识别方法及装置、切分模型的训练方法及装置与流程

1.本说明书实施例涉及计算机技术领域，特别涉及识别方法。本说明书一个或者多个实施例同时涉及识别装置，切分模型的训练方法、切分模型的训练装置，计算设备，以及计算机可读存储介质。


背景技术：

2.随着技术进步和应用场景的扩展，文字识别技术逐渐由较简单的文档型文本识别过渡到了更为复杂的数学表达式识别；但是目前的数学表达式识别技术中，面对较长的数学表达式，经常会遇到由于数学表达式的序列过长，在识别时出现漂移的问题，使得后续的识别也会跟着产生错误累积，进而造成整条序列灾难性错误识别。
3.因此需要提供一种可以降低数学表达式的序列长度，避免因序列过长导致识别错误的识别方法。


技术实现要素：

4.有鉴于此，本说明书施例提供了识别方法。本说明书一个或者多个实施例同时涉及识别装置，切分模型的训练方法、切分模型的训练装置，计算设备，以及计算机可读存储介质，以解决现有技术中存在的技术缺陷。
5.根据本说明书实施例的第一方面，提供了一种识别方法，包括：
6.获取待识别图片；
7.将所述待识别图片输入切分模型，获得所述待识别图片的切分图；
8.将所述切分图输入识别模型，获得所述切分图的初始识别结果；
9.基于所述初始识别结果确定所述待识别图片的目标识别结果；
10.其中，所述切分模型适用于对所述待识别图片进行切分，并输出所述待识别图片的切分图，
11.所述识别模型适用于对所述切分图进行识别，并输出所述切分图的初始识别结果。
12.根据本说明书实施例的第二方面，提供了一种切分模型的训练方法，包括：
13.获取样本图片；
14.将所述样本图片输入识别模型，获得所述样本图片的第一识别结果以及所述第一识别结果的位置图像；
15.对所述样本图片进行预处理，获得所述样本图片的图片投影图；
16.根据所述第一识别结果、位置图像以及图片投影图确定所述样本图片的切分点热图；
17.基于所述样本图片以及所述样本图片的切分点热图对初始切分模型进行训练，获得所述切分模型，其中，所述切分模型输出所述样本图片的切分图。
18.根据本说明书实施例的第三方面，提供了一种识别方法，包括：
19.基于用户的调用请求为所述用户展示图像输入界面；
20.接收所述用户基于所述图像输入界面输入的待识别图片；
21.将所述待识别图片输入切分模型，获得所述待识别图片的切分图；
22.将所述切分图输入识别模型，获得所述切分图的初始识别结果；
23.基于所述初始识别结果确定所述待识别图片的目标识别结果，并将所述目标识别结果返回给所述用户。
24.根据本说明书实施例的第四方面，提供了一种识别方法，包括：
25.接收用户发送的调用请求，其中，所述调用请求中携带待识别图片；
26.将所述待识别图片输入切分模型，获得所述待识别图片的切分图；
27.将所述切分图输入识别模型，获得所述切分图的初始识别结果；
28.基于所述初始识别结果确定所述待识别图片的目标识别结果，并将所述目标识别结果返回给所述用户。
29.根据本说明书实施例的第五方面，提供了一种识别装置，包括：
30.第一获取模块，被配置为获取待识别图片；
31.第一获得模块，被配置为将所述待识别图片输入切分模型，获得所述待识别图片的切分图；
32.第二获得模块，被配置为将所述切分图输入识别模型，获得所述切分图的初始识别结果；
33.第一确定模块，被配置为基于所述初始识别结果确定所述待识别图片的目标识别结果；
34.其中，所述切分模型适用于对所述待识别图片进行切分，并输出所述待识别图片的切分图，
35.所述识别模型适用于对所述切分图进行识别，并输出所述切分图的初始识别结果。
36.根据本说明书实施例的第六方面，提供了一种切分模型的训练装置，包括：
37.第二获取模块，被配置为获取样本图片；
38.第三获得模块，被配置为将所述样本图片输入识别模型，获得所述样本图片的第一识别结果以及所述第一识别结果的位置图像；
39.第四获得模块，被配置为对所述样本图片进行预处理，获得所述样本图片的图片投影图；
40.第二确定模块，被配置为根据所述第一识别结果、位置图像以及图片投影图确定所述样本图片的切分点热图；
41.第五获得模块，被配置为基于所述样本图片以及所述样本图片的切分点热图对初始切分模型进行训练，获得所述切分模型，其中，所述切分模型输出所述样本图片的切分图。
42.根据本说明书实施例的第七方面，提供了一种识别装置，包括：
43.界面展示模块，被配置为基于用户的调用请求为所述用户展示图像输入界面；
44.第一接收模块，被配置为接收所述用户基于所述图像输入界面输入的待识别图片；
45.第六获得模块，被配置为将所述待识别图片输入切分模型，获得所述待识别图片的切分图；
46.第七获得模块，被配置为将所述切分图输入识别模型，获得所述切分图的初始识别结果；
47.第三确定模块，被配置为基于所述初始识别结果确定所述待识别图片的目标识别结果，并将所述目标识别结果返回给所述用户。
48.根据本说明书实施例的第八方面，提供了一种识别装置，包括：
49.第二接收模块，被配置为接收用户发送的调用请求，其中，所述调用请求中携带待识别图片；
50.第八获得模块，被配置为将所述待识别图片输入切分模型，获得所述待识别图片的切分图；
51.第九获得模块，被配置为将所述切分图输入识别模型，获得所述切分图的初始识别结果；
52.第三确定模块，被配置为基于所述初始识别结果确定所述待识别图片的目标识别结果，并将所述目标识别结果返回给所述用户。
53.根据本说明书实施例的第九方面，提供了一种计算设备，包括：
54.存储器和处理器；
55.所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，其中，所述处理器执行所述计算机可执行指令时实现所述识别方法或所述切分模型的训练方法的步骤。
56.根据本说明书实施例的第十方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现所述识别方法或所述切分模型的训练方法的步骤。
