本发明属于图像识别技术领域，更具体地，涉及一种东亚飞蝗龄期识别方法及装置。
背景技术：
蝗虫，俗称“蚂蚱”，主要包括飞蝗和土蝗，危害禾本科植物。在我国，飞蝗有东亚飞蝗、亚洲飞蝗和西藏飞蝗3种。其中，东亚飞蝗在我国分布范围最广，危害最严重，是造成我国蝗虫灾害最主要的飞蝗种类。
为减轻蝗虫灾害给农业造成的损失，应提前预防，积极发展和改善检测预警技术水平，使相关人员能够在蝗虫灾害发生前快速、准确地得到预警信息，尽早采取措施降低蝗虫造成的危害。蝗虫在较小时危害较小，且比较容易控制。因此，识别蝗虫龄期对采取措施决策很重要。
目前，识别蝗虫龄期主要采用人工调查法进行监测。蝗虫龄期的识别一般都是基于身体长短和翅膀特征等形态学上的方法来区分蝗虫龄期。由于蝗虫的生长周期较短，人工调查法需要人工经常进行观察和记录，消耗大量人力和时间。且人工调查法带有较强的主观性，影响蝗虫龄期识别的准确率。
技术实现要素：
为克服上述东亚飞蝗龄期识别需要人工识别，消耗大量人力和时间，且识别准确率不高的问题或者至少部分地解决上述问题，本发明提供了一种东亚飞蝗龄期识别方法及装置。
根据本发明的第一方面，提供一种东亚飞蝗龄期识别方法，包括：
s1，基于预先构建的蝗虫种类识别模型对待识别蝗虫图像进行识别；
s2，若根据识别结果获知所述待识别蝗虫图像的种类为东亚飞蝗，则基于预先构建的东亚飞蝗龄期识别模型对所述待识别蝗虫图像进行识别，获取所述待识别蝗虫图像对应的龄期。
具体地，所述步骤s1之前还包括：
s0，基于卷积神经网络对预先获取的训练样本图像进行深度学习，构建蝗虫种类识别模型和东亚飞蝗龄期识别模型；所述训练样本图像包括东亚飞蝗样本图像和其他种类的蝗虫样本图像。
具体地，所述步骤s0之前还包括：
s011，基于连通区域标记算法对预先获取的各原始蝗虫图像中的蝗虫区域进行标记；
s012，若所述蝗虫区域满足预设条件，则根据标记的所述蝗虫区域的位置和所述蝗虫区域对应的蝗虫类型，基于直线裁剪算法对各所述原始蝗虫图像进行裁剪，获取各训练样本图像；或者，
s013，若所述蝗虫区域不满足预设条件，则对所述蝗虫区域进行调整以使所述蝗虫区域满足预设条件，对调整后的所述蝗虫区域执行所述步骤s012；
所述预设条件为所述蝗虫区域的长与所述蝗虫区域的宽之间的比值为预设常数。
具体地，所述步骤s1之前还包括：
s021，基于卷积神经网络对预先获取的所有训练样本进行深度学习，构建蝗虫目标检测模型；
s022，基于所述蝗虫目标检测模型对目标蝗虫图像进行检测，获取所述目标蝗虫图像中所述蝗虫区域的位置；
s023，根据所述目标蝗虫图像中蝗虫区域的位置，基于直线裁剪算法对所述目标蝗虫图像进行裁剪，获取待识别蝗虫图像。
具体地，所述步骤s012之后或所述步骤s021之前还包括：
对待识别蝗虫图像或各所述训练样本图像进行预处理，所述预处理包括归一化、z-score标准化和白化中的一种或多种。
具体地，所述步骤s012之后还包括：
分别根据标记的种类和标记的所述种类为东亚飞蝗的龄期对各所述训练样本图像进行划分；
相应地，所述步骤s0具体包括：
将各种类的所述训练样本图像输入卷积神经网络，构建蝗虫种类识别模型；
将所述种类为东亚飞蝗的各龄期的所述训练样本图像输入卷积神经网络，构建东亚飞蝗龄期识别模型。
具体地，所述步骤s2之后还包括：
对所述训练样本图像进行更新；
根据更新后的所述训练样本图像，对所述蝗虫种类识别模型和所述东亚飞蝗龄期识别模型进行更新。
具体地，所述卷积神经网络为改进的alexnet模型；
其中，所述改进的alexnet模型在原alexnet中新增预设层数的卷积层，将原alexnet中的池化层替换为stochasticpooling层，在倒数第二层全连接层和倒数第三层全连接层中添加dropout层。
