技术领域
[0001] 本发明涉及计算机技术领域，更具体地说，涉及一种基于深度学习的危岩体裂缝检测方法、系统、装置和及存储介质。
相关背景技术
[0002] 危岩体裂缝的检测对于风险预警、防治决策、保障工程安全及监测效果评估具有重要意义，及时对危岩体裂缝的变化进行检测，可以预判潜在崩塌、滑坡等灾害并及时发出预警，依据裂缝信息制定针对性治理方案，确保周边建筑、交通、人员安全，避免经济损失与人员伤亡；同时，通过跟踪危岩体裂缝变化可有效评估防治措施效果，实现地质灾害风险的动态管理。
[0003] 现有的裂缝检测模型都是应用于道路、桥梁裂缝，没有针对于危岩体裂缝检测的深度学习模型。因为道路、桥梁裂缝都比较细小，同时裂缝的背景简单，其检测方法不能很好地适应危岩体场景，不能很好地识别出危岩体中比较宽的裂缝，且容易将危岩体场景中的树枝，泥土等物体错误识别为裂缝。
[0004] 由于危岩体所处环境恶劣，网络条件差，而为了能即时响应危岩体的异常变化，需要将检测装置部署在危岩体旁的小型计算设备上，而现有技术的裂缝检测方法计算复杂度太高，导致主流的图像分割模型的计算复杂，对设备的计算能力和内存要求高，难以部署在小型计算设备上。
具体实施方式
[0025] 下面结合附图对本申请实施例中的一种基于深度学习的危岩体裂缝检测方法进行说明，参见图1，提供了一种基于深度学习的危岩体裂缝检测方法的示意图，该方法可以应用于现有技术的具有视觉信息处理能力及通信能力的计算机系统，或现有技术的具有边缘计算能力的信息处理设备，如边缘计算盒子；边缘计算的实施减轻了数据中心，如云服务器的负担，提高了信息处理效率，并且可在网络不稳定的环境下保证关键任务的正常执行。通过使数据处理更加接近数据来源，边缘计算盒子能够在计算资源受限的环境中提供高效率的数据处理能力，确保即便在远离现代化基础设施的山区，依然能够实现迅速准确的数据分析和灾害预警，大幅降低了数据处理延迟，减少了对带宽的需求，并增强了数据安全性。
[0026] 本实施例以该方法应用于边缘计算设备为例进行说明，本实施例的一种基于深度学习的危岩体裂缝检测方法包括以下步骤：
[0027] S101、获取所述危岩体裂缝图像，进行图像处理；
[0028] 在该步骤中，获取该危岩体裂缝图像的方法可以是使用照相机在危岩现场实时拍摄照片，该照相机可以为自动变焦的高清相机，也可通过无人机拍摄该危岩体裂缝图片，将该危岩体裂缝图像传输至专为快速处理设计的边缘计算设备，通过现有技术的图像处理软件，如phototshop，将该危岩体裂缝图像中的裂缝区域像素标注为白色，非裂缝区域像素标注为黑色，生成和裂缝区域对应的标注图片，作为危岩体裂缝图像数据集，用于模型的训练，并对该裂缝图像和标注图像应用裁剪缩放，翻转，光照变化等数据增强方法，提高数据的多样性，帮助模型提高泛化能力。
[0029] 在实际应用中，通过高清相机或无人机采集危岩体裂缝图像，边缘设备获取该危岩体裂缝的实时图像，对该图像进行预处理。获取频率可以是每分钟从相机获取一张危岩体裂缝的高分辨率图像。对该危岩体图像进行处理的方式还包括，因为边缘设备的算力有限，无法直接对高分辨率图进行处理，因此，采用512×512的滑动窗口对该危岩体图像进行裁剪。同时为避免该图像通过深度学习检测后，该图像边缘信息的丢失，需要在采用512×512的滑动窗口，每次仅滑动256个像素，则裁剪后的图像有重叠区域，保证检测精度，裁剪的顺序是由左到右，由上到下。对输入图像进行合理的分辨率调整与滑窗裁剪策略，确保了识别结果的空间精确性，展现了良好的硬件资源适应性与系统整体优化能力。
[0030] S102、基于预先训练的轻量级裂缝分割网络模型对所述图像进行裂缝识别，生成裂缝检测灰度图；
