。其中，该方法可由数据处理装置执行，该数据处理装置可实现为软件和/或硬件的结合，该数据处理装置可集成在计算设备中。参考图1，该方法可包括：

步骤100、利用拍摄设备进行机柜拍摄，以获得机柜图像，机柜图像中包含至少一个机柜；

步骤101、在机柜图像中，确定至少一个机柜的位置信息；

步骤102、识别机柜图像中存在的空U位，以获得至少一个空U位的位置信息；

步骤103、基于至少一个机柜的位置信息和至少一个空U位的位置信息，检测至少一个机柜各自所包含的空U位。

本实施例提供的机柜U位检测方案可应用于各种需要对机柜中U位进行检测的场景中，例如，数据中心的资源管理场景、企业机房的管理维护场景等，本实施例对应用场景不做限定。其中，机柜可以是指用于安放服务器或者其它IT设备的柜子，机柜中可包含一个或多个U位。U位可以是指机柜内用于安放设备的单位空间，U可理解为Unit的缩写，本实施例中，将未被占用的U位称为空U位。本实施例提供的机柜U位检测方案可实现对机柜中空U位的准确检测，应当理解的是，实际应用中，通常可通过检测空U位来支持对机柜的资源管理，若在特殊情况下需要对机柜中的已用U位进行检测，则可将本实施例中的检测对象替换为已用U位，处理构思与本案一致，或者，通过本案中对空U位的检测结果对已用U位进行推算，从而实现对已用U位的检测。

基于此，参考图1和图2，在步骤100中，可利用拍摄设备进行机柜拍摄，以获得机柜图像。其中，拍摄设备可包括但不限于手机、PAD等手持设备，或者机器人、运载车搭载的摄像机等自主移动设备。本实施例中，可按需布置拍摄环境及机柜：开启机房灯光，以确保机柜无强烈阴影或遮挡、机柜上的铭牌清晰；在空U位上规整覆盖挡板，以更突出地展现空U位；等等。还可进行拍摄准备：将拍摄装置对准挤兑，拍摄视角尽量摆正，机柜上下背景区域尽量小，被拍机柜全柜及其铭牌全部入境。其中，机柜图像可以是照片或者是视频中的视频帧，对于机柜图像为照片的情况，单次拍摄可对准一个或多个机柜，这样，机柜图像中可包含至少一个机柜。对于机柜图像为视频帧的情况，可稳定平移拍摄设备，例如，均速平移视角进行视频拍摄，这样，拍摄获得的视频中各视频帧可能包含一个或多个机柜；另外，这种情况下，可从视频中选出关键帧，并只需对关键帧执行后续的检测识别等处理操作，以节省计算量。举例来说，可按照拍摄过程中的移动速度以及机柜的宽度来筛选关键帧，例如，若机柜宽度为50cm，移动速度为50cm/s，则可间隔1s提取一个视频帧作为关键帧，这样，可保证不会漏掉任何机柜，当然这仅是示例性的，本实施例并不限于此。

本实施例中，若机柜图像中包含多个机柜，则可支持对多个机柜进行同时检测。

在步骤101中，可在机柜图像中，确定至少一个机柜的位置信息。其中，机柜的位置信息可包括但不限于关键点坐标等，还可包含宽度、高度等，在一些情况下，宽度和高度可以是预先录入的已知值。值得说明的是，本文中涉及到的坐标可以统一以机柜图像对应的图像坐标系作为参考坐标系。

本实施例中，可在机柜上装配可识别参照物，其中，可识别参照物与机柜的相对位置固定，基于此，在步骤101中，可在机柜图像中识别可识别参照物的位置信息，并基于可识别参照物的位置信息以及可识别参照物与机柜之间的相对位置关系，来确定机柜图像中至少一个机柜的位置信息。

在一种可选的实现方式中：可识别参照物可采用铭牌，基于此，可在机柜图像中进行文字识别，以检测机柜图像中包含的至少一个铭牌的位置信息；基于至少一个铭牌的位置信息以及铭牌与机柜之间的相对位置关系，确定至少一个机柜的位置信息。在该实现方式中，可采用文字识别技术在机柜图像中进行文字识别，其中，可采用的文字识别技术包括但不限于tesseract-OCR、easyOCR或者读光OCR等。文字识别的结果中可包括所有文本框的文字内容、置信度及关键点（例如中心点）坐标等，其中，中心点坐标可作为铭牌的位置信息。

