种苗识别及分级疏苗移栽方法及装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种种苗识别及分级疏苗移栽方法及装置。

背景技术

目前，在种苗育苗环节时，由于存在光照、营养的不均匀性或者种子缺陷等问题使得种苗未萌芽或生长发育不均衡，一批苗的茎粗、苗高、叶面积相差甚大或者缺苗等情况，且长大后的植株间隔密集叶片遮挡严重，影响后续苗的出售和培育。

发明内容

针对现有技术中存在的问题，本发明实施例提供一种种苗识别及分级疏苗移栽方法及装置。

第一方面，本发明实施例提供一种种苗识别及分级疏苗移栽方法，包括：

基于识别信号，获取种苗在水平方向和垂直方向的组合图像；

将所述组合图像输入到识别模型，得到所述种苗的特征图像；所述种苗的特征图像为基质特征图像、茎特征图像和叶特征图像；

将所述种苗的特征图像进行图像处理，确定茎粗参数、苗高参数和叶面积参数；

基于茎粗参数、苗高参数和叶面积参数，通过阈值法确定所述种苗的所属等级；

基于所述种苗的所属等级根据预设移栽规则进行疏苗移栽；

其中，所述识别模型为采用种苗在水平方向和垂直方向的样本组合图像作为输入数据，以及采用与种苗在水平方向和垂直方向的样本组合图像对应地种苗的特征图像作为输出数据，基于机器学习算法训练得到的。

进一步地，所述方法还包括：

基于种苗在水平方向和垂直方向的组合图像得到与所述组合图像相应地RGB矩阵；

将与所述组合图像相应地RGB矩阵输入到识别模型，得到RGB值矩阵；

将所述RGB值矩阵转化为包含种苗背景的特征图像。

进一步地，所述基于茎粗参数、苗高参数和叶面积参数，通过阈值法确定所述种苗的所属等级，具体包括：

基于茎粗参数、苗高参数和叶面积参数，按第一关系模型确定种苗量化参数；

基于各等级的阈值区间，确定种苗量化参数所属阈值区间；

基于种苗量化参数所属阈值区间，确定所述种苗的所属等级；

其中，所述第一关系模型为：

Q＝N1*g1+N2*g2+N3*g3

其中，Q表示种苗量化参数，N1表示茎粗参数，g1与茎粗参数对应的权重系数，N2表示苗高参数，g2与苗高参数对应的权重系数，N3表示叶面积参数，g3与叶面积参数对应的权重系数。

进一步地，所述基于所述种苗的所属等级根据预设移栽规则进行疏苗移栽，包括：

分组编号步骤，按预设顺序对种苗进行分组编号；

放置种苗步骤，基于所述种苗的所属等级按预设放置规则将已分组编号的种苗放置在相应的苗盘；

标记种苗步骤，将苗盘的行标记为i，苗盘的列标记为j，并按间隔规则进行放置所述苗盘；其中，间隔规则为：当i＝2k≤r时，则j＝2m≤c；当i＝2k+1≤r时，则j＝2m+1≤c；其中，r为苗盘的行数，c为苗盘的列数，k为0,1,2,3...r中的正整数，m为0,1,2,3...c中的正整数；

测量步骤，通过测量确定苗盘中种植孔的间距Δd，并基于苗盘中种植孔的间距建立苗盘坐标系确定所述苗盘中种植孔坐标；

移栽步骤，基于苗盘中种植孔坐标进行种苗移栽。

进一步地，将所述种苗的特征图像进行图像处理，确定茎粗参数、苗高参数和叶面积参数，具体包括：

将所述种苗的特征图像进行二值化处理，确定茎粗参数、苗高参数和叶面积参数。

进一步地，所述种苗的所属等级为零级、一级和二级，在放置种苗时将零级种苗放置在指定位置。

进一步地，所述方法还包括：

将测量步骤中确定的苗盘中种植孔坐标以数组形式保存至第一坐标队列；

在进行移栽步骤时，取出第一坐标队列存储的种植孔坐标进行种苗移栽，并将从第一坐标队列取出的种植孔坐标保存至第二坐标队列；

当第一坐标队列存储的种植孔坐标全部取出并保存至第二坐标队列时，更新苗盘并基于第二坐标队列存储的种植孔坐标进行种苗移栽，同时将从第二坐标队列取出的种植孔坐标保存至第一坐标队列。

