具体实施方式
本申请实施例通过提供一种绣花生产控制方法及系统,解决了现有技术中存在针迹的设置不能满足客户多样绣品选择要求的技术问题。下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
绣花,也称刺绣,又名“针绣”。以绣针引彩线(丝、绒、线),按设计的花样,在织物(丝绸、布帛)上刺缀运针,以绣迹构成纹样或文字,是我国优秀的民族传统工艺之一。绣品的用途包括:生活服装,歌舞或戏曲服饰,台布、枕套、靠垫等生活日用品及屏风、壁挂等陈设品。随着科技的发展,除了手工刺绣外,现在还有机绣,机绣就是使用数据机床对绣花过程进行控制,实现自动化的绣花过程,提高了绣花的工作效率,机绣中如何能提高绣品的质量与绣花过程中设定的锈迹参数密切相关。但现有技术中存在针迹的设置不能满足客户多样绣品选择要求的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
获得第一绣花图片信息,所述第一绣花图片信息为第一用户的绣花成品要求图像;根据所述第一绣花图片信息,获得第一绣花针迹信息;将所述第一绣花图片信息、所述第一绣花针迹信息输入第一训练模型,所述第一训练模型通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第一绣花图片信息、所述第一绣花针迹信息和标识评价绣花针迹与绣花图像信息匹配度的标识信息;获得所述第一训练模型的第一输出结果,所述第一输出结果包括针迹匹配度,所述针迹匹配度用于评价第一绣花针迹信息与图像信息之间的匹配程度;判断所述针迹匹配度是否满足第一预定条件;当满足时,获得第一绣花定制要求;根据所述第一绣花定制要求、所述第一绣花针迹信息,获得第一绣花工艺信息。达到了通过客户的需求进行对应的绣花工艺设定,具有使用范围广、可以满足用户的多种目标要求,同时通过神经网络模型确保参数设定的准确性,保障绣品的质量的技术效果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种绣花生产控制方法,其中,所述方法包括:
步骤S100:获得第一绣花图片信息,所述第一绣花图片信息为第一用户的绣花成品要求图像。
具体而言,第一绣花图片信息为用户提供的绣花样本,即要求达到的图片效果,从中可以确定绣花的类型、尺寸、比例、颜色、款式等基本信息。
步骤S200:根据所述第一绣花图片信息,获得第一绣花针迹信息。
进一步而言,所述根据所述第一绣花图片信息,获得第一绣花针迹信息,本申请实施例步骤S200包括:
步骤S210:根据所述第一绣花图片信息,获得绣花处理结果,所述绣花处理结果包括绣花轮廓信息、绣花分区信息;
步骤S220:根据所述绣花处理结果,获得绣花针孔分布信息;
步骤S230:将所述第一绣花图片信息、所述绣花针孔分布信息输入第二训练模型,获得绣花针迹策略;
步骤S240:根据所述绣花针迹策略,获得第一绣花针迹信息,其中,所述第一绣花针迹信息包括多个绣花针迹策略。
具体而言,根据用户提供的第一绣花图片信息进行信息提取、分析,确定对应的绣花针迹信息,详细地,根据第一绣花图片信息获得绣花轮廓信息,同时对绣花的图案分布进行分区,通常一个绣花图案都有多个分区部分组成,根据分区部分设置合适的连接针孔,根据第一绣花图片信息设计对应的针孔位置,与轮廓和分区相匹配,根据第一绣花图片信息和第一绣花针孔分布信息,可以匹配出不同的针迹方案策略,不同的针迹方案会对应不同的立体度、饱满度的绣品效果,将同一个绣花图片信息、针孔分布信息定制的多个针迹策略一起构成第一绣花针迹信息,因而第一绣花针迹信息中包括了多种绣花针迹策略。
步骤S300:将所述第一绣花图片信息、所述第一绣花针迹信息输入第一训练模型,所述第一训练模型通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第一绣花图片信息、所述第一绣花针迹信息和标识评价绣花针迹与绣花图像信息匹配度的标识信息。
步骤S400:获得所述第一训练模型的第一输出结果,所述第一输出结果包括针迹匹配度,所述针迹匹配度用于评价第一绣花针迹信息与图像信息之间的匹配程度。
进一步而言,所述将所述第一绣花图片信息、所述第一绣花针迹信息输入第一训练模型,步骤300包括:
步骤S310:根据所述第一绣花针迹信息,获得第一绣花针迹策略;