具体地，所述步骤s1还包括：
将各所述训练样本图像进行预设角度的翻转，基于卷积神经网络对翻转后的各所述训练样本图像再次进行深度学习。
根据本发明的第二方面，提供一种东亚飞蝗龄期识别装置，包括：
第一识别模块，用于基于预先构建的蝗虫种类识别模型对待识别蝗虫图像进行识别；
第二识别模块，用于在根据识别结果获知所述待识别蝗虫图像的种类为东亚飞蝗时，基于预先构建的东亚飞蝗龄期识别模型对所述待识别蝗虫图像进行识别，获取所述待识别蝗虫图像对应的龄期。
本发明提供一种东亚飞蝗龄期识别方法及装置，该方法通过先基于预先构建的蝗虫种类识别模型识别出种类为东亚飞蝗的待识别蝗虫图像，然后进一步基于预先构建的东亚飞蝗龄期识别模型识别出种类为东亚飞蝗的待识别蝗虫图像中东亚飞蝗的龄期，从而实现对东亚飞蝗龄期的自动识别，不需要人为操作，且识别的精度更高。
附图说明
图1为本发明实施例提供的东亚飞蝗龄期识别方法整体流程示意图；
图2为本发明实施例提供的东亚飞蝗龄期识别方法中改进的卷积神经网络结构示意图；
图3为本发明实施例提供的东亚飞蝗龄期识别方法中使用训练样本图像构建模型的整体流程图；
图4为本发明实施例提供的东亚飞蝗龄期识别方法中对待识别蝗虫图像进行东亚飞蝗龄期识别的整体流程图；
图5为本发明实施例提供的东亚飞蝗龄期识别装置整体结构示意图；
图6为本发明实施例提供的东亚飞蝗龄期识别设备整体结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
在本发明的一个实施例中提供一种东亚飞蝗龄期识别方法，图1为本发明实施例提供的东亚飞蝗龄期识别方法整体流程示意图，该方法包括：s1，基于预先构建的蝗虫种类识别模型对待识别蝗虫图像进行识别；s2，若根据识别结果获知所述待识别蝗虫图像的种类为东亚飞蝗，则基于预先构建的东亚飞蝗龄期识别模型对所述待识别蝗虫图像进行识别，获取所述待识别蝗虫图像对应的龄期。
具体地，s1中，所述待识别蝗虫图像为获取的需要进行识别的蝗虫图像。使用预先构建的所述蝗虫种类识别模型对所述待识别蝗虫图像进行识别，输出所述待识别蝗虫图像对应的蝗虫种类。s2中，判断所述蝗虫种类是否为东亚飞蝗，若是则继续使用所述东亚飞蝗龄期识别模型对所述待识别图像进行识别，获取所述待识别蝗虫图像对应的龄期，从而实现对所述待识别蝗虫图像中东亚飞蝗的龄期进行识别，为准确及时获取蝗情提供数据支持；若所述蝗虫种类不为东亚飞蝗，则停止执行后续步骤。本实施例的运行环境为带gpu的服务器。
本实施例通过先基于预先构建的蝗虫种类识别模型识别出种类为东亚飞蝗的待识别蝗虫图像，然后进一步基于预先构建的东亚飞蝗龄期识别模型识别出种类为东亚飞蝗的待识别蝗虫图像中东亚飞蝗的龄期，从而实现对东亚飞蝗龄期的自动识别，不需要人为操作，且识别的精度更高。
在上述实施例的基础上，本实施例中所述步骤s1之前还包括：s0，基于卷积神经网络对预先获取的训练样本图像进行深度学习，构建蝗虫种类识别模型和东亚飞蝗龄期识别模型；所述训练样本包括东亚飞蝗样本图像和其他种类的蝗虫样本图像。
具体地，所述卷积神经网络为各种卷积神经网络模型，如alexnet模型，本实施例不限于卷积神经网络的类型。所述训练样本图像为大量的蝗虫样本，包括东亚飞蝗样本图像和其他种类的蝗虫样本图像。所述蝗虫种类识别模型用于识别蝗虫的种类。所述东亚飞蝗龄期识别模型用于识别种类为东亚飞蝗的待识别蝗虫图像对应的龄期。通过设置合适的参数进行所述蝗虫种类识别模型和所述东亚飞蝗龄期识别模型的构建，通过调整所述参数对所述蝗虫种类识别模型和所述东亚飞蝗龄期识别模型进行调优，并将构建的所述蝗虫种类识别模型和所述东亚飞蝗龄期识别模型进行保存。
