一种基于生成模型的异常检测方法及系统

1.本发明涉及异常检测相关领域，尤其涉及一种基于生成模型的异常检测方法及系统。


背景技术：

2.随着科技的快速发展，产品的生产和制造工艺也在不断的完善和提升，对产品的质量也有了更高的要求。不合格的产品会对企业声誉和效益以及用户的生命财产安全带来较大的影响，因此对产品质量进行准确的检测至关重要。
3.现阶段在进行异常检测的过程中，一般采用基于监督学习的目标检测方法，已达到较好的性能，但是由于基于监督学习的目标检测方法对数据有较高的需求，而在实际的工业生产场景中由于缺陷数量较少，获取缺陷以及标注缺陷费时费力，还存在缺陷样本与正常样本类别不均衡问题。由于数据问题，基于监督学习的目标检测方法在解决缺陷检测任务时存在不少困难。
4.但在实现本技术中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
5.现有技术在进行异常检测过程中，对于样本需求量大，缺陷样本数据量少且标注费时费力，导致异常检测成本高，检测效果不佳的技术问题。


技术实现要素：

6.本技术通过提供一种基于生成模型的异常检测方法及系统，解决了现有技术在进行异常检测过程中，对于样本需求量大，缺陷样本数据量少且标注费时费力，导致异常检测成本高，检测效果不佳的技术问题，达到降低对于样本数据量的需求，缓解类别不均衡的问题，实现在控制时间和人力成本的同时，提高异常检测准确性的技术效果。
7.鉴于上述问题，提出了本技术提供一种基于生成模型的异常检测方法及系统。
8.第一方面，本技术提供了一种基于生成模型的异常检测方法，所述方法包括：获得第一样本数据集合；构建生成器，其中，所述生成器包括第一编码器、解码器；将所述第一样本数据集合输入所述生成器，通过所述第一编码器进行所述第一样本数据集合的低维特征提取，获得第一低维特征提取结果；通过第二编码器进行所述第一低维特征提取结果的低维特征向量约束，将约束后的所述第一低维特征提取结果通过所述解码器解码，获得第一重构样本集合；通过判别器进行所述第一重构样本集合的真实性判断，获得第一判断结果；当所述第一判断结果的输出结果满足第一预设阈值时，获得第一待检测数据；将所述第一待检测数据输入所述生成器，获得第一重构数据，根据所述第一待检测数据和所述第一重构数据的残差值进行异常检测判断。
9.另一方面，本技术还提供了一种基于生成模型的异常检测系统，所述系统包括：第一获得单元，所述第一获得单元用于获得第一样本数据集合；第一构建单元，所述第一构建单元用于构建生成器，其中，所述生成器包括第一编码器、解码器；第二获得单元，所述第二
获得单元用于将所述第一样本数据集合输入所述生成器，通过所述第一编码器进行所述第一样本数据集合的低维特征提取，获得第一低维特征提取结果；第三获得单元，所述第三获得单元用于通过第二编码器进行所述第一低维特征提取结果的低维特征向量约束，将约束后的所述第一低维特征提取结果通过所述解码器解码，获得第一重构样本集合；第一判别单元，所述第一判别单元用于通过判别器进行所述第一重构样本集合的真实性判断，获得第一判断结果；第四获得单元，所述第四获得单元用于当所述第一判断结果的输出结果满足第一预设阈值时，获得第一待检测数据；第一检测单元，所述第一检测单元用于将所述第一待检测数据输入所述生成器，获得第一重构数据，根据所述第一待检测数据和所述第一重构数据的残差值进行异常检测判断。
10.第三方面，本发明提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
11.本技术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：
12.由于采用了获得第一样本数据集合；将所述第一样本数据集合输入生成器，通过生成器中的第一编码器进行所述第一样本数据集合的低维特征提取，通过第二编码器进行低维特征提取结果向量约束，将约束后的所述第一低维特征提取结果通过所述解码器解码，获得第一重构样本集合；通过判别器进行所述第一重构样本集合的真实性判断，获得第一判断结果；当生成模型的输出结果稳定后，将所述第一待检测数据输入所述生成器，获得第一重构数据，根据所述第一待检测数据和所述第一重构数据的残差值进行异常检测判断。达到降低对于样本数据量的需求，缓解类别不均衡的问题，实现在控制时间和人力成本的同时，提高异常检测准确性的技术效果。
