一种基于脉冲神经网络的结霜区域识别方法、装置及设备

1.本发明涉及制冷设备维护技术领域，尤其涉及一种基于脉冲神经网络的结霜区域识别方法、装置及设备。


背景技术：

2.冷风机在运行一段时间后，其蒸发器往往会出现结霜情况，而霜面会影响冷风机的制冷效率，因此需要对冷风机进行除霜。
3.在通过冷风机的图像来获取冷风机的结霜情况，进行除霜时，冷风机的结霜区域以外的区域会影响冷风机图像对结霜情况的识别效果，带来很大的误差；因此需要将摄像头对准的冷风机区域进行划分，通过人工预先根据摄像头位置设置计算区域。
4.但是该方法一方面受限于摄像头摆放的位置，一旦摄像头发送偏移，就需要重新调整结霜区域，增加了调试的工作量。另一方面，人工设置结霜区域带有一定的主观性，因为冷风机蒸发器结霜是一个相对随机的过程，如果计算区域设置的不够合理，会使得计算的结果与实际的结霜程度相关性大大降低。


技术实现要素：

5.本技术提供了一种基于脉冲神经网络的结霜区域识别方法、装置及设备，解决了现有技术中结霜区域的设置不准确且效率低的问题。
6.本技术第一方面提供了一种基于脉冲神经网络的结霜区域识别方法，包括：
7.对冷风机图像进行帧差操作，得到帧差图像；
8.将帧差图像输入脉冲神经网络中，所述脉冲神经网络包括：编码层和兴奋层；编码层将帧差图像转换为脉冲序列，并根据脉冲序列向兴奋层发送脉冲信号，网络计算兴奋层各神经元的脉冲发放率；编码层与兴奋层之间的连接强度根据前一时刻的脉冲发放情况动态变化，增加活跃神经元突触的连接强度，减少不活跃神经元突触的连接强度；
9.以各脉冲发放率中的频率最大值和最小值构成频率区间，以预设比例剔除所述频率区间的高频段和低频段，获取脉冲发放率处于剩余的频率段的神经元对应的兴奋像素点；
10.根据所述兴奋像素点的坐标得到结霜区域。
11.可选的，所述编码层与兴奋层之间的连接强度根据前一时刻的脉冲发放情况动态变化具体为：
12.编码层的各神经元与兴奋层的各神经元一一对应连接，且编码层与兴奋层之间的连接强度采用stdp规则动态进行更新；
13.所述stdp规则具体为：
14.15.其中，b和a分别代表着权重更新率和对上一个时刻的权重依赖性，
△
y是突触之间的连接强度增量，其随着突触神经元脉冲的发放不断更新，y
max
为突触连接强度的最大上限值，y是突触与突触之间的连接强度。u
p
代表突触前迹，u1为神经元发放脉冲时的突触前迹，β
up
为时间常量。
16.可选的，所述脉冲神经网络还包括：抑制层；
17.抑制层的各神经元与兴奋层的每个神经元都相连接，且采用预设固定的连接强度，向兴奋层未发送脉冲信号的神经元发送抑制信号。
18.可选的，所述获取脉冲发放率处于剩余的频率段的神经元对应的兴奋像素点，具体为：
19.将剩余频率段平均分为预设数量的区间，根据处于各区间的神经元数量，选择神经元数量随频率升高而降低的首个区间，以及该区间之后的预设数量的区间；识别处于选中区间的神经元对应的像素点，得到兴奋像素点。
20.可选的，所述对冷风机图像进行帧差操作之前，还包括：
21.对冷风机摄像头获取的图像进行灰度化处理，并将图像放缩至脉冲神经网络对应的尺寸，使图像像素点数与脉冲神经网络层的神经元数相对应。
22.可选的，所述对冷风机图像进行帧差操作，得到帧差图像，具体为：
23.将当前冷风机图像与时序上的前一张冷风机图像的对应像素点的灰度值做差，并各灰度差值代入灰度差值处理模型中，将得到处理后的灰度差值代入对应像素点位置中，得到帧差图像；
24.所述灰度差值处理模型具体为：
[0025][0026]
其中，s
t
(x,y)为坐标为(x,y)的像素点处理后的灰度差值，f
t
(x,y)为坐标为(x,y)的像素点处理前的灰度差值，minf
t
灰度差值最小值，maxf
t
灰度差值最大值。
[0027]
本技术第二方面提供了一种基于脉冲神经网络的结霜区域识别装置，包括：
