图像识别模型的训练与图像识别方法、装置与流程

1.本公开涉及数据处理技术领域，尤其涉及图像处理、深度学习等人工智能技术领域。提供了一种图像识别模型的训练与图像识别方法、装置、电子设备和可读存储介质。


背景技术：

2.随着互联网技术的飞速发展，以及大带宽低时延的5g网络技术的逐步落地，短视频的应用场景不断扩大，海量的短视频被上传至各大互联网平台，丰富了人们的生活。
3.但是，短视频中可能会存在标识图案，例如特定的旗帜图案、特定的符号图案等。目前主要通过人工审核的方式来识别图像中是否存在标识图案，存在成本较高、效率较低等问题。


技术实现要素：

4.根据本公开的第一方面，提供了一种图像识别模型的训练方法，包括：获取多张第一图像；根据所述多张第一图像中的标识图案，生成多张第二图像；根据所述多张第一图像与所述多张第二图像，构建图像集；使用所述图像集与预设标签对神经网络模型进行训练，得到图像识别模型。
5.根据本公开的第二方面，提供了一种图像识别方法，包括：获取待识别图像；将所述待识别图像输入图像识别模型，得到所述图像识别模型输出的预测分值；在确定所述预测分值大于目标图像阈值的情况下，确定所述待识别图像中包含标识图案。
6.根据本公开的第三方面，提供了一种图像识别模型的训练装置，包括：第一获取单元，用于获取多张第一图像；生成单元，用于根据所述多张第一图像中的标识图案，生成多张第二图像；构建单元，用于根据所述多张第一图像与所述多张第二图像，构建图像集；训练单元，用于使用所述图像集与预设标签对神经网络模型进行训练，得到图像识别模型。
7.根据本公开的第四方面，提供了一种图像识别装置，包括：第二获取单元，用于获取待识别图像；处理单元，用于将所述待识别图像输入图像识别模型，得到所述图像识别模型输出的预测分值；识别单元，用于在确定所述预测分值大于目标图像阈值的情况下，确定所述待识别图像中包含标识图案。
8.根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。
9.根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如上所述的方法。
10.根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方法。
11.由以上技术方案可以看出，本实施例通过所获取的包含标识图案的第一图像生成
第二图像的方式，能够增加用于训练的图像集中图像的数量，进而降低了图像识别模型的训练成本，提升了图像识别模型在识别图像中是否存在标识图案时的准确性。
12.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
13.附图用于更好地理解本方案，不构成对本公开的限定。其中：
14.图1是根据本公开第一实施例的示意图；
15.图2是根据本公开第二实施例的示意图；
16.图3是根据本公开第三实施例的示意图；
17.图4是根据本公开第四实施例的示意图；
18.图5是用来实现本公开实施例的图像识别模型的训练与图像识别方法的电子设备的框图。
具体实施方式
19.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和机构的描述。
20.图1是根据本公开第一实施例的示意图。如图1所示，本实施例的图像识别模型的训练方法，具体可以包括如下步骤：
21.s101、获取多张第一图像；
22.s102、根据所述多张第一图像中的标识图案，生成多张第二图像；
23.s103、根据所述多张第一图像与所述多张第二图像，构建图像集；
24.s104、使用所述图像集与预设标签对神经网络模型进行训练，得到图像识别模型。
25.本实施例的图像识别模型的训练方法，在根据获取的多张第一图像中的标识图案生成多张第二图像之后，再根据多张第一图像与多张第二图像构建图像集，进而使用所构建的图像集与预设标签训练神经网络模型来得到图像识别模型，使得训练得到的图像识别模型能够识别图像中是否存在标识图案，本实施例通过第一图像生成第二图像的方式，能够增加用于训练的图像集中图像的数量，进而降低了图像识别模型的训练成本，提升了图像识别模型在识别图像中是否存在标识图案时的准确性。
26.本实施例在执行s101获取多张第一图像时，可以将从网络中爬取的包含标识图案的图像作为第一图像，多张第一图像中所包含的标识图案为用于标识旗帜、符号、logo等不同类型的图案。其中，本实施例中的标识图案可以为特定的标识图案。
27.本实施例在执行s101获取多张第一图像之后，可以对多张第一图像进行标签标注，具体为将预设标签作为每张第一图像的标签标注结果，预设标签为1或者0；本实施例还可以对多张第一图像进行位置标注，具体为将框选出第一图像中标识图案的矩形框的坐标值作为位置标注结果。
28.本实施例在执行s101获取多张第一图像之后，执行s102根据所获取的多张第一图
