技术领域
[0001] 本发明涉及图像处理技术领域，尤其涉及一种马铃薯害虫图像识别方法及装置。
相关背景技术
[0002] 随着农业发展不断工业化、信息化，针对农业所出现的问题也在改善，从人工化向着逐步自动化、科技化的方向发展。计算机图像识别技术的不断深入，图像识别技术在农业上已有了较大的进展，并且渗透到了农业的各个领域。因此如何自动检测与识别农业害虫，精确获取农作物所受虫害的害虫种类是保证农业生产及发展的重要环节。
[0003] 现有的方法中目标检测常用YOLOv4模型，但是YOLOv4模型用于对马铃薯害虫图像识别的过程中，无法实现迅速高效的且十分精确可靠的去自动完成其对马铃薯害虫图像特征信息的快速识别，导致马铃薯害虫识别准确率不高。
具体实施方式
[0039] 为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0040] 本发明提供一种马铃薯害虫图像识别方法，图1为本发明提供的马铃薯害虫图像识别方法的流程示意图。参照图1，本发明提供的马铃薯害虫图像识别方法可以包括：
[0041] 步骤110，获取待检测马铃薯害虫图像；
[0042] 步骤120，将所述待检测马铃薯害虫图像输入目标检测模型，得到所述目标检测模型输出的所述待检测马铃薯害虫图像的马铃薯害虫识别结果，所述目标检测模型是基于马铃薯害虫样本图像及其对应的马铃薯害虫类别标签训练得到的；
[0043] 其中，所述目标检测模型的构建过程包括：
[0044] 将深度残差网络ResNet‑50作为YOLOv4的主干网络，得到改进后的YOLOv4网络；
[0045] 在所述改进后的YOLOv4网络中增加双通道注意力机制模块，得到所述目标检测模型。
[0046] 本发明提供的马铃薯害虫图像识别方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、超级移动个人计算机(ultra‑mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)或个人计算机(personal computer，PC)等，本发明不作具体限定。
[0047] 下面以计算机执行本发明提供的马铃薯害虫图像识别方法为例，详细说明本发明的技术方案。
[0048] 在步骤110中，获取待检测马铃薯害虫图像。
[0049] 待检测马铃薯害虫图像是任意包含马铃薯害虫的图像。待检测是指待对马铃薯害虫图像中的马铃薯害虫的类别进行确定。
[0050] 可以理解的是，在获取待检测马铃薯害虫图像之后，为了提升后续进行目标检测识别的准确率，可以对获取的待检测马铃薯害虫图像进行预处理，从而实现图像增强。
[0051] 可选的，可以基于噪声去除的方式实现：由于图像获取过程中可能存在的各种干扰因素，如光照不均、传感器噪声等，需要对图像进行噪声去除。这可以通过滤波器(如高斯滤波器、中值滤波器等)来实现，以减少噪声对目标检测的影响。
[0052] 可以基于对比度增强的方式实现：对比度增强可以突出图像中的有用信息，同时抑制不相关信息。对于害虫图像，这有助于更好地识别害虫的轮廓和特征。对比度增强可以通过直方图均衡化、拉普拉斯滤波等方法实现。
[0053] 可以基于色彩空间转换的方式实现：将图像从RGB色彩空间转换到其他色彩空间(如HSV、Lab等)可能会提高目标检测的准确性。这是因为不同的色彩空间对图像的表示方式不同，某些色彩空间可能更适合于特定类型的图像处理任务。
[0054] 可以基于图像分割的方式实现：图像分割是将图像划分为多个区域或对象的过程。对于害虫图像，可以使用阈值分割、边缘检测、区域生长等方法来提取害虫区域。这有助于减少背景噪声对目标检测的影响。