[0028]
帧差模块，用于对冷风机图像进行帧差操作，得到帧差图像；
[0029]
神经网络模块，将帧差图像输入脉冲神经网络中，所述脉冲神经网络包括：编码层和兴奋层；编码层将帧差图像转换为脉冲序列，并根据脉冲序列向兴奋层发送脉冲信号，网络计算兴奋层各神经元的脉冲发放率；编码层与兴奋层之间的连接强度根据前一时刻的脉冲发放情况动态变化，增加活跃神经元突触的连接强度，减少不活跃神经元突触的连接强度；
[0030]
筛选模块，用于以各脉冲发放率中的频率最大值和最小值构成频率区间，以预设比例剔除所述频率区间的高频段和低频段，获取脉冲发放率处于剩余的频率段的神经元对应的兴奋像素点；
[0031]
结霜区域构建模块，用于根据所述兴奋像素点的坐标得到结霜区域。
[0032]
可选的，神经网络模块中，所述编码层与兴奋层之间的连接强度根据前一时刻的脉冲发放情况动态变化具体为：
[0033]
编码层的各神经元与兴奋层的各神经元一一对应连接，且编码层与兴奋层之间的连接强度采用stdp规则动态进行更新；
[0034]
所述stdp规则具体为：
[0035][0036]
其中，b和a分别代表着权重更新率和对上一个时刻的权重依赖性，
△
y是突触之间的连接强度增量，其随着突触神经元脉冲的发放不断更新，y
max
为突触连接强度的最大上限值，y是突触与突触之间的连接强度。u
p
代表突触前迹，u1为神经元发放脉冲时的突触前迹，β
up
为时间常量。
[0037]
可选的，神经网络模块中，所述脉冲神经网络还包括：抑制层；
[0038]
抑制层的各神经元与兴奋层的每个神经元都相连接，且采用预设固定的连接强度，向兴奋层未发送脉冲信号的神经元发送抑制信号。
[0039]
本技术第三方面提供了一种基于脉冲神经网络的结霜区域识别设备，所述设备包括处理器以及存储器：
[0040]
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0041]
所述处理器用于根据所述程序代码中的指令执行本技术第一方面任一项所述的基于脉冲神经网络的结霜区域识别方法。
[0042]
本技术提供的基于脉冲神经网络的结霜区域识别方法，通过将冷风机图像的帧差图像输入脉冲神经网络中，得到各神经元的脉冲发放率，以脉冲发放率体现对应的像素点位置的灰度值变化，以动态连接强度深化神经元脉冲发放率差异，使得结霜的变化能精准的被识别量化，以各脉冲发放率中的频率最大值和最小值构成频率区间，以预设比例剔除所述频率区间的高频段和低频段，获取脉冲发放率处于剩余的频率段的神经元对应的兴奋像素点，准确的区分结霜和非结霜区域的神经元，并根据剩余的神经元对应的兴奋像素点得到结霜区域，避免了人工划分区域的主观性，提高了划分结霜区域的效率和准确性。
附图说明
[0043]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0044]
图1为本技术提供的基于脉冲神经网络的结霜区域识别方法的流程示意图；
[0045]
图2为本技术提供的基于脉冲神经网络的结霜区域识别方法的脉冲发放率获取流程示意图；
[0046]
图3为本技术提供的脉冲神经网络结构示意图；
[0047]
图4为本技术提供的基于脉冲神经网络的结霜区域识别方法的兴奋像素点选择流程示意图；
[0048]
图5为本技术提供的基于脉冲神经网络的结霜区域识别方法的总流程示意图；
[0049]
图6为本技术提供的基于脉冲神经网络的结霜区域识别装置的结构示意图。
具体实施方式
[0050]
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0051]
本技术提供了一种基于脉冲神经网络的结霜区域识别方法，解决了现有技术中，人工划分冷风机结霜区域效率低准确性差的问题。
[0052]
