本发明涉及数据处理技术领域，尤其涉及一种图像中构件信息的检测方法、装置、设备及可读存储介质。
背景技术：
建筑图像构件的目标检测技术是指对建筑图像中构成建筑的基本组合物体进行位置检测和识别的过程。针对通用图像中构件的位置检测和识别，通常采用基于卷积神经网络的目标检测技术(yolo系列)，yolo系列的算法模型把目标区域预测和目标类别预测合二为一，模型将目标检测任务看作目标区域预测和类别预测的回归问题。由此可知，目前对图像中目标检测的过程中，计算复杂度高。
技术实现要素：
本发明的主要目的在于提供一种图像中构件信息的检测方法、装置、设备及可读存储介质，旨在解决现有的如何降低对图像中目标检测的过程中，计算复杂度的技术问题。
为实现上述目的，本发明提供一种图像中构件信息的检测方法，所述图像中构件信息的检测方法包括步骤：
获取待识别图像，将所述待识别图像划分成预设组数的输入数据；
将各组输入数据输入至预设目标检测模型中，通过所述目标检测模型中，与各组输入数据对应的卷积核得到各组输入数据对应的数据矩阵；
对各组所述输入数据对应的数据矩阵进行拟合，得到所述待识别图像中的构件信息。
可选地，所述将各组输入数据输入至预设目标检测模型中，通过所述目标检测模型中，与各组输入数据对应的卷积核得到各组输入数据对应的数据矩阵的步骤包括：
根据所述预设组数确定所述目标检测模型中卷积核的深度，以确定各组所述输入数据对应的卷积核；
将各组所述输入数据输入至各组所述输入数据对应的卷积核中，得到各组输入数据对应的数据矩阵。
可选地，所述获取待识别图像，将所述待识别图像划分成预设组数的输入数据的步骤之前，还包括：
获取所述待识别图像对应的原始训练数据集，对所述原始训练数据集中的原始训练图像进行数据增强操作，得到更新训练数据集；
根据所述原始训练数据集和所述更新训练数据集训练预设卷积神经网络模型，得到目标检测模型。
可选地，所述根据所述原始训练数据集和所述更新训练数据集训练预设卷积神经网络模型，得到目标检测模型的步骤包括：
对所述原始训练数据集中原始训练图像的各个层进行分离，得到原始训练图像中各个层对应的原始层图像；
对所述更新训练数据集中更新训练图像的各个层进行分离，得到更新训练图像中各个层对应的更新层图像；
基于梯度下降算法，将所述原始层图像和所述更新层图像输入至预设卷积神经网络模型中，得到目标检测模型。
可选地，所述基于梯度下降算法，将所述原始层图像和所述更新层图像输入至预设卷积神经网络模型中，得到目标检测模型的步骤之后，还包括：
获取将所述原始训练数据集和所述更新训练数据集输入至所述卷积神经网络模型中后，所述卷积神经网络输出的训练结果；
将所述训练结果、所述原始训练数据集对应的标签值和所述更新训练数据集对应的标签值输入至预设的损失函数中，得到所述损失函数输出的损失值；
根据所述损失值确定训练所得的目标检测模型对所述待识别图像中构件信息识别的准确率。
可选地，所述对所述原始训练数据集中的原始训练图像进行数据增强操作，得到更新训练数据集的步骤包括：
对所述原始训练数据集中的原始训练图像进行平移操作，得到平移后的原始训练图像；
对平移后的原始训练图像进行翻转操作，得到翻转后的原始训练图像，并将翻转后的原始训练图像确定为更新训练数据集中的更新训练图像，得到更新训练数据集。
可选地，所述对各组所述输入数据对应的数据矩阵进行拟合，得到所述待识别图像中的构件信息的步骤包括：
将各组所述输入数据对应的数据矩阵进行连接，得到连接后的数据矩阵；
采用回归函数对连接后的数据矩阵进行拟合，得到所述待识别图像中的构件种类和各构件种类对应的位置坐标。
此外，为实现上述目的，本发明还提供一种图像中构件信息的检测装置，所述图像中构件信息的检测装置包括：
获取模块，用于获取待识别图像；
划分模块，用于将所述待识别图像划分成预设组数的输入数据；
输入模块，用于将各组输入数据输入至预设目标检测模型中，通过所述目标检测模型中，与各组输入数据对应的卷积核得到各组输入数据对应的数据矩阵；