57.本说明书一个实施例实现了一种识别方法及装置，其中，所述识别方法包括获取待识别图片；将所述待识别图片输入切分模型，获得所述待识别图片的切分图；将所述切分图输入识别模型，获得所述切分图的初始识别结果；基于所述初始识别结果确定所述待识别图片的目标识别结果；
58.所述识别方法基于切分模型选择合适的切分点对待识别图片进行切分，并通过识别模型对切分后的待识别图片的切分图进行识别，有效的避免了因待识别图片中的内容过长导致的漂移问题。
附图说明
59.图1是本说明书一个实施例提供的一种识别方法的具体应用场景的示意图；
60.图2是本说明书一个实施例提供的第一种识别方法的流程图；
61.图3是本说明书一个实施例提供的一种识别方法的处理过程中的切分点、切分点热图以及切分图的具体示意图；
62.图4是本说明书一个实施例提供的一种切分模型的训练方法的流程图；
63.图5是本说明书一个实施例提供的一种识别方法的具体处理过程示意图；
64.图6是本说明书一个实施例提供的一种识别方法中确定切分点热图以及重对齐标
签的流程图；
65.图7是本说明书一个实施例提供的第二种识别方法的流程图；
66.图8是本说明书一个实施例提供的第三种识别方法的流程图；
67.图9是本说明书一个实施例提供的第一种识别装置的结构示意图；
68.图10是本说明书一个实施例提供的一种切分模型的训练装置的结构示意图；
69.图11是本说明书一个实施例提供的第二种识别装置的结构示意图；
70.图12是本说明书一个实施例提供的第三种识别装置的结构示意图；
71.图13是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
72.在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。
73.在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
74.应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
75.首先，对本说明书一个或多个实施例涉及的名词术语进行解释。
76.resnet：残差网络，由残差块(residual block)构建。
77.backbone：神经网络模型。
78.注意力机制：attention mechanism，是机器学习中的一种数据处理方法，广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。
79.bahdanau attention：注意力机制。
80.densenet：密集网络。
81.在本说明书中，提供了三种识别方法。本说明书一个或者多个实施例同时涉及识别装置，切分模型的训练方法、切分模型的训练装置，计算设备，以及计算机可读存储介质，在下面的实施例中逐一进行详细说明。
82.参见图1，图1示出了根据本说明书一个实施例提供的一种识别方法的具体应用场景的示意图。
83.具体的，通过所述识别方法实现对图片a中的数学表达式的识别。
84.图1的应用场景中包括终端和服务器。
85.具体的，用户通过终端将图片a发送给服务器，服务器在接收到图片a后，将图片a输入预先训练的切分模型，得到图片a的多个切分图：切分图1、切分图2...切分图n；
86.分别将切分图1、切分图2...切分图n依次输入预先训练的基于注意力机制的识别模型中，获得切分图1、切分图2...切分图n的识别结果：结果1、结果2...结果n；
87.然后将结果1、结果2...结果n顺序连接，获得图片a最终的目标识别结果，即图片a中包含的数学表达式的可编辑形式，例如文本形式。
88.本说明书实施例提供的所述识别方法提供了一种可以对图片中的长数学表达式进行自动切分的切分模型，实现对图片中较长的数学表达式进行合理高效的切分，从而大大降低了识别模型的识别难度，提高了对较长的数学表达式的识别性能。
89.参见图2，图2示出了根据本说明书一个实施例提供的第一种识别方法的流程图，包括如下步骤：
90.步骤202：获取待识别图片。
91.其中，待识别图片包括但不限于包含数学表达式、化学表达式或者物理表达式的图片，即待识别图片中包括数学表达式、化学表达式或者物理表达式。
92.具体实施时，待识别图片为仅包含各种表达式的截图、照片等，不包含其他非表达式的内容，且实际应用中，为了实现对待识别图片中的内容进行更加快速以及精确的识别，获取的每张待识别图片中可以仅包含一种内容，即一个表达式，避免一张待识别图片中出现多个表达式，为后续的表达式识别带来负担。
93.那么实际应用中，获取待识别图片，即可以理解为获取仅包含一个较长数学表达式的待识别图片；一般情况下，一个数学表达式撰写出来大概有2厘米左右的长度，若是一个数学表达式撰写出来有8厘米以上的长度，则可以认为该数学表达式为一个较长的数学表达式。
94.步骤204：将所述待识别图片输入切分模型，获得所述待识别图片的切分图。
95.具体的，获取待识别图片后，将该待识别图片输入预先训练好的切分模型进行切分，以获得该待识别图片的多个切分图。
96.其中，所述切分模型的训练方法包括：
97.获取样本图片；
98.将所述样本图片输入识别模型，获得所述样本图片的第一识别结果以及所述第一识别结果的位置图像；
99.对所述样本图片进行预处理，获得所述样本图片的图片投影图；
100.根据所述第一识别结果、位置图像以及图片投影图确定所述样本图片的切分点热图；
101.基于所述样本图片以及所述样本图片的切分点热图对初始切分模型进行训练，获得所述切分模型，其中，所述切分模型输出所述样本图片的切分图。
102.其中，样本图片为包括但不限于包含各种表达式的图片，且在模型训练中，样本图片的数量一般为多个；样本图片的第一识别结果为样本图片中包含的表达式的各个元素序列；第一识别结果的位置图像为样本图片中包含的表达式的每个元素的热图，通过该热图可以确定每个元素的位置。