13.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
14.图1为本技术一种基于生成模型的异常检测方法的流程示意图；
15.图2为本技术一种基于生成模型的异常检测方法的第一编码器的架构示意图；
16.图3为本技术一种基于生成模型的异常检测方法的解码器的结构示意图；
17.图4为本技术一种基于生成模型的异常检测方法的判别器的架构示意图；
18.图5为本技术一种基于生成模型的异常检测系统的结构示意图；
19.图6为本技术一种电子设备的结构示意图。
20.附图标记说明：第一获得单元11，第一构建单元12，第二获得单元13，第三获得单元14，第一判别单元15，第四获得单元16，第一检测单元17，电子设备50，处理器51，存储器52，输入装置53，输出装置54。
具体实施方式
21.本技术通过提供一种基于生成模型的异常检测方法及系统，解决了现有技术在进行异常检测过程中，对于样本需求量大，缺陷样本数据量少且标注费时费力，导致异常检测
成本高，检测效果不佳的技术问题，达到降低对于样本数据量的需求，缓解类别不均衡的问题，实现在控制时间和人力成本的同时，提高异常检测准确性的技术效果。下面结合附图，对本技术的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本技术提供的技术方案对于类似的技术问题，同样适用。
22.本技术的说明书和权利要求书及上述附图中的术语“第一”、第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本技术的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
23.申请概述
24.当前在工业领域智能化的缺陷检测中主流已的技术还是基于监督学习的方法，如faster-rcnn、mscnn等，但基于监督学习的方法对于数据量要求极大，获取数据以及标注数据极为耗时耗力，并不适合大规模应用；基于自编码器ae及其变体的生成方法，重构图像模糊；基于生成对抗网络gan的异常检测算法，如anoga n、ganomaly，alad等，虽然这些方法对数据要求低，但是这些方法速度慢，识别率低。因此急需一种对数据需求较少，检测速度快，识别率高的异常检测方法。现有技术在进行异常检测过程中，对于样本需求量大，缺陷样本数据量少且标注费时费力，导致异常检测成本高，检测效果不佳的技术问题。
25.针对上述技术问题，本技术提供的技术方案总体思路如下：
26.本技术提供了一种基于生成模型的异常检测方法，获得第一样本数据集合；将所述第一样本数据集合输入生成器，通过生成器中的第一编码器进行所述第一样本数据集合的低维特征提取，通过第二编码器进行低维特征提取结果向量约束，将约束后的所述第一低维特征提取结果通过所述解码器解码，获得第一重构样本集合；通过判别器进行所述第一重构样本集合的真实性判断，获得第一判断结果；当生成模型的输出结果稳定后，将所述第一待检测数据输入所述生成器，获得第一重构数据，根据所述第一待检测数据和所述第一重构数据的残差值进行异常检测判断。
27.在介绍了本技术基本原理后，下面将结合说明书附图来具体介绍本技术的各种非限制性的实施方式。
28.实施例一
29.如图1所示，本技术提供了一种基于生成模型的异常检测方法，所述方法包括：
30.步骤s100：获得第一样本数据集合；
31.步骤s200：构建生成器，其中，所述生成器包括第一编码器、解码器；
32.具体而言，所述第一样本数据集合为真实样本数据构成的集合，且所述第一样本数据集合中的所有样本数据均为正常样本，且所述第一样本数据集合为图片数据集合。所述生成器是进行图片重构的模型，它包括第一编码器和解码器两部分，所述第一编码器的特征提取器为残差网络resnet(residual network,resnet)，它具有更加强大的特征提取能力，所述第一编码器的第一层和第二层均只有一个卷积层和leakyrelu函数，通过所述生成器的构建，基于构建的所述生成器对于样本数据的重构处理，为后续进行准确异常检测提供了数据支持。
33.步骤s300：将所述第一样本数据集合输入所述生成器，通过所述第一编码器进行所述第一样本数据集合的低维特征提取，获得第一低维特征提取结果；
34.步骤s400：通过第二编码器进行所述第一低维特征提取结果的低维特征向量约束，将约束后的所述第一低维特征提取结果通过所述解码器解码，获得第一重构样本集合；
