作物分布信息的获取方法、装置及测量系统

技术领域

本申请涉及植保领域，具体而言，涉及一种作物分布信息的获取方法、装置及测量系统。

背景技术

农作物分析是农业生产环节中非常重要的一环，早期的基本农作物分析可以帮助农民评估出苗农作物状况，可以及早的对农作物进行补种或者剔除，现在对基本农作 物的分析，大多需要人去到田里进行采样统计这种方法有比较多的随机性因素存在， 并且耗时耗力。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种作物分布信息的获取方法、装置及测量系统，以至少解决由于人为采样统计造成的采集样本有较多随机因素并且耗时耗力的的技术问题。

根据本申请实施例的一个方面，提供了一种作物分布信息的获取方法，包括：获取目标区域的图像信息，其中，该图像信息用于展示目标区域中的作物信息；将图像 信息输入至神经网络模型进行分析，得到图像信息中各个像素位置的指示信息，以及 存在作物的像素位置所对应的像素信息，指示信息用于指示各个像素位置是否存在作 物；对像素信息进行聚类分析，得到聚类结果；基于聚类结果确定目标区域中的作物 分布信息。

可选地，将图像信息输入至神经网络模型进行分析，得到图像信息中各个像素位置的指示信息，包括：将指示信息中指示存在作物的像素信息存储至预设集合中；对 像素信息进行聚类分析，得到聚类结果，包括：从预设集合中选择部分像素信息进行 聚类分析，得到多个簇；基于多个簇对预设集合中的剩余像素信息进行分类，得到聚 类结果。

可选地，基于多个簇对预设集合中的剩余像素信息进行分类，包括：确定每个簇对应的分类标签；确定剩余像素信息所属的分类标签，得到聚类结果。

可选地，多个簇对预设集合中的剩余像素信息进行分类，得到聚类结果，包括： 计算剩余像素信息中的每个像素信息与指定簇中各个像素信息的相似度，得到多个相 似度，指定簇为多个簇中的任意一个簇；确定多个相似度的平均值；基于平均值确定 剩余像素信息中每个像素信息所属的簇，得到聚类结果。

可选地，平均值确定剩余像素信息中每个像素信息所属的簇，得到聚类结果，包括：比较平均值与指定簇对应的相似度取值范围；确定平均值所属的相似度取值范围， 将确定的取值范围所对应的簇作为每个像素信息所属的簇，其中，各个簇对应的相似 度取值范围是连续的。

可选地，相似度取值范围是基于剩余像素信息中各个像素信息与各个簇中的像素信息的相似度确定的。

可选地，基于聚类结果确定目标区域中的作物分布信息之后，方法还包括：确定目标区域中单个作物的基准叶子数量；基于指示信息统计目标区域中所有作物的叶子 总量；基于叶子总量和基准叶子数量确定目标区域中的作物数量；基于作物数量和作 物分布信息中的至少之一确定目标区域的目标作业策略。

可选地，像素信息包括：像素间的相对距离信息、像素位置信息。

可选地，获取目标区域的图像信息，包括：接收无人机拍摄的目标区域的图像信息。

根据本申请实施例的一方面，还提供了另一种作物分布信息的获取方法，包括：获取目标区域的图像信息，其中，该图像信息用于展示目标区域中的作物信息；将图 像信息输入至神经网络模型进行分析，得到图像信息中的有效像素信息，其中，该有 效像素信息用于指示图像信息中属于目标作物的各个像素；对有效像素信息进行聚类 分析，得到聚类结果；基于聚类结果确定目标区域中的作物分布信息。

根据本申请实施例的另一方面，还提供了一种作物分布信息的获取装置，包括：获取模块，用于获取目标区域的图像信息，其中，该图像信息用于展示目标区域中的 作物信息；分析模块，用于将图像信息输入至神经网络模型进行分析，得到图像信息 中各个像素位置的指示信息，以及存在作物的像素位置所对应的像素信息，指示信息 用于指示各个像素位置是否存在作物；聚类模块，用于对像素信息进行聚类分析，得 到聚类结果；第一确定模块，用于基于聚类结果确定目标区域中的作物分布信息。

根据本申请的另一方面，还提供了一种作物分布信息的测量系统，包括：测绘无人机，用于获取目标区域的图像信息，其中，该图像信息用于展示目标区域中的作物 信息；网络侧设备，用于将图像信息输入至神经网络模型进行分析，得到图像信息中 各个像素位置的指示信息，以及存在作物的像素位置所对应的像素信息，指示信息用 于指示各个像素位置是否存在作物；对像素信息进行聚类分析，得到聚类结果；基于 聚类结果确定目标区域中的作物分布信息。