103.举例说明，样本图片中包含的表达式为：x y＝z，那么该样本图片的第一识别结果为【x、 、y、＝、z】，而第一识别结果的位置图像则为第一识别结果【x、 、y、＝、z】中每个元素的热图，实际应用中，热图可以理解为以特殊高亮形式显示样本图片的第一识别结果的图
像。
104.具体的，在基于识别模型输出样本图片的第一识别结果以及第一识别结果的位置图像之前，需要对识别模型进行预先训练，具体实现方式如下所述：
105.所述识别模型的训练方法包括：
106.获取所述样本图片以及所述样本图片对应的样本标签；
107.构建基于注意力机制的初始识别模型；
108.基于所述样本图片以及所述样本图片对应的样本标签对所述初始识别模型进行训练，获得所述识别模型，其中，所述识别模型输出所述样本图片的第一识别结果以及所述第一识别结果的位置图像。
109.其中，样本图片对应的样本标签为样本图片中的具体内容，即样本图片中包含的表达式的各个元素序列，即上述实施例的第一识别结果。
110.具体的，先获取多个样本图片以及每个样本图片对应的样本标签，再构建基于注意力机制的初始识别模型，其中，基于注意力机制的初始识别模型为编码器(encoder)-解码器(decoder)结构，编码器采用resnet或densenet为backbone，解码器采用常规的bahdanau attention解码器。
111.初始识别模型构建后，基于样本图片以及每个样本图片对应的样本标签对初始识别模型进行训练，获得识别模型。
112.具体实施时，输入一张图片到识别模型，该识别模型即可输出该图片中的具体内容，例如上述实施例中的第一识别结果。
113.本说明书实施例中，基于样本图片以及每个样本图片对应的样本标签对基于注意力机制的初始识别模型进行训练，以获得基于注意力机制的识别模型，该识别模型可以通过注意力机制自动对齐图片上的字符和结构位置，并逐步对图片上的字符和结构位置进行识别输出，因此采用该预先训练的识别模型可以对样本图片中的表达式进行更加快速以及准确的识别。
114.具体实施时，获取样本图片之后，在基于识别模型获得样本图片的第一识别结果以及第一识别结果的位置图像的同时，还会对样本图像进行预处理，以获得该样本图像的图片投影图，具体实现方式如下所述：
115.所述对所述样本图片进行预处理，获得所述样本图片的图片投影图包括：
116.对所述样本图片进行腐蚀、二值化处理，获得二值化后的样本图片；
117.在水平方向上对所述二值化后的样本图片取像素平均值，获得所述样本图片的图片投影图。
118.其中，对样本图片进行腐蚀，即将样本图片中的高亮区域或白色部分进行缩减细化，腐蚀之后的样本图片会比原图小很多，会加快后续切分模型训练的训练速度；在对样本图片进行腐蚀后，再对腐蚀后的样本图片做二值化处理，即将腐蚀后的样本图片上的像素点的灰度值设置为0或255，使得腐蚀后的样本图片呈现出明显的黑白效果；然后在水平方向上对所述二值化后的样本图片取像素平均值，获得该样本图像的图片投影图(即水平投影图)。
119.本说明书实施例中，对样本图片进行腐蚀、二值化等一系列图形学操作，然后在水平方向上去像素均值获得样本图片的水平投影图，后续通过该水平投影图与第一识别结果
的位置图像准确的确定出样本图片的切分点，基于切分点对样本图片进行快速、准确的切分。
120.具体实施时，获得样本图片的第一识别结果、第一识别结果的位置图像以及图片投影图之后，即可基于第一识别结果、第一识别结果的位置图像以及图片投影图确定样本图像的切分点热图，具体实现方式如下所述：
121.所述根据所述第一识别结果、位置图像以及图片投影图确定所述样本图片的切分点热图包括：
122.根据所述第一识别结果确定备选字符，以及基于所述位置图像确定所述备选字符的位置图像；
123.基于所述备选字符的位置图像与所述图片投影图的关联关系确定所述样本图片的切分点；
124.根据所述切分点确定所述样本图片的切分点热图。
125.其中，备选字符包括但不限于第一识别结果中的任意一个字符，例如中文字符、逗号、句号等；仍以第一识别结果为【x、 、y、＝、z】为例，备选字符可以为该第一识别结果中的至少一个，例如备选字符为“ 、＝”。
126.具体的，每个第一识别结果对应一个位置图像，在确定备选字符之后，则可以根据第一识别结果对应的位置图像确定选择的备选字符的位置。
127.而在根据第一识别结果确定备选字符之前，还需要对第一识别结果进行准确性确认，以保证识别模型输出的样本图片的第一识别结果的准确性，为后续的对切分模型的训练做准确，其具体实现方式如下所述：
128.所述根据所述第一识别结果确定备选字符包括：
129.判断所述第一识别结果是否为所述样本图片的目标识别结果，若是，则根据所述第一识别结果确定备选字符。
130.实际应用中，只有识别模型输出的样本图片的第一识别结果准确的情况下，基于该第一识别结果选择的备选字符以及基于备选字符对样本图片的切分才会准确，有价值，若第一识别结果不准确，那么后续基于第一识别结果选择的备选字符以及根据该备选字符对样本图片的切分也会产生误差，最终会造成切分模型的训练存在偏差，不准确；在第一识别结果不是样本图片的目标识别结果(即真实内容)的情况下，则结束本次处理流程，继续对识别模型进行训练，在确保识别模型识别准确性的情况下，再继续执行切分模型的训练过程，以保证切分模型整体训练过程的安全、准确性。
131.具体的，对第一识别结果的判断可以人为判断，也可以通过其他识别模型对样本图片进行内容识别，将两次或三次的识别结果进行比对，以判断第一识别结果的准确性。