步骤S320:将所述第一绣花图片信息、所述第一绣花针迹策略输入所述第一训练模型中,获得第一针迹匹配度;
步骤S330:根据所述第一绣花针迹信息,获得第二绣花针迹策略;
步骤S340:将所述第一绣花图片信息、所述第二绣花针迹策略输入所述第一训练模型中,获得第二针迹匹配度。
具体而言,将第一绣花针迹信息中每一个绣花针迹策略都进行数据分析,获得与第一绣花图片信息之间的匹配度,即该针迹策略出的效果图片是否完全与第一绣花图片信息相吻合呢,同时改变针迹策略就会改变绣品的效果,甚至改变图案,所以为了更为准确的制定与第一绣花图片信息相匹配的针迹策略,本申请实施例加入了神经网络模型,所述第一训练模型为机器学习中的神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks),是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。通过大量训练数据的训练,将所述第一绣花图片信息、所述第一绣花针迹信息输入神经网络模型,则输出针迹匹配度。
更进一步而言,所述训练的过程实质为监督学习的过程,每一组监督数据均包括所述第一绣花图片信息、所述第一绣花针迹信息和标识评价绣花针迹与绣花图像信息匹配度的标识信息,将所述第一绣花图片信息、所述第一绣花针迹信息输入到神经网络模型中,根据用来标识评价绣花针迹与绣花图像信息匹配度的标识信息,所述神经网络模型进行不断的自我修正、调整,直至获得的输出结果与所述标识信息一致,则结束本组数据监督学习,进行下一组数据监督学习;当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束。通过对所述神经网络模型的监督学习,进而使得所述神经网络模型处理所述输入信息更加准确,进而获得更加准确、适合的锈迹匹配度,进而可对绣花生产工艺进行准确控制,进而达到准确分析针迹与绣花图片信息的匹配程度,为准确地进行绣花生产控制提供保障的技术效果。
步骤S500:判断所述针迹匹配度是否满足第一预定条件。
进一步而言,所述判断所述针迹匹配度是否满足第一预定条件之后,本申请实施例包括:步骤800:当所述针迹匹配度不满足所述第一预定条件时,获得第一删除指令,所述第一删除指令用于将所述针迹匹配度对应的绣花针迹策略从所述第一绣花针迹信息中删除。
具体而言,当针迹匹配度高时,则表明该针迹策略满足第一用户的绣品要求,如果匹配度不高,则说明针迹策略对于第一用户的绣品要求贴合度不高,不能达到用户的绣品需求,此时将该针迹策略从第一绣花针迹信息中删除。
步骤S600:当满足时,获得第一绣花定制要求。
步骤S700:根据所述第一绣花定制要求、所述第一绣花针迹信息,获得第一绣花工艺信息。
进一步而言,本申请实施例步骤S700包括:
步骤S710:根据所述第一绣花定制要求,获得第一定制成本、第一绣花尺寸、第一绣花立体度;
步骤S720:根据所述第一定制成本、所述第一绣花尺寸、第一绣花立体度,获得第一绣线材料;
步骤S730:根据所述第一绣线材料、所述第一绣花尺寸、所述第一绣花立体度,从所述第一绣花针迹信息中匹配到最佳绣花针迹策略;
步骤S740:根据所述第一绣线材料、所述最佳绣花针迹策略,获得所述第一绣花工艺信息。
具体而言,对于与第一绣花图片信息匹配度满足预设要求的针迹策略作为备选的针迹策略,再通过第一用户的第一绣花定制要求进一步的进行策略确定,第一绣花定制要求为第一用户对第一绣花图片信息的详细定制需求,包括定制的尺寸、使用位置、使用环境、立体度要求、成本要求等等具体的定制要求,根据用户的定制要求在第一绣花针迹信息中筛选符合要求的针迹策略,将符合度最高的针迹策略作为最终选定的最佳绣花针迹策略,按照该策略进行绣花生产参数的输入设定,将第一绣花工艺信息输入控制机床中进行对应的参数控制,实现根据客户的具体要求进行针迹选择,针对不同的成本、用途要求进行对应的细化,能够满足不同用户的定制要求,举例而言,有的用户是用在衣服上,衣服也分不同的材质即应用环境不同,不同的材质对应的绣法可以不同,又如选择不同的绣线粗细不同、材质不同针迹的选择都有不同,当然对应的成本也不同,这些都根据用户的具体要求进行具体的针迹选择,以满足不同的要求,解决了现有技术中存在针迹的设置不能满足客户多样绣品选择要求的技术问题。达到了通过客户的需求进行对应的绣花工艺设定,具有使用范围广、可以满足用户的多种目标要求,同时通过神经网络模型确保参数设定的准确性,保障绣品的质量的技术效果。