35.进一步的，所述第一编码器由残差网络构成，且所述第一编码器的前两层结构的每层均只包含一个卷积层和leakyrelu函数，所述第二编码器和所述第一编码器的网络结构和参数一致。
36.具体而言，所述第一编码器的架构如图2所示，由残差网络构成，且所述第一编码器的前两层结构的每层均只包含一个卷积层和leakyrelu函数，后面跟着5个残差块，将所述第一样本数据集合(图像样本)输入所述生成器后，通过所述生成器中的所述第一编码器进行图像处理，首先通过处理后，经过5个残差块后，输出结果为尺寸4
×
4的特征图，然后将尺寸4
×
4的特征图通过卷积核大小为4的卷积和leakyrelu函数得到尺寸为1
×
1的低维特征向量。为了迫使重构后的样本与真实样本的低维特征相接近，新增所述第二编码器，且所述第二编码器与所述第一编码器的网络结构和参数与所述第一编码器完全一致。通过所述第二编码器对于所述第一低维特征提取结果进行低维特征向量约束，并将约束后的结果输入所述解码器解码，获得所述第一重构样本集合。
37.进一步的，如图3所示，解码器的结构为skip geneator。通过新增第二编码器，可以对特征图的低维特征向量进行约束，以提高重构图像与样本图像的低维特征的一致性，生成高质量图像，解码器的结构设计，可避免网络模型简单的学习到图像空间到特征空间的恒等映射；解码器在生成更高分辨率图像的时候，可以更好的结合图像的低纬信息，以与上述低维特征相适配，获得更高质量的重构图像，为后续进行准确的模型训练和异常检测提供了数据支持。
38.步骤s500：通过判别器进行所述第一重构样本集合的真实性判断，获得第一判断结果；
39.进一步的，所述判别器的前两层结构的每层均只包含一个卷积层和leakyrel u函数，而后连接5个deblock块。
40.步骤s600：当所述第一判断结果的输出结果满足第一预设阈值时，获得第一待检测数据；
41.步骤s700：将所述第一待检测数据输入所述生成器，获得第一重构数据，根据所述第一待检测数据和所述第一重构数据的残差值进行异常检测判断。
42.具体而言，所述判别器为用于进行样本真实概率判断的模型，其架构如图4所示，所述判别器的前两层同样为卷积和激活函数，而后连接5个deblock块，即卷积层conv、批量标准归一化bn和激活函数，当特征图的尺寸大小为4
×
4的时候，直接采用卷积核大小为4的卷积和激活函数，最后通过一个全连接层来输出结果。判别器最后的输出结果是一个标量，用来评估输入图像属于真实样本的概率。所述第一预设阈值为进行所述判别器判别结果是否稳定的预设阈值，其实本质上，所述第一预设阈值是对于所述生成器是否重构图像结果稳定评估的阈值。当所述第一判断结果的输出结果满足所述第一预设阈值，表征了所述生成器已经掌握正常数据的特征分布规律，此时的所述生成器即可执行异常检测任务。
43.进一步的，将异常检测任务中的数据，即所述第一待检测数据输入所述生成器，通
过所述生成器获得第一重构数据。当所述生成器掌握正常数据的特征分布规律之后。当输入为异常样本时，生成器将会迫使输入的异常样本向正常样本的特征接近，最后利用输入样本与重构样本的残差值即可确定完成异常检测。达到降低对于样本数据量的需求，缓解类别不均衡的问题，实现在控制时间和人力成本的同时，提高异常检测准确性的技术效果。
44.进一步而言，本技术还包括：
45.计算所述生成器的重构损失，计算公式如下：
46.l
recon
＝‖x,g
de
(g
en
(x))‖147.其中，l
recon
为重构损失，g
de
为解码器，g
en
为第一编码器，根据计算获得的所述重构损失进行所述生成器的优化补偿。
48.具体而言，为了提高所述生成器在进行不断优化重构图像的准确性，构建所述生成器的重构损失函数进行优化补偿。定义公式如下：
49.l
recon
＝‖x,g
de
(g
en
(x))‖150.其中，l
recon
为重构损失，g
de
为解码器，g
en