第二方面，本发明实施例提供了一种种苗识别及分级疏苗移栽装置，包括：

获取模块，用于基于识别信号，获取种苗在水平方向和垂直方向的组合图像；

识别模块，用于将所述组合图像输入到识别模型，得到所述种苗的特征图像；所述种苗的特征图像为基质特征图像、茎特征图像和叶特征图像；

第一确定模块，用于将所述种苗的特征图像进行图像处理，确定茎粗参数、苗高参数和叶面积参数；

第二确定模块，用于基于茎粗参数、苗高参数和叶面积参数，通过阈值法确定所述种苗的所属等级；

移栽模块，用于基于所述种苗的所属等级根据预设移栽规则进行疏苗移栽；

其中，所述识别模型为采用种苗在水平方向和垂直方向的样本组合图像作为输入数据，以及采用与种苗在水平方向和垂直方向的样本组合图像对应地种苗的特征图像作为输出数据，基于机器学习算法训练得到的。

第三方面，本发明实施例还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，所述处理器执行所述程序时实现如上第一方面所述的种苗识别及分级疏苗移栽方法的步骤。

第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上第一方面所述的种苗识别及分级疏苗移栽方法的步骤。

由上述技术方案可知，本发明实施例提供的种苗识别及分级疏苗移栽方法及装置，基于识别信号，获取种苗在水平方向和垂直方向的组合图像；将所述组合图像输入到识别模型，得到所述种苗的特征图像；所述种苗的特征图像为基质特征图像、茎特征图像和叶特征图像；将所述种苗的特征图像进行图像处理，确定茎粗参数、苗高参数和叶面积参数；基于茎粗参数、苗高参数和叶面积参数，通过阈值法确定所述种苗的所属等级；基于所述种苗的所属等级根据预设移栽规则进行疏苗移栽，从而可以快速准确的完成种苗的识别及分级任务，鲁棒性好，同时能够在非结构光环境下准确的完成种苗的识别与分级移栽任务。

附图说明

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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的种苗识别及分级疏苗移栽方法的流程示意图；

图2为本发明一实施例提供的坐标队列循环的示意图；

图3为本发明另一实施例提供的种苗识别及分级疏苗移栽方法的流程示意图；

图4为本发明一实施例提供的种苗识别及分级疏苗移栽装置的结构示意图；

图5为本发明一实施例提供的电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。下面将通过具体的实施例对本发明提供的种苗识别及分级疏苗移栽方法进行详细解释和说明。

图1为本发明一实施例提供的种苗识别及分级疏苗移栽方法的流程示意图；如图1所示，该方法包括：

步骤101：基于识别信号，获取种苗在水平方向和垂直方向的组合图像。

在本步骤中，可以理解的是存在一处或多处识别位置，通过机械手或其它运送设备将种苗运送到识别区域(即识别位置)，设备发出识别信号，两台水平和垂直布置的相机对种苗图像进行采集，得到种苗在水平方向和垂直方向的组合图像。

步骤102：将所述组合图像输入到识别模型，得到所述种苗的特征图像；所述种苗的特征图像为基质特征图像、茎特征图像和叶特征图像。

在本步骤中，需要说明的是，所述识别模型为采用种苗在水平方向和垂直方向的样本组合图像作为输入数据，以及采用与种苗在水平方向和垂直方向的样本组合图像对应地种苗的特征图像作为输出数据，基于机器学习算法训练得到的。