根据本申请实施例的一方面，还提供了一种非易失性存储介质，存储介质包括存储的程序，其中，在程序运行时控制非易失存储介质所在设备执行任一种作物分布信 息的获取方法。

根据本申请实施例的一方面，还提供了一种处理器，处理器用于运行存储在存储介质中的程序，其中，程序运行时执行任一种作物分布信息的获取方法。

在本申请实施例中，采用无人机超低空或者通过地面机器人等其他设备获取目标区域的图像信息的方式，通过将图像信息输入至神经网络模型进行分析，得到图像信 息中各个像素位置的指示信息，以及存在作物的像素位置所对应的像素信息，指示信 息用于指示各个像素位置是否存在作物，对像素信息进行聚类分析，得到聚类结果； 基于聚类结果确定目标区域中的作物分布信息。由于可以基于深度学习算法对获取到 的目标区域的图像信息进行标注，因此，可以实现利用无人机等拍摄设备获取目标区 域内作物分布信息的技术效果，进而解决了由于人为采样统计造成的采集样本有较多 随机因素并且耗时耗力的技术问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图 中：

图1a是根据本申请实施例的一种作物分布信息的获取方法的流程示意图；

图1b是根据本申请实施例的一种可选的标注方法示意图；

图1c是根据本申请实施例的一种可选的聚类方法示意图；

图1d是根据本申请实施例可选的一种可选的分割网络结构示意图；

图2是是根据本申请实施例的另一种作物分布信息的获取方法的流程示意图；

图3是根据本申请实施例的一种作物分布信息的获取装置结构示意图；

图4是根据本申请实施例的一种作物分布信息的测量系统的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例 仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都应当属于 本申请保护的范围。

需要说明的是，本申请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 样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在 这里图示或描述的那些以外的顺序实施。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，例如，包含了一系列步骤或单元的过程、方 法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，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步骤或单元。

为了更好地理解上述实施例，以下将本申请实施例中涉及的技术术语简述如下：

基本苗：由一粒种子发芽长成的作物个体，且至少含有一个主枝。

根据本申请实施例，提供了一种作物分布信息的获取的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执 行，并且，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1a是根据本申请实施例的作物分布信息的获取方法，如图1a所示，该方法包 括如下步骤：

步骤S102，获取目标区域的图像信息，其中，该图像信息用于展示目标区域中的作物信息；

步骤S104，将图像信息输入至神经网络模型进行分析，得到图像信息中各个像素位置的指示信息，以及存在作物的像素位置所对应的像素信息，指示信息用于指示各 个像素位置是否存在作物；

步骤S106，对像素信息进行聚类分析，得到聚类结果；

步骤S108，基于聚类结果确定目标区域中的作物分布信息。

具体地，上述作物分布信息的获取方法中，通过采用无人机超低空或者通过地面机器人等其他设备获取目标区域的图像信息的方式，然后将图像信息输入至神经网络 模型进行分析，得到图像信息中各个像素位置的指示信息，以及存在作物的像素位置 所对应的像素信息，指示信息用于指示各个像素位置是否存在作物，对像素信息进行 聚类分析，得到聚类结果，进而实现了基于聚类结果确定目标区域中的作物分布信息， 这种方法解决了由于人为采样统计造成的采集样本有较多随机因素并且耗时耗力的技 术问题。

例如测绘无人机拍摄完高清影像之后，可以根据高清影像分割出每一个作物的叶子，然后根据当前作物所处的叶龄，计算出作物的数量，如图1b所示，此类型的小麦 苗认定是基本苗，小麦等基本苗是可以分蘖的，即可以从一株一个主枝分成一株多个 枝，小麦的基本苗在长出第四片叶子时将会分出新蘖，在特定的生长阶段可以通过监 测基本苗的数量来指导下一步的管理策略，例如，可以通过图1a所示步骤确定基本苗 的数量以及作物分布信息。基于作物分布信息，可以确定基本苗的情况，从而进行合 理的调控管理，最终达到增产增收的目的，例如，对于生长基本苗较少的地块，可以 通过改变水量，改变肥量，改变光照时长等方式促进其分蘖从而达到穗量增多，增收 的目的。