在该实现方式中，文字识别的结果中可能包含冗余结果，为此，还可对文字识别的结果进行去冗余。一种去冗余的示例性方案可以是：若目标结果中的文字内容不符合铭牌对应的名称格式（例如，三位、第一位字母后两位数字、不含标点符号等），则摒弃目标结果；若目标结果对应的置信度低于预设阈值，则摒弃目标结果；等等。应当理解的是，对文字识别的结果进行去冗余的方案并不限于此。经过去冗余处理后，可获得机柜图像中所有的铭牌的位置信息。

在该实现方式中，可默认铭牌与机柜一一对应，且铭牌与机柜之间的相对位置关系已知，例如，铭牌统一装配在机柜的左上角某一位置。基于此，可在通过上述的文字识别操作检测到至少一个铭牌的位置信息的基础上，基于铭牌的位置信息推算出其所在机柜的位置信息，这样，机柜的位置信息中可包括但不限于关键点坐标（例如铭牌的中心点）、宽度、高度等。据此，可确定出机柜图像中至少一个机柜各自对应的位置信息，机柜的位置信息可反映其在机柜图像中的位置以及多个机柜之间的相对位置情况。另外，正如上文提及的，文字识别的结果中还可包含文字内容，这样，可将铭牌中包含的文字内容作为机柜的名称，例如，图2中“A01”可作为左边起第一个机柜的名称。

在另一些实现方式中，可识别参照物还可以是条形码、二维码等，相应地，条形码或者二维码等可黏贴在机柜的固定位置。基于此，可在机柜图像中进行条形码识别或二维码识别操作，以检测机柜图像中包含的至少一个条形码或二维码的位置信息，基于至少一个条形码或二维码的位置信息以及它们与机柜之间的相对位置关系，确定至少一个机柜的位置信息。其它的处理细节，可参考“铭牌”实现方式中的相关描述，在此不再赘述。另外，上述的几种可识别参照物仅是示例性的，本实施例中并不限于此。

据此，在该实现方式中，可在机柜图像中，确定至少一个机柜的位置信息。而且，还可确定出机柜图像中的机柜个数、名称、与其它机柜之间的相对位置情况等其它信息。

本实施例中，还可对机柜图像执行空U位的识别操作，基于空U位的识别操作，可确定机柜图像中是否存在空U位。其中，可采用后文中提及的U位检测模型、目标检测技术等方式来确定机柜图像中是否存在空U位。基于此，参考图1和图2，在步骤102中，还可识别机柜图像中存在的空U位，以获得至少一个空U位的位置信息。可以理解的是，步骤102对应的是机柜图像中存在空U位的情况，这样，步骤102中可在机柜图像中识别到至少一个空U位的位置信息。而对于机柜图像中不存在空U位的情况，本实施例中，可结束针对该机柜图像的分析工作，当然，还可执行输出无空U位的检测结果等操作，本实施例对这种情况下的后续操作方式不做限定。

另外，为便于描述，后文中将默认针对机柜图像中存在空U位的情况进行相关技术方案的说明，而对于机柜图像中不存在空U位的情况则不再过多说明。

本实施例中，U位的位置信息可包括但不限于关键点（例如中心点）坐标、宽度、高度等。同样，这里的坐标可以机柜图像对应的图像坐标系作为参考坐标系。在一种可选的实现方式中：可将机柜图像输入U位检测模型，U位检测模型可采用深度学习模型；在U位检测模型中，识别机柜图像中存在的空U位，以获得至少一个空U位的位置信息。在该实现方式中，U位检测模型的输入可以是机柜图像，而输出则至少可包括至少一个空U位的位置信息。一种示例性的输出结果可采用txt格式文件，其中的每一行记录中可包含一个空U位的位置信息。另外，U位检测模型可采用APPNet、YOLO、SSD、FPN等网络结构，当然，U位检测模型可采用的网络结构并不限于此。

图3为本申请一示例性实施例提供的一种U位检测模型训练方案的逻辑视图。参考图3，针对U位检测模型的一种示例性的训练方案可以是：

步骤300、采集样本图像，样本图像中包含至少一个机柜；

步骤301、对样本图像中包含的至少一个机柜进行视角校正；

步骤302、在校正后的样本图像中，标注所有空U位的位置信息，以获得训练样本；

步骤303、利用训练样本训练U位检测模型。

在采集样本图像的过程中，可布置拍摄环境及机柜：机房开启灯光，确保机柜无强烈阴影或遮挡、机柜顶部铭牌清晰、U位挡板规整。在拍摄过程中：可将拍摄装置对准机柜，拍摄视角尽量摆正，机柜上下背景区域尽量小，被拍机柜全柜及其铭牌全部入镜。另外，拍摄的样本图像可尽量覆盖U位挡板的所有外观、U位挡板在机柜中的位置分布尽量多样化，并且样本图像的数量可至少达到百级，以保证样本充足。