在本步骤中，可以理解的是，将组合图像输入到识别模型，得到基质苗(即种苗)的特征图像；所述种苗的特征图像为基质特征图像、茎特征图像和叶特征图像

步骤103：将所述种苗的特征图像进行图像处理，确定茎粗参数、苗高参数和叶面积参数。

在本步骤中，可以理解的是，将所述种苗的特征图像进行图像处理，如二值化处理，从而得到相应地茎粗参数、苗高参数和叶面积参数。

步骤104：基于茎粗参数、苗高参数和叶面积参数，通过阈值法确定所述种苗的所属等级。

在本步骤中，可以理解的是，通过设定阈值的方式，与茎粗参数、苗高参数和叶面积参数进行对比，确定茎粗参数、苗高参数和叶面积参数落在哪个阈值范围内，从而确定种苗的所属等级，举例来说，将苗的茎粗、苗高、叶面积三个参数保存下来，至此完成种苗的识别。设定三个等级的得分阈值，苗的三个参数乘以其相对应的权重参数并将得到的乘积相加得到该苗的得分，该苗得分在哪个等级的得分阈值内，则判定其属于哪个等级，实现了种苗的分级。

步骤105：基于所述种苗的所属等级根据预设移栽规则进行疏苗移栽。

在本步骤中，可以理解的是，基于所述种苗的所属等级根据预设移栽规则进行疏苗移栽，举例来说，如种苗按移栽规则间隔移栽到对应的4个苗盘内实现疏苗移栽任务。

由上面技术方案可知，本发明实施例提供的种苗识别及分级疏苗移栽方法，基于识别信号，获取种苗在水平方向和垂直方向的组合图像；将所述组合图像输入到识别模型，得到所述种苗的特征图像；所述种苗的特征图像为基质特征图像、茎特征图像和叶特征图像；将所述种苗的特征图像进行图像处理，确定茎粗参数、苗高参数和叶面积参数；基于茎粗参数、苗高参数和叶面积参数，通过阈值法确定所述种苗的所属等级；基于所述种苗的所属等级根据预设移栽规则进行疏苗移栽，从而可以快速准确的完成种苗的识别及分级任务，鲁棒性好，同时能够在非结构光环境下准确的完成种苗的识别与分级移栽任务。

在上述实施例的基础上，在本实施例中，所述方法还包括：

基于种苗在水平方向和垂直方向的组合图像得到与所述组合图像相应地RGB矩阵；将与所述组合图像相应地RGB矩阵输入到识别模型，得到RGB值矩阵；将所述RGB值矩阵转化为包含种苗背景的特征图像。

在本实施例中，可以理解的是，将水平和垂直采集的两张图片组合的RGB矩阵输入到模型算法，模型算法将输出与原图等大的RGB值矩阵，该RGB值矩阵重新转换成包含苗背景为黑色的特征图像。

在上述实施例的基础上，在本实施例中，所述基于茎粗参数、苗高参数和叶面积参数，通过阈值法确定所述种苗的所属等级，具体包括：

基于茎粗参数、苗高参数和叶面积参数，按第一关系模型确定种苗量化参数；

基于各等级的阈值区间，确定种苗量化参数所属阈值区间；

基于种苗量化参数所属阈值区间，确定所述种苗的所属等级；

其中，所述第一关系模型为：

Q＝N1*g1+N2*g2+N3*g3

其中，Q表示种苗量化参数，N1表示茎粗参数，g1与茎粗参数对应的权重系数，N2表示苗高参数，g2与苗高参数对应的权重系数，N3表示叶面积参数，g3与叶面积参数对应的权重系数。

在本实施例中，可以理解的是，设定0、1、2三个等级的得分阈值，定义0级苗为未萌发苗，1级苗为弱萌发苗，2级苗为壮萌发苗。种苗的三个参数(即茎粗参数、苗高参数和叶面积参数)按第一关系模型乘以其相对应的权重参数并将得到的乘积相加得到该种苗的得分，该种苗得分在哪个等级的得分阈值内，则判定其属于哪个等级，实现了种苗的分级。