进一步而言,所述将所述第一绣花图片信息、所述绣花针孔分布信息输入第二训练模型,获得绣花针迹策略,步骤S230包括:
步骤S231:将所述第一绣花图片信息作为第一输入信息;
步骤S232:将所述绣花针孔分布信息作为第二输入信息;
步骤S233:将所述第一输入信息、所述第二输入信息输入所述第二训练模型,所述第二训练模型通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第一输入信息、所述第二输入信息和标识绣花针迹策略的标识信息;
步骤S234:获得所述第二训练模型的第二输出结果,所述第二输出结果包括所述绣花针迹策略。
具体而言,为了提高根据第一绣花图片信息、所述绣花针孔分布信息定制绣花针迹策略的准确的,本申请实施例加入了神经网络模型,第二训练模型即为机器学习中的神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks),是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。通过大量训练数据的训练,将所述第一绣花图片信息、所述绣花针孔分布信息输入神经网络模型,则输出绣花针迹策略。
更进一步而言,所述训练的过程实质为监督学习的过程,每一组监督数据均包括所述第一绣花图片信息、所述绣花针孔分布信息和标识绣花针迹策略的标识信息,将所述第一绣花图片信息、所述绣花针孔分布信息输入到神经网络模型中,根据用来标识绣花针迹策略的标识信息,所述神经网络模型进行不断的自我修正、调整,直至获得的输出结果与所述标识信息一致,则结束本组数据监督学习,进行下一组数据监督学习;当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束。通过对所述神经网络模型的监督学习,进而使得所述神经网络模型处理所述输入信息更加准确,进而获得更加准确、适合的绣花针迹策略,进而可对绣花生产工艺进行准确控制,进而达到准确定制与第一绣花图片信息、所述绣花针孔分布信息相匹配的绣花针迹策略,为准确地进行绣花生产控制提供保障,也能够达到用户的各种定制要求的技术效果。
进一步而言,所述申请实施例还包括:
步骤910:实时采集第二图片信息;
步骤920:根据所述第一绣花图片信息、所述第二图片信息,获得第三图片信息;
步骤930:将所述第二图片信息、所述第三图片信息输入第三训练模型,所述第三训练模型通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第二图片信息、所述第三图片信息和标识评价是否符合绣花要求的标识信息;
步骤940:获得所述第三训练模型的第三输出结果,所述第三输出结果包括绣花评价结果;
步骤950:当所述绣花评价结果为不合格时,获得第一提醒信息。
具体而言,本申请实施例还设置有生产监控功能,在绣针处设置微型高倍图像采集装置,对绣花过程的刺绣情况进行采集和监控,当出现刺绣效果与用户给出的效果有不符合,或者出现了短线、针孔位置与设置参数不符合的地方时,及时发现并进行预警,根据预警信息选择对应的修正、补救策略,以避免降低成品合格率的情况,以确保生产加工过程中的全面控制,从前至后全方位的控制绣花生产过程,以保证绣品的品质。
进一步而言,所述将所述第一绣花图片信息、所述第一绣花针迹信息输入第一训练模型之后,本申请实施例还包括:
步骤S1010:获得所述第一训练模型多组训练数据中的第一训练数据、第二训练数据,直至第N训练数据,其中,N为大于1的自然数;
步骤S1020:根据所述第一训练数据生成第一验证码,所述第一验证码与所述第一训练数据一一对应;
步骤S1030:根据所述第二训练数据和第一验证码生成第二验证码,以此类推,根据所述第N训练数据和第N-1验证码生成第N验证码;
步骤S1040:将所有训练数据和验证码复制存储在M台电子设备上,其中,M为大于1的自然数。