请参阅图1，图1为本技术提供的一种基于脉冲神经网络的结霜区域识别方法的流程示意图。
[0053]
本实施例第一方面提供了一种基于脉冲神经网络的结霜区域识别方法，包括：
[0054]
s100，对冷风机图像进行帧差操作，得到帧差图像；
[0055]
需要说明的是，本实施例中定时对冷风机拍摄图像，并将相邻帧的图像各像素点的灰度值做差，以灰度差值得到帧差图像。
[0056]
s200，将帧差图像输入脉冲神经网络中，所述脉冲神经网络包括：编码层和兴奋层；编码层将帧差图像转换为脉冲序列，并根据脉冲序列向兴奋层发送脉冲信号，网络计算兴奋层各神经元的脉冲发放率；编码层与兴奋层之间的连接强度根据前一时刻的脉冲发放情况动态变化，增加活跃神经元突触的连接强度，减少不活跃神经元突触的连接强度；
[0057]
需要说明的是，帧差图像中的各像素点的灰度值即为相邻帧的各像素点灰度值的差值，其代表拍摄到的冷风机图像中该像素点处对应的冷风机位置结霜情况的变化；结霜情况变化越大，对应的帧差图像灰度值越大；
[0058]
通过动态变化的编码层与兴奋层之间的连接强度，使得活跃神经元通过增加突触连接强度变得更易受脉冲信号变活跃，不活跃神经元通过减少突触连接强度变得更难以受脉冲信号变活跃，使得神经元最终的脉冲发放率差异更为显著，更便于区分结霜区域和非结霜区域。
[0059]
进一步的，脉冲神经网络计算兴奋层各个神经元的脉冲发放率。
[0060]
s300，以各脉冲发放率中的频率最大值和最小值构成频率区间，以预设比例剔除所述频率区间的高频段和低频段，获取脉冲发放率处于剩余的频率段的神经元对应的兴奋像素点；
[0061]
需要说明的是，根据各脉冲发放率所构成的区间，剔除的低频段为脉冲信号发送不明显的区域，其对应的为非结霜区域，剔除的高频端为异常的脉冲信号，其为干扰噪音；工作人员可以根据冷风机的实际使用情况，对剔除的低频段和高频端的比例进行设置。
[0062]
神经元在兴奋层内所处的位置，对应着像素点在图像中所处的位置，也即冷风机位置；脉冲发放率处于剩余频率区间的神经元对应的像素点为兴奋像素点，其对应的冷风机位置会出现结霜情况。
[0063]
s400，根据所述兴奋像素点的坐标得到结霜区域；
[0064]
需要说明的是，根据各个兴奋像素点对应图像中的坐标，构成一个或多个结霜区域。
[0065]
在本实施例中，通过将冷风机图像的帧差图像输入脉冲神经网络中，通过动态连
接强度，使得神经元间脉冲发放率差异明显，再对各神经元的脉冲发放率其进行筛选，在频率区间中剔除非结霜区域神经元，并根据剩余的神经元对应的兴奋像素点，准确且高效的得到冷风机的结霜区域。
[0066]
以上为本技术提供的一种基于脉冲神经网络的结霜区域识别方法的第一个实施例的详细说明，下面为本技术提供的一种基于脉冲神经网络的结霜区域识别方法的第二个实施例的详细说明。
[0067]
请参阅图2，本实施例提供了一种基于脉冲神经网络的结霜区域识别方法，在前述实施例的步骤s100中，对冷风机图像进行帧差操作，得到帧差图像中包括：
[0068]
s110，对冷风机摄像头获取的图像进行灰度化处理，并将图像放缩至脉冲神经网络对应的尺寸，使图像像素点数与脉冲神经网络层的神经元数相对应。
[0069]
需要说明的是，将冷风机摄像头拍摄到的冷风机图像灰度化处理后进行放缩，使得图像的像素点位置和数量能与脉冲神经网络的神经元设置相匹配，便于后续步骤中对应的输入脉冲序列，以及识别神经元对应的图像像素点坐标。
[0070]
进一步的，像素点与神经元可以是一一对应的；也可以多个像素点对应一个神经元，将多个像素点的信息输入同一神经元；还可以一个像素点对应多个神经元，将同一像素点信息输入多个神经元中。
[0071]
s120，将当前冷风机图像与时序上的前一张冷风机图像的对应像素点的灰度值做差，并各灰度差值代入灰度差值处理模型中，将得到处理后的灰度差值代入对应像素点位置中，得到帧差图像。