像中的标识图案，生成多张第二图像。
29.具体地，本实施例在执行s102根据所获取的多张第一图像中的标识图案，生成多张第二图像时，可以采用的可选实现方式为：从所获取的多张第一图像中提取标识图案；将所提取的标识图案，作为前景图像；获取不包含标识图案的图像，作为背景图像；将前景图像与背景图像进行粘贴，将粘贴结果作为第二图像。
30.本实施例在执行s102从所获取的多张第一图像中提取标识图案时，可以采用的可选实现方式为：从所获取的多张第一图像中选取第一预设数量的第一图像；从所选取的第一图像中提取标识图案。
31.也就是说，本实施例通过从多张第一图像中选取部分第一图像的方式，确保了所生成的第二图像与第一图像之间具有一定的差异，能够提升所构建的图像集中包含图像的丰富性。
32.本实施例在执行s102将前景图像与背景图像进行粘贴时，可以直接将不同的前景图像与不同的背景图像进行粘贴，例如将前景图像粘贴在背景图像中的随机位置。
33.为了确保第二图像具有较高质量，从而提升神经网络模型的训练效果，本实施例在执行s102将前景图像与背景图像进行粘贴时，可以采用的可选实现方式为：对前景图像进行第一预处理，本实施例中的第一预处理包含旋转处理和/或缩放处理；将前景图像的处理结果与背景图像进行粘贴，例如将前景图像的处理结果粘贴在背景图像中的随机位置。
34.本实施例在执行s102生成多张第二图像之后，执行s103根据多张第一图像与多张第二图像，构建图像集。
35.本实施例在执行s103根据多张第一图像与多张第二图像构建图像集时，可以直接将全部的第一图像与第二图像划分为一个图像集。
36.为了提升神经网络模型的训练效果，本实施例执行s103构建的图像集中可以包含训练集、验证集与测试集；其中，训练集用于训练神经网络模型以更新模型参数，验证集用于从训练过程中保存的具有不同模型参数的神经网络模型中选取最优模型作为图像识别模型，测试集用于对所得到的图像识别模型进行性能测试。
37.具体地，本实施例在执行s103根据多张第一图像与多张第二图像，构建图像集时，可以采用的可选实现方式为：去除多张第一图像中用于生成第二图像的第一图像；从剩余的第一图像中选取第二预设数量的第一图像作为测试图像，得到测试集，例如从对应不同类型的标识图案的剩余第一图像中分别选取第二预设数量的第一图像；按照预设比例，将未作为测试集的第一图像与多张第二图像划分为训练图像与验证图像，得到训练集与验证集。
38.也就是说，本实施例通过将多张第一图像与多张第二图像划分为训练图像、验证图像与测试图像的方式，使得不同的第一图像与第二图像在训练过程中分别起到不同的作用，从而提升神经网络模型的训练效果。
39.本实施例在执行s103得到训练集之后，还可以包含以下内容：对训练集中的训练图像进行第二预设处理，本实施例中的第二预设处理可以包含裁剪、翻转、颜色空间变换等；将训练图像的第二预设处理结果进行归一化处理，本实施例中的归一化处理可以为将图像设置为预设格式和/或将图像变换为预设大小等。
40.本实施例在执行s103构建图像集之后，执行s104使用所构建的图像集与预设标签
对神经网络模型进行训练，得到图像识别模型；本实施例中的神经网络模型为分类模型。
41.若本实施例执行s103构建了一个图像集，即该图像集中包含全部的第一图像与第二图像，则本实施例在执行s104使用所构建的图像集与预设标签对神经网络模型进行训练，得到图像识别模型时，可以采用的可选实现方式为：将图像集中的多张图像输入神经网络模型，得到神经网络模型针对每张图像输出的标签预测结果；根据每张图像的标签预测结果与预设标签计算损失函数值；根据计算得到的损失函数值调整神经网络模型的模型参数，直至神经网络模型收敛，得到图像识别模型。
42.若本实施例执行s103构建了包含训练集、验证集与测试集的多个图像集，则本实施例在执行s104使用所构建的图像集与预设标签对神经网络模型进行训练，得到图像识别模型时，可以采用的可选实现方式为：使用训练集中的多张训练图像与预设标签，调整神经网络模型的模型参数，直至神经网络模型收敛；选取训练过程中满足预设条件的神经网络模型，例如选取在训练过程中训练次数达到预设次数的神经网络模型；使用验证集中的多张验证图像与预设标签，从所选取的神经网络模型中确定图像识别模型；使用测试集中的多张测试图像与预设标签，测试图像识别模型的识别性能，本实施例中的图像识别模型的识别性能包含识别准确度和/或识别速度。
43.本实施例在执行s104使用验证集中的多张验证图像与预设标签，从所选取的神经网络模型中确定图像识别模型时，可以通过验证集来得到多个神经网络模型的识别性能，进而将识别性能最优的神经网络模型作为图像识别模型。
44.也就是说，本实施例通过所构建的训练集、验证集与测试集来训练得到图像识别模型，首先通过训练图像调整神经网络模型的模型参数，然后通过验证图像从训练过程中所保存的神经网络模型中选取图像识别模型，最后再通过测试图像来测试所选取的图像识别模型的识别性能，从而提升训练得到的图像识别模型的识别效果。