拟合模块，用于对各组所述输入数据对应的数据矩阵进行拟合，得到所述待识别图像中的构件信息。
此外，为实现上述目的，本发明还提供一种图像中构件信息的检测设备，所述图像中构件信息的检测设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的图像中构件信息的检测程序，所述图像中构件信息的检测程序被所述处理器执行时实现如联邦学习服务器对应的图像中构件信息的检测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有图像中构件信息的检测程序，所述图像中构件信息的检测程序被处理器执行时实现如上所述的图像中构件信息的检测方法的步骤。
本发明通过获取待识别图像，将待识别图像划分成预设组数的输入数据，将各组输入数据输入至预设目标检测模型中，通过目标检测模型中，与各组输入数据对应的卷积核得到各组输入数据对应的数据矩阵，对各组输入数据对应的数据矩阵进行拟合，得到待识别图像中的构件信息。实现了在检测待识别图像的构件信息时，将待识别图像拆分成多组输入数据，每组输入数据都存在对应的卷积核，通过各组输入数据的卷积核对各组输入数据进行处理，从而得到得到待识别图像中的构件信息，使目标检测模型中的卷积核不需要对所有的输入数据进行处理，只处理自己对应的输入数据即可，从而降低了对图像中目标检测时的计算复杂度，也提高了对图像中信息检测的检测效率。
附图说明
图1是本发明图像中构件信息的检测方法第一实施例的流程示意图；
图2是本发明实施例中卷积处理过程的一种示意图；
图3是本发明图像中构件信息的检测方法第二实施例的流程示意图；
图4是本发明实施例方案涉及的硬件运行环境的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种图像中构件信息的检测方法，参照图1，图1为本发明图像中构件信息的检测方法第一实施例的流程示意图。
本发明实施例提供了图像中构件信息的检测方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图像中构件信息的检测方法应用于服务器或者终端中，终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(personaldigitalassistant，pda)等移动终端，以及诸如数字tv、台式计算机等固定终端。在图像中构件信息的检测方法的各个实施例中，为了便于描述，省略执行主体进行阐述各个实施例。
图像中构件信息的检测方法包括：
步骤s10，获取待识别图像，将所述待识别图像划分成预设组数的输入数据。
获取待识别图像，在本实施例中，待识别图像是预先存储，也可以是其他终端设备发送的，需要识别图像中构件信息的待识别图像。在本实施例中，待识别图像是建筑图纸对应的图像，待识别图像中含有各类建筑构件，如有墙体、柱子和门等构件。当获取到待识别图像后，将待识别图像划分为预设组数的输入数据，具体地，将待识别图像进行分层，即将待识别图像的不同层进行分离，一组输入数据至少对应一层待识别图像。具体地，本实施例可采用cad(computeraideddesign，计算机辅助设计)解析的处理方法将待识别图像的不同层进行分离。需要说明的是，每一待识别图像可划分成多少预设组数的输入数据，是由待识别图像对应的图像通道数决定的，一个图像通道对应一层待识别图像。
步骤s20，将各组输入数据输入至预设目标检测模型中，通过所述目标检测模型中，与各组输入数据对应的卷积核得到各组输入数据对应的数据矩阵。
当得到待识别图像对应的输入数据后，将各组输入数据输入至预先设置好的目标检测模型中，得到目标检测模型的输出。在本实施例中，目标检测模型是以矩阵的形式输出结果的，因此，在将各组输入数据输入至目标检测模型后，可以得到目标检测模型输出的数据矩阵，需要说明的是，每一组输入数据都存在对应的数据矩阵。
进一步地，步骤s20包括：