132.具体实施时，在确定第一识别结果为样本图片的目标识别结果的情况下，从第一识别结果中选择备选字符，然后基于位置图像确定每个备选字符的位置，其中，备选字符可以根据实际应用进行选择，具体选择数量以及选择哪个作为备选字符，在此不做任何限定；实际应用中，备选字符的选择可以多样化，而若样本图像中为数学表达式的情况下，理论上可以将数学表达式一级结构中的字符作为备选字符，例如数学表达式为x/y y＝z，那么一级结构即为：x/y、 、y、＝、z，而“/”则为二级结构。
133.最后基于备选字符的位置与图片投影图的关联关系确定样本图片的切分点，再基
于切分点确定样本图片的切分点热图，实际应用中，切分点热图高度为1，宽度为原样本图片的四分之一，在切分点位置值为1，其余位置为0。
134.具体的，所述基于所述备选字符的位置图像与所述图片投影图的关联关系确定所述样本图片的切分点包括：
135.将所述备选字符的位置图像与所述图片投影图重叠，且将重叠部分的最后一个断点确定为所述样本图片的切分点。
136.具体实施时，确定备选字符的位置图像，将备选字符的位置图像与图片投影图重合，将重合部分的最后一个断点(即像素均值为255的点)作为样本图片的切分点。
137.本说明书实施例中，基于备选字符的位置图像与图片投影图的相互制约，基于重合关系确定样本图片的切分点，使得切分点的获取更加精确。
138.而在确定了切分点之后，即可基于该切分点确定所述样本图片的切分点热图，然后基于样本图片以及每个样本图片的切分点热图对初始切分模型进行训练，获得切分模型。
139.并且在确定了切分点热图的情况下，还可以基于切分点热图对样本图片进行切分，以获得样本图片的切分图，其具体实现方式如下所述：
140.根据所述切分点热图确定所述样本图片的切分图。
141.参见图3，图3为本说明书一个实施例提供的一种识别方法的处理过程中的切分点、切分点热图以及切分图的具体示意图。
142.图3中，数学表达式“则”后面的线条为切分点，数学表达式最下面的线条为切分点热图，而切分点之前的图片为数学表达式的第一个切分图，切分点之后的图片为数学表达式的第二个切分图。
143.本说明书实施例中，在对切分模型进行训练的处理流程中，依据样本图片的第一识别结果的位置图像和图片水平像素值投影图(即图片投影图)联合校验，选择合适的切分点对包含有表达式的样本图片进行切分，确定出切分点热图用于对切分模型的训练，使得训练后的切分模型后续在对包含表达式的图片进行切分时，有效的避免了注意力漂移的问题，使得图片的切分更加快速、准确。
144.本说明书另一实施例中，所述根据所述切分点热图确定所述样本图片的切分图之后，还包括：
145.基于所述第一识别结果的位置图像确定所述切分图中的局部识别结果；
146.将所述切分图中的局部识别结果确定为所述切分图对应的样本标签。
147.具体的，样本图片对应的样本标签为一个序列，在样本图片没有经过识别模型识别得到第一识别结果之前，样本图片对应的样本标签在样本图片中的位置是不确定的，而在样本图片被切分为多个切分图之后，每个切分图对应的标签也是不确定的。
148.具体实施时，在基于识别模型获得样本图片的第一识别结果以及第一识别结果的位置图像之后，可以基于第一识别结果的位置图像确定样本图片的每个切分图的局部识别结果，即每个切分图上存在哪些第一识别结果；然后将每个切分图上的局部识别结果作为该切分图对应的样本标签。
149.仍以样本图片中的数学表达式为：x y＝z为例，若备选字符为“＝”，该样本图片的第一切分图为：x y＝，第二切分图为：z，那么可以确定第一切分图中的局部识别结果为：x、
、y、＝，第二切分图中的局部识别结果为：z，则将x、 、y、＝确定为第一切分图对应的样本标签，将z确定为第二切分图的样本标签。
150.本说明书实施例中，基于样本图片的第一识别结果的位置图像可以为样本图片的切分图快速、准确的确定出对应的样本标签，以便后续可以基于切分图以及每个切分图对应的样本标签对识别模型进行继续训练。
151.具体的，所述获得所述识别模型之后，还包括：
152.基于所述切分图以及所述切分图对应的样本标签对所述识别模型进行继续训练。
153.本说明书实施例中，在获取样本图片的切分图之后，可以将切分图以及切分图对应的样本标签加入识别模型的训练样本，实现对识别模型的继续训练，通过切分图以及对应的样本标签对识别模型的继续训练有效的丰富了识别模型的语义丰富性，进而提高了识别模型的识别准确性。
154.步骤206：将所述切分图输入识别模型，获得所述切分图的初始识别结果。
155.具体的，本说明书实施例的识别模型在初次使用的时候可以为预先训练的识别模型，在后续使用的时候可以为基于切分图以及切分图对应的样本标签重新训练后的识别模型。
156.具体实施时，将每个切分图依次输入到识别模型中，依次获得每个切分图的初始识别结果。
157.步骤208：基于所述初始识别结果确定所述待识别图片的目标识别结果。
158.实际应用中，本说明书实施例针对包含有偏长的数学表达式的图片，因此在经过切分模型对待识别图片进行切分的时候，会把待识别图片切分为至少两个或多个切分图，然后再通过识别模型对每个切分图进行初始识别结果的获取。
159.那么待识别图片的最终识别结果则是由切分后的所有切分图的初始识别结果组合形成的，具体实现方式如下所述：
160.所述基于所述初始识别结果确定所述待识别图片的目标识别结果包括：
161.将所述初始识别结果进行顺序连接，以生成所述待识别图片的目标识别结果。
162.具体的，获得每个切分图的初始识别结果之后，依次将每个初始识别结果进行顺序连接，以形成待识别图片最终的目标识别结果。
163.其中，所述切分模型适用于对所述待识别图片进行切分，并输出所述待识别图片的切分图，具体的，切分模型虽然在训练的时候采用的是样本图片和样本图片对应的切分点热图，而在具体应用时，输出的即为根据切分点热图切分后的待识别图片的切分图；
164.所述识别模型适用于对所述切分图进行识别，并输出所述切分图的初始识别结果。
