浮游生物校对方法、装置、设备及存储介质

技术领域

本发明涉及人工智能领域，尤其涉及一种浮游生物校对方法、装置、设备及存储介质。

背景技术

水下环境复杂且多变，浮游生物种类多样且混杂各种干扰物，因此成像仪采集的原位图像不可避免的会出现浊度高低不同、浮游生物密度不同、视野内干扰物密度不同等情况。

目前，现有的浮游生物检测与分类技术主要是单式神经网络架构，该架构通常是采用多个卷积层、池化层、激活层对图像进行特征提取，然后通过特征金字塔融合特征信息、形成ROI区域，最终对ROI区域的IOU、置信度等指标进行分析，从而得出检测结果。但是，目前检测完成后，检测结果中存在很多的非浮游生物干扰个体，导致现有方案的检测准确率低。

发明内容

本发明提供了一种浮游生物校对方法、装置、设备及存储介质，用于提高浮游生物目标检测的准确率。

本发明第一方面提供了一种浮游生物校对方法，所述浮游生物校对方法包括：获取待校对的生物类别总数，并根据所述生物类别总数构建细节校对类别数据集合；获取浮游生物目标检测结果，并根据所述浮游生物目标检测结果和所述细节校对类别数据集合生成校对结果集合；对所述浮游生物目标检测结果和所述校对结果集合进行差异性比对，得到目标结果集合。

可选的，在本发明第一方面的第一种实现方式中，所述获取浮游生物目标检测结果，并根据所述浮游生物目标检测结果和所述细节校对类别数据集合生成校对结果集合，包括：获取浮游生物目标检测结果；将所述浮游生物目标检测结果输入预置的细节校对模型进行集合处理，得到初始结果集合；根据所述细节校对类别数据集合和所述初始结果集合生成校对结果集合。

可选的，在本发明第一方面的第二种实现方式中，所述将所述浮游生物目标检测结果输入预置的细节校对模型进行集合处理，得到初始结果集合，包括：将所述浮游生物目标检测结果输入预置的细节校对模型，其中，所述细节校对模型包括：第一卷积网络、特征提取网络、第二卷积网络和全连接网络；通过所述细节校对模型对所述浮游生物目标检测结果进行集合融合处理，得到初始结果集合。

可选的，在本发明第一方面的第三种实现方式中，所述通过所述细节校对模型对所述浮游生物目标检测结果进行集合融合处理，得到初始结果集合，包括：通过所述细节校对模型中的第一卷积网络对所述浮游生物目标检测结果进行卷积运算，得到第一卷积特征；将所述第一卷积特征输入所述特征提取网络进行特征提取处理，得到目标特征数据；将所述目标特征数据输入所述第二卷积网络进行卷积运算，得到第二卷积特征；将所述第二卷积特征输入所述全连接网络进行集合融合处理，输出初始结果集合。

可选的，在本发明第一方面的第四种实现方式中，所述将所述第一卷积特征输入所述特征提取网络进行特征提取处理，得到目标特征数据，包括：将所述第一卷积特征输入所述特征提取网络，其中，所述特征提取网络包括：第一特征提取层和第二特征提取层；通过所述第一特征提取层对所述第一卷积特征进行卷积特征运算，得到初始特征数据；通过所述第二特征提取层对所述初始特征数据进行特征归一化处理，得到目标特征数据。

可选的，在本发明第一方面的第五种实现方式中，所述通过所述第一特征提取层对所述第一卷积特征进行卷积特征运算，得到初始特征数据，包括：将所述第一卷积特征输入所述第一特征提取层，其中，所述第一特征提取层包括：第一特征处理块和第二特征处理块；通过所述第一特征处理块和所述第二特征处理块对所述第一卷积特征进行处理，得到初始特征数据。

可选的，在本发明第一方面的第六种实现方式中，所述对所述浮游生物目标检测结果和所述校对结果集合进行差异性比对，得到目标结果集合，包括：对所述浮游生物目标检测结果和所述校对结果集合进行概率运算，得到第一元素概率和第二元素概率；根据预置的校对函数对所述第一元素概率和所述第二元素概率进行概率比较，得到所述浮游生物目标检测结果中的异常物体；对所述浮游生物目标检测结果中的异常物体进行标准化处理，得到目标结果集合。

本发明第二方面提供了一种浮游生物校对装置，所述浮游生物校对装置包括：获取模块，用于获取待校对的生物类别总数，并根据所述生物类别总数构建细节校对类别数据集合；处理模块，用于获取浮游生物目标检测结果，并根据所述浮游生物目标检测结果和所述细节校对类别数据集合生成校对结果集合；比对模块，用于对所述浮游生物目标检测结果和所述校对结果集合进行差异性比对，得到目标结果集合。