在上述实施例的基础上，本实施例中所述步骤s0之前还包括：s011，基于连通区域标记算法对预先获取的各原始蝗虫图像中的蝗虫区域进行标记；s012，若所述蝗虫区域满足预设条件，则根据标记的所述蝗虫区域的位置和所述蝗虫区域对应的蝗虫类型，基于直线裁剪算法对各所述训练样本图像进行裁剪，获取各训练样本图像；或者，s013，若所述蝗虫区域不满足预设条件，则对所述蝗虫区域进行调整以使所述蝗虫区域满足预设条件，对调整后的所述蝗虫区域执行所述步骤s012；所述预设条件为所述蝗虫区域的长与所述蝗虫区域的宽之间的比值为预设常数。
具体地，所述连通区域标记算法包括图像初步标记、整理等价表和图像代换三个步骤。其中，图像初步标记为每个像素赋予临时标记，并且将临时标记的等价关系记录在等价表中。整理等价表分为两个步骤：(1)将具有等价关系的临时标记全部等价为其中的最小值；(2)对连通区域以自然数顺序重新编号，得到临时标记与最终标记之间的等价关系。图像代换为对图像进行逐像素代换，将临时标记代换为最终标记。所述连通区域标记算法输出标记后的预先获取的各原始蝗虫图像中的蝗虫区域，所述蝗虫区域按照由上到下，由左至右出现的顺序被标以连续的自然数。同时还标记每个所述蝗虫区域的标签名称和位置。所述标签名称为蝗虫种类，所述位置可以表示为所述蝗虫区域两个对角的坐标，即左上角和右下角坐标，或者，左下角和右上角坐标。根据标记的所述蝗虫区域的位置，使用直线裁剪算法对各所述原始蝗虫图像进行裁剪，获取各训练样本图像。将各所述训练样本图像通过网络传输给服务器。如果被裁剪区域，即所述蝗虫区域不满足预设条件，则使用自动增补算法对所述蝗虫区域进行调整以满足所述预设条件，并根据调整后的所述蝗虫区域进行裁剪。所述预设条件为所述蝗虫区域的长与所述蝗虫区域的宽的比值为预设常数。若所述蝗虫区域位于所述原始蝗虫图像的边缘而无法调整，则随机选取所述原始蝗虫图像中的其他差额图像进行增比，以满足所述预设条件。将各所述训练样本图像分放到不同的文件夹中，将一个原始蝗虫图像裁剪的训练样本图像单独放到一个文件夹中。
在上述实施例的基础上，本实施例中所述步骤s1之前还包括：s021，基于卷积神经网络对预先获取的所有训练样本图像进行深度学习，构建蝗虫目标检测模型；s022，基于所述蝗虫目标检测模型对目标蝗虫图像进行检测，获取所述目标蝗虫图像中所述蝗虫区域的位置；s023，根据所述目标蝗虫图像中蝗虫区域的位置，基于直线裁剪算法对所述目标蝗虫图像进行裁剪，获取待识别蝗虫图像。
具体地，本实施例实现对所述目标蝗虫图像中蝗虫区域的自动裁剪，获取待识别蝗虫图像。将所述待识别蝗虫图像通过网络传输给服务器。此外，所述步骤s023还包括，若所述蝗虫区域不满足预设条件，则使用自动增补算法对所述蝗虫区域进行调整以满足所述预设条件，并根据调整后的所述蝗虫区域进行裁剪。所述预设条件为所述蝗虫区域的长与所述蝗虫区域的宽的比值为预设常数。若所述蝗虫区域位于所述目标蝗虫图像的边缘而无法调整，则随机选取所述目标蝗虫图像中的其他差额图像进行增比，以满足所述预设条件。
在上述各实施例的基础上，本实施例中所述步骤s012或所述步骤s021之前还包括：对待识别蝗虫图像或各所述训练样本图像进行预处理，所述预处理包括归一化、z-score标准化和白化中的一种或多种。
具体地，在所述步骤s012之后，对裁剪后的各所述训练样本图像进行预处理。在所述步骤s021之前，对待识别蝗虫图像进行预处理。所述归一化为归一化到范围[-1,1]，用于加快训练各网络模型的收敛性。归一化的公式为：