具体而言,区块链技术也被称之为分布式账本技术,是一种由若干台计算设备共同参与“记账”,共同维护一份完整的分布式数据库的新兴技术。由于区块链技术具有去中心化、公开透明、每台计算设备可以参与数据库记录、并且各计算设备之间可以快速的进行数据同步的特性,使得区块链技术已在众多的领域中广泛的进行应用。根据所述第一训练数据生成第一验证码,所述第一验证码与第一训练数据一一对应;根据所述第二训练数据和第一验证码生成第二验证码,第二验证码与第二训练数据一一对应;以此类推,根据所述第N训练数据和第N-1验证码生成第N验证码,其中,N为大于1的自然数,将所有训练数据和验证码分别复制保存在M台设备上,其中,所述第一训练数据和所述第一验证码作为第一存储单元保存在一台设备上,所述第二训练数据和所述第二验证码作为第二存储单元保存在一台设备上,所述第N训练数据和所述第N验证码作为第N存储单元保存在一台设备上,当需要调用所述训练数据时,每后一个节点接收前一节点存储的数据后,通过“共识机制”进行校验后保存,通过哈希函数对于每一存储单元进行串接,使得筛选条件不易丢失和遭到破坏,通过区块链的逻辑对所述训练数据进行加密处理,保证了所述训练数据的安全性,进而保证了通过所述训练数据训练获得的第一训练模型的准确性,为后续获得更加准确的针迹匹配度夯实了基础。
实施例二
基于与前述实施例中一种绣花生产控制方法同样发明构思,本发明还提供了一种绣花生产控制系统,如图2所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一绣花图片信息,所述第一绣花图片信息为第一用户的绣花成品要求图像;
第二获得单元12,所述第二获得单元12用于根据所述第一绣花图片信息,获得第一绣花针迹信息;
第一输入单元13,所述第一输入单元13用于将所述第一绣花图片信息、所述第一绣花针迹信息输入第一训练模型,所述第一训练模型通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第一绣花图片信息、所述第一绣花针迹信息和标识评价绣花针迹与绣花图像信息匹配度的标识信息;
第三获得单元14,所述第三获得单元14用于获得所述第一训练模型的第一输出结果,所述第一输出结果包括针迹匹配度,所述针迹匹配度用于评价第一绣花针迹信息与图像信息之间的匹配程度;
第一判断单元15,所述第一判断单元15用于判断所述针迹匹配度是否满足第一预定条件;
第四获得单元16,所述第四获得单元16用于当满足时,获得第一绣花定制要求;
第五获得单元17,所述第五获得单元17用于根据所述第一绣花定制要求、所述第一绣花针迹信息,获得第一绣花工艺信息。
进一步的,所述系统还包括:
第六获得单元,所述第六获得单元用于根据所述第一绣花图片信息,获得绣花处理结果,所述绣花处理结果包括绣花轮廓信息、绣花分区信息;
第七获得单元,所述第七获得单元用于根据所述绣花处理结果,获得绣花针孔分布信息;
第八获得单元,所述第八获得单元用于将所述第一绣花图片信息、所述绣花针孔分布信息输入第二训练模型,获得绣花针迹策略;
第九获得单元,所述第九获得单元用于根据所述绣花针迹策略,获得第一绣花针迹信息,其中,所述第一绣花针迹信息包括多个绣花针迹策略。
进一步的,所述系统还包括:
第一执行单元,所述第一执行单元用于将所述第一绣花图片信息作为第一输入信息;
第二执行单元,所述第二执行单元用于将所述绣花针孔分布信息作为第二输入信息;
第二输入单元,所述第二输入单元用于将所述第一输入信息、所述第二输入信息输入所述第二训练模型,所述第二训练模型通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第一输入信息、所述第二输入信息和标识绣花针迹策略的标识信息;
第十获得单元,所述第十获得单元用于获得所述第二训练模型的第二输出结果,所述第二输出结果包括所述绣花针迹策略。
进一步的,所述系统还包括:
第十一获得单元,所述第十一获得单元用于根据所述第一绣花定制要求,获得第一定制成本、第一绣花尺寸、第一绣花立体度;
第十二获得单元,所述第十二获得单元用于根据所述第一定制成本、所述第一绣花尺寸、第一绣花立体度,获得第一绣线材料;
第三执行单元,所述第三执行单元用于根据所述第一绣线材料、所述第一绣花尺寸、所述第一绣花立体度,从所述第一绣花针迹信息中匹配到最佳绣花针迹策略;
第十三获得单元,所述第十三获得单元用于根据所述第一绣线材料、所述最佳绣花针迹策略,获得所述第一绣花工艺信息。
进一步的,所述系统还包括:
第十四获得单元,所述第十四获得单元用于根据所述第一绣花针迹信息,获得第一绣花针迹策略;
第十五获得单元,所述第十五获得单元用于将所述第一绣花图片信息、所述第一绣花针迹策略输入所述第一训练模型中,获得第一针迹匹配度;
第十六获得单元,所述第十六获得单元用于根据所述第一绣花针迹信息,获得第二绣花针迹策略;