需要说明的是，获取图像信息的方式不限于上述两种方式，可以通过其他拍摄设备获得，也可以采用组合多种拍摄设备获取图像信息。

其中，上述作物信息包括但不限于以下至少之一：作物的类型、耕种面积、苗木 的大小、以及叶子的形态。

在进行聚类分析时，由于其是像素级别的聚类分析，因此，参与聚类分析的像素数量是比较多的，这样，会降低聚类分析的效率，为解决该问题，在本申请的一些实 施例中，可以将上述指示信息中指示存在作物的像素信息存储至预设集合中；如图1c 所示，在进行聚类分析时，从预设集合中选择部分像素信息进行聚类分析，得到多个 簇；基于多个簇对预设集合中的剩余像素信息进行分类，得到聚类结果。由于只对部 分像素信息进行了聚类分析，因此，减少了参与聚类分析的像素数量，提高了聚类效 率。

具体地，如图1d所示，将图像信息Image经过encoder和decoder卷积神经网络 模型，分别输出segmentation和pixel embedding，即得到图像信息中各个像素位置的 指示信息，segmentation作为掩码用于判断当前的像素位置是否需要保留，而pixelembedding是将图像的每一个像素，变成一个更加高维的向量数据存储在预设集合中； 聚类就是将预设集合中的部分数据对象分组为多个簇，然后基于上述多个簇，再对预 设集合中剩余像素信息进行分类，得到聚类结果。其中，神经网络模型为通过多组训 练数据对机器学习模型进行训练得到的，例如，每组训练数据中均包括：样本图像以 及用于标记样本图像中的基本苗的标签。

需要说明的是，高维的向量是指在R、G、B三个分量表示的像素的基础上在添加 像素间的相对距离，像素位置信息来表示像素。

由于预设集合中的剩余像素的数量也是比较多的，为了进一步减少聚类分析的计算量，本申请可选的实施例中，对于预设集合中的剩余像素，可以采用以下方式进行 分类：确定每个簇对应的分类标签；根据每个簇对应的分类标签确定剩余像素信息所 属的分类标签，得到聚类结果，这样进一步大大减少了聚类分析的计算量。

本申请的一些实施例中，确定剩余像素信息所属的分类标签，得到聚类结果，包括：计算剩余像素信息中的每个像素信息与指定簇中各个像素信息的相似度，得到多 个相似度，指定簇为多个簇中的任意一个簇；确定多个相似度的平均值；基于平均值 确定剩余像素信息中每个像素信息所属的簇，得到聚类结果。

在基于平均值确定剩余像素信息中每个像素信息所属的簇时，可以通过以下方式实现，但不限于此：比较平均值与指定簇对应的相似度取值范围；确定平均值所属的 相似度取值范围，将确定的取值范围所对应的簇作为每个像素信息所属的簇，其中， 各个簇对应的相似度取值范围是连续的。

需要说明的是，各个簇对应的相似度取值范围是连续的，是指相邻两个簇取值范围中前一个簇中的取值范围的最大值与后一个簇取值范围的最小值相等。

本申请的一些实施例中，为了保证所有剩余像素信息都能够被分类到相应的簇，相似度取值范围是基于剩余像素信息中各个像素信息与各个簇中的像素信息的相似度 确定的。

另外，如果采用上述方案，剩余像素信息中仍然存在未被分类的像素，此时，可 以采用常规的分类算法进行分类，例如，从每个簇中选择一个像素点作为中心像素点， 并计算该中心像素点与未被分类的像素之间的欧式距离，将各个簇中的中心像素点与 未被分类的像素之间的欧式距离最小的簇作为未被分类的像素所属的类或簇。

本申请的一些实施例中，基于聚类结果确定目标区域中的作物分布信息之后，方法还包括：确定目标区域中单个作物的基准叶子数量；基于指示信息统计目标区域中 所有作物的叶子总量；基于叶子总量和基准叶子数量确定目标区域中的作物数量；基 于作物数量和作物分布信息中的至少之一确定目标区域的目标作业策略。

具体地，以小麦举例说明，小麦等基本苗是可以分蘖的，即可以从一株一个主枝分成一株多个枝叶，小麦的基本苗在长出第四片叶子时将会分出新蘖，在测绘无人机 拍摄完高清影像之后，可以根据高清影像分割出单个小麦基本苗的叶子，计算出单个 作物叶子的数量，然后再结合指示信息，得到目标区域内小麦叶子的总量，在不同的 的生长阶段可以通过监测基本苗的数量来指导下一步的管理策略，对于那些生长基本 苗较少的地块，可以通过改变水量，改变肥量，改变光照时长等方式促进其分蘖从而 达到穗量增多，增收的目的。