在对样本图像进行视角校正的过程中，可选取样本图像中所有完整的机柜，选择机柜的四个顶点；计算校正后的边长，实施透视变换。在确定了机柜的四个顶点的基础上，可采用现有或未来提供的任意视角校正方式实时本案的视角校正操作，在此不再详述。经过视角校正后，由单张样本图像可以得到多张校正后的图像。

在标注空U位的位置信息的过程中，可在校正后的样本图像中，利用标注框框出所有空U位，标注框与对应的空U位的规格适配；基于标注框，标注对应的空U位的位置信息。其中，每个标注框可尽量与对应的空U位的规格一致，这样，标注框可覆盖空U位的所有特征，并可尽量减少干扰特征（准确框选空U位边缘），从而准确标注空U位的位置信息。这里标注的位置信息可包括但不限于关键点（例如中心点）坐标、宽度、高度等。据此，可将校正后的样本图像以及为其标注的空U位的位置信息（可承载在带有标注框的样图图像和/或收录位置信息的标注文件上），作为训练样本。

另外，在该示例性的训练方案中，还可对校正后的样本图像进行样本增强，样本增强的方式可包括但不限于平移平滑区域像素、遮挡空U位的部分特征、对全图施加随机亮度调整、图像添加模糊/噪声等，从而获得若干增强图像。还可采用上述的标注方案，对增强图像也进行标注，而且将增强图像以及为其标注的空U位的位置信息，作为训练样本。这可有效增加训练样本的数量，从而增强U位检测模型的泛化性。还可将足够的训练样本按一定的比例进行随机分割，以获得训练集、验证集和测试集，三种样本集的比例可以根据训练样本的数量进行调整，例如，可采用7:2:1。

在此基础上，可利用获得的训练样本对U位检测模型进行训练。其中，训练阶段可包括但不限于以下环节：

1、 配置训练平台，需要配置足够的训练硬件资源，包括GPU、内存、显存等；并安装与GPU型号匹配的GPU驱动、CUDA，以调用GPU并行计算、加速训练；

2 、配置训练软件环境，可以用Anaconda创建定制化的训练环境，安装Pytorch、TensorFlow等深度学习框架，以及训练依赖的第三方库；

3 、U位检测模型的网络结构可以参考或者复用当前流行的检测识别模型，如SPPNet、YOLO、SSD、FPN等，也可参考或者复用当前流行的语义分割模型；通常网络结构越复杂，模型的表征能力越强、性能越好，但训练和运行效率随之下降；可综合考虑算法的性能和效率要求，选择或设计合适的网络结构；

4 、设定合适的训练配置参数及超参数，超参数主要包括单次训练或推理处理的数据量batch size、训练次数epoch、初始权重、初始学习率、学习率下降系数等；

5、 启动训练，用训练集迭代训练U位检测模型，并用验证集进行参数调优，观察损失函数loss的下降过程；

6 、用测试集测试算法性能；根据模型的训练收敛过程以及在测试集上的表现，可能需要优化训练样本、训练超参数甚至网络结构，迭代训练模型直至算法性能满足要求。

之后，可进行模型封装。模型封装的方案可适配上述训练阶段使用的深度学习框架，不同的深度学习框架，所需的模型封装的方案可能不完全相同。以TensorFlow框架为例，模型封装的过程可包括：恢复训练后保存的模型图文件；开启一个Session，载入与图对应的训练好的权重；删除对预测无关的图结构，简化模型；将模型序列化，保存为二进制文件输出。

基于此，在该示例性的U位检测模型的训练方案中，从最初的样本图像采集到最后的模型封装，提供了整套用于U位检测模型训练方法。采集的样本图像，通过视角校正、样本增强和打标等处理环节生成了高质量的定制化训练集，可有效保证U位检测模型的性能。

据此，在该实现方式中，通过定制化的训练集来自主训练模型，可保证U位检测模型的优异性能，进而可采用深度学习模型来对机柜图像中的空U位进行检测识别，这样，基于深度学习模型的优异性能，可有效提到空U位的识别准确性。