165.本说明书实施例提供的所述识别方法，实现了一种对包含长表达式的图片进行自动寻找切分点切分为切分图，且为切分图确定标签(即重对齐标签)的方案，使用该方法得到的切分图和重对齐标签对识别模型进行继续训练，可以有效丰富原识别模型的语义；并且所述识别方法提出了一种切分模型，通过该切分模型利用确定的切分点热图进行训练，后续基于该训练后的切分模型可以准确的确定图片中切分点的信息，以实现对图片的快速、准确的切分。
166.参见图4，图4示出了本说明书一个实施例提供的一种切分模型的训练方法的流程
图，具体包括以下步骤：
167.步骤402：获取样本图片。
168.其中，样本图片包括但不限于包含数学表达式、化学表达式或者物理表达式的图片。
169.步骤404：将所述样本图片输入识别模型，获得所述样本图片的第一识别结果以及所述第一识别结果的位置图像。
170.步骤406：对所述样本图片进行预处理，获得所述样本图片的图片投影图。
171.步骤408：根据所述第一识别结果、位置图像以及图片投影图确定所述样本图片的切分点热图。
172.步骤410：基于所述样本图片以及所述样本图片的切分点热图对初始切分模型进行训练，获得所述切分模型，其中，所述切分模型输出所述样本图片的切分图。
173.可选的，所述识别模型的训练方法包括：
174.获取所述样本图片以及所述样本图片对应的样本标签；
175.构建基于注意力机制的初始识别模型；
176.基于所述样本图片以及所述样本图片对应的样本标签对所述初始识别模型进行训练，获得所述识别模型，其中，所述识别模型输出所述样本图片的第一识别结果以及所述第一识别结果的位置图像。
177.可选的，所述根据所述第一识别结果、位置图像以及图片投影图确定所述样本图片的切分点热图包括：
178.根据所述第一识别结果确定备选字符，以及基于所述位置图像确定所述备选字符的位置图像；
179.基于所述备选字符的位置图像与所述图片投影图的关联关系确定所述样本图片的切分点；
180.根据所述切分点确定所述样本图片的切分点热图。
181.可选的，所述根据所述第一识别结果确定备选字符包括：
182.判断所述第一识别结果是否为所述样本图片的目标识别结果，若是，则根据所述第一识别结果确定备选字符。
183.可选的，所述基于所述备选字符的位置图像与所述图片投影图的关联关系确定所述样本图片的切分点包括：
184.将所述备选字符的位置图像与所述图片投影图重叠，且将重叠部分的最后一个断点确定为所述样本图片的切分点。
185.可选的，所述对所述样本图片进行预处理，获得所述样本图片的图片投影图包括：
186.对所述样本图片进行腐蚀、二值化处理，获得二值化后的样本图片；
187.在水平方向上对所述二值化后的样本图片取像素平均值，获得所述样本图片的图片投影图。
188.可选的，所述根据所述切分点确定所述样本图片的切分点热图之后，还包括：
189.根据所述切分点热图确定所述样本图片的切分图。
190.可选的，所述根据所述切分点热图确定所述样本图片的切分图之后，还包括：
191.基于所述第一识别结果的位置图像确定所述切分图中的局部识别结果；
192.将所述切分图中的局部识别结果确定为所述切分图对应的样本标签。
193.可选的，所述获得所述识别模型之后，还包括：
194.基于所述切分图以及所述切分图对应的样本标签对所述识别模型进行继续训练。
195.本说明书实施例提供的所述切分模型的训练方法的技术方案与上述实施例的识别方法中的切分模型的训练方法的技术方案属于同一构思，本实施例提供的所述切分模型的训练方法的技术方案未详细描述的细节内容，均可以参见上述实施例的识别方法中的切分模型的训练方法的技术方案的描述，在此不做赘述。
196.本说明书实施例提供的所述切分模型的训练方法，实现了一种基于图片信息和注意力图(即图片中内容的位置图像)的长表达式切分点选择，以及基于该切分点实现图片切分的方法，可以自动从训练样本图片中的长表达式上提取出切分点，以将长表达式切分为一系列语义完备的多个子表达式，使得后续训练后的切分模型可以对包含长表达式的图片进行合理高效的切分，从而大大降低了注意力机制的识别难度，提高了对长表达式的识别性能。
197.参见图5，图5示出了根据本说明书一个实施例提供的一种识别方法的具体处理过程示意图。
198.步骤一：基于输入图片和输入图片的对应标签训练基于注意力机制的识别模型，以使得该识别模型可以输出每个输入图片的识别结果以及每个识别结果的注意力图(即上述实施例的位置图像)。
199.步骤二：基于输入图片、每个输入图片的对应标签、识别结果以及识别结果的注意力图对切分点进行分析，以确定切分点。
200.步骤三：根据该切分点对样本图片进行切分，获取切分图1、切分图2以及切分点热图。
201.步骤四：基于切分图1、切分图2中的识别结果的注意力图确定切分图1的重对齐标签1，切分图2的重对其标签2。
202.步骤五：基于切分图1、重对齐标签1以及切分图、重对其标签2对基于注意力机制的识别模型进行继续训练，基于输入图片以及切分点热图对预切分网络进行训练，以获得切分模型。
203.本说明书实施例提供的所述识别方法，无需对输入图片中包含的表达式的字符级别监督，切分图的标签由原输入图片的标签重对齐生成，大大降低了标注量，且本说明书实施例的识别方法无需对注意力机制的建模做修改，直接从数据层面根本上解决问题，且提出了一个与识别模型无关的预切分网络(即切分模型)自动将输入图片中的长表达式切段，即解决了输入图片中长表达式识别困难的问题，又保证了注意力机制在短表达式上的性能；在包含长数据表达式的输入图片的训练集中，本说明书实施例的识别方法自动挖掘训练集中可切分的长样本并迭代训练，最终可以在超过20个字符的长表达式上有1.5％至2％的提升。
204.参见图6，图6示出了根据本说明书一个实施例提供的一种识别方法中确定切分点热图以及重对齐标签的流程图，具体包括以下步骤：
205.步骤602：输入图片。
206.其中，图片可以理解为包含长数学表达式的图片。
207.步骤604：获取图片的水平投影图。