[0072]
需要说明的是，所述灰度差值处理模型具体为：
[0073][0074]
其中，s
t
(x,y)为坐标为(x,y)的像素点处理后的灰度差值，f
t
(x,y)为坐标为(x,y)的像素点处理前的灰度差值，minf
t
灰度差值最小值，maxf
t
灰度差值最大值。
[0075]
帧差图像是灰度值图像，其灰度值要处于0-255之间，而在对冷风机图像进行帧差操作之后，可能会出现负值的灰度差值，因此我们需要将其修正为正值；通过灰度差值处理模型，将各个灰度差值根据帧差操作得到的参数的具体情况来进行修正，最终形成帧差图像。
[0076]
在前述实施例的步骤s200中，将帧差图像输入脉冲神经网络中，所述脉冲神经网络包括：编码层和兴奋层；编码层将帧差图像转换为脉冲序列，并根据脉冲序列向兴奋层发送脉冲信号，网络计算兴奋层各神经元的脉冲发放率；编码层与兴奋层之间的连接强度根据前一时刻的脉冲发放情况动态变化，增加活跃神经元突触的连接强度，减少不活跃神经元突触的连接强度中，具体包括步骤s210和步骤s220：
[0077]
s210，将帧差图像各像素点的灰度值输入脉冲神经网络编码层中，编码层将帧差图像各像素点的灰度值转换为脉冲序列，并依据脉冲序列向兴奋层发送脉冲信号。
[0078]
需要说明的是，请参见图3，图3为脉冲神经网络的结构示意图，脉冲神经网络包括：编码层，兴奋层和抑制层。
[0079]
将帧差图像的灰度值数据输入至脉冲神经网络中的编码层，编码层以频率的形式将灰度数据进行泊松编码，将帧差图像的灰度值数据转换成相应的脉冲序列，完成输入数
据从数值到脉冲形式的转变。
[0080]
兴奋层的神经元与编码层的神经元一一对应连接，且兴奋层接收到编码层发出的脉冲信号。
[0081]
进一步的，编码层与兴奋层之间的连接强度采用stdp规则动态进行更新，对神经元突触之间的连接关系进行调节，使得活跃神经元的权重增加，不活跃神经元权重下降，使得在兴奋层中能进一步的使得活跃和不活跃神经元的脉冲信号频率两极分化，更有利于后续步骤中对结霜区域的准确识别；stdp规则具体为：
[0082][0083]
其中，b和a分别代表着权重更新率和对上一个时刻的权重依赖性，
△
y是突触之间的连接强度增量，其随着突触神经元脉冲的发放不断更新，y
max
为突触连接强度的最大上限值，y是突触与突触之间的连接强度。u
p
代表突触前迹，u1为神经元发放脉冲时的突触前迹，β
up
为时间常量。
[0084]
进一步的，兴奋层的神经元与抑制层的神经元一一对应连接，且抑制层的每个神经元都与兴奋层的所有神经元连接；抑制层的使用目的是将侧抑制机制引入网络中，侧抑制机制对未发放脉冲的兴奋层神经元发送抑制信号，使这些神经元的膜电位降低，更难发放脉冲。一方面侧抑制机制抑制了不活跃的神经元群体，另一方面则降低了干扰信号的影响。
[0085]
进一步的，兴奋层与抑制层之间采用预设固定的连接强度，简化抑制程度的修正和调整，其连接强度可以根据冷风机的实际使用情况进行设置。
[0086]
s230，网络计算兴奋层各神经元的脉冲发放率。
[0087]
设置输入脉冲序列后运行的脉冲周期，统计在脉冲神经网络运行该周期时间后，兴奋层各个神经元发放脉冲信号的次数，并根据发放脉冲次数和脉冲周期时间计算发放频率，得到各神经元的脉冲发放率。
[0088]
本实施例中，通过对冷风机图像进行放缩和帧差处理，并输入脉冲神经网络中，以编码层将灰度值转化为脉冲序列，以兴奋层和抑制层对神经元的信号进行接收和抑制，最终得到对应了各像素点的神经元的脉冲发放率，其体现了对应的冷风机区域结霜情况，以脉冲神经网络客观且准确地对像素点对应的神经元进行筛选，不仅提高了效率，还增加了识别的准确性。
[0089]
以上为本技术提供的一种基于脉冲神经网络的结霜区域识别方法的第二个实施例的详细说明，下面为本技术提供的一种基于脉冲神经网络的结霜区域识别方法的第三个实施例的详细说明。