可选的，在本发明第二方面的第一种实现方式中，所述处理模块还包括：获取子模块，用于获取浮游生物目标检测结果；处理子模块，用于将所述浮游生物目标检测结果输入预置的细节校对模型进行集合处理，得到初始结果集合；生成子模块，用于根据所述细节校对类别数据集合和所述初始结果集合生成校对结果集合。

可选的，在本发明第二方面的第二种实现方式中，所述处理子模块还包括：输入单元，用于将所述浮游生物目标检测结果输入预置的细节校对模型，其中，所述细节校对模型包括：第一卷积网络、特征提取网络、第二卷积网络和全连接网络；融合单元，用于通过所述细节校对模型对所述浮游生物目标检测结果进行集合融合处理，得到初始结果集合。

可选的，在本发明第二方面的第三种实现方式中，所述融合单元还包括：第一运算子单元，用于通过所述细节校对模型中的第一卷积网络对所述浮游生物目标检测结果进行卷积运算，得到第一卷积特征；特征提取子单元，用于将所述第一卷积特征输入所述特征提取网络进行特征提取处理，得到目标特征数据；第二运算子单元，用于将所述目标特征数据输入所述第二卷积网络进行卷积运算，得到第二卷积特征；融合处理子单元，用于将所述第二卷积特征输入所述全连接网络进行集合融合处理，输出初始结果集合。

可选的，在本发明第二方面的第四种实现方式中，所述特征提取子单元具体用于：将所述第一卷积特征输入所述特征提取网络，其中，所述特征提取网络包括：第一特征提取层和第二特征提取层；通过所述第一特征提取层对所述第一卷积特征进行卷积特征运算，得到初始特征数据；通过所述第二特征提取层对所述初始特征数据进行特征归一化处理，得到目标特征数据。

可选的，在本发明第二方面的第五种实现方式中，所述特征提取子单元还用于：将所述第一卷积特征输入所述第一特征提取层，其中，所述第一特征提取层包括：第一特征处理块和第二特征处理块；通过所述第一特征处理块和所述第二特征处理块对所述第一卷积特征进行处理，得到初始特征数据。

可选的，在本发明第二方面的第六种实现方式中，所述比对模块具体用于：对所述浮游生物目标检测结果和所述校对结果集合进行概率运算，得到第一元素概率和第二元素概率；根据预置的校对函数对所述第一元素概率和所述第二元素概率进行概率比较，得到所述浮游生物目标检测结果中的异常物体；对所述浮游生物目标检测结果中的异常物体进行标准化处理，得到目标结果集合。

本发明第三方面提供了一种浮游生物校对设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述浮游生物校对设备执行上述的浮游生物校对方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的浮游生物校对方法。

本发明提供的技术方案中，获取待校对的生物类别总数，并根据所述生物类别总数构建细节校对类别数据集合；获取浮游生物目标检测结果，并根据所述浮游生物目标检测结果和所述细节校对类别数据集合生成校对结果集合；对所述浮游生物目标检测结果和所述校对结果集合进行差异性比对，得到目标结果集合，本发明通过对目标检测结果进行校对修正，降低了非生物因素对识别结果的干扰，去除非生物结果部分，保证浮游生物识别的准确性，解决了浮游生物识别伪真率较高的问题。

附图说明

图1为本发明实施例中浮游生物校对方法的一个实施例示意图；

图2为本发明实施例中浮游生物校对方法的另一个实施例示意图；

图3为本发明实施例中浮游生物校对装置的一个实施例示意图；

图4为本发明实施例中浮游生物校对装置的另一个实施例示意图；

图5为本发明实施例中浮游生物校对设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种浮游生物校对方法、装置、设备及存储介质，用于提高浮游生物目标检测的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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。

需要说明的是，词汇High-Conc、Noctiluca、Phaeocystis、Pteropoda、Shrimp、Low-den分别为高浊度场景，夜光藻场景，棕囊藻场景，翼足类场景，虾类场景与低浊度场景；词汇appendicularia、chaetognatha、copepoda、creseis、echinodermata、fish、larval_Fish、lyngbya、medusae、noctiluca、phaeocystis、polychaete、scylla、shrimp、skeletonema、spiral_diatom、thaliacea分别为浮游生物柱囊虫、箭虫、桡足类、笔帽螺、棘皮动物幼虫、鱼、幼鱼、丝状藻、水螅水母、夜光藻、棕囊藻、多毛类、青蟹、虾类、肋条藻、螺旋藻、海樽。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中浮游生物校对方法的一个实施例包括：