由上面技术方案可知，本发明实施例提供的种苗识别及分级疏苗移栽方法，可快速准确的完成种苗的识别及分级任务。

在上述实施例的基础上，在本实施例中，所述基于所述种苗的所属等级根据预设移栽规则进行疏苗移栽，包括：

分组编号步骤，按预设顺序对种苗进行分组编号；

放置种苗步骤，基于所述种苗的所属等级按预设放置规则将已分组编号的种苗放置在相应的苗盘；

标记种苗步骤，将苗盘的行标记为i，苗盘的列标记为j，并按间隔规则进行放置所述苗盘；其中，间隔规则为：当i＝2k≤r时，则j＝2m≤c；当i＝2k+1≤r时，则j＝2m+1≤c；其中，r为苗盘的行数，c为苗盘的列数，k为0,1,2,3...r中的正整数，m为0,1,2,3...c中的正整数；

测量步骤，通过测量确定苗盘中种植孔的间距Δd，并基于苗盘中种植孔的间距建立苗盘坐标系确定所述苗盘中种植孔坐标；

移栽步骤，基于苗盘中种植孔坐标进行种苗移栽。

在本实施例中，举例来说，得到种苗的所属等级后，制定规则与编号如下：按前后顺序三个为一组分成A、B两组，将两组的抓苗手编号为A1、A2、A3、B1、B2、B3，如果有零级苗则将每组的零级苗扔到指定位置。A、B两组最后剩下的为一级和二级苗，待放置苗盘分为Ⅰ、Ⅱ、Ⅲ、Ⅳ四个苗盘，Ⅰ、Ⅲ用于放置一级苗Ⅱ、Ⅳ用于放置二级苗，且A组中A1、A2、A3存在的一、二级苗只能放置于Ⅰ、Ⅱ苗盘，B组中B1、B2、B3存在的一、二级苗只能放置于Ⅲ、Ⅳ苗盘；将Ⅰ苗盘的行记为i列计为j，待放苗盘的放置规则为间隔放置，即：当i＝2k≤r时j＝2m≤c，当i＝2k+1≤r时j＝2m+1≤c，其中(r、c为待放置苗盘的行数和列数，k＝0,1,2,3…r；m＝0,1,2,3…c)；通过测量可得出待放置苗盘的穴孔间距Δd，以苗盘左下角为原点O，行方向为x轴，列方向为y轴建立苗盘坐标系，则苗盘内应放置苗的坐标可表示为(j×Δd，i×Δd)，将计算出的坐标以数组形式保存进坐标队列D11；移栽时将坐标从D11取出并在该坐标位置放置种苗，同时该坐标存入坐标队列D12，当Ⅰ苗盘中有被放满的苗盘时D11队列内已没有数据而D12已存满，由输送装置将Ⅰ苗盘单独输送出去，新的空苗盘补充其位置重新，移栽时将坐标从D12取出并放置对应等级的苗，同时该坐标存入坐标队列D11，重复上述移栽操作，同理按照制定的规则与编号在Ⅱ、Ⅲ、Ⅳ苗盘实现上述操作，完成种苗的移栽疏苗任务。

由上面技术方案可知，本发明实施例提供的种苗识别及分级疏苗移栽方法，通过分组编号步骤、放置种苗步骤、标记种苗步骤、测量步骤以及移栽步骤能够简化设备设计提高育苗机械化程度，同时具有更好的鲁棒性。

在上述实施例的基础上，在本实施例中，将所述种苗的特征图像进行图像处理，确定茎粗参数、苗高参数和叶面积参数，具体包括：

将所述种苗的特征图像进行二值化处理，确定茎粗参数、苗高参数和叶面积参数。

在上述实施例的基础上，在本实施例中，所述种苗的所属等级为零级、一级和二级，在放置种苗时将零级种苗放置在指定位置。

在本实施例中，需要说明的是，所述种苗的所属等级为零级、一级和二级；定义零级苗为未萌发苗，一级苗为弱萌发苗，二级苗为壮萌发苗，通过将零级种苗放置在指定位置，从而有利于进行有针对性的机械工作。