45.除了直接将训练图像作为神经网络模型的输入之外，本实施例在执行s104使用训练集中的多张训练图像与预设标签，调整神经网络模型的模型参数时，可以采用的可选实现方式为：根据训练集中的多张训练图像，得到多张合成图像；使用多张合成图像与预设标签，调整神经网络模型的模型参数。
46.本实施例在执行s104根据训练集中的多张训练图像得到多张合成图像时，可以在从训练集中随机选取多张训练图像之后，对所选取的训练图像进行随机缩放、随机裁剪、随机排布等处理之后，合成一张合成图像。
47.也就是说，本实施例通过训练图像来得到合成图像的方式，能够增强神经网络模型对小目标的识别效果，且降低了在调整神经网络模型时所使用的图像的数量，从而实现节省计算资源的目的。
48.利用本实施例执行s104所得到的图像识别模型，能够根据所输入的图像，输出该图像的预测分值，进而根据所得到的预测分值来确定输入的图像中是否存在标识图案；若在进行图像识别模型的识别时，所使用的图像中还包含标识图案的位置标注结果，则图像识别模型在输出图像的预测分值的同时，还会对图像中标识图案的位置进行标注。
49.图2是根据本公开第二实施例的示意图。如图2所示，本实施例的图像识别方法，具体可以包括如下步骤：
50.s201、获取待识别图像；
51.s202、将所述待识别图像输入图像识别模型，得到所述图像识别模型输出的预测分值；
52.s203、在确定所述预测分值大于目标图像阈值的情况下，确定所述待识别图像中包含标识图案。
53.本实施例的图像识别方法，利用预先训练得到的图像识别模型来得到待识别图像的预测分值，进而在确定所得到的预测分值大于目标图像阈值的情况下，确定待识别图像中包含标识图案，实现了识别待识别图像中是否包含标识图案的目的，能够提升图像识别的准确性与效率。
54.本实施例在执行s201获取待识别图像时，可以将用户输入的图像作为待识别图像，也可以将用户输入的视频中的每个图像帧作为待识别图像。
55.本实施例在执行s201获取待识别图像之后，执行s202将所获取的待识别图像输入图像识别模型，得到该图像识别模型输出的预测分值。
56.为了提升所得到的预测分值的准确性，本实施例在执行s202将待识别图像输入图像识别模型时，可以采用的可选实现方式为：对待识别图像进行归一化处理，例如将待识别图像转换为预设大小和/或预设格式；将待识别图像的归一化处理结果输入图像识别模型。
57.本实施例在执行s202得到图像识别模型输出的预测分值之后，执行s203在确定所得到的预测分值大于目标图像阈值的情况下，确定所获取的待识别图像中包含标识图案。
58.其中，本实施例在执行s203时所使用的目标图像阈值，可以采用以下方式来获取：设置多个图像阈值；获取多张样本图像；将所获取的多张样本图像输入图像识别模型，得到图像识别模型针对每张样本图像输出的预测分值；根据多张样本图像的预测分值与多个图像阈值，得到对应每个图像阈值的召回率和/或误检率；将召回率和/或误检率满足预设要求的图像阈值，作为目标图像阈值。
59.也就是说，本实施例通过上述确定目标图像阈值的方法，能够提升所使用的目标图像阈值的准确性，进而提升在确定待识别图像中是否包含标识图案时的准确性。
60.另外，本实施例在执行s203时所使用的目标图像阈值可以是人为预先设置的。
61.图3是根据本公开第三实施例的示意图。如图3所示，本实施例的图像识别模型的训练装置300，包括：
62.第一获取单元301、用于获取多张第一图像；
63.生成单元302、用于根据所述多张第一图像中的标识图案，生成多张第二图像；
64.构建单元303、用于根据所述多张第一图像与所述多张第二图像，构建图像集；
65.训练单元304、用于使用所述图像集与预设标签对神经网络模型进行训练，得到图像识别模型。
66.第一获取单元301在获取多张第一图像时，可以将从网络中爬取的包含标识图案的图像作为第一图像，多张第一图像中所包含的标识图案为用于标识旗帜、符号、logo等不同类型的图案。
67.第一获取单元301获取多张第一图像之后，可以对多张第一图像进行标签标注，具体为将预设标签作为第一图像的标签标注结果，预设标签为1或者0；第一获取单元301还可以对多张第一图像进行位置标注，具体为将框选出第一图像中标识图案的矩形框的坐标值作为位置标注结果。
68.本实施例在由第一获取单元301获取多张第一图像之后，由生成单元302根据所获取的多张第一图像中的标识图案，生成多张第二图像。
69.具体地，生成单元302在根据所获取的多张第一图像中的标识图案，生成多张第二图像时，可以采用的可选实现方式为：从所获取的多张第一图像中提取标识图案；将所提取的标识图案，作为前景图像；获取不包含标识图案的图像，作为背景图像；将前景图像与背景图像进行粘贴，将粘贴结果作为第二图像。
70.生成单元302在从所获取的多张第一图像中提取标识图案时，可以采用的可选实现方式为：从所获取的多张第一图像中选取第一预设数量的第一图像；从所选取的第一图像中提取标识图案。