为第一编码器，根据计算获得的所述重构损失进行所述生成器的优化补偿。本技术中的重构损失采用的计算方式为l1损失而并不是均方误差mse(mean squared loss,mse)，l1损失能产生更为清晰的图像，mse损失产生的图像较为模糊。当mse损失作为重构误差函数时，对图像中重构误差大的部分会有较大的惩罚，而对图像中重构误差小的位置惩罚则较轻，当偏差值较大的时候易于受到影响。如果重构误差过大，在反向传播的时候容易引起梯度爆炸；另一方面，当重构误差较小时候，mse的梯度也较小，收敛性能较差，会影响模型的整体收敛速度。因此采用l1损失相对于mse具有更好的收敛性能，提高模型的收敛速度。并且mse损失只是关注原图和重构图对应像素间的关系，并不关注图像邻域的相关性，这易造成重构图片与输入图片只是像素上的接近，却并不能显示出逼真的效果，进而导致输入图片与重构图片的残差值很小，给人带来极差的视觉感受。由于图像的相邻像素间具有很强的关联性，通过l1损失函数中可以考虑图像的基本特征，从损失函数中考虑复材构件的邻域信息，从邻域获得图像的全局特征，同时再考虑像素级的损失，两者结合起来，可以使得重构结果与真实结果更加趋近。
51.进一步而言，本技术还包括：
52.计算所述生成器的编码损失，计算公式如下：
[0053][0054]
其中，l
latent
为编码损失，z为第一样本数据集合的低维特征向量，为第一重构样本集合的低维特征向量；
[0055]
根据所述重构损失和所述编码损失，计算获得所述生成器的总损失函数，计算公式如下：
[0056]
lg＝λ
recon
l
recon
+λ
ssim
(1―l
ssim
)+λ
latent
l
latent
[0057]
其中，lg为总损失函数，l
ssim
为结构相似度损失，λ
recon
为重构损失的权重，λ
ssim
为结构相似度损失的权重，λ
latent
为编码损失的权重，通过所述总损失函数进行所述生成器的优化补偿。
[0058]
具体而言，所述生成器的损失由三部分构成，即重构损失、结构相似度损失和编码损失，编码损失l
latent
用于衡量输入样本x与重构样本在低维特征的相似性，从而保证输
入样本x与重构样本在高层空间语意的一致性。其中z为第一样本数据集合的低维特征向量，为第一重构样本集合的低维特征向量，编码损失，计算公式如下：
[0059][0060]
根据所述重构损失和所述编码损失，计算获得所述生成器的总损失函数，计算公式如下：
[0061]
lg＝λ
recon
l
recon
+λ
ssim
(1―l
ssim
)+λ
latent
l
latent
[0062]
其中，lg为总损失函数，l
ssim
为结构相似度损失，λ
recon
为重构损失的权重，λ
ssim
为结构相似度损失的权重，λ
latent
为编码损失的权重，通过所述总损失函数进行所述生成器的优化补偿。通过对于生成器中的重构损失、编码损失和结构相似度损失函数的构建，基于构建结果进行所述生成器的优化补偿，可以提高模型的收敛速度，使得重构结果与真实结果更加趋近。
[0063]
进一步的，如所示，本技术还包括：
[0064]
计算所述判别器的损失，计算公式如下：
[0065][0066]
其中，ld为判别器的损失，根据所述判别器的损失进行所述判别器的优化补偿。
[0067]
具体而言，判别器的损失采用的是传统的gan的损失，计算公式如下：
[0068][0069]
其中，ld为判别器的损失，g为生成器，d为判别器，根据所述判别器的损失进行所述判别器的优化补偿。
[0070]
综上所述，本技术所提供的一种基于生成模型的异常检测方法具有如下技术效果：
[0071]
1、由于采用了获得第一样本数据集合；将所述第一样本数据集合输入生成器，通过生成器中的第一编码器进行所述第一样本数据集合的低维特征提取，通过第二编码器进行低维特征提取结果向量约束，将约束后的所述第一低维特征提取结果通过所述解码器解码，获得第一重构样本集合；通过判别器进行所述第一重构样本集合的真实性判断，获得第一判断结果；当生成模型的输出结果稳定后，将所述第一待检测数据输入所述生成器，获得第一重构数据，根据所述第一待检测数据和所述第一重构数据的残差值进行异常检测判断。达到降低对于样本数据量的需求，缓解类别不均衡的问题，实现在控制时间和人力成本的同时，提高异常检测准确性的技术效果。
[0072]
2、通过新增第二编码器，可以对特征图的低维特征向量进行约束，以提高重构图像与样本图像的低维特征的一致性，生成高质量图像，解码器的结构设计，可避免网络模型简单的学习到图像空间到特征空间的恒等映射；解码器在生成更高分辨率图像的时候，可以更好的结合图像的低纬信息，以与上述低维特征相适配，获得更高质量的重构图像，为后续进行准确的模型训练和异常检测提供了数据支持。
[0073]
3、通过l1损失函数中可以考虑图像的基本特征，从损失函数中考虑复材构件的邻域信息，从邻域获得图像的全局特征，同时再考虑像素级的损失，两者结合起来，可以使得重构结果与真实结果更加趋近。