208.具体的，对输入的图片做腐蚀、二值化等图形学操作，对二值化后的图片的像素值水平方向上取像素均值，以获得图片的水平投影图(即上述实施例的图片投影图)。
209.步骤606：将图片输入训练好的识别模型，获得图片的识别结果以及识别结果的注意力图。
210.步骤608：判断图片的识别结果是否正确，若是，则执行步骤610。
211.步骤610：基于图片的识别结果选择备选字符。
212.步骤612：基于识别结果的注意力图确定备选字符的位置以及备选字符的注意力图。
213.步骤614：根据备选字符的注意力图与水平投影图确定切分点。
214.具体的，将水平投影图上被备选字符的注意力图覆盖的断点作为切分点。
215.步骤616：基于切分点对图片进行切分，并生成切分点热图。
216.步骤618：获得图片的切分图以及切分点热图。
217.步骤620：根据切分图以及图片的识别结果对标签进行重对齐。
218.步骤622：获得切分图的重对齐标签。
219.本说明书实施例中，基于图片的水平投影图、注意力图、识别结果以及标签等准确的确定出图片的切分点，然后根据该切分点获取图片的切分图、切分点热图以及重对齐标签等，后续可以基于图片与对应的切分点热图对切分模型进行训练，以保证训练获得的切分模型可以对图片中的长数学表达式进行准确的切分，以及基于切分图以及对应的重对齐标签对识别模型进行训练，有效丰富原识别模型的语义。
220.参见图7，图7示出了根据本说明书一个实施例提供的第二种识别方法的流程图，包括如下步骤：
221.步骤702：基于用户的调用请求为所述用户展示图像输入界面。
222.具体的，在接收用户的调用请求的情况下，根据该调用请求确定图像输入界面，且将该图像输入界面展示给用户，用户可以通过该图像输入界面进行待识别图片的输入。
223.实际应用中，用户包括但不限于商户或者个体用户等。
224.步骤704：接收所述用户基于所述图像输入界面输入的待识别图片。
225.步骤706：将所述待识别图片输入切分模型，获得所述待识别图片的切分图。
226.步骤708：将所述切分图输入识别模型，获得所述切分图的初始识别结果。
227.步骤710：基于所述初始识别结果确定所述待识别图片的目标识别结果，并将所述目标识别结果返回给所述用户。
228.需要说明的是，本说明书实施例提供的第二种识别方法的技术方案与上述第一种识别方法的技术方案属于同一构思，本实施例提供的所述识别方法的技术方案未详细描述的细节内容，均可以参见上述实施例的识别方法的技术方案的描述，在此不做赘述。
229.本说明书实施例提供的所述识别方法，实现了一种对包含长表达式的图片进行自动寻找切分点切分为切分图，且为切分图确定标签(即重对齐标签)的方案，使用该方法得到的切分图和重对齐标签对识别模型进行继续训练，可以有效丰富原识别模型的语义；并且所述识别方法提出了一种切分模型，通过该切分模型利用确定的切分点热图进行训练，后续基于该训练后的切分模型可以准确的确定图片中切分点的信息，以实现对图片的快
速、准确的切分。
230.参见图8，图8示出了根据本说明书一个实施例提供的第三种识别方法的流程图，包括如下步骤：
231.步骤802：接收用户发送的调用请求，其中，所述调用请求中携带待识别图片。
232.步骤804：将所述待识别图片输入切分模型，获得所述待识别图片的切分图。
233.步骤806：将所述切分图输入识别模型，获得所述切分图的初始识别结果。
234.步骤808：基于所述初始识别结果确定所述待识别图片的目标识别结果，并将所述目标识别结果返回给所述用户。
235.实际应用中，所述识别方法应用于本地服务端，且为用户提供api接口，在接收到用户发送的api调用请求后，基于用户的调用请求中携带的待识别图片，通过所述识别方法快速准确的获得待识别图片的目标识别结果，并将所述目标识别结果返回给所述用户，以提升用户体验。
236.需要说明的是，本说明书实施例提供的第三种识别方法的技术方案与上述第一种识别方法的技术方案属于同一构思，本实施例提供的所述识别方法的技术方案未详细描述的细节内容，均可以参见上述实施例的识别方法的技术方案的描述，在此不做赘述。
237.本说明书实施例提供的所述识别方法，实现了一种对包含长表达式的图片进行自动寻找切分点切分为切分图，且为切分图确定标签(即重对齐标签)的方案，使用该方法得到的切分图和重对齐标签对识别模型进行继续训练，可以有效丰富原识别模型的语义；并且所述识别方法提出了一种切分模型，通过该切分模型利用确定的切分点热图进行训练，后续基于该训练后的切分模型可以准确的确定图片中切分点的信息，以实现对图片的快速、准确的切分。
238.与上述方法实施例相对应，本说明书还提供了第一种识别装置实施例，图9示出了本说明书一个实施例提供的第一种识别装置的结构示意图。如图9所示，该装置包括：
239.第一获取模块902，被配置为获取待识别图片；
240.第一获得模块904，被配置为将所述待识别图片输入切分模型，获得所述待识别图片的切分图；
241.第二获得模块906，被配置为将所述切分图输入识别模型，获得所述切分图的初始识别结果；
242.第一确定模块908，被配置为基于所述初始识别结果确定所述待识别图片的目标识别结果；
243.其中，所述切分模型适用于对所述待识别图片进行切分，并输出所述待识别图片的切分图，
244.所述识别模型适用于对所述切分图进行识别，并输出所述切分图的初始识别结果。
245.可选的，第一获得模块904，进一步被配置为，对所述切分模型进行训练，所述切分模型的训练方法包括：
246.获取样本图片；
247.将所述样本图片输入识别模型，获得所述样本图片的第一识别结果以及所述第一识别结果的位置图像；
248.对所述样本图片进行预处理，获得所述样本图片的图片投影图；
249.根据所述第一识别结果、位置图像以及图片投影图确定所述样本图片的切分点热图；
250.基于所述样本图片以及所述样本图片的切分点热图对初始切分模型进行训练，获得所述切分模型，其中，所述切分模型输出所述样本图片的切分图。