101、获取待校对的生物类别总数，并根据生物类别总数构建细节校对类别数据集合；

可以理解的是，本发明的执行主体可以为浮游生物校对装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

具体的，构建细节校对类别数据集合D=（D1，D2，... ，Dk），需要说明的是，k为所有需要校对生物类别总数，本本申请方案中，数据共有7类生物，分别为chaetognatha、creseis、fish、medusae、noctiluca、phaeocystis、shrimp，7类生物数据总共21267张数据，chaetognatha生物475张数据、creseis生物3244张数据、fish生物3092张数据、medusae生物3872张数据、noctiluca生物3053张数据、phaeocystis生物3646张数据、shrimp生物3885张数据。

102、获取浮游生物目标检测结果，并根据浮游生物目标检测结果和细节校对类别数据集合生成校对结果集合；

具体的，服务器获取浮游生物目标检测结果，并根据浮游生物目标检测结果构建校对结果集合，其中，服务器对浮游生物目标检测结果进行信息检测，将检测到信息的浮游生物目标检测结果作为信息数据，利用信息数据校对函数对信息数据进行校对，同时服务器构建文字识别函数，利用文字识别函数对校对后的信息数据以及未检测到信息的浮游生物目标检测结果进行文字识别，生成校对结果集合。

103、对浮游生物目标检测结果和校对结果集合进行差异性比对，得到目标结果集合。

具体的，接收到差异性比对指令，获取浮游生物目标检测结果和校对结果集合的数据格式信息，根据格式信息判断是否可按照相应的编码格式直接获取文字信息，若是，则直接读取数据内容，若否，则调用光学字符识别模型获取数据内容，形成数据内容数据，对浮游生物目标检测结果和校对结果集合的数据内容进行比对，得到目标结果集合。

本发明实施例中，获取待校对的生物类别总数，并根据生物类别总数构建细节校对类别数据集合；获取浮游生物目标检测结果，并根据浮游生物目标检测结果和细节校对类别数据集合生成校对结果集合；对浮游生物目标检测结果和校对结果集合进行差异性比对，得到目标结果集合，本发明通过对目标检测结果进行校对修正，降低了非生物因素对识别结果的干扰，去除非生物结果部分，保证浮游生物识别的准确性，解决了浮游生物识别伪真率较高的问题。

请参阅图2，本发明实施例中浮游生物校对方法的另一个实施例包括：

201、获取待校对的生物类别总数，并根据生物类别总数构建细节校对类别数据集合；

202、获取浮游生物目标检测结果；

203、将浮游生物目标检测结果输入预置的细节校对模型进行集合处理，得到初始结果集合；

具体的，将浮游生物目标检测结果输入预置的细节校对模型，其中，细节校对模型包括：第一卷积网络、特征提取网络、第二卷积网络和全连接网络；通过细节校对模型对浮游生物目标检测结果进行集合融合处理，得到初始结果集合。

其中，将浮游生物目标检测结果输入细节校对模型中，得到校对结果集合DR=（DR1，DR2，... ，DRk），通过对比集合之间的差异性，从而除去浮游生物目标检测结果R中的非生物，修正浮游生物目标检测结果中错乱识别生物结果。

其中，细节校对模型采用神经网络分类器，其输入承接目标检测模块的检测结果OR，其校对过程是通过对比集合之间的差异性，从而对集合进行修正。具体的，本申请中选取copepoda、medusae、noctiluca、phaeocystis、shrimp五种生物作为测试，测试数据共240张，人工统计图中生物copepoda共193个、medusae共94个、noctiluca共1845个、phaeocystis共968个、shrimp共171个；scene_model模型目标检测copepoda共376个、medusae共98个、noctiluca共1926个、phaeocystis共983个、shrimp共617个，其中真的copepoda共178个，伪真的copepoda共有198个，真的medusae共90个，伪真的medusae共有8个，真的noctiluca共1837个，伪真的noctiluca共有89个，真的phaeocystis共961个，伪真的phaeocystis共有22个，真的shrimp共144个，伪真的shrimp共有473个；而加入细节校对模型后，调用detail_model模型对浮游生物目标检测结果进行校对，校对结果中真的copepoda共185个，伪真的copepoda共有4个，medusae共有92个，伪真的medusae共有3个，真的noctiluca共有1840个，伪真的noctiluca共有16个，真的phaeocystis共有960个，伪真的phaeocystis共有10个，真的shrimp共有164个，伪真的shrimp共有3个。数据统计中，copepoda生物与shrimp生物没有加入校对模型时，其生物的伪真率较高，copepoda生物的伪真率高达103%，shrimp生物的伪真率高达277%，而加入细节校对模型后的scene_model_detail复式神经网络架构在识别copepoda生物的伪真率仅为2%，shrimp生物的伪真率仅为1.8%。