步骤a，根据所述预设组数确定所述目标检测模型中卷积核的深度，以确定各组所述输入数据对应的卷积核。
具体地，当确定输入数据对应的组数，即确定预设组数后，获取待识别图像对应图像通道数，根据预设组数和图像通道数确定目标检测模型中卷积核的深度，以根据卷积核的深度确定各组输入数据对应的卷积核。若将预设组数记为g，待识别图像对应的图像通道数为c1，则卷积核的深度为c1/g，即卷积核的深度等于图像通道数除以预设组数。需要说明的是，卷积核的深度就是各组输入数据对应的卷积核数量，在确定卷积核的深度后，确定各组输入数据对应的卷积核。在本实施例中，各组输入数据对应的卷积核数量是相同的，在其他实施例中，各组输入数据对应的卷积核数量也可以不相同。需要说明的是，本实施例是由于对待识别图像进行了改变，因此也需要对卷积核也进行改变，但每个卷积核的大小是不需要改变的，只是使每个卷积核都存在对应的输入数据。若目标检测模型中卷积核的数量记为c2，则每组输入数据对应的卷积核数量就是c2/g，而不是原来的c2了。在本实施例中，待识别图像输入目标检测模型之前，和目标检测模型对待识别图像处理之后，待识别图像的分辨率是保持不变的，从而控制目标检测模型中的变量。
步骤b，将各组所述输入数据输入至各组所述输入数据对应的卷积核中，得到各组输入数据对应的数据矩阵。
当确定各组输入数据对应的卷积核后，将各组输入数据输入至各组输入数据对应的卷积核中进行卷积操作，得到目标检测模型输出的数据矩阵。可以理解的是，在本实施例中，预设组数g确定后，目标检测模型并行运算g个相同的卷积过程，在每个卷积过程中，即对每组输入数据进行卷积操作过程中，输入数据的大小为h1×w1×c1/g，卷积核大小为h1×w1×c1/g，每组输入数据对应的卷积核个数一共有c2/g个，输出的数据矩阵为h2×w2×c2/g，其中，h1为待识别图像的像素高度，w1为待识别图像的像素宽度，h1为卷积核的高度，w1为卷积核的宽度，h2每组输入数据对应数据矩阵的高度，w2为每组输入数据对应数据矩阵的宽度。具体地，可参照图2，图2是本发明实施例中卷积处理过程的一种示意图，图3中的filter表示卷积核，relu(rectifiedlinearunit，线性整流函数)是目标检测模型中的一种函数。
步骤s30，对各组所述输入数据对应的数据矩阵进行拟合，得到所述待识别图像中的构件信息。
当得到各组输入数据对应的数据矩阵后，对各组输入数据对应的数据矩阵进行拟合，得到待识别图像中的构件信息。
进一步地，步骤s30包括：
步骤c，将各组所述输入数据对应的数据矩阵进行连接，得到连接后的数据矩阵。
具体地，在得到各组输入数据对应的数据矩阵后，将各组输入数据对应的数据矩阵进行连接，得到连接后的数据矩阵。可以理解的是，在对数据矩阵进行连接时，可根据得到各组输入数据的顺序从前到后连接对应的数据矩阵。如当存在三组输入数据时，这三组输入数据分别记为a、b和c，其中a最先得到的输入数据，b为第二得到的输入数据，c为第三得到的输入数据，在将各组输入数据对应的数据矩阵进行连接过程中，可先将b对应的数据矩阵拼接在a对应的数据矩阵后面，然后将c对应的数据矩阵拼接在b对应的数据矩阵后面。
步骤d，采用回归函数对连接后的数据矩阵进行拟合，得到所述待识别图像中的构件种类和各构件种类对应的位置坐标。
当得到连接后的数据矩阵后，采用回归函数对连接后的数据矩阵进行拟合，得到待识别图像中的构件种类和各构件种类对应的位置坐标。可以理解的是，位置坐标为各构件在待识别图像中的位置坐标，每一种类的构件至少存在一个位置坐标，对于建筑图像而言，构件种类包括墙体、柱子、门和窗等。在本实施例中，回归函数可为logistics、均方误差和平均绝对值误差等。