值得说明的是，本实施例中，还可采用其它实现方式来进行U位检测识别，例如，传统的目标检测方式：选取可能包含空U位的感兴趣区域，对感兴趣区域进行特征（可预先进行特征定义）提取，对提取的特征进行检测分类。又例如，在不考虑模型性能的情况下，还可直接调用开源预训练好的算法模型对机柜U位进行检测识别。本实施例中U位检测识别的实现方式并不限于此。

基于上述在机柜图像中对空U位的检测识别操作，可得到机柜图像中包含的空U位的数量，空U位的中心点坐标、宽度、高度等信息，作为检测的依据。

在此基础上，参考图1和图2，在步骤102中，可基于至少一个机柜的位置信息和至少一个空U位的位置信息，检测至少一个机柜各自所包含的空U位。

为此，可首先确定机柜和空U位之间的包含关系。在一种可选的实现方式中：可在机柜图像对应的图像坐标系下，根据第一机柜的位置信息，确定第一机柜的横坐标范围；根据至少一个空U位的位置信息，确定横坐标位于第一机柜的横坐标范围内的至少一个目标空U位，作为第一机柜包含的空U位；对第一机柜包含的空U位进行检测；其中，第一机柜为至少一个机柜中的任意一个。举例来说，在步骤101中确定出第一机柜的铭牌的中心点坐标的基础上，可根据铭牌与第一机柜的相对位置关系、铭牌的中心点坐标以及第一机柜的宽度（可将相邻两个铭牌之间的平均间距作为机柜的宽度），来计算出第一机柜的横坐标范围。另外，还可基于机柜图像中包含的至少一个空U位的位置信息，来确定各个空U位的中心点的横坐标，这样，可判断各个空U位的中心点的横坐标是否位于第一机柜的横坐标范围内，如果是，则可确定该空U位位于第一机柜上，从而，可查找到第一机柜包含的所有空U位。

在该实现方式中，可在确定出第一机柜包含的空U位的基础上，对第一机柜包含的空U位进行检测。其中，检测操作可包括但不限于检测空U位的数量、空U位的分布状态等。

对于空U位的数量：可采用统计的方式，统计出第一机柜包含的空U位的数量。

对于空U位的分布状态：可根据至少一个目标空U位的位置信息，确定至少一个目标空U位的纵坐标；按照至少一个目标空U位的纵坐标，检测至少一个空U位在第一机柜上的分布状态。其中，在一种示例性的方案中，可根据至少一个目标空U位的纵坐标以及空U位的规格信息，将至少一个目标空U位划分为至少一个空U位组，同一空U位组内的目标空U位相互接续；分别统计至少一个空U位组内的空U位数量以及至少一个空U位组之间的相对位置，以表征至少一个空U位在第一机柜上的分布状态。一种示例性的分布状态表征格式可以是【6,1,8】，表示第一机柜中从上往下分布有3个空U位组，分别包含6个连续的空U位、1个空U位和8个连续的空U位。

这样，在该实现方式中，可输出第一机柜的名称、包含的空U位数量以及空U位的分布状态，作为检测结果。在机柜图像中包含多个机柜的情况下，基于同样的方式，在该实现方式中，还可同步输出除第一机柜之外的其它机柜对应的检测结果，以实现机柜图像中多机柜同时检测。

值得说明的是，本实施例中，还可采用其他实现方式来基于至少一个机柜的位置信息和至少一个空U位的位置信息，检测至少一个机柜各自所包含的空U位，上述实现方式中的实现细节也可进行微调，本实施例并不限于此。

综上，本实施例中，可利用拍摄设备进行机柜拍摄，以获得机柜图像，所述机柜图像中包含至少一个机柜；在所述机柜图像中，确定所述至少一个机柜的位置信息；识别所述机柜图像中存在的空U位，以获得至少一个空U位的位置信息；基于所述至少一个机柜的位置信息和所述至少一个空U位的位置信息，检测所述至少一个机柜各自所包含的空U位。据此，本实施例中，可采用计算机视觉技术实现机柜U位检测，可实现多机柜同时检测，检测效率高，可有效节省人力物力；基于性能优异的U位检测模型，可有效提高检测准确率；对现场零改造，实施难度低，实施成本低。

需要说明的是，上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤100至步骤103的执行主体可以为设备A；又比如，步骤100和101的执行主体可以为设备A，步骤103的执行主体可以为设备B；等等。