具体的，通过细节校对模型中的第一卷积网络对浮游生物目标检测结果进行卷积运算，得到第一卷积特征；将第一卷积特征输入特征提取网络进行特征提取处理，得到目标特征数据；将目标特征数据输入第二卷积网络进行卷积运算，得到第二卷积特征；将第二卷积特征输入全连接网络进行集合融合处理，输出初始结果集合。

其中，获取浮游生物目标检测结果，对故障数据进行综合预处理，并在卷积神经网络自编码器中进行基于卷积神经网络的特征提取，获得第一卷积特征，在人工时域特征提取模块进行基于专家知识的时域特征提取，获得目标特征数据，对第一卷积特征和目标特征数据进行特征拼接，同时进行卷积运算，得到第二卷积特征，将第二卷积特征输入全连接网络进行集合融合处理，输出初始结果集合。

具体的，将第一卷积特征输入特征提取网络，其中，特征提取网络包括：第一特征提取层和第二特征提取层；通过第一特征提取层对第一卷积特征进行卷积特征运算，得到初始特征数据；通过第二特征提取层对初始特征数据进行特征归一化处理，得到目标特征数据。

可选的，服务器获取第一卷积特征，根据初始属性聚类中心建立初始属性类别，对所有的初始属性类别进行合并和分离操作得到聚类后的属性类别，计算整后的属性类别中的每个属性数据相对于其他属性数据的依赖度，选取依赖度的最高值作为特征属性值，选取并归集所有属性类别的特征属性值得到目标特征数据。

具体的，将第一卷积特征输入第一特征提取层，其中，第一特征提取层包括：第一特征处理块和第二特征处理块；通过第一特征处理块和第二特征处理块对第一卷积特征进行处理，得到初始特征数据。

204、根据细节校对类别数据集合和初始结果集合生成校对结果集合；

205、对浮游生物目标检测结果和校对结果集合进行差异性比对，得到目标结果集合。

具体的，对浮游生物目标检测结果和校对结果集合进行概率运算，得到第一元素概率和第二元素概率；根据预置的校对函数对第一元素概率和第二元素概率进行概率比较，得到浮游生物目标检测结果中的异常物体；对浮游生物目标检测结果中的异常物体进行标准化处理，得到目标结果集合。

其中，服务器对浮游生物目标检测结果和校对结果集合进行概率运算，具体的，服务器根据概率查询关键字在缓存中进行查询，缓存中保存有之前概率查询过程的中间运算结果，若缓存中存在与多个变量的联合取值匹配的中间运算结果，则将中间运算结果作为概率查询的查询结果，得到第一元素概率和第二元素概率，根据预置的校对函数对第一元素概率和第二元素概率进行概率比较，得到浮游生物目标检测结果中的异常物体；对浮游生物目标检测结果中的异常物体进行标准化处理，得到目标结果集合。

本发明实施例中，获取待校对的生物类别总数，并根据生物类别总数构建细节校对类别数据集合；获取浮游生物目标检测结果，并根据浮游生物目标检测结果和细节校对类别数据集合生成校对结果集合；对浮游生物目标检测结果和校对结果集合进行差异性比对，得到目标结果集合，本发明通过对目标检测结果进行校对修正，降低了非生物因素对识别结果的干扰，去除非生物结果部分，保证浮游生物识别的准确性，解决了浮游生物识别伪真率较高的问题。

上面对本发明实施例中浮游生物校对方法进行了描述，下面对本发明实施例中浮游生物校对装置进行描述，请参阅图3，本发明实施例中浮游生物校对装置一个实施例包括：

获取模块301，用于获取待校对的生物类别总数，并根据所述生物类别总数构建细节校对类别数据集合；

处理模块302，用于获取浮游生物目标检测结果，并根据所述浮游生物目标检测结果和所述细节校对类别数据集合生成校对结果集合；

比对模块303，用于对所述浮游生物目标检测结果和所述校对结果集合进行差异性比对，得到目标结果集合。

本发明实施例中，获取待校对的生物类别总数，并根据所述生物类别总数构建细节校对类别数据集合；获取浮游生物目标检测结果，并根据所述浮游生物目标检测结果和所述细节校对类别数据集合生成校对结果集合；对所述浮游生物目标检测结果和所述校对结果集合进行差异性比对，得到目标结果集合，本发明通过对目标检测结果进行校对修正，降低了非生物因素对识别结果的干扰，去除非生物结果部分，保证浮游生物识别的准确性，解决了浮游生物识别伪真率较高的问题。