[0031] 在该步骤中，该轻量级裂缝分割网络模型可以采用现有技术的人工神经网络训练得到的，如FCN、Unet、Unet++、SegNet、ENet和ESPNet等轻量级分割网络模型，该轻量级裂缝分割网络模型通过上述危岩体裂缝图像数据集进行训练；该处理后的所述图像经预先训练的轻量级裂缝分割网络模型检测、处理，得到裂缝检测灰度图。
[0032] 在其他的实施方式中，如图2所示，所述轻量级裂缝分割网络模型包括：
[0033] 依次连接的卷积块、特征提取层stage1、stage2、stage3和空洞空间金字塔池化层；所述特征提取层stage1、stage2和stage3分别包括双分支卷积块与注意力机制层。
[0034] 在实际应用中，卷积块用于对输入的图像进行预处理，该卷积块可以包括两个3×3的卷积核。特征提取层包括stage1、stage2和stage3，该特征提取层每个阶段，即stage1、stage2和stage3分别包含一个双分支卷积块与一个注意力机制层，该双分支卷积块包括两条卷积处理分支，用以处理该裂缝不同特征。该注意力机制层可以包括现有技术的注意力机制模型，使用卷积进行特征学习，而卷积一次只能处理图像中的一小部分，模型在学习时缺乏对图像全局信息的交互能力，通过该注意力层可以加强该轻量级裂缝分割网络模型对整张图像的空间布局的感知能力。随着stage1至stage3阶段的递进，该轻量级裂缝分割网络模型能逐步深入学习到裂缝图像的更高级更抽象的特征。Stage1和Stage2之间，Stage2和Stage3之间分别通过1×1卷积层连接，Stage1的输出图像首先进行2倍下采样操作，后进行1×1卷积，得到Stage2的输入图像；同理，Stage2的输出图像进行2倍下采样操作，后进行
1×1卷积，得到Stage3的输入图像。2倍下采样操作将图像的高度和宽度变为原来的一半，通过1×1卷积层将图像通道维度变为原来的2倍，通过减小图像的宽度和高度的维度，扩大通道维度，让图像中的一个像素包含原图中更多像素的信息，一个卷积核可以提取出更丰富的语义信息。
[0035] 在另一个实施方式中，所述预先训练的轻量级裂缝分割网络模型包括：
[0036] S201、构建危岩体裂缝图像数据集；
[0037] 在该步骤中，该危岩体裂缝数据集中包括危岩体裂缝图像和该图像对应的裂缝黑白标注图像，其可以分为训练集和测试集。将训练集划分多个批次，每个批次有16张图像。使用训练集对该轻量级裂缝分割网络模型进行训练。每训练5个批次，就把训练的模型在测试集上进行测试，以检测当前该轻量级裂缝分割网络模型的效果。使用Accuracy作为测试指标，计算公式如下：
[0038]
[0039] 其中，TP为模型预测为裂缝并且实际也为裂缝的像素的数量，TF为模型预测非裂缝并且实际也非裂缝的像素的数量，FP为模型预测为裂缝但是实际非裂缝的像素的数量，FN为模型预测非裂缝但是实际为裂缝的像素的数量。对整个训练集图像训练5次后，保存在测试集上指标最好的模型参数文件并部署到边缘设备中。
[0040] S202、对所述危岩体裂缝图像数据集中的图像通过所述卷积块进行初步特征提取，得到第一特征图；
[0041] 在该步骤中，通过卷积块对输入的图像进行初步的特征提取，调整其宽度、高度和通道数的维度，旨在在保持该危岩裂缝特征信息的同时，降低后续计算的复杂度与资源消耗以提高模型运行的高效性。该卷积块可以包括一个3×3卷积和一个sigmoid激活函数，以及一个2倍的下采样、一个3×3卷积和一个sigmoid激活函数。该初步特征提取过程包括：首先用3×3大小的卷积核对输入的图像进行卷积，该卷积操作将该输入的图像的通道的维度调整到64，高和宽的维度保持不变；然后用sigmoid激活函数对上述卷积后得到的特征图计算，接着对该特征图进行2倍下采样，将该特征图的宽和高的维度变为原来的一半；再用3×3卷积核对该特征图进行卷积，这个卷积操作不改变特征图的维度；最后再用sigmoid激活函数对前述卷积得到的特征图进行计算，得到该第一特征图。