其中，z为归一化的结果，μ为各所述训练样本图像或所述待识别蝗虫图像的均值，α为各所述训练样本图像或所述待识别蝗虫图像的标准差。
所述z-score标准化是对均值mean和标准差std进行标准化的方法，经过处理的数据符合标准正态分布，即mean＝0，std＝1，转换公式为：
其中，x为z-score标准化的结果，mean为各所述训练样本图像或所述待识别蝗虫图像的均值，std为各所述训练样本图像或所述待识别蝗虫图像的标准差。
所述白化为pca白化或zca白化，即将各所述训练样本图像或所述待识别蝗虫图像中各像素的特征减去均值，使得
其中，m为所述像素的总个数，i为各所述像素的序号。然后在pca白化或zca白化中选择合适的规则化参数epsilon。
在上述实施例的基础上，本实施例中所述步骤s012之后还包括：分别根据标记的种类和标记的所述种类为东亚飞蝗的龄期对各所述训练样本图像进行划分；相应地，所述步骤s0具体包括：将各种类的所述训练样本图像输入卷积神经网络，构建蝗虫种类识别模型；将所述种类为东亚飞蝗的各龄期的所述训练样本图像输入卷积神经网络，构建东亚飞蝗龄期识别模型。
具体地，对各训练样本图像进行划分，获取深度学习训练样本集。分别划分为全部的训练样本集、不同种类的训练样本集和不同龄期的种类为东亚飞蝗的训练样本集。
在上述实施例的基础上，本实施例中所述步骤s2之后还包括：对所述训练样本图像进行更新；根据更新后的所述训练样本图像，对所述蝗虫种类识别模型和所述东亚飞蝗龄期识别模型进行更新。
具体地，由于不同地点、不同时间的蝗虫存在差异。因此，当所述训练样本图像发生变化时，如有新的训练样本图像加入时，根据更新后的所述训练样本图像再次深度学习，从而不断提高所述蝗虫种类识别模型和所述东亚飞蝗龄期识别模型的识别率。
在上述实施例的基础上，本实施例中所述卷积神经网络为改进的alexnet模型；其中，所述改进的alexnet模型在原alexnet中新增预设层数的卷积层，将原alexnet中的池化层替换为stochasticpooling层，在倒数第二层全连接层和倒数第三层全连接层中添加dropout层。
具体地，虽然alexnet在图像识别和分类中有很好的效果，但alexnet不是针对昆虫识别的网络模型，因此需要对其进行改进。如图2所示，当所述预设层数为1层时，可以原alexnet的第四层之后添加一层卷积层，原alexnet分为8层，所述改进的卷积神经网络分为9层，即6层卷积层和3层全连接层。在原alexnet中新增预设层数的卷积层可以对特征进行更精确地提取。将原alexnet中的池化层替换为stochasticpooling层。当所述预设层数为1层时，在第七层和第八层的全连接层中增加dropout层，从而降低过拟合，使得在训练过程中让所述卷积神经网络的某些隐含层节点的权重不工作，这部分权重暂时保留不更新，及时阻止某些特定情况发生的可能。针对所述改进的卷积神经网络的结构，对下采样窗口中的每一个元素都对应有一个概率，通过轮盘采样的方式得到stochasticpooling的结果。
例如，所述改进的卷积神经网络每一个卷积层使用96个11*11的卷积核对各所述训练样本图像进行特征特取，使用激活函数relu确保特征图的值在合理范围之内，例如{0,1}或{0,255}。第二个卷积层可以与第一个卷积层的卷积核不同，第二个卷积层使用256个5*5的卷积核对所述第一个卷积层输出的96个27*27的特征图进行进一步特征提取。第二个卷积层的提取方式也可以不同，所述第二层的卷积核仅对96个27*27特征图中的若干个特征图中相应的区域乘以相应的权重后相加，然后加上偏置，得到该区域的卷积。