[0090]
参见图4，本实施例提供了一种基于脉冲神经网络的结霜区域识别方法，在前述实施例的步骤s300中，以各脉冲发放率中的频率最大值和最小值构成频率区间，以预设比例剔除所述频率区间的高频段和低频段，获取脉冲发放率处于剩余的频率段的神经元对应的兴奋像素点，具体包括：
[0091]
s310，以各脉冲发放率中的频率最大值和最小值构成频率区间，以预设比例剔除所述频率区间的高频段和低频段。
[0092]
需要时说明的是，在进行频率剔除筛选之前，还可以包括判断获取并输入脉冲神经网络的帧差图像数量是否达到阈值，当达到阈值时才进行步骤s300的频率筛选，此时得到的神经元脉冲发放率数量能使得结霜区域识别有较好效果，若还未达到阈值则继续进行帧差图像的采集获取和输入脉冲神经网络；
[0093]
进一步的，对于长时间拍摄得到的多张帧差图像的处理能够更完整更准确地识别出冷风机的结霜区域，其识别效果更精准；图像数目即输入至网络中的原图数目。对应于冷风机图像的采集，一般采集的时间段可以设置为一天，间隔时间设置为1分钟或30秒，即采集到的图像数目为60*24＝1440张或120*24＝2880张，构成2879张帧差图像进行结霜区域识别，工作人员可以将帧差图像的数量阈值设置为2879。
[0094]
通过对各个神经元的脉冲发放率进行统计，以最大脉冲发放率和最小脉冲发放率构成一个频率区间，各神经元的脉冲发放率都处于该频率区间内；然后根据预设的比例将该频率区间的高频段和低频段剔除，该预设比例在本实施例中取10％，即频率区间十等分后，最低频和最高频的两段都被剔除；低频段即为神经元脉冲发放率低，对应的是结霜变化极小的位置，该位置对应的区域为非结霜区域；而高频段对应的脉冲发放率极高，结霜区域不会出现那么大的帧差灰度值变化，其被视为转化或图像获取中的异常或噪音数据。
[0095]
工作人员可以根据冷风机的实际使用情况，对该比例进行设置，使得剔除的低频段和高频段更准确合理。
[0096]
s320，将剩余频率段平均分为预设数量的分区间，根据处于各分区间的神经元数量，选择神经元数量随频率升高而降低的首个分区间，以及该分区间之后的预设数量的分区间；识别处于选中分区间的神经元对应的像素点，得到兴奋像素点。
[0097]
需要说明的是，本实施例中可以根据各个分区间频率和处于分区间频率内神经元数量形成频率直方图，以此来辅助区间的选择；即以频率为直方图的宽，以神经元数量作为直方图的长，形成频率直方图；然后识别出直方图中，神经元数量出现降低的首个分区间，并选择其之后的预设数量个分区间，选中区间内的神经元对应的像素点即为兴奋像素点。该平均分区间的预设数量，以及选择的预设数量分区间，可以根据神经元的数量进行设置，神经元数量越多，平均分区间预设数量越多，选择的分区间越多，即对应的分区间识别中的像素点越多，对分区间的划分和选取越精细，最终的识别效果就会越好。
[0098]
兴奋像素点选取可以用结霜区域筛选模型进行选择，所述结霜区域筛选模型具体为：
[0099][0100]
其中，s为兴奋像素点的频率值范围，n为兴奋像素点对应频率值，mj与m
j+4
为频率直方图中第j至第j+4个区间所覆盖的脉冲发放率，j为首个神经元数量降低的区间序号，di与d
i-1
分别是平均划分的10个频率分区间中的第i个和第i-1个分区间神经元的数量。
[0101]
进一步的，在对于一段时间的多张帧差图像进行处理时，上述区间的筛选方法在基于各神经元的多个帧差情况下的脉冲发放率进行统计，在实际的一段时间的冷风机工作后，结霜情况会随着时间逐渐趋于稳定，即结霜区域的霜面会渐渐在融化和凝结之间平衡，脉冲发放率也对应的下降，但可以理解，在结霜过程中，结霜区域是约接近区域中心结霜变
化越大，对应的范围越小，因此结霜区域缩小结霜效果增加，即对应于神经元数量减少而频率上升的分区间；在实际实验情况中经验证，该首个神经元数量减少的分区间之前的区间对应的像素点，更多是属于非结霜区域；