[0055] 在步骤120中，将所述待检测马铃薯害虫图像输入目标检测模型，得到所述目标检测模型输出的所述待检测马铃薯害虫图像的马铃薯害虫识别结果，所述目标检测模型是基于马铃薯害虫样本图像及其对应的马铃薯害虫类别标签训练得到的；其中，所述目标检测模型的构建过程包括：将深度残差网络ResNet‑50作为YOLOv4的主干网络，得到改进后的YOLOv4网络；在所述改进后的YOLOv4网络中增加双通道注意力机制模块，得到所述目标检测模型。
[0056] YOLOv4是一种高效的目标检测算法，它采用了一系列先进的技术，例如特征金字塔网络、深度可分离卷积、跨阶段连接等，以提高检测精度和速度。YOLOv4的核心思想是将目标检测任务转化为回归问题，通过预测目标的中心坐标、宽度、高度和类别，来完成检测任务，具有更高的速度和更好的实时性能。采用基于改进的YOLOV4混合模型构建目标检测模型，进行马铃薯害虫图像识别。目标检测模型构建的具体步骤如下所示：
[0057] 步骤121：主干网络替换。
[0058] 在YOLOV4模型中引入了全新的网络结构(残差学习模块)，：将深度残差网络ResNet‑50作为YOLOv4的主干网络，形成了新的网络结构，可以使网络尽可能地加深；使得前馈/反馈传播算法能够顺利进行，结构更加简单；恒等映射地增加基本上不会降低网络的性能；建设性地解决了网络训练的越深，误差升高，梯度消失越明显的问题。
[0059] 由于ResNet搭建的层数众多，所以需要的训练时间也比平常网络要长。
[0060] 版本残差块可由公式表述如下：
[0061] Yl＝h(Xl)+F(Xl，Wl)；
[0062] Xl+1＝f(Yl)；
[0063] 其中，h(x)＝x是一个恒等映射；F是残差函数；f是ReLU激活函数。主要工作是构建了信息传播的直接通道。不仅是在残差块内部，而且在整个网络中都能够高效地传递。通过推导可以证明：如果h(x)和f(x)都是恒等映射的话，那么信号能够直接从一个残差块传递到另一个残差块，无论是在前向传播还是反向传播的过程中。
[0064] 步骤122：CBAM双通道注意力机制模块的增加。
[0065] 对于通道注意力模块：首先通过使用平均池化(average‑pooling)和最大池化(max‑pooling)操作聚合特征图的空间信息，生成两个不同的空间上下文描述符， 与分别表示平均池化特征和最大池化特征。
[0066] 然后这两个空间描述符被转发到一个共享网络，来产生通道注意力映射(channel attention map)Mc∈RC×1×1。共享网络由包含一个隐藏层的多层感知器(MLP)组成，为了减少参数开销，隐藏的激活大小设置为RC/r×1×1，其中r是缩减率。
[0067] 共享网络应用于每个描述符后，使用逐元素求和来合并输出特征向量为：
[0068]
[0069] 其中σ为sigmoid函数，W0∈RC/r×C，W1∈RC×C/r。MLP权重W0和W1对于两个输入都是共享的，ReLU激活函数后面跟着W0。
[0070] 对于空间注意力模块：通过两个池化操作聚合一个特征图的通道信息，生成两个2D映射： 分别表示跨通道的平均池化特征和最大
池化特征。
[0071] 然后将这些信息连接起来并通过一个标准的卷积层进行卷积，产生2D空间注意力图。
[0072] 最后通过sigmoid函数进行标准化得到最终注意力图。
[0073]
[0074] 其中，σ为sigmoid函数，f7×7为7×7的卷积运算。
[0075] 在将深度残差网络ResNet‑50作为YOLOv4的主干网络，得到改进后的YOLOv4网络，并在在所述改进后的YOLOv4网络中增加双通道注意力机制模块，得到所述目标检测模型后，需要对目标检测模型进行训练。
[0076] 可选的，模型分析构建的流程可以如图2本发明提供的模型分析构建流程示意图所示。
[0077] 该流程具体包括：针对农业害虫图像识别相关文献进行查阅，确定研究的意义与价值。