本申请优选的实施例中，像素信息包括：像素间的相对距离信息、像素位置信息。

本申请的一些实施例中，获取目标区域的图像信息，包括：接收无人机拍摄的目标区域的图像信息，其中，图像信息载体可以为图片、视频图像等；图像信息包括所 展示的作物信息：作物的类型、耕种面积、苗木的大小、以及叶子的形态等。

本申请的一些实施例中，还提供了一种作物分布信息的获取方法，如图2所示， 该导航方法包括以下步骤：

步骤S202，获取目标区域的图像信息，其中，该图像信息用于展示目标区域中的作物信息；

步骤S204，将图像信息输入至神经网络模型进行分析，得到图像信息中的有效像素信息，其中，该有效像素信息用于指示图像信息中属于目标作物的各个像素；

步骤S206，对有效像素信息进行聚类分析，得到聚类结果；

步骤S208，基于聚类结果确定目标区域中的作物分布信息。

具体地，上述作物分布信息的获取方法中，通过采用无人机超低空或者通过地面机器人等其他设备获取目标区域的图像信息，其中图像信息用于展示目标区域中的作 物信息，例如作物的类型、耕种面积、苗木的大小、以及叶子的形态等，然后将图像 信息输入至神经网络模型进行分析得到图像信息中的有效像素信息，其中，该有效像 素信息用于指示图像信息中属于目标作物的各个像素；对有效像素信息进行聚类分析， 得到聚类结果，进而实现了基于聚类结果确定目标区域中的作物分布信息，这种方法 解决了由于人为采样统计造成的采集样本有较多随机因素并且耗时耗力的技术问题。

本申请的一些实施例中，还提供了一种作物分布信息的获取装置，如图3所示， 该作物分部信息的获取装置包括：

获取模块30，用于获取目标区域的图像信息，其中，该图像信息用于展示目标区域中的作物信息；

分析模块32，用于将图像信息输入至神经网络模型进行分析，得到图像信息中各个像素位置的指示信息，以及存在作物的像素位置所对应的像素信息，指示信息用于 指示各个像素位置是否存在作物；

聚类模块34，用于对像素信息进行聚类分析，得到聚类结果；

第一确定模块36，用于基于聚类结果确定目标区域中的作物分布信息。

上述作物分布信息的获取装置，获取模块通过采用无人机超低空或者通过地面机器人等其他设备获取目标区域的图像信息，其中，该图像信息用于展示目标区域中的 作物信息；分析模块用于将图像信息输入至神经网络模型进行分析，得到图像信息中 各个像素位置的指示信息，以及存在作物的像素位置所对应的像素信息，指示信息用 于指示各个像素位置是否存在作物；聚类模块用于对像素信息进行聚类分析，得到聚 类结果；第一确定模块用于基于聚类结果确定目标区域中的作物分布信息，这种装置 解决了由于人为采样统计造成的采集样本有较多随机因素并且耗时耗力的技术问题。

例如测绘无人机拍摄完高清影像之后，可以根据高清影像分割出每一个作物的叶子，然后根据当前作物所处的叶龄，小麦等基本苗是可以分蘖的，即可以从一株一个 主枝分成一株多个枝，小麦的基本苗在长出第四片叶子时将会分出新蘖，在特定的生 长阶段可以通过监测基本苗的数量来指导下一步的管理策略，例如，可以通过图1a 所示步骤确定基本苗的数量以及作物分布信息。基于作物分布信息，可以确定基本苗 的情况，从而进行合理的调控管理，最终达到增产增收的目的，例如，对于生长基本 苗较少的地块，可以通过改变水量，改变肥量，改变光照时长等方式促进其分蘖从而 达到穗量增多，增收的目的。

需要说明的是，获取图像信息的方式不限于上述两种方式，可以通过其他拍摄设备获得，也可以采用组合多种拍摄设备获取图像信息；

其中，上述作物信息包括但不限于以下至少之一：作物的类型、耕种面积、苗木 的大小、以及叶子的形态。

在进行聚类分析时，由于其是像素级别的聚类分析，因此，参与聚类分析的像素数量是比较多的，这样，会降低聚类分析的效率，为解决该问题，在本申请的一些实 施例中，分析模块包括存储子模块，存储子模块用于将图像信息输入至神经网络模型 进行分析，得到图像信息中各个像素位置的指示信息，包括：将指示信息中指示存在 作物的像素信息存储至预设集合中；聚类模块包括聚类子模块，聚类子模块用于对像 素信息进行聚类分析，得到聚类结果，包括：从预设集合中选择部分像素信息进行聚 类分析，得到多个簇；基于多个簇对预设集合中的剩余像素信息进行分类，得到聚类 结果。由于只对部分像素信息进行了聚类分析，因此，减少了参与聚类分析的像素数 量，提高了聚类效率。