71.也就是说，生成单元302通过从多张第一图像中选取部分第一图像的方式，确保了所生成的第二图像与第一图像之间具有一定的差异，能够提升所构建的图像集中包含图像的丰富性。
72.生成单元302在将前景图像与背景图像进行粘贴时，可以直接将前景图像与背景图像进行粘贴。
73.为了确保第二图像具有较高质量，从而提升神经网络模型的训练效果，生成单元302在将前景图像与背景图像进行粘贴时，可以采用的可选实现方式为：对前景图像进行第一预处理；将前景图像的第一预处理结果与背景图像进行粘贴。
74.本实施例在由生成单元302生成多张第二图像之后，由构建单元303根据多张第一图像与多张第二图像，构建图像集。
75.构建单元303在根据多张第一图像与多张第二图像构建图像集时，可以直接将全部的第一图像与第二图像划分为一个图像集。
76.为了提升神经网络模型的训练效果，构建单元303构建的图像集中可以包含训练集、验证集与测试集；其中，训练集用于训练神经网络模型以更新模型参数，验证集用于从训练过程中保存的具有不同模型参数的神经网络模型中选取最优模型作为图像识别模型，测试集用于对所得到的图像识别模型进行性能测试。
77.具体地，构建单元303在根据多张第一图像与多张第二图像，构建图像集时，可以采用的可选实现方式为：去除多张第一图像中用于生成第二图像的第一图像；从剩余的第一图像中选取第二预设数量的第一图像作为测试图像，得到测试集；按照预设比例，将未作为测试集的第一图像与多张第二图像划分为训练图像与验证图像，得到训练集与验证集。
78.也就是说，构建单元303通过将多张第一图像与多张第二图像划分为训练图像、验证图像与测试图像的方式，使得不同的第一图像与第二图像在训练过程中分别起到不同的作用，从而提升神经网络模型的训练效果。
79.构建单元303在得到训练集之后，还可以包含以下内容：对训练集中的训练图像进行第二预设处理；将训练图像的第二预设处理结果进行归一化处理。
80.本实施例在由构建单元303构建图像集之后，由训练单元304使用所构建的图像集与预设标签对神经网络模型进行训练，得到图像识别模型；本实施例中的神经网络模型为分类模型。
81.若构建单元303构建了一个图像集，即该图像集中包含全部的第一图像与第二图像，则训练单元304在使用所构建的图像集与预设标签对神经网络模型进行训练，得到图像
识别模型时，可以采用的可选实现方式为：将图像集中的多张图像输入神经网络模型，得到神经网络模型针对每张图像输出的标签预测结果；根据每张图像的标签预测结果与预设标签计算损失函数值；根据计算得到的损失函数值调整神经网络模型的模型参数，直至神经网络模型收敛，得到图像识别模型。
82.若构建单元303构建了包含训练集、验证集与测试集的多个图像集，则训练单元304在使用所构建的图像集与预设标签对神经网络模型进行训练，得到图像识别模型时，可以采用的可选实现方式为：使用训练集中的多张训练图像与预设标签，调整神经网络模型的模型参数，直至神经网络模型收敛；选取训练过程中满足预设条件的神经网络模型；使用验证集中的多张验证图像与预设标签，从所选取的神经网络模型中确定图像识别模型；使用测试集中的多张测试图像与预设标签，测试图像识别模型的识别性能。
83.训练单元304在使用验证集中的多张验证图像与预设标签，从所选取的神经网络模型中确定图像识别模型时，可以通过验证集来得到多个神经网络模型的识别性能，进而将识别性能最优的神经网络模型作为图像识别模型。
84.也就是说，训练单元304通过所构建的训练集、验证集与测试集来训练得到图像识别模型，首先通过训练图像调整神经网络模型的模型参数，然后通过验证图像从训练过程中所保存的神经网络模型中选取图像识别模型，最后再通过测试图像来测试所选取的图像识别模型的识别性能，从而提升训练得到的图像识别模型的识别效果。
85.除了直接将训练图像作为神经网络模型的输入之外，训练单元304在使用训练集中的多张训练图像与预设标签，调整神经网络模型的模型参数时，可以采用的可选实现方式为：根据训练集中的多张训练图像，得到多张合成图像；使用多张合成图像与预设标签，调整神经网络模型的模型参数。
86.训练单元304在根据训练集中的多张训练图像得到多张合成图像时，可以在从训练集中随机选取多张训练图像之后，对所选取的训练图像进行随机缩放、随机裁剪、随机排布等处理之后，合成一张合成图像。
87.也就是说，训练单元304通过训练图像来得到合成图像的方式，能够增强神经网络模型对小目标的识别效果，且降低了在调整神经网络模型时所使用的图像的数量，从而实现节省计算资源的目的。
88.图4是根据本公开第四实施例的示意图。如图4所示，本实施例的图像识别装置400，包括：
89.第二获取单元401、用于获取待识别图像；
90.处理单元402、用于将所述待识别图像输入图像识别模型，得到所述图像识别模型输出的预测分值；