[0042] S203对所述第一特征图通过特征提取层stage1、stage2和stage3得到第二特征图；
[0043] 在该步骤中，通过三阶段的特征提取层stage1、stage2和stage3提取经卷积块初步特征提取的第一特征图的特征，得到第二特征图。在stage1、stage2阶段中，图像宽度和高度维度较大，一次卷积核处理的图像区域更小，能更好地检测小尺寸的目标和局部特征，如边缘，纹理等。通过stage1、stage2和stage3阶段间2倍下采样操作和1×1卷积层处理，对图像宽度和高度进行压缩，更有利于学习到多尺度特征，同时增加的通道数让该stage3学习更多种类，更复杂和更高级的特征，能更好地理解和区分特征图中不同的语义类别。
[0044] S204、通过空洞空间金字塔池化层融合所述第二特征图中特征，得到第三特征图；
[0045] 在该步骤中，采用了先进的空洞空间金字塔池化层(Atrous Spatial Pyramid Pooling，ASPP)技术对该第二特征图的深层语义特征上采样，并融合浅层细节特征，进行多尺度特征融合。因为危岩体裂缝的形状不规则并且大小不一，所以对第二特征图进行多尺度特征融合有助于更好地对裂缝进行识别。空洞空间金字塔池化层用多个扩张率的空洞卷积对第二特征图进行卷积得到多个特征图，每个特征图学习到不同大小尺度的特征，然后对这些特征图进行特种通道拼接，融合不同大小尺寸的特征信息，得到第三特征图。
[0046] S205、对所述第三特征图进行上采样操作，使其恢复至原所述图像分辨率；
[0047] 最后将得到的第三特征图上采样至原始输入图像的分辨率，第三特征图中每个像素中的值即为通过本发明的轻量级裂缝分割网络模型识别这张图中该像素为裂缝的概率。
[0048] S206、重复上述过程，完成对所述轻量级裂缝分割网络模型训练。
[0049] 在其他的实施方式中，所述双分支卷积块包括高分辨率路径和低分辨率路径；
[0050] 所述高分辨率路径包括：
[0051] 对输入特征图直接进行卷积，同时保持其大小和通道数不变，得到高分辨率输出特征图；
[0052] 所述低分辨率路径包括：
[0053] 对所述输入特征图进行下采样，然后通过1×1卷积增加其通道数，得到低分辨率特征图；
[0054] 对所述低分辨率特征图进行卷积，得到低分辨率输出特征图；
[0055] 通过1×1卷积减小所述低分辨率输出特征图通道数，进行上采样，再与所述高分辨率输出特征图相加后进行1×1卷积，得到输出特征图。
[0056] 在实际应用中，对该双分支卷积块通过两条路径，即高分辨率路径和低分辨率路径对输入特征图进行特征提取。
[0057] 高分辨率路径对输入特征图直接进行卷积，同时保持其大小和通道数不变，其中该卷积为一个3×3卷积，当卷积核的宽度和高度大于1，输出特征图的宽、高大小会略小于输入图像的宽、高，在现有技术中，一般使用填充的方法保持其大小和通道数不变：在进行3×3卷积时，先将输入特征图在顶部和底部各填充一行0元素，左侧和右部各填充一行0元素，这样卷积后得到高分辨率输出特征图的大小和通道数与输入特征图保持一致。
[0058] 具体的，因为卷积核只与图像中每个大小完全适合的位置进行卷积运算，所以，输出大小等于输入大小nh×nw减去卷积核大小kh×kw，即：
[0059] (nh‑kh+1)×(nw‑kw+1).