本实施例通过获取待识别图像，将待识别图像划分成预设组数的输入数据，将各组输入数据输入至预设目标检测模型中，通过目标检测模型中，与各组输入数据对应的卷积核得到各组输入数据对应的数据矩阵，对各组输入数据对应的数据矩阵进行拟合，得到待识别图像中的构件信息。实现了在检测待识别图像的构件信息时，将待识别图像拆分成多组输入数据，每组输入数据都存在对应的卷积核，通过各组输入数据的卷积核对各组输入数据进行处理，从而得到得到待识别图像中的构件信息，使目标检测模型中的卷积核不需要对所有的输入数据进行处理，只处理自己对应的输入数据即可(即本实施例提供一种轻量级的目标检测模型)，从而降低了对图像中目标检测时的计算复杂度，也提高了对图像中信息检测的检测效率(实验证明，通过该轻量级的目标检测模型，在运行目标检测模型过程中，能够使对应显卡的运算速率提高4倍)。
进一步地，提出本发明图像中构件信息的检测方法第二实施例。所述图像中构件信息的检测方法第二实施例与所述图像中构件信息的检测方法第一实施例的区别在于，参照图3，所述图像中构件信息的检测方法还包括：
步骤s40，获取所述待识别图像对应的原始训练数据集，对所述原始训练数据集中的原始训练图像进行数据增强操作，得到更新训练数据集。
获取待识别图像对应的原始训练数据集，该原始训练数据集中包括的原始训练图像的数量可根据具体需要而设置，本实施例对原始训练数据集中原始训练图像的数量不做具体限制。在本实施例中，原始训练数据集可以是预先存储在数据库中的，也可以是在需要时从其他终端设备中获取。当得到原始训练数据集后，对原始训练数据集中的原始训练图像进行数据增强操作，得到数据增强后的原始训练图像，将数据增强后的原始训练图像组成新的训练数据集，得到更新训练数据集。
进一步地，所述对所述原始训练数据集中的原始训练图像进行数据增强操作，得到更新训练数据集的步骤包括：
步骤e，对所述原始训练数据集中的原始训练图像进行平移操作，得到平移后的原始训练图像。
具体地，获取原始训练数据集中的各个原始训练图像，对各个原始训练图像进行平移操作，得到平移后的原始训练图像。平移操作是将图像沿着x或者y方向(或者两个方向)移动，即可将图像往左移动，往右移动，往上移动或者往下移动，也可在往左移动后，再往上移动等，本实施例不限制平移操作的移动距离，可根据具体需要设置平移操作的移动距离。
步骤f，对平移后的原始训练图像进行翻转操作，得到翻转后的原始训练图像，并将翻转后的原始训练图像确定为更新训练数据集中的更新训练图像，得到更新训练数据集。
当得到平移后的原始训练图像后，对平移后的原始训练图像进行翻转操作，得到翻转后的原始训练图像。具体地，在本实施例中，可对平移后的原始训练图像进行轴对称翻转，得到翻转后的原始训练图像。本实施例中的翻转操作包括水平翻转和/或垂直翻转。当得到翻转后的原始训练图像后，将翻转后的原始训练图像确定为更新训练数据集中的更新训练图像，从而得到更新训练数据集。
步骤s50，根据所述原始训练数据集和所述更新训练数据集训练预设卷积神经网络模型，得到目标检测模型。
当得到原始训练数据集和更新训练数据集后，根据原始训练数据集和更新训练数据集训练预设卷积神经网络模型，得到目标检测模型。在本实施例中，卷积神经网络模型可为resnet(residualneuralnetwork)模型、lenet-5模型和l-yolo模型。
进一步地，所步骤s50包括：
步骤g，对所述原始训练数据集中原始训练图像的各个层进行分离，得到原始训练图像中各个层对应的原始层图像。
进一步地，当得到原始训练数据集后，获取原始训练数据集中的原始训练图像，对原始训练图像中的各个层进行分离，得到原始训练图像中各个层对应的原始层图像。需要说明的是，对图像各个层进行分离的过程已在上述实施例中详细阐述，在此不再重复赘述。
步骤h，对所述更新训练数据集中更新训练图像的各个层进行分离，得到更新训练图像中各个层对应的更新层图像。
步骤i，基于梯度下降算法，将所述原始层图像和所述更新层图像输入至预设卷积神经网络模型中，得到目标检测模型。