[0074]
4、通过对于生成器中的重构损失、编码损失和结构相似度损失函数的构建，基于构建结果进行所述生成器的优化补偿，可以提高模型的收敛速度，使得重构结果与真实结果更加趋近。
[0075]
实施例二
[0076]
基于与前述实施例中一种基于生成模型的异常检测方法同样发明构思，本发明还提供了一种基于生成模型的异常检测系统，如图5所示，所述系统包括：
[0077]
第一获得单元11，所述第一获得单元11用于获得第一样本数据集合；
[0078]
第一构建单元12，所述第一构建单元12用于构建生成器，其中，所述生成器包括第一编码器、解码器；
[0079]
第二获得单元13，所述第二获得单元13用于将所述第一样本数据集合输入所述生成器，通过所述第一编码器进行所述第一样本数据集合的低维特征提取，获得第一低维特征提取结果；
[0080]
第三获得单元14，所述第三获得单元14用于通过第二编码器进行所述第一低维特征提取结果的低维特征向量约束，将约束后的所述第一低维特征提取结果通过所述解码器解码，获得第一重构样本集合；
[0081]
第一判别单元15，所述第一判别单元15用于通过判别器进行所述第一重构样本集合的真实性判断，获得第一判断结果；
[0082]
第四获得单元16，所述第四获得单元16用于当所述第一判断结果的输出结果满足第一预设阈值时，获得第一待检测数据；
[0083]
第一检测单元17，所述第一检测单元17用于将所述第一待检测数据输入所述生成器，获得第一重构数据，根据所述第一待检测数据和所述第一重构数据的残差值进行异常检测判断。
[0084]
进一步的，所述第一编码器由残差网络构成，且所述第一编码器的前两层结构的每层均只包含一个卷积层和leakyrelu函数，所述第二编码器和所述第一编码器的网络结构和参数一致。
[0085]
进一步的，所述判别器的前两层结构的每层均只包含一个卷积层和leakyrel u函数，而后连接5个deblock块。
[0086]
进一步的，所述系统还包括：
[0087]
第一计算单元，所述第一计算单元用于计算所述生成器的重构损失，计算公式如下：
[0088]
l
recon
＝‖x,g
de
(g
en
(x))‖1[0089]
其中，l
recon
为重构损失，g
de
为解码器，g
en
为第一编码器，根据计算获得的所述重构损失进行所述生成器的优化补偿。
[0090]
进一步的，所述系统还包括：
[0091]
第二计算单元，所述第二计算单元用于计算所述生成器的编码损失，计算公式如下：
[0092][0093]
其中，l
latent
为编码损失，z为第一样本数据集合的低维特征向量，为第一重构样本集合的低维特征向量；
[0094]
第三计算单元，所述第三计算单元用于根据所述重构损失和所述编码损失，计算获得所述生成器的总损失函数，计算公式如下：
[0095]
lg＝λ
recon
l
recon
+λ
ssim
(1―l
ssim
)+λ
latent
l
latent
[0096]
其中，lg为总损失函数，l
ssim
为结构相似度损失，λ
recon
为重构损失的权重，λ
ssim
为结构相似度损失的权重，λ
latent
为编码损失的权重，通过所述总损失函数进行所述生成器的优化补偿。
[0097]
进一步的，所述系统还包括：
[0098]
第四计算单元，所述第四计算单元用于计算所述判别器的损失，计算公式如下：
[0099][0100]
其中，ld为判别器的损失，根据所述判别器的损失进行所述判别器的优化补偿。
[0101]
进一步的，所述解码器的结构为skip geneator。
[0102]
前述图1实施例一中的一种基于生成模型的异常检测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基于生成模型的异常检测系统，通过前述对一种基于生成模型的异常检测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于生成模型的异常检测系统的实施方法，所以为了说明书的简洁，在此不再详述。
[0103]
示例性电子设备
[0104]
下面参考图6来描述本技术的电子设备。
[0105]
图6图示了根据本技术的电子设备的结构示意图。
[0106]