251.可选的，所述第二获得模块906，进一步被配置为，对所述识别模型进行训练，所述识别模型的训练方法包括：
252.获取所述样本图片以及所述样本图片对应的样本标签；
253.构建基于注意力机制的初始识别模型；
254.基于所述样本图片以及所述样本图片对应的样本标签对所述初始识别模型进行训练，获得所述识别模型，其中，所述识别模型输出所述样本图片的第一识别结果以及所述第一识别结果的位置图像。
255.可选的，所述第二获得模块906，进一步被配置为：
256.根据所述第一识别结果确定备选字符，以及基于所述位置图像确定所述备选字符的位置图像；
257.基于所述备选字符的位置图像与所述图片投影图的关联关系确定所述样本图片的切分点；
258.根据所述切分点确定所述样本图片的切分点热图。
259.可选的，所述第二获得模块906，进一步被配置为：
260.判断所述第一识别结果是否为所述样本图片的目标识别结果，若是，则根据所述第一识别结果确定备选字符。
261.可选的，所述第二获得模块906，进一步被配置为：
262.将所述备选字符的位置图像与所述图片投影图重叠，且将重叠部分的最后一个断点确定为所述样本图片的切分点。
263.可选的，所述第二获得模块906，进一步被配置为：
264.对所述样本图片进行腐蚀、二值化处理，获得二值化后的样本图片；
265.在水平方向上对所述二值化后的样本图片取像素平均值，获得所述样本图片的图片投影图。
266.可选的，所述装置，还包括：
267.第四确定模块，被配置为根据所述切分点热图确定所述样本图片的切分图。
268.可选的，所述装置，还包括：
269.第五确定模块，被配置为基于所述第一识别结果的位置图像确定所述切分图中的局部识别结果；
270.第六确定模块，被配置为将所述切分图中的局部识别结果确定为所述切分图对应的样本标签。
271.可选的，所述装置，还包括：
272.第一训练模块，被配置为基于所述切分图以及所述切分图对应的样本标签对所述识别模型进行继续训练。
273.可选的，所述第一确定模块908，进一步被配置为：
274.将所述初始识别结果进行顺序连接，以生成所述待识别图片的目标识别结果。
275.可选的，所述待识别图片中包括数学表达式、化学表达式或物理表达式。
276.本说明书实施例提供的所述识别装置，实现了一种对包含长表达式的图片进行自动寻找切分点切分为切分图，且为切分图确定标签(即重对齐标签)的方案，使用该方法得到的切分图和重对齐标签对识别模型进行继续训练，可以有效丰富原识别模型的语义；并且所述识别方法提出了一种切分模型，通过该切分模型利用确定的切分点热图进行训练，后续基于该训练后的切分模型可以准确的确定图片中切分点的信息，以实现对图片的快速、准确的切分。
277.上述为本实施例的第一种识别装置的示意性方案。需要说明的是，该识别装置的技术方案与上述的第一种识别方法的技术方案属于同一构思，识别装置的技术方案未详细描述的细节内容，均可以参见上述第一种识别方法的技术方案的描述。
278.与上述方法实施例相对应，本说明书还提供了一种切分模型的训练装置实施例，图10示出了本说明书一个实施例提供的一种切分模型的训练装置的结构示意图。如图10所示，该装置包括：
279.第二获取模块1002，被配置为获取样本图片；
280.第三获得模块1004，被配置为将所述样本图片输入识别模型，获得所述样本图片的第一识别结果以及所述第一识别结果的位置图像；
281.第四获得模块1006，被配置为对所述样本图片进行预处理，获得所述样本图片的图片投影图；
282.第二确定模块1008，被配置为根据所述第一识别结果、位置图像以及图片投影图确定所述样本图片的切分点热图；
283.第五获得模块1010，被配置为基于所述样本图片以及所述样本图片的切分点热图对初始切分模型进行训练，获得所述切分模型，其中，所述切分模型输出所述样本图片的切分图。
284.可选的，所述第三获得模块1004，进一步被配置为，对所述识别模型进行训练，所述识别模型的训练方法包括：
285.获取所述样本图片以及所述样本图片对应的样本标签；
286.构建基于注意力机制的初始识别模型；
287.基于所述样本图片以及所述样本图片对应的样本标签对所述初始识别模型进行训练，获得所述识别模型，其中，所述识别模型输出所述样本图片的第一识别结果以及所述第一识别结果的位置图像。
288.可选的，所述第二确定模块1008，进一步被配置为：
289.根据所述第一识别结果确定备选字符，以及基于所述位置图像确定所述备选字符的位置图像；
290.基于所述备选字符的位置图像与所述图片投影图的关联关系确定所述样本图片的切分点；
291.根据所述切分点确定所述样本图片的切分点热图。
292.可选的，所述第二确定模块1008，进一步被配置为：
293.判断所述第一识别结果是否为所述样本图片的目标识别结果，若是，则根据所述
第一识别结果确定备选字符。
294.可选的，所述第二确定模块1008，进一步被配置为：
295.将所述备选字符的位置图像与所述图片投影图重叠，且将重叠部分的最后一个断点确定为所述样本图片的切分点。
296.可选的，所述第四获得模块1006，被配置为：
297.对所述样本图片进行腐蚀、二值化处理，获得二值化后的样本图片；
298.在水平方向上对所述二值化后的样本图片取像素平均值，获得所述样本图片的图片投影图。
299.可选的，所述装置，还包括：
300.第七确定模块，被配置为根据所述切分点热图确定所述样本图片的切分图。
301.可选的，所述装置，还包括：
302.第八确定模块，被配置为基于所述第一识别结果的位置图像确定所述切分图中的局部识别结果；
303.第九确定模块，被配置为将所述切分图中的局部识别结果确定为所述切分图对应的样本标签。
304.可选的，所述装置，还包括：
305.第二训练模块，被配置为基于所述切分图以及所述切分图对应的样本标签对所述识别模型进行继续训练。