[0078] 针对马铃薯害虫图像进行收集和整理。
[0079] 针对YOLOV4模型分析和探究以找寻适合改进方法。
[0080] 针对所获取的图像样本集进行整理和标注。
[0081] 针对当前主流模型进行分析对比，并确定对比模型。
[0082] 对YOLOV4模型中的对比模型环境进行搭建。
[0083] 针对收集的害虫图片进行分别训练。
[0084] 通过对比模型结果得到最终所选取的模型，并对其进行优化。
[0085] 在构建完成模型后，需要基于目标检测模型对马铃薯害虫图像进行目标检测。目标检测模型具体是基于马铃薯害虫样本图像及其对应的马铃薯害虫类别标签训练得到的。
[0086] 训练完成后，将待检测马铃薯害虫图像输入目标检测模型，实现对待检测马铃薯害虫图像的目标检测过程，确定目标检测模型输出的马铃薯害虫类别识别结果。
[0087] 本发明实施例提供的马铃薯害虫图像识别方法，通过在保证YOLOv4整体结构特性的前提基础下，使用功能更加成熟高效的ResNet‑50作为其主干网络，同时加入CBAM双通道注意力机制模块,可以更加有效地使整个目标检测模型保持关注当前模型所检测到的目标，提高目标的检测及识别的效果，并同时能够实时根据待检测图像的检测和识别的效率差异度和图像识别的复杂度，调整对待检测图像中所采用到的多维尺度特征图进行组合，尽可能地保证待检测马铃薯害虫图像的检测数据的真实准确度，提升了模型识别的总体效率,并对模型进行了优化和精简。
[0088] 在一个实施例中，在所述改进后的YOLOv4网络中增加双通道注意力机制模块，得到所述目标检测模型，包括：将通道注意力模块添加至所述改进后的YOLOv4网络的输入层与所述改进后的YOLOv4网络的特征层之间，并将空间注意力模块添加至所述通道注意力模块与所述改进后的YOLOv4网络的特征层之间，得到所述目标检测模型，所述双通道注意力机制模块包括通道注意力模块以及空间注意力模块。
[0089] 在改进后的YOLOv4网络中增加双通道注意力机制模块是为了进一步提升模型对图像中关键特征的提取能力，特别是在处理马铃薯害虫这种复杂场景或具有多种不同尺度目标的害虫图像时。双通道注意力机制模块结合了通道注意力模块(Channel Attention Module)和空间注意力模块(Spatial Attention Module)，旨在分别关注哪些通道的特征更重要(即通道注意力)以及哪些位置的特征更关键(即空间注意力)。
[0090] 通道注意力模块的主要目的是对输入特征图的每个通道进行权重评估，以决定哪些通道的特征对于当前的检测任务更为重要。这通常通过一系列的操作来实现，如全局平均池化(Global Average Pooling)、多层感知机(MLP)、非线性激活函数(如ReLU、Sigmoid)等。
[0091] 空间注意力模块则关注特征图中哪些位置的特征对于检测任务更为重要。这通常通过卷积操作、最大池化、平均池化以及非线性激活函数等来实现。
[0092] 在YOLOv4网络的输入层与特征层之间添加这两个注意力模块，可以得到一个带有双通道注意力机制的目标检测模型。使得构建的目标检测模型能够更加关注马铃薯害虫图像中的关键特征和位置，从而提高目标检测的准确性和鲁棒性。
[0093] 在一个实施例中，目标检测模型的训练方法，包括：从马铃薯害虫图片库中划分验证集以及测试集；基于所述验证集中的马铃薯害虫样本图像及其对应的马铃薯害虫类别标签，对初始目标检测模型进行训练，得到预训练后的目标检测模型；基于测试集，对所述预训练后的目标检测模型进行测试，确定所述预训练后的目标检测模型的识别率大于预设识别率阈值，得到所述目标检测模型。