基于与前述实施例中一种基于生成模型的异常检测方法的发明构思，本发明还提供一种电子设备，下面，参考图6来描述根据本技术的电子设备。该电子设备可以是可移动设备本身，或与其独立的单机设备，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方法的任一方法的步骤。
[0107]
如图6所示，电子设备50包括一个或多个处理器51和存储器52。
[0108]
处理器51可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备50中的其他组件以执行期望的功能。
[0109]
存储器52可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器51可以运行所述程序指令，以实现上文所述的本技术的各个实施例的方法以及/或者其他期望的功能。
[0110]
在一个示例中，电子设备50还可以包括：输入装置53和输出装置54，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0111]
本发明实施例提供的一种基于生成模型的异常检测方法，所述方法包括：获得第一样本数据集合；构建生成器，其中，所述生成器包括第一编码器、解码器；将所述第一样本数据集合输入所述生成器，通过所述第一编码器进行所述第一样本数据集合的低维特征提取，获得第一低维特征提取结果；通过第二编码器进行所述第一低维特征提取结果的低维特征向量约束，将约束后的所述第一低维特征提取结果通过所述解码器解码，获得第一重构样本集合；通过判别器进行所述第一重构样本集合的真实性判断，获得第一判断结果；当
所述第一判断结果的输出结果满足第一预设阈值时，获得第一待检测数据；将所述第一待检测数据输入所述生成器，获得第一重构数据，根据所述第一待检测数据和所述第一重构数据的残差值进行异常检测判断。解决了现有技术在进行异常检测过程中，对于样本需求量大，缺陷样本数据量少且标注费时费力，导致异常检测成本高，检测效果不佳的技术问题，达到降低对于样本数据量的需求，缓解类别不均衡的问题，实现在控制时间和人力成本的同时，提高异常检测准确性的技术效果。
[0112]
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本技术而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本技术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可读取的存储介质中，如计算机的软盘、u盘、移动硬盘、rom、ram、磁碟或者光盘等，包括若干指令用以使得一台计算机设备执行本技术各个实施例所述的方法。
[0113]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
[0114]
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从计算机可读存储介质向另计算机可读存储介质传输，所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
[0115]
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本技术的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本技术的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术的实施过程构成任何限定。
[0116]
另外，本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0117]
应理解，在本技术中，“与a相应的b”表示b与a相关联，根据a可以确定b。但还应理解，根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其它信息确定b。
[0118]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专
业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0119]
总之，以上所述仅为本技术技术方案的较佳实施例而已，并非用于限定本技术的保护范围。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。