当得到更新训练数据集后，将更新训练数据集中的更新训练图像的各个层进行分离，得到更新训练图像中各个层对应的更新层图像。当得到原始层图像和更新层图像后，基于梯度下降算法，将原始层图像和更新层图像输入至预设卷积神经网络模型中，得到目标检测模型。具体地，在采用梯度下降算法得到目标检测模型过程中，是每次从原始层图像和更新层图像中随机选取单个训练数据(一个层图像)输入至卷积神经网络模型中，再采用梯度下降算法训练卷积神经网络模型，并遍历整个训练集(原始训练数据集和更新训练数据集)一定次数，从而得到目标检测模型。其中，遍历数据集的遍历次数可根据具体需要而设置，在此对遍历次数不做具体限制。需要说明的是，每一原始层图像，以及每一更新层图像都是一组输入数据。
本实施例通过得到原始训练数据集后，对原始训练数据集进行数据增强，得到更新训练数据集，通过原始训练数据集和更新训练数据集一起训练卷积神经网络模型，得到目标检测模型，从而防止了过度拟合，通过数据增强操作增加模型训练的训练样本，提高了训练所得的目标检测模型进行目标检测的准确率。
进一步地，所述图像中构件信息的检测方法还包括：
步骤j，获取将所述原始训练数据集和所述更新训练数据集输入至所述卷积神经网络模型中后，所述卷积神经网络输出的训练结果。
步骤k，将所述训练结果、所述原始训练数据集对应的标签值和所述更新训练数据集对应的标签值输入至预设的损失函数中，得到所述损失函数输出的损失值。
步骤l，根据所述损失值确定训练所得的目标检测模型对所述待识别图像中构件信息识别的准确率。
当将原始训练数据集和更新训练数据集输入至卷积神经网络模型中后，获取卷积神经网络模型输出的训练结果，其中，训练结果为各原始训练图像和更新训练图像中所需检测构件的构件种类和构件种类对应的位置坐标。获取原始数据集中各原始训练图像对应的标签值，以及获取更新训练数据集中各更新训练图像中对应的标签值，其中，标签值是在原始训练图像和更新训练图像中预先表标注好的构件种类和各构件种类对应的位置坐标。
当得到训练结果，原始训练图像对应的标签值和更新训练图像对应的标签值后，将训练结果、原始训练图像对应的标签值和更新训练图像对应的标签值输入至预设的损失函数中，得到损失函数输出的损失值。在本实施例中，损失函数为交叉熵损失函数。当得到损失值后，根据损失值确定训练所得的目标检测模型对待识别图像中构件信息识别的准确率。具体地，在本实施例中，可预先设置好不同损失值与准确率之间的对应关系，需要说明的是，损失值越小，准确率越大。
进一步地，当得到损失值后，判断损失值是否小于预设阈值，其中，预设阈值的大小可根据具体需要而设置，本实施例对预设阈值的大小不做具体限制。若确定损失值小于预设阈值，则确定卷积神经网络模型训练结束，得到目标检测模型；若确定损失值大于或者等于预设阈值，则重新获取原始训练数据集，继续训练卷积神经网络模型，直到损失值小于预设阈值。
本实施例通过根据计算得到的损失值来确定所得目标检测模型的准确率大小，从而保证了目标检测模型的准确率。
此外，本发明还提供一种图像中构件信息的检测装置，所述图像中构件信息的检测装置包括：
获取模块，用于获取待识别图像；
划分模块，用于将所述待识别图像划分成预设组数的输入数据；
输入模块，用于将各组输入数据输入至预设目标检测模型中，通过所述目标检测模型中，与各组输入数据对应的卷积核得到各组输入数据对应的数据矩阵；
拟合模块，用于对各组所述输入数据对应的数据矩阵进行拟合，得到所述待识别图像中的构件信息。
进一步地，所述输入模块包括：
第一确定单元，用于根据所述预设组数确定所述目标检测模型中卷积核的深度，以确定各组所述输入数据对应的卷积核；
第一输入单元，用于将各组所述输入数据输入至各组所述输入数据对应的卷积核中，得到各组输入数据对应的数据矩阵。
进一步地，所述获取模块还用于获取所述待识别图像对应的原始训练数据集；
所述图像中构件信息的检测装置还包括：
数据增强模块，用于对所述原始训练数据集中的原始训练图像进行数据增强操作，得到更新训练数据集；
训练模块，用于根据所述原始训练数据集和所述更新训练数据集训练预设卷积神经网络模型，得到目标检测模型。
进一步地，所述训练模块包括：
分离单元，用于对所述原始训练数据集中原始训练图像的各个层进行分离，得到原始训练图像中各个层对应的原始层图像；对所述更新训练数据集中更新训练图像的各个层进行分离，得到更新训练图像中各个层对应的更新层图像；