[0094] 由于马铃薯害虫图像的现有公开图片较少，很多类害虫图片可查找到的数量甚至不满70张，通过查找农业害虫数据库、实地拍摄等方法选取了相对图片数量较多9类害虫作为本研究的害虫图片样本集。共收集马铃薯害虫图片2038张，共计9类害虫种类。
[0095] 从马铃薯害虫图片库中选取2组，每组各185张图片，一组作为验证集，一组作为测试集，分别取东亚飞蝗21张、蝼蛄20张、粉虱20张、金龟甲21张、蚜虫20张、甜菜夜蛾22张、蓟马21张、白色蛴螬20张、叶蝉20张，共计370张图片，剩下的1668张图片作为样本的训练集。
[0096] 使用验证集中的马铃薯害虫样本图像及其对应的类别标签，对初始目标检测模型进行训练。在训练过程中，模型会不断学习如何识别图像中的害虫并预测其类别。
[0097] 在训练过程中，定期使用验证集对模型进行验证，评估模型的性能。如果模型的性能不佳，可以根据验证结果调整模型的参数和结构，或者尝试使用不同的训练技巧和策略。
[0098] 当模型在验证集上的性能达到一定的要求后，使用测试集对预训练后的目标检测模型进行测试。测试过程中，将测试集中的马铃薯害虫图像输入到预训练后的目标检测模型中，让预训练后的目标检测模型预测害虫的类别，并计算预训练后的目标检测模型的识别率。
[0099] 如果模型的识别率大于预设的识别率阈值，说明模型已经满足要求，可以将其作为目标检测模型进行使用。
[0100] 在一个实施例中，得到所述目标检测模型之后，还包括：基于IoU算法，确定所述目标检测模型的模型损失，并确定所述目标检测模型的模型损失小于预设损失阈值。
[0101] 交并比(Intersection over Union，IoU)算法是目标检测中用于评估预测边界框(bounding box)和真实边界框(ground truth box)之间重叠程度的常用指标。
[0102] 可选的，如果检测框和真实框没有重叠，IoU的损失是一样的，而GIoU引入了最小封闭形状C，这样可以有效解决这种情况。最小的封闭形状C可以同时包含检测框和真实框，几乎能够完美解决检测框和真实框没有重叠的问题。考虑到检测框本身与真实框间并不会出现重叠的情况，C检测框也被应用到了DioU上，通过计算得出的每个检测框之间的欧氏距离来进一步地解决掉了GIoU所带来的问题。CIoU是在DIoU的基础上增加了对检测框尺寸的损失,从而有利于检测框与真实框之间的重合度,使预测框更接近真实框。DIOU‑NMS不仅关注IOU的数值,也考虑到两个框之间的中心点之间的距离。如果相邻的两个检测框之间存在的IoU值比较大,但是由于它们两个间存在的两个中心点间的距离较远,则会被认为是不同物体的检测框而不会被过滤掉。
[0103]
[0104] 其中，LCIoU为损失，在DIOU的时候已经把重叠面积和中心点距离考虑了，现在还差一个长宽比v，当真实框长宽比 与预测框长宽比 一直时最后一项为0，其中α可以看做权重参数。
[0105] IOU_Loss主要考虑了检测框和GT框之间的重叠面积；GIOU_Loss在IOU的基础上，解决边界框不重合时出现的问题；DIOU_Loss在IOU和GIOU的基础上，同时考虑了边界框中心点距离信息；CIOU_Loss在DIOU的基础上，又考虑了边界框宽高比的尺度信息。
[0106] 在一个实施例中，基于IoU算法，确定所述目标检测模型的模型损失，进一步包括：在确定所述目标检测模型的模型损失大于等于所述预设损失阈值的情况下，对所述目标检测模型的参数进行调整，以使所述目标检测模型的模型损失小于所述预设损失阈值。
[0107] 在确定目标检测模型的模型损失大于等于预设损失阈值的情况下，需要对模型的参数进行调整，以优化模型的性能，使其模型损失降至预设损失阈值以下。
[0108] 具体的，如果模型损失持续较高，可以需要考虑修改网络结构。例如，增加网络深度、宽度或引入新的模块来提高模型的表示能力。也可以使用不同的优化算法(如SGD、Adam、RMSprop等)来更新模型权重。不同的优化算法可能具有不同的收敛速度和稳定性。