如，对于卷积核中的一个像素点x11，需要和96个特征图中的第1、2和7个特征图中的x11进行卷积，则x11像素点的卷积为x111*w111+x112*w112+x117*w117+bias。其中，x111表示第1个特征图中的像素点x11的特征值，w111表示第1个特征图中的像素点x11的权重，x112表示第2个特征图中的像素点x11的特征值，w112表示第2个特征图中的像素点x11的权重，x117表示第7个特征图中的像素点x11的特征值，w117表示第7个特征图中的像素点x11的权重，bias为偏置。然后在卷积后得到的特征图的狂赌和高度两边都填充2像素，会得到256个特征图。第二个卷积层输出的特征图的大小为(27+2*2-5)/1+1＝27。然后进行relu操作。
在上述实施例的基础上，本实施例中所述步骤s1还包括：将各所述训练样本图像进行预设角度的翻转，将翻转前后的各所述训练样本图像输入卷积神经网络进行深度学习。
具体地，为弥补训练样本图像数据量不够的问题将部分数据进行增强，对图像数据的一些变换可以增大训练样本图像的数据集。假设预处理结束的训练样本图像的大小为256×256，因为野外采集的训练样本图像有模糊的问题，在预处理后的各训练样本图像中选取240×240小块进行训练，输入的训练样本图像的规格为240×240×3，由于训练样本图像为rgb图像，3为三个颜色通道。由于部分蝗虫种类的训练样本图像采集困难，可以将各训练样本图像进行一定角度的翻转，使用翻转后的各训练样本图像再次进行训练。
图3为本发明实施例提供的东亚飞蝗龄期识别方法中使用训练样本图像构建模型的整体流程图。图4为本发明实施例提供的东亚飞蝗龄期识别方法中对待识别蝗虫图像进行东亚飞蝗龄期识别的整体流程图。
在本发明的另一个实施例中提供一种东亚飞蝗龄期识别装置，图5为本发明实施例提供的东亚飞蝗龄期识别装置整体结构示意图，该装置包括第一识别模块1和第二识别模块2，其中：
所述第一识别模块1用于基于预先构建的蝗虫种类识别模型对待识别蝗虫图像进行识别；所述第二识别模块1用于在根据识别结果获知所述待识别蝗虫图像的种类为东亚飞蝗时，基于预先构建的东亚飞蝗龄期识别模型对所述待识别蝗虫图像进行识别，获取所述待识别蝗虫图像对应的龄期。
具体地，所述待识别蝗虫图像为获取的需要进行识别的蝗虫图像。所述第一识别模块1使用构建的所述蝗虫种类识别模型对所述待识别蝗虫图像进行识别，输出所述待识别蝗虫图像对应的蝗虫种类。所述第二识别模块2判断所述蝗虫种类是否为东亚飞蝗，若是则继续使用所述东亚飞蝗龄期识别模型对所述待识别图像进行识别，获取所述待识别蝗虫图像对应的龄期，从而实现对所述待识别蝗虫图像中东亚飞蝗的龄期进行识别，为准确及时获取蝗情提供数据支持；若所述蝗虫种类不为东亚飞蝗，则停止执行后续步骤。本实施例的运行环境为带gpu的服务器。
本实施例通过先基于预先构建的蝗虫种类识别模型识别出种类为东亚飞蝗的待识别蝗虫图像，然后进一步基于预先构建的东亚飞蝗龄期识别模型识别出种类为东亚飞蝗的待识别蝗虫图像中东亚飞蝗的龄期，从而实现对东亚飞蝗龄期的自动识别，不需要人为操作，且识别的精度更高。
在上述实施例的基础上，本实施例中还包括构建模块，用于基于卷积神经网络对预先获取的训练样本图像进行深度学习，构建蝗虫种类识别模型和东亚飞蝗龄期识别模型；所述训练样本包括东亚飞蝗样本图像和其他种类的蝗虫样本图像。
在上述实施例的基础上，本实施例中还包括第一预处理模块，用于基于连通区域标记算法对预先获取的各原始蝗虫图像中的蝗虫区域进行标记；根据标记的所述蝗虫区域的位置，基于直线裁剪算法对各所述训练样本图像进行裁剪，获取各训练样本图像；