在上述实施例的基础上，在本实施例中，所述方法还包括：

将测量步骤中确定的苗盘中种植孔坐标以数组形式保存至第一坐标队列；

在进行移栽步骤时，取出第一坐标队列存储的种植孔坐标进行种苗移栽，并将从第一坐标队列取出的种植孔坐标保存至第二坐标队列；

当第一坐标队列存储的种植孔坐标全部取出并保存至第二坐标队列时，更新苗盘并基于第二坐标队列存储的种植孔坐标进行种苗移栽，同时将从第二坐标队列取出的种植孔坐标保存至第一坐标队列。

在本实施例中，参见图2和图3，举例来说，将确定出的坐标以数组形式保存进坐标队列D11；移栽时将坐标从D11取出并在该坐标位置放置种苗，同时该坐标存入坐标队列D12，当Ⅰ苗盘中有被放满的苗盘时D11队列内已没有数据而D12已存满，由输送装置将Ⅰ苗盘单独输送出去，新的空苗盘补充其位置重新，移栽时将坐标从D12取出并放置对应等级的苗，同时该坐标存入坐标队列D11，重复上述移栽操作，同理按照制定的规则与编号在Ⅱ、Ⅲ、Ⅳ苗盘实现上述操作，完成种苗的移栽疏苗任务。

为了更好地理解本实施例，下面进一步阐述本发明实施例的内容，但本发明不仅仅局限于下面实施例。

首先，将六株种苗运送设备将种苗运算到指定的识别区域，然后设备发出识别信号，该区域布置的水平和垂直两个方向的相机对苗进行图像采集；其次，将相机采集的两张图像组合成一张图像的RGB矩阵输入到模型算法，模型算法通过运算找到茎粗、苗高、叶面积，最终模型算法输出与原图等大的RGB值矩阵，该RGB值矩阵重新转换成包含苗背景为黑色的特征图像；接着，特征图像二值化后得到茎粗、苗高、叶面积三个参数；最后，将三个参数保存下来，至此完成种苗的识别任务。

通过上述操作得到种苗的茎粗、苗高、叶面积三个参数后，还需人为设定茎粗权重参数、苗高权重参数、叶面积权重参数和若干个等级的得分阈值。将权重和对应的参数相乘的乘积相加，得到苗的得分情况。根据苗的得分情况，查看其属于哪个等级得分阈值内，如果在设定的某个等级阈值内该苗属于那个等级，至此完成种苗的分级任务。

得到六株种苗的等级后，制定规则与编号如下：按前后顺序三个为一组分成A、B两组，将两组的抓苗手编号为A1、A2、A3、B1、B2、B3，如果有0级苗则将每组的0级苗扔到指定区域。A、B两组最后剩下的为1、2级苗，待放置苗盘分为Ⅰ、Ⅱ、Ⅲ、Ⅳ四个苗盘，Ⅰ、Ⅲ用于放置1级苗Ⅱ、Ⅳ用于放置2级苗，且A组中A1、A2、A3存在的1、2级苗只能放置于Ⅰ、Ⅱ苗盘，B组中B1、B2、B3存在的1、2级苗只能放置于Ⅲ、Ⅳ苗盘。下面以Ⅰ苗盘为例介绍移栽疏苗原理，将Ⅰ苗盘的行记为i列计为j，待放苗盘的放置规则为间隔放置，即：当i＝2k≤r时j＝2m≤c，当i＝2k+1≤r时j＝2m+1≤c，其中(r、c为待放置苗盘的行数和列数，k＝0,1,2,3…r；m＝0,1,2,3…c)。通过测量可得出待放置苗盘的穴孔间距Δd，以苗盘左下角为原点O，行方向为x轴，列方向为y轴建立苗盘坐标系，则苗盘内应放置苗的坐标为(j×Δd，i×Δd)可表示为(xj，yi)，将计算出的坐标以数组形式保存进坐标队列D11。移栽时将坐标从D11取出并在该坐标位置放置种苗，同时该坐标存入坐标队列D12，当Ⅰ苗盘中有被放满的苗盘时D11队列内已没有数据而D12队列已存满，由输送装置将Ⅰ苗盘单独输送出去，新的空苗盘补充其位置重新，移栽时将坐标从D12取出并放置对应等级的苗，同时该坐标存入坐标队列D11，重复上述移栽操作，同理按照制定的规则与编号在Ⅱ、Ⅲ、Ⅳ苗盘实现上述操作，完成种苗的移栽疏苗任务。