[0109] 在调整模型参数后，需要在验证集上重新评估模型的性能。如果模型的损失降至预设损失阈值以下，则说明参数调整是有效的。
[0110] 在一个实施例中，将所述待检测马铃薯害虫图像输入目标检测模型之前，还包括：对所述待检测马铃薯害虫图像进行纹理特征提取，得到害虫纹理特征；基于对比度增强，对所述害虫纹理特征进行增强，得到害虫纹理特征增强后的待检测马铃薯害虫图像。
[0111] 在目标检测任务中，特别是在针对马铃薯害虫图像的处理中，纹理特征提取和对比度增强是两个关键的步骤，它们有助于提高害虫识别的准确性和鲁棒性。
[0112] 纹理是图像中重要的视觉信息之一，它描述了图像中局部区域像素之间的排列规则。在马铃薯害虫图像中，害虫的纹理特征(如表面结构、斑纹等)通常是区分不同害虫种类的重要依据。
[0113] 选择合适的纹理特征提取算法，如基于灰度共生矩阵(GLCM)的方法、基于小波变换的方法、基于Gabor滤波器的方法等。这些算法可以从图像中提取出具有区分性的纹理特征。
[0114] 将提取出的纹理特征进行编码和表示，以便于后续的目标检测任务。
[0115] 图3是本发明提供的马铃薯害虫图像识别装置的结构示意图，如图3示，该装置包括：
[0116] 图像获取模块310，用于获取待检测马铃薯害虫图像；
[0117] 目标检测模块320，用于将所述待检测马铃薯害虫图像输入目标检测模型，得到所述目标检测模型输出的所述待检测马铃薯害虫图像的马铃薯害虫识别结果，所述目标检测模型是基于马铃薯害虫样本图像及其对应的马铃薯害虫类别标签训练得到的；
[0118] 其中，所述目标检测模型的构建过程包括：
[0119] 将深度残差网络ResNet‑50作为YOLOv4的主干网络，得到改进后的YOLOv4网络；
[0120] 在所述改进后的YOLOv4网络中增加双通道注意力机制模块，得到所述目标检测模型。
[0121] 本发明实施例提供的马铃薯害虫图像识别装置，通过在保证YOLOv4整体结构特性的前提基础下，使用功能更加成熟高效的ResNet‑50作为其主干网络，同时加入CBAM双通道注意力机制模块,可以更加有效地使整个目标检测模型保持关注当前模型所检测到的目标，提高目标的检测及识别的效果，并同时能够实时根据待检测图像的检测和识别的效率差异度和图像识别的复杂度，调整对待检测图像中所采用到的多维尺度特征图进行组合，尽可能地保证待检测马铃薯害虫图像的检测数据的真实准确度，提升了模型识别的总体效率,并对模型进行了优化和精简。
[0122] 在一个实施例中，目标检测模块320具体用于：
[0123] 在所述改进后的YOLOv4网络中增加双通道注意力机制模块，得到所述目标检测模型，包括：
[0124] 将通道注意力模块添加至所述改进后的YOLOv4网络的输入层与所述改进后的YOLOv4网络的特征层之间，并将空间注意力模块添加至所述通道注意力模块与所述改进后的YOLOv4网络的特征层之间，得到所述目标检测模型，所述双通道注意力机制模块包括通道注意力模块以及空间注意力模块。
[0125] 在一个实施例中，目标检测模块320还具体用于：
[0126] 所述目标检测模型的训练方法，包括：
[0127] 从马铃薯害虫图片库中划分验证集以及测试集；
[0128] 基于所述验证集中的马铃薯害虫样本图像及其对应的马铃薯害虫类别标签，对初始目标检测模型进行训练，得到预训练后的目标检测模型；
[0129] 基于测试集，对所述预训练后的目标检测模型进行测试，确定所述预训练后的目标检测模型的识别率大于预设识别率阈值，得到所述目标检测模型。
[0130] 在一个实施例中，目标检测模块320还具体用于：
[0131] 所述得到所述目标检测模型之后，还包括：