在上述实施例的基础上，本实施例中第二预处理模块，用于基于卷积神经网络对预先获取的所有训练样本图像进行深度学习，构建蝗虫目标检测模型；基于所述蝗虫目标检测模型对目标蝗虫图像进行检测，获取所述目标蝗虫图像中所述蝗虫区域的位置；若所述蝗虫区域满足预设条件，则根据所述目标蝗虫图像中蝗虫区域的位置和所述蝗虫区域对应的蝗虫类型，基于直线裁剪算法对所述目标蝗虫图像进行裁剪，获取待识别蝗虫图像；或者，若所述蝗虫区域不满足预设条件，则对所述蝗虫区域进行调整以使所述蝗虫区域满足预设条件，对调整后的所述蝗虫区域执行上述裁剪操作；所述预设条件为所述蝗虫区域的长与所述蝗虫区域的宽之间的比值为预设常数。
在上述各实施例的基础上，本实施例还包括第三预处理模块，用于对待识别蝗虫图像或各所述训练样本进行预处理，所述预处理包括归一化、z-score标准化和白化中的一种或多种。
在上述实施例的基础上，本实施例中还包括划分模块，用于分别根据标记的种类和标记的所述种类为东亚飞蝗的龄期对各所述训练样本图像进行划分；相应地，所述构建模块具体用于：将各种类的所述训练样本图像输入卷积神经网络，构建蝗虫种类识别模型；将所述种类为东亚飞蝗的各龄期的所述训练样本图像输入卷积神经网络，构建东亚飞蝗龄期识别模型。
在上述实施例的基础上，本实施例中还包括更新模块，用于对所述训练样本图像进行更新；根据更新后的所述训练样本图像，对所述蝗虫种类识别模型和所述东亚飞蝗龄期识别模型进行更新。
在上述实施例的基础上，本实施例中所述卷积神经网络为改进的alexnet模型；其中，所述改进的alexnet模型在原alexnet中新增预设层数的卷积层，将原alexnet中的池化层替换为stochasticpooling层，在倒数第二层全连接层和倒数第三层全连接层中添加dropout层。
在上述实施例的基础上，本实施例中所述第一识别模块还用于将各所述训练样本图像进行预设角度的翻转，将翻转前后的各所述训练样本图像输入卷积神经网络进行深度学习。
本实施例提供一种东亚飞蝗龄期识别设备，图6为本发明实施例提供的东亚飞蝗龄期识别设备整体结构示意图，该设备包括：至少一个处理器61、至少一个存储器62和总线63；其中，
所述处理器61和存储器62通过所述总线63完成相互间的通信；
所述存储器32存储有可被所述处理器31执行的程序指令，所述处理器调用所述程序指令能够执行上述各方法实施例所提供的方法，例如包括：s1，基于预先构建的蝗虫种类识别模型对待识别蝗虫图像进行识别；s2，若根据识别结果获知所述待识别蝗虫图像的种类为东亚飞蝗，则基于预先构建的东亚飞蝗龄期识别模型对所述待识别蝗虫图像进行识别，获取所述待识别蝗虫图像对应的龄期。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：s1，基于预先构建的蝗虫种类识别模型对待识别蝗虫图像进行识别；s2，若根据识别结果获知所述待识别蝗虫图像的种类为东亚飞蝗，则基于预先构建的东亚飞蝗龄期识别模型对所述待识别蝗虫图像进行识别，获取所述待识别蝗虫图像对应的龄期。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的东亚飞蝗龄期识别设备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。
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。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。