[0060] 如果卷积核的宽度和高度大于1，在应用了连续的卷积之后，最终得到的输出特征图远小于输入图像的大小，例如，一个240×240像素的图像，经过10层5×5的卷积后，将减少到200×200像素。如此一来，原始图像的边界丢失了许多有用信息，而填充是解决此问题一个有效的方法。
[0061] 填充：在输入图像的边界填充元素，通常填充元素是0，例如，我们将3×3输入图像像素填充到5×5，那么它的输出就增加为4×4。
[0062] 如果我们添加ph行填充，一般的，一半在顶部，一半在底部，和pw列填充一般的，左侧一半，右侧一半，则输出形状将为
[0063] (nh‑kh+ph+1)×(nw‑kw+pw+1)。
[0064] 因此通过填充设置，就能使输入和输出具有相同的高度和宽度。
[0065] 卷积低分辨率路径的输入是对输入特征图进行下采样得到的，使用1×1卷积增加其通道数，使该通道数变为原来的两倍，得到低分辨率特征图；对该低分辨率特征图进行卷积，得到低分辨率输出特征图，同样的，该卷积为一个3×3卷积，对该低分辨率输出特征图进行1×1卷积，减小该低分辨率输出特征图通道数，再进行上采样，使其恢复到和高分辨率输出特征图一样的维度，然后和高分辨率输出特征图相加，合并两个路径。相加后特征图的特征通道数就变为原来的两倍，然后通过一个1×1卷积调整，得到输出特征图，其宽度和高度不变，特征通道数变为一半。
[0066] 具体的，假设输入特征图的尺寸为H×W×cin，其中H是高度，W是宽度，Cin是输入通道数。经过经过维度为1×1×Cin×cout的1×1卷积后，输出特征图的尺寸变为H×W×cout，其中cout是输出通道数，即通过调整1×1卷积cout，可以调整输出特征图通道数的大小。
[0067] stage1的输入特征图即为该第一特征图，
[0068] 对该第一特征图进行下采样，得到低分辨率图像；
[0069] 对该第一特征图和该低分辨率图像分别进行卷积，得到高分辨率特征图和低分辨率特征图；
[0070] 对所述低分辨率特征图进行上采样后与所述高分辨率特征图相加后进行1×1卷积，得到stage1的输出特征图。
[0071] 该stage1的输出特征图经过注意力机制层后，通过2倍下采样操作，再进行1×1卷积得到stage2的输入特征图；同理，该stage2的输入特征图经过上述过程得到stage2的输出特征图；该stage2的输出特征图经过注意力机制层后通过2倍下采样操作，再进行1×1卷积得到stage3的输入特征图，该stage3的输入特征图经过上述过程得到该第二特征图，即该第二特征图为该stage3的输出特征图。
[0072] 由于危岩体裂缝细节较多，因此在高分辨率路径主要进行轮廓特征提取，负责学习到更多裂缝的细节特征。对于相同大小的像素块，低分辨率路径中包含比高分辨率路径在原图中更大的区域，能学习到更多的上下文信息，能更好地学习到图像中每个区域的类别信息。最后将两个路径的特征图拼接到一起，得到完整的裂缝的轮廓信息和类别信息。
[0073] 因为危岩体裂缝细节较多，随着stage1、stage2和stage3卷积结构堆叠的加深，可能会丢失重要的裂缝信息，因此需要在高分辨率下保持裂缝特征。在维持高分辨率的同时，也需要深层的上下文信息用于准确的定位裂缝区域，故设计一条较低分辨率的辅助分支，用于指导模型对裂缝区域的关注。最后，上述的高分辨率通道和辅助分支将给模型带较大的计算开销，因此在所述卷积块调整该图像特征通道数与分辨率后再使用特征提取层提取图像特征。
[0074] 浮点数计算量如下，Cint为输入特征通道数，Cout为输出特征通道数，Wout为输出特征分辨率宽度，Hout为输出特征分辨率高度，Kernelsize为卷积核大小，考虑调整特征通道数量或者采用可分离卷积降低模型复杂度。
[0075] Flops＝Cint*Cout*Wout*Hout*Kernelsize
[0076] 在另一实施方式中，所述注意力机制层包括上下文条状注意力模型：
[0077] 设所述输入特征图的输入特征为x，对所述输入特征x分别在高度方向和宽度方向h w进行条带状池化，即在该输入特征图的宽、高两个方向上进行最大池化操作得到Z和Z，公式如下：
[0078]