请参阅图4，本发明实施例中浮游生物校对装置另一个实施例包括：

获取模块301，用于获取待校对的生物类别总数，并根据所述生物类别总数构建细节校对类别数据集合；

处理模块302，用于获取浮游生物目标检测结果，并根据所述浮游生物目标检测结果和所述细节校对类别数据集合生成校对结果集合；

比对模块303，用于对所述浮游生物目标检测结果和所述校对结果集合进行差异性比对，得到目标结果集合。

可选的，所述处理模块302还包括：

获取子模块3021，用于获取浮游生物目标检测结果；

处理子模块3022，用于将所述浮游生物目标检测结果输入预置的细节校对模型进行集合处理，得到初始结果集合；

生成子模块3023，用于根据所述细节校对类别数据集合和所述初始结果集合生成校对结果集合。

可选的，所述处理子模块3022还包括：

输入单元，用于将所述浮游生物目标检测结果输入预置的细节校对模型，其中，所述细节校对模型包括：第一卷积网络、特征提取网络、第二卷积网络和全连接网络；

融合单元，用于通过所述细节校对模型对所述浮游生物目标检测结果进行集合融合处理，得到初始结果集合。

可选的，所述融合单元还包括：

第一运算子单元，用于通过所述细节校对模型中的第一卷积网络对所述浮游生物目标检测结果进行卷积运算，得到第一卷积特征；

特征提取子单元，用于将所述第一卷积特征输入所述特征提取网络进行特征提取处理，得到目标特征数据；

第二运算子单元，用于将所述目标特征数据输入所述第二卷积网络进行卷积运算，得到第二卷积特征；

融合处理子单元，用于将所述第二卷积特征输入所述全连接网络进行集合融合处理，输出初始结果集合。

可选的，所述特征提取子单元具体用于：

将所述第一卷积特征输入所述特征提取网络，其中，所述特征提取网络包括：第一特征提取层和第二特征提取层；通过所述第一特征提取层对所述第一卷积特征进行卷积特征运算，得到初始特征数据；通过所述第二特征提取层对所述初始特征数据进行特征归一化处理，得到目标特征数据。

可选的，所述特征提取子单元还用于：

将所述第一卷积特征输入所述第一特征提取层，其中，所述第一特征提取层包括：第一特征处理块和第二特征处理块；通过所述第一特征处理块和所述第二特征处理块对所述第一卷积特征进行处理，得到初始特征数据。

可选的，所述比对模块303具体用于：

对所述浮游生物目标检测结果和所述校对结果集合进行概率运算，得到第一元素概率和第二元素概率；根据预置的校对函数对所述第一元素概率和所述第二元素概率进行概率比较，得到所述浮游生物目标检测结果中的异常物体；对所述浮游生物目标检测结果中的异常物体进行标准化处理，得到目标结果集合。

本发明实施例中，获取待校对的生物类别总数，并根据所述生物类别总数构建细节校对类别数据集合；获取浮游生物目标检测结果，并根据所述浮游生物目标检测结果和所述细节校对类别数据集合生成校对结果集合；对所述浮游生物目标检测结果和所述校对结果集合进行差异性比对，得到目标结果集合，本发明通过对目标检测结果进行校对修正，降低了非生物因素对识别结果的干扰，去除非生物结果部分，保证浮游生物识别的准确性，解决了浮游生物识别伪真率较高的问题。

上面图3和图4从模块化功能实体的角度对本发明实施例中的浮游生物校对装置进行详细描述，下面从硬件处理的角度对本发明实施例中浮游生物校对设备进行详细描述。

图5是本发明实施例提供的一种浮游生物校对设备的结构示意图，该浮游生物校对设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）510（例如，一个或一个以上处理器）和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530（例如一个或一个以上海量存储设备）。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对浮游生物校对设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在浮游生物校对设备500上执行存储介质530中的一系列指令操作。

浮游生物校对设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的浮游生物校对设备结构并不构成对浮游生物校对设备的限定，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。

本发明还提供一种浮游生物校对设备，所述浮游生物校对设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述浮游生物校对方法的步骤。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述浮游生物校对方法的步骤。

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，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

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（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

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。