第十七获得单元,所述第十七获得单元用于将所述第一绣花图片信息、所述第二绣花针迹策略输入所述第一训练模型中,获得第二针迹匹配度。
进一步的,所述系统还包括:
第十八获得单元,所述第十八获得单元用于当所述针迹匹配度不满足所述第一预定条件时,获得第一删除指令,所述第一删除指令用于将所述针迹匹配度对应的绣花针迹策略从所述第一绣花针迹信息中删除。
进一步的,所述系统还包括:
第一采集单元,所述第一采集单元用于实时采集第二图片信息;
第十九获得单元,所述第十九获得单元用于根据所述第一绣花图片信息、所述第二图片信息,获得第三图片信息;
第三输入单元,所述第三输入单元用于将所述第二图片信息、所述第三图片信息输入第三训练模型,所述第三训练模型通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第二图片信息、所述第三图片信息和标识评价是否符合绣花要求的标识信息;
第二十获得单元,所述第二十获得单元用于获得所述第三训练模型的第三输出结果,所述第三输出结果包括绣花评价结果;
第二十一获得单元,所述第二十一获得单元用于当所述绣花评价结果为不合格时,获得第一提醒信息。
进一步的,所述系统还包括:
第二十二获得单元,所述第二十二获得单元用于获得所述第一训练模型多组训练数据中的第一训练数据、第二训练数据,直至第N训练数据,其中,N为大于1的自然数;
第一生成单元,所述第一生成单元用于根据所述第一训练数据生成第一验证码,所述第一验证码与所述第一训练数据一一对应;
第二生成单元,所述第二生成单元用于根据所述第二训练数据和第一验证码生成第二验证码,以此类推,根据所述第N训练数据和第N-1验证码生成第N验证码;
第一存储单元,所述第一存储单元用于将所有训练数据和验证码复制存储在M台电子设备上,其中,M为大于1的自然数。
前述图1实施例一中的一种绣花生产控制方法的各种变化方式和具体实例同样适用于本实施例的一种绣花生产控制系统,通过前述对一种绣花生产控制方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种绣花生产控制系统的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种绣花生产控制方法的发明构思,本发明还提供一种绣花生产控制系统,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种绣花生产控制方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种绣花生产控制方法,通过获得第一绣花图片信息,所述第一绣花图片信息为第一用户的绣花成品要求图像;根据所述第一绣花图片信息,获得第一绣花针迹信息;将所述第一绣花图片信息、所述第一绣花针迹信息输入第一训练模型,所述第一训练模型通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第一绣花图片信息、所述第一绣花针迹信息和标识评价绣花针迹与绣花图像信息匹配度的标识信息;获得所述第一训练模型的第一输出结果,所述第一输出结果包括针迹匹配度,所述针迹匹配度用于评价第一绣花针迹信息与图像信息之间的匹配程度;判断所述针迹匹配度是否满足第一预定条件;当满足时,获得第一绣花定制要求;根据所述第一绣花定制要求、所述第一绣花针迹信息,获得第一绣花工艺信息。达到了通过客户的需求进行对应的绣花工艺设定,具有使用范围广、可以满足用户的多种目标要求,同时通过神经网络模型确保参数设定的准确性,保障绣品的质量的技术效果。从而解决了现有技术中存在针迹的设置不能满足客户多样绣品选择要求的技术问题。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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系统。
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系统的制造品,该指令系统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。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。