[0079] 其中，W和H分别为所述输入特征图宽度和高度的维度大小，Zh和Zw为经过条带状池化后所述输入特征图高度方向上的特征和宽度方向上的特征；
[0080] 通过一维卷积对Zh和Zw进行卷积；
[0081] 通过组归一化使所述第一特征图的数值范围调整到同一尺度，公式如下：
[0082] yh＝δ(F1(F0(Zh))，yw＝δ(F1(F0(Zw))
[0083] 其中，在所述输入特征图宽度方向和高度方向上位置注意力的表示分别为yw和yh；F0为一维卷积，用于获取通道间信息；F1为组归一化；δ为激活函数sigmoid；
[0084] 分别在宽度方向和高度方向上提取全局特征的特征图相乘进行信息融合，再与所述输入特征x相乘进行信息融合，则注意力模块的输出Y为：
[0085] Y＝x*yh*yw。
[0086] 在实际应用中，因为双分支卷积块通过卷积进行特征学习，而卷积一次只能处理该预处理图像中的一小部分，导致其在学习时缺乏对图像全局信息的交互能力，因此，提出上下文条状注意力模型(Spatial and Channel Strip Attention，SCSA)来加强模型对整张图像的空间布局的感知能力。
[0087] 上下文条状注意力模型首先在输入特征为x的高度和宽度两个维度上使用条带状池化来捕捉长距离的空间依赖性，经过宽度池化后的特征图的高度大小不变，宽度大小变为1，通道数大小不变，其特征图的每一点包含了之前特征图在宽度上的全局信息，经过高度池化后的特征图同理。
[0088] 得到的Zh和Zw特征图除了宽和高两个维度外还有有一个通道维度，通过一维卷积h w h w(Conv1D)对Z和Z进行卷积，让Z和Z不同的通道信息得到交互，加强对之前池化得到的全局信息的学习。即采用7甚至更大的卷积核的一维卷积增强上下文信息交互能力，使其能够深入挖掘危岩体裂缝的局部细节特征，考虑裂缝在全局图像中的空间布局与上下文关联，从而提高了裂缝检测的准确性和鲁棒性，并且能保持输入特征图通道的维度使保持其轻量级特性。
[0089] 然后用组归一化(Group Norm)来让特征图的数值范围调整到同一尺度，对计算的结果使用组归一化，使其具有相对稳定的分布，从而帮助网络更快地收敛，保证模型的稳定性，分别在宽度方向和高度方向，即水平方向和垂直方向的池化特征中提取通道间特征；考虑到该危岩体裂缝数据集规模较小，采用组归一化而不是批量归一化。通过激活函数对特征图进行非线性变换，获得原始特征的权重，增强模型表达能力。
[0090] 最后，将分别在宽度和高度上提取全局特征的特征图相乘进行信息融合，再与SCSA模块的输入相乘进行信息融合，得到最终的输出Y。
[0091] S103、根据所述裂缝预测灰度图计算所述危岩体裂缝面积和最大宽度。
[0092] 在其他的实施方式中，所述根据所述裂缝预测灰度图计算所述危岩体裂缝面积包括：
[0093] 获取所述危岩体裂缝前的面积为1平方米的白板所占的像素数量，得到面积和像素比值；
[0094] 根据所述裂缝预测灰度图，得到所述危岩体裂缝像素个数；
[0095] 根据所述危岩体裂缝像素个数和所述面积和像素比值图计算所述危岩体裂缝的面积；
[0096] 所述根据所述裂缝预测灰度图计算所述危岩体裂缝最大宽度包括：
[0097] 首先根据裂缝的轮廓计算出最小外接矩形；
[0098] 若所述裂缝的最小外接矩形的行比列长，则求所述裂缝预测灰度图中包含最多裂缝像素的列中裂缝像素的数量；
[0099] 若裂缝的最小外接矩形的列比行长，则求所述裂缝预测灰度图中包含最多裂缝像素的行中裂缝像素的数量；
[0100] 所述裂缝像素的数量即裂缝最大宽度处的像素数量；
[0101] 通过所述面积和像素比值计算像素的长度；
[0102] 根据所述裂缝最大宽度处的像素数量得到所述裂缝的最大宽度。
[0103] 在实际应用中，该危岩体裂缝前的面积为1平方米的白板所占的像素数量，得到面积和像素比值，该比值即为一个像素所代表的面积，因为像素是正方形，所以也可以通过该面积和像素的比值得到像素的长度。根据该裂缝预测灰度图，可以得到该危岩体裂缝像素个数，通过该危岩体裂缝像素个数与该面积和像素比值相乘，可以计算得到该危岩体裂缝的面积。该裂缝最大宽度处的像素数量与像素的长度相乘，则可得到该裂缝的最大宽度。