另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。

图4为本申请另一示例性实施例提供的一种计算设备的结构示意图。如图4所示，该计算设备包括：存储器40和处理器41。

处理器41，与存储器40耦合，用于执行存储器40中的计算机程序，以用于：

利用拍摄设备进行机柜拍摄，以获得机柜图像，机柜图像中包含至少一个机柜；

在机柜图像中，确定至少一个机柜的位置信息；

识别机柜图像中存在的空U位，以获得至少一个空U位的位置信息；

基于至少一个机柜的位置信息和至少一个空U位的位置信息，检测至少一个机柜各自所包含的空U位。

在一可选实施例中，机柜图像为照片或者视频中的视频帧。

在一可选实施例中，处理器41在机柜图像中，确定至少一个机柜的位置信息的过程中，可用于：

在机柜图像中进行文字识别，以检测机柜图像中包含的至少一个铭牌的位置信息；

基于至少一个铭牌的位置信息以及铭牌与机柜之间的相对位置关系，确定至少一个机柜的位置信息。

在一可选实施例中，处理器41在识别机柜图像中存在的空U位，以获得至少一个空U位的位置信息的过程中，可用于：

将机柜图像输入U位检测模型，U位检测模型采用深度学习模型；

在U位检测模型中，识别机柜图像中存在的空U位，以获得至少一个空U位的位置信息。

在一可选实施例中，处理器41在对U位检测模型进行训练的过程中，可用于：

采集样本图像，样本图像中包含至少一个机柜；

对样本图像中包含的至少一个机柜进行视角校正；

在校正后的样本图像中，标注所有空U位的位置信息，以获得训练样本；

利用训练样本训练U位检测模型。

在一可选实施例中，处理器41在校正后的样本图像中，标注所有空U位的位置信息，以获得训练样本的过程中，可用于：

在校正后的样本图像中，利用标注框框出所有空U位，标注框与对应的空U位的规格适配；

基于标注框，标注对应的空U位的位置信息；

将校正后的样本图像以及为其标注的空U位的位置信息，作为训练样本。

在一可选实施例中，处理器41在基于至少一个机柜的位置信息和至少一个空U位的位置信息，检测至少一个机柜各自所包含的空U位的过程中，可用于：

在机柜图像对应的图像坐标系下，根据第一机柜的位置信息，确定第一机柜的横坐标范围；

根据至少一个空U位的位置信息，确定横坐标位于第一机柜的横坐标范围内的至少一个目标空U位，作为第一机柜包含的空U位；

对第一机柜包含的空U位进行检测；

其中，第一机柜为至少一个机柜中的任意一个。

在一可选实施例中，处理器41在对第一机柜包含的空U位进行检测的过程中，可用于：

在图像坐标系下，根据至少一个目标空U位的位置信息，确定至少一个目标空U位的纵坐标；

按照至少一个目标空U位的纵坐标，检测至少一个空U位在第一机柜上的分布状态。

在一可选实施例中，处理器41在按照至少一个目标空U位的纵坐标，检测至少一个空U位在第一机柜上的分布状态的过程中，可用于：

根据至少一个目标空U位的纵坐标以及空U位的规格信息，将至少一个目标空U位划分为至少一个空U位组，同一空U位组内的目标空U位相互接续；

分别统计至少一个空U位组内的空U位数量以及至少一个空U位组之间的相对位置，以表征至少一个空U位在第一机柜上的分布状态。

在一可选实施例中，处理器41在对第一机柜包含的空U位进行检测的过程中，可用于：

统计第一机柜包含的空U位的数量。

在一可选实施例中，位置信息可用于关键点坐标、宽度、高度。

进一步，如图4所示，该计算设备还包括：通信组件42、电源组件43等其它组件。图4中仅示意性给出部分组件，并不意味着计算设备只包括图4所示组件。

值得说明的是，上述关于计算设备各实施例中的技术细节，可参考前述的方法实施例中的相关描述，为节省篇幅，在此不再赘述，但这不应造成本申请保护范围的损失。

相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被执行时能够实现上述方法实施例中可由计算设备执行的各步骤。

上述图4中的存储器，用于存储计算机程序，并可被配置为存储其它各种数据以支持在计算平台上的操作。这些数据的示例包括用于在计算平台上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。

上述图4中的通信组件，被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如WiFi，2G、3G、4G/LTE、5G等移动通信网络，或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件还包括近场通信（NFC）模块，以促进短程通信。例如，在NFC模块可基于射频识别（RFID）技术，红外数据协会（IrDA）技术，超宽带（UWB）技术，蓝牙（BT）技术和其他技术来实现。

上述图4中的电源组件，为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。