第二输入单元，用于基于梯度下降算法，将所述原始层图像和所述更新层图像输入至预设卷积神经网络模型中，得到目标检测模型。
进一步地，所述获取模块还用于获取将所述原始训练数据集和所述更新训练数据集输入至所述卷积神经网络模型中后，所述卷积神经网络输出的训练结果；
所述输入模块还用于将所述训练结果、所述原始训练数据集对应的标签值和所述更新训练数据集对应的标签值输入至预设的损失函数中，得到所述损失函数输出的损失值；
所述图像中构件信息的检测装置还包括：
确定模块，用于根据所述损失值确定训练所得的目标检测模型对所述待识别图像中构件信息识别的准确率。
进一步地，所述数据增强模块包括：
平移单元，用于对所述原始训练数据集中的原始训练图像进行平移操作，得到平移后的原始训练图像；
翻转单元，用于对平移后的原始训练图像进行翻转操作，得到翻转后的原始训练图像；
第二确定单元，用于将翻转后的原始训练图像确定为更新训练数据集中的更新训练图像，得到更新训练数据集。
进一步地，所述拟合模块包括：
连接单元，用于将各组所述输入数据对应的数据矩阵进行连接，得到连接后的数据矩阵；
拟合单元，用于采用回归函数对连接后的数据矩阵进行拟合，得到所述待识别图像中的构件种类和各构件种类对应的位置坐标。
本发明图像中构件信息的检测装置具体实施方式与上述图像中构件信息的检测方法各实施例基本相同，在此不再赘述。
此外，本发明还提供一种图像中构件信息的检测设备，如图4所示，图4是本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是，图4即可为图像中构件信息的检测设备的硬件运行环境的结构示意图。本发明实施例图像中构件信息的检测设备可以是pc，便携计算机等终端设备。
如图4所示，该图像中构件信息的检测设备可以包括：处理器1001，例如cpu，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图4中示出的图像中构件信息的检测设备结构并不构成对图像中构件信息的检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图4所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及图像中构件信息的检测程序。其中，操作系统是管理和控制图像中构件信息的检测设备硬件和软件资源的程序，支持图像中构件信息的检测程序以及其它软件或程序的运行。
在图4所示的图像中构件信息的检测设备中，用户接口1003主要用于连接终端设备，与终端设备进行数据通信；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的图像中构件信息的检测程序，并执行如上所述的图像中构件信息的检测方法的步骤。
本发明图像中构件信息的检测设备具体实施方式与上述图像中构件信息的检测方法各实施例基本相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有图像中构件信息的检测程序，所述图像中构件信息的检测程序被处理器执行时实现如上所述的图像中构件信息的检测方法的步骤。
本发明计算机可读存储介质具体实施方式与上述图像中构件信息的检测方法各实施例基本相同，在此不再赘述。
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。
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。
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，图像中构件信息的检测设备，或者网络设备等)执行本发明各个实施例所述的方法。
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。