[0104] 假设计算出来的最小外接矩形的一行有500个像素，一列有30个像素。矩形的行比列长，计算矩阵每一列30个像素中有几个裂缝像素。假设计算得到第一列30个像素中有5个裂缝像素，第二列有8个裂缝像素。将500列中像素数量最多的列找出来，假设第300列的裂缝像素最多，有23个，然后将23像素转换为长度就得到最大裂缝宽度。
[0105] 通过像素与实际面积的比值校准、轮廓提取与最小外接矩形算法，以及对裂缝方向的智能判断，确保在裂缝边缘模糊、形状不规则或存在遮挡情况下仍能准确刻画与测量裂缝边界，从而大幅减小面积与宽度计算误差。这种精确量化有助于真实反映裂缝的发育状况，对危岩体稳定性评估提供科学依据。
[0106] 在一个实施例中，如图3所示，提供一种基于深度学习的危岩体裂缝检测系统，包括：
[0107] 图像获取和处理模块401，用于获取实时危岩体积裂缝图像，进行图像处理；
[0108] 裂缝检测模块402，用于基于预先训练的轻量级裂缝分割网络模型对所述图像进行裂缝识别，生成裂缝预测灰度图；
[0109] 量化模块403，用于根据所述裂缝预测灰度图，计算所述危岩体裂缝面积和最大宽度。
[0110] 在实际应用中，图像获取和处理模块401获取通过现有技术的相机或无人机传输来的实时危岩裂缝图像，该获取的时间间隔可以为5分钟一次；具体的，自动化相机摄像头进行实时危岩裂缝图像采集，并通过通信网络或其他现有技术的数据传输方式将该图像实时发送至图像获取和处理模块401，有效解决了传统人工勘查耗时费力、受外部因素影响较大的问题，极大地提升了数据采集的效率和连续性。该图像获取和处理模块401对获取的该实时危岩裂缝图像进行图像处理，该图像处理方法可以为使用512×512的滑动窗口以256的步长对该危岩体图像进行裁剪，将获取到的高分辨率图像裁剪为多个512×512像素大小的图像，通过上述方法提高硬件资源适应性和识别结果的空间精确性。
[0111] 裂缝检测模块402中，该预先训练的轻量级裂缝分割网络模型可以是依次连接的卷积块、特征提取层stage1、stage2、stage3和空洞空间金字塔池化层对危岩体裂缝图像数据集进行训练得到的。该裂缝检测模块402输出裂缝预测灰度图。
[0112] 该量化模块403对该裂缝预测灰度图进行量化计算，得到该危岩体裂缝面积和最大宽度。
[0113] 在其他的实施方式中，还包括裂缝展示模块404，用于实现所述危岩体裂缝量化信息的可视化，以对所述危岩体裂缝进行实时监测。
[0114] 在实际应用中，用户友好的裂缝展示模块404，可以集成多地点危岩体图像、裂缝检测结果、面积与最大宽度数据的可视化展示，辅以直观的时间序列折线图追踪裂缝动态变化，便于专业人员快速理解和把握危岩体裂缝变化趋势，为风险评估与决策制定提供有力支持。同时，该裂缝展示模块404可以部署于边缘设备或云端服务器，边缘设备与云端服务器之间通过现有技术的通信网络，如5G网络、卫星网络等进行数据传输，保证了裂缝信息的即时性和、稳定性，增强了监测的时效性和可靠性。
[0115] 本发明还提供一种基于深度学习的危岩体裂缝检测装置，包括处理器、存储器；
[0116] 所述存储器，其上存储有计算机程序。
[0117] 所述处理器用于执行所述存储器中存储的一个或者多个程序，以实现上述实施例中的基于深度学习的危岩体裂缝检测方法的步骤。
[0118] 本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例中的基于深度学习的危岩体裂缝检测方法的步骤。
[0119] 需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0120] 上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0121] 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上述实施例方法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，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例的方法。
[0122] 以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