91.识别单元403、用于在确定所述预测分值大于目标图像阈值的情况下，确定所述待识别图像中包含标识图案。
92.第二获取单元401在获取待识别图像时，可以将用户输入的图像作为待识别图像，也可以将用户输入的视频中的每个图像帧作为待识别图像。
93.本实施例在由第二获取单元401获取待识别图像之后，由处理单元402将所获取的待识别图像输入图像识别模型，得到该图像识别模型输出的预测分值。
94.为了提升所得到的预测分值的准确性，处理单元402在将待识别图像输入图像识
别模型时，可以采用的可选实现方式为：对待识别图像进行归一化处理；将待识别图像的归一化处理结果输入图像识别模型。
95.本实施例在由处理单元402得到图像识别模型输出的预测分值之后，由识别单元403在确定所得到的预测分值大于目标图像阈值的情况下，确定所获取的待识别图像中包含标识图案。
96.其中，识别单元403使用的目标图像阈值，可以采用以下方式来获取：设置多个图像阈值；获取多张样本图像；将所获取的多张样本图像输入图像识别模型，得到图像识别模型针对每张样本图像输出的预测分值；根据多张样本图像的预测分值与多个图像阈值，得到对应每个图像阈值的召回率和/或误检率；将召回率和/或误检率满足预设要求的图像阈值，作为目标图像阈值。
97.也就是说，识别单元403通过上述确定目标图像阈值的方法，能够提升所使用的目标图像阈值的准确性，进而提升在确定待识别图像中是否包含标识图案时的准确性。
98.另外，识别单元403所使用的目标图像阈值可以是人为预先设置的。
99.本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
100.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
101.如图5所示，是根据本公开实施例的图像识别模型的训练与图像识别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
102.如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(rom)502中的计算机程序或者从存储单元508加载到随机访问存储器(ram)503中的计算机程序，来执行各种适当的动作和处理。在ram503中，还可存储设备500操作所需的各种程序和数据。计算单元501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
103.设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
104.计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如图像识别模型的训练与图像识别方法。例如，在一些实施例中，图像识别模型的训练与图像识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。
105.在一些实施例中，计算机程序的部分或者全部可以经由rom502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到ram 503并由计算单元501执行时，可以执行上文描述的图像识别模型的训练与图像识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像识别模型的训练与图像识别方法。
106.此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
107.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
108.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd
‑
rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
109.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
110.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
111.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务(“virtual private server”，或简称“vps”)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
112.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
113.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。