图4为本发明一实施例提供的种苗识别及分级疏苗移栽装置的结构示意图，如图4所示，该装置包括：获取模块201、识别模块202、第一确定模块203、第二确定模块204和移栽模块205，其中：

其中，获取模块201，用于基于识别信号，获取种苗在水平方向和垂直方向的组合图像；

识别模块202，用于将所述组合图像输入到识别模型，得到所述种苗的特征图像；所述种苗的特征图像为基质特征图像、茎特征图像和叶特征图像；

第一确定模块203，用于将所述种苗的特征图像进行图像处理，确定茎粗参数、苗高参数和叶面积参数；

第二确定模块204，用于基于茎粗参数、苗高参数和叶面积参数，通过阈值法确定所述种苗的所属等级；

移栽模块205，用于基于所述种苗的所属等级根据预设移栽规则进行疏苗移栽；

其中，所述识别模型为采用种苗在水平方向和垂直方向的样本组合图像作为输入数据，以及采用与种苗在水平方向和垂直方向的样本组合图像对应地种苗的特征图像作为输出数据，基于机器学习算法训练得到的。

本发明实施例提供的种苗识别及分级疏苗移栽装置具体可以用于执行上述实施例的种苗识别及分级疏苗移栽方法，其技术原理和有益效果类似，具体可参见上述实施例，此处不再赘述。

基于相同的发明构思，本发明实施例提供一种电子设备，参见图5，电子设备具体包括如下内容：处理器301、通信接口303、存储器302和通信总线304；

其中，处理器301、通信接口303、存储器302通过通信总线304完成相互间的通信；通信接口303用于实现各建模软件及智能制造装备模块库等相关设备之间的信息传输；处理器301用于调用存储器302中的计算机程序，处理器执行计算机程序时实现上述各方法实施例所提供的方法，例如，处理器执行计算机程序时实现下述步骤：基于识别信号，获取种苗在水平方向和垂直方向的组合图像；将所述组合图像输入到识别模型，得到所述种苗的特征图像；所述种苗的特征图像为基质特征图像、茎特征图像和叶特征图像；将所述种苗的特征图像进行图像处理，确定茎粗参数、苗高参数和叶面积参数；基于茎粗参数、苗高参数和叶面积参数，通过阈值法确定所述种苗的所属等级；基于所述种苗的所属等级根据预设移栽规则进行疏苗移栽；其中，所述识别模型为采用种苗在水平方向和垂直方向的样本组合图像作为输入数据，以及采用与种苗在水平方向和垂直方向的样本组合图像对应地种苗的特征图像作为输出数据，基于机器学习算法训练得到的。

基于相同的发明构思，本发明又一实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法实施例提供的方法，例如，基于识别信号，获取种苗在水平方向和垂直方向的组合图像；将所述组合图像输入到识别模型，得到所述种苗的特征图像；所述种苗的特征图像为基质特征图像、茎特征图像和叶特征图像；将所述种苗的特征图像进行图像处理，确定茎粗参数、苗高参数和叶面积参数；基于茎粗参数、苗高参数和叶面积参数，通过阈值法确定所述种苗的所属等级；基于所述种苗的所属等级根据预设移栽规则进行疏苗移栽；其中，所述识别模型为采用种苗在水平方向和垂直方向的样本组合图像作为输入数据，以及采用与种苗在水平方向和垂直方向的样本组合图像对应地种苗的特征图像作为输出数据，基于机器学习算法训练得到的。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分的方法。

此外，在本发明中，诸如“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

最后应说明的是：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。