[0132] 基于IoU算法，确定所述目标检测模型的模型损失，并确定所述目标检测模型的模型损失小于预设损失阈值。
[0133] 在一个实施例中，目标检测模块320还具体用于：
[0134] 所述基于IoU算法，确定所述目标检测模型的模型损失，进一步包括：
[0135] 在确定所述目标检测模型的模型损失大于等于所述预设损失阈值的情况下，对所述目标检测模型的参数进行调整，以使所述目标检测模型的模型损失小于所述预设损失阈值。
[0136] 在一个实施例中，目标检测模块320还具体用于：
[0137] 所述将所述待检测马铃薯害虫图像输入目标检测模型之前，还包括：
[0138] 对所述待检测马铃薯害虫图像进行纹理特征提取，得到害虫纹理特征；
[0139] 基于对比度增强，对所述害虫纹理特征进行增强，得到害虫纹理特征增强后的待检测马铃薯害虫图像。
[0140] 图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行马铃薯害虫图像识别方法，该方法包括：
[0141] 获取待检测马铃薯害虫图像；
[0142] 将所述待检测马铃薯害虫图像输入目标检测模型，得到所述目标检测模型输出的所述待检测马铃薯害虫图像的马铃薯害虫识别结果，所述目标检测模型是基于马铃薯害虫样本图像及其对应的马铃薯害虫类别标签训练得到的；
[0143] 其中，所述目标检测模型的构建过程包括：
[0144] 将深度残差网络ResNet‑50作为YOLOv4的主干网络，得到改进后的YOLOv4网络；
[0145] 在所述改进后的YOLOv4网络中增加双通道注意力机制模块，得到所述目标检测模型。
[0146] 此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0147] 另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的马铃薯害虫图像识别方法，该方法包括：
[0148] 获取待检测马铃薯害虫图像；
[0149] 将所述待检测马铃薯害虫图像输入目标检测模型，得到所述目标检测模型输出的所述待检测马铃薯害虫图像的马铃薯害虫识别结果，所述目标检测模型是基于马铃薯害虫样本图像及其对应的马铃薯害虫类别标签训练得到的；
[0150] 其中，所述目标检测模型的构建过程包括：
[0151] 将深度残差网络ResNet‑50作为YOLOv4的主干网络，得到改进后的YOLOv4网络；
[0152] 在所述改进后的YOLOv4网络中增加双通道注意力机制模块，得到所述目标检测模型。
[0153] 又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的马铃薯害虫图像识别方法，该方法包括：
[0154] 获取待检测马铃薯害虫图像；
[0155] 将所述待检测马铃薯害虫图像输入目标检测模型，得到所述目标检测模型输出的所述待检测马铃薯害虫图像的马铃薯害虫识别结果，所述目标检测模型是基于马铃薯害虫样本图像及其对应的马铃薯害虫类别标签训练得到的；
[0156] 其中，所述目标检测模型的构建过程包括：
[0157] 将深度残差网络ResNet‑50作为YOLOv4的主干网络，得到改进后的YOLOv4网络；
[0158] 在所述改进后的YOLOv4网络中增加双通道注意力机制模块，得到所述目标检测模型。
[0159] 以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0160] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0161] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