[0102]
进一步的，请参阅图5，图5为本技术提供的基于脉冲神经网络的结霜区域识别方法的总流程示意图。图5中的其他步骤内容可以参考前述的实施例中的对应过程，在此不再赘述。
[0103]
本实施例中，通过对各神经元的脉冲发放率进行统计筛选，将非结霜区域和构成噪音的频率区间对应的神经元剔除，再对剩余频率区间进行选择，进一步得到更准确的兴奋像素点。
[0104]
以上为本技术提供的一种基于脉冲神经网络的结霜区域识别方法的第三个实施例的详细说明，下面为本技术第二方面提供的一种基于脉冲神经网络的结霜区域识别装置的详细说明。
[0105]
请参阅图6，本实施例提供了一种基于脉冲神经网络的结霜区域识别装置，包括：
[0106]
帧差模块10，用于对冷风机图像进行帧差操作，得到帧差图像；
[0107]
神经网络模块20，将帧差图像输入脉冲神经网络中，所述脉冲神经网络包括：编码层和兴奋层；编码层将帧差图像转换为脉冲序列，并根据脉冲序列向兴奋层发送脉冲信号，网络计算兴奋层各神经元的脉冲发放率；编码层与兴奋层之间的连接强度根据前一时刻的脉冲发放情况动态变化，增加活跃神经元突触的连接强度，减少不活跃神经元突触的连接强度；
[0108]
筛选模块30，用于以各脉冲发放率中的频率最大值和最小值构成频率区间，以预设比例剔除所述频率区间的高频段和低频段，获取脉冲发放率处于剩余的频率段的神经元对应的兴奋像素点；
[0109]
结霜区域构建模块40，用于根据所述兴奋像素点的坐标得到结霜区域。
[0110]
进一步的，神经网络模块20中，所述编码层与兴奋层之间的连接强度根据前一时刻的脉冲发放情况动态变化具体为：
[0111]
编码层的各神经元与兴奋层的各神经元一一对应连接，且编码层与兴奋层之间的连接强度采用stdp规则动态进行更新；
[0112]
所述stdp规则具体为：
[0113][0114]
其中，b和a分别代表着权重更新率和对上一个时刻的权重依赖性，
△
y是突触之间的连接强度增量，其随着突触神经元脉冲的发放不断更新，y
max
为突触连接强度的最大上限值，y是突触与突触之间的连接强度。u
p
代表突触前迹，u1为神经元发放脉冲时的突触前迹，β
up
为时间常量。
[0115]
进一步的，神经网络模块20中，所述脉冲神经网络还包括：抑制层；
[0116]
抑制层的各神经元与兴奋层的每个神经元都相连接，且采用预设固定的连接强度，向兴奋层未发送脉冲信号的神经元发送抑制信号。
[0117]
本技术第三方面还提供了一种基于脉冲神经网络的结霜区域识别设备，包括处理
器以及存储器：其中存储器用于存储程序代码，并将程序代码传输给处理器；处理器用于根据程序代码中的指令执行上述基于脉冲神经网络的结霜区域识别方法。
[0118]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0119]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0120]
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单元来实现本实施例方案的目的。
[0121]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0122]
所述集成的单元如果以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全部或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。
[0123]
以上所述，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。