由于预设集合中的剩余像素的数量也是比较多的，为了进一步减少聚类分析的计算量,本申请可选的实施例中，聚类子模块包括第一确定子模块和第二确定子模块，第 一确定子模块用于确定每个簇对应的分类标签；第二确定子模块用于根据每个簇对应 的分类标签确定剩余像素信息所属的分类标签，得到聚类结果，这样进一步大大减少 了聚类分析的计算量。

本申请的一些实施例中，聚类子模块还包括第一计算子模块和第三确定子模块，第四确定子模块，第一计算子模块用于计算剩余像素信息中的每个像素信息与指定簇 中各个像素信息的相似度，得到多个相似度，指定簇为多个簇中的任意一个簇；第三 确定子模块用于确定多个相似度的平均值；第四确定子模块用于基于平均值确定剩余 像素信息中每个像素信息所属的簇，得到聚类结果。

本申请优选的实施例中，第四确定子模块包括第五确定子模块，第五确定子模块用于比较平均值与指定簇对应的相似度取值范围；确定平均值所属的相似度取值范围， 将确定的取值范围所对应的簇作为每个像素信息所属的簇，其中，各个簇对应的相似 度取值范围是连续的。

需要说明的是，各个簇对应的相似度取值范围是连续的，是指相邻两个簇取值范围中前一个簇中的取值范围的最大值与后一个簇取值范围的最小值相等。

本申请的一些实施例中，为了保证所有剩余像素信息都能够被分类到相应的簇，第五确定子模块相似度取值范围是基于剩余像素信息中与各个簇中的像素信息的相似 度确定的。

上述装置还包括第二确定模块、统计模块、第三确定模块和第四确定模块，第二确定模块用于聚类结果确定目标区域中的作物分布信息之后，确定目标区域中单个作 物的基准叶子数量；统计模块用于基于指示信息统计目标区域中所有作物的叶子总量； 第三确定模块用于基于叶子总量和基准叶子数量确定目标区域中的作物数量；第四确 定模块用于基于作物数量和作物分布信息中的至少之一确定目标区域的目标作业策略。

本申请优选的实施例中，像素信息包括：像素间的相对距离信息、像素位置信息。

本申请的一些实施例中，获取模块得到的目标区域的图像信息包括接收无人机拍摄的目标区域的图像信息，其中，图像信息载体可以为图片、视屏等；图像信息包括 所展示的作物信息：作物的类型、耕种面积、苗木的大小、以及叶子的形态等。

根据本申请的一些实施例中，还提供了一种作物分布信息的测量系统，如图4所示，该测量系统包括：

测绘无人机40，用于获取目标区域10的图像信息，其中，该图像信息用于展示 目标区域10中的作物信息；

网络侧设备42，用于将图像信息输入至神经网络模型进行分析，得到图像信息中各个像素位置的指示信息，以及存在作物的像素位置所对应的像素信息，指示信息用 于指示各个像素位置是否存在作物；对像素信息进行聚类分析，得到聚类结果；基于 聚类结果确定目标区域10中的作物分布信息。

具体地，上述作物分布信息的测量系统，测绘无人机，用于获取目标区域的图像信息，其中，该图像信息用于展示目标区域中的作物信息，作物信息可以为：作物的 类型、耕种面积、苗木的大小等，测绘无人机上的拍摄设备以图像的方式，将这些作 物信息发送给网络侧设备，上述网络侧设备用于将图像信息输入至神经网络模型进行 分析，得到图像信息中各个像素位置的指示信息，以及存在作物的像素位置所对应的 像素信息，指示信息用于指示各个像素位置是否存在作物；对像素信息进行聚类分析， 得到聚类结果；基于聚类结果确定目标区域中的作物分布信息，这种测量系统，可以 实现无人机全程无人操作，且采集的样本具有较高的代表性，从而解决了现有技术由 于人为采样统计造成的采集样本有较多随机因素并且耗时耗力的

本申请的一些实施例中，还提供了一种非易失性存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行任一种作物分布信息的获取方 法。

本申请的一些实施例中，还提供了一种处理器，处理器用于运行存储在存储介质中的程序，其中，程序运行时执行任一种作物分布信息的获取方法。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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， 可以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，单元或模 块的间接耦合或通信连接，可以是电性或其它的形式。

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。

另外，在本申请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。

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，本申请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(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所 述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者 光盘等各种可以存储程序代码的介质。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润 饰也应视为本申请的保护范围。