306.本说明书实施例提供的所述切分模型的训练装置，实现了一种基于图片信息和注意力图(即图片中内容的位置图像)的长表达式切分点选择，以及基于该切分点实现图片切分的方法，可以自动从训练样本图片中的长表达式上提取出切分点，以将长表达式切分为一系列语义完备的多个子表达式，使得后续训练后的切分模型可以对包含长表达式的图片进行合理高效的切分，从而大大降低了注意力机制的识别难度，提高了对长表达式的识别性能。
307.上述为本实施例的一种切分模型的训练装置的示意性方案。需要说明的是，该切分模型的训练装置的技术方案与上述的切分模型的训练方法的技术方案属于同一构思，切分模型的训练装置的技术方案未详细描述的细节内容，均可以参见上述切分模型的训练方法的技术方案的描述。
308.与上述方法实施例相对应，本说明书还提供了第二种识别装置实施例，图11示出了本说明书一个实施例提供的第二种识别装置的结构示意图。如图11所示，该装置包括：
309.界面展示模块1102，被配置为基于用户的调用请求为所述用户展示图像输入界面；
310.第一接收模块1104，被配置为接收所述用户基于所述图像输入界面输入的待识别图片；
311.第六获得模块1106，被配置为将所述待识别图片输入切分模型，获得所述待识别图片的切分图；
312.第七获得模块1108，被配置为将所述切分图输入识别模型，获得所述切分图的初始识别结果；
313.第三确定模块1110，被配置为基于所述初始识别结果确定所述待识别图片的目标
识别结果，并将所述目标识别结果返回给所述用户。
314.本说明书实施例提供的所述识别装置，实现了一种对包含长表达式的图片进行自动寻找切分点切分为切分图，且为切分图确定标签(即重对齐标签)的方案，使用该方法得到的切分图和重对齐标签对识别模型进行继续训练，可以有效丰富原识别模型的语义；并且所述识别方法提出了一种切分模型，通过该切分模型利用确定的切分点热图进行训练，后续基于该训练后的切分模型可以准确的确定图片中切分点的信息，以实现对图片的快速、准确的切分。
315.上述为本实施例的第二种识别装置的示意性方案。需要说明的是，该识别装置的技术方案与上述的第二种识别方法的技术方案属于同一构思，识别装置的技术方案未详细描述的细节内容，均可以参见上述第二种识别方法的技术方案的描述。
316.与上述方法实施例相对应，本说明书还提供了第三种识别装置实施例，图12示出了本说明书一个实施例提供的第三种识别装置的结构示意图。如图12所示，该装置包括：
317.第二接收模块1202，被配置为接收用户发送的调用请求，其中，所述调用请求中携带待识别图片；
318.第八获得模块1204，被配置为将所述待识别图片输入切分模型，获得所述待识别图片的切分图；
319.第九获得模块1206，被配置为将所述切分图输入识别模型，获得所述切分图的初始识别结果；
320.第三确定模块1208，被配置为基于所述初始识别结果确定所述待识别图片的目标识别结果，并将所述目标识别结果返回给所述用户。
321.本说明书实施例提供的所述识别装置，实现了一种对包含长表达式的图片进行自动寻找切分点切分为切分图，且为切分图确定标签(即重对齐标签)的方案，使用该方法得到的切分图和重对齐标签对识别模型进行继续训练，可以有效丰富原识别模型的语义；并且所述识别方法提出了一种切分模型，通过该切分模型利用确定的切分点热图进行训练，后续基于该训练后的切分模型可以准确的确定图片中切分点的信息，以实现对图片的快速、准确的切分。
322.上述为本实施例的第三种识别装置的示意性方案。需要说明的是，该识别装置的技术方案与上述的第三种识别方法的技术方案属于同一构思，识别装置的技术方案未详细描述的细节内容，均可以参见上述第三种识别方法的技术方案的描述。
323.图13示出了根据本说明书一个实施例提供的一种计算设备1300的结构框图。该计算设备1300的部件包括但不限于存储器1310和处理器1320。处理器1320与存储器1310通过总线1330相连接，数据库1350用于保存数据。
324.计算设备1300还包括接入设备1340，接入设备1340使得计算设备1300能够经由一个或多个网络1360通信。这些网络的示例包括公用交换电话网(pstn)、局域网(lan)、广域网(wan)、个域网(pan)或诸如因特网的通信网络的组合。接入设备1340可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(nic))中的一个或多个，诸如ieee802.11无线局域网(wlan)无线接口、全球微波互联接入(wi-max)接口、以太网接口、通用串行总线(usb)接口、蜂窝网络接口、蓝牙接口、近场通信(nfc)接口，等等。
325.在本说明书的一个实施例中，计算设备1300的上述部件以及图13中未示出的其他
部件也可以彼此相连接，例如通过总线。应当理解，图13所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
326.计算设备1300可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或pc的静止计算设备。计算设备1300还可以是移动式或静止式的服务器。
327.其中，处理器1320用于执行如下计算机可执行指令，其中，所述处理器执行所述计算机可执行指令时实现所述识别方法或所述切分模型的训练方法的步骤。
328.上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的所述识别方法或所述切分模型的训练方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述所述识别方法或所述切分模型的训练方法的技术方案的描述。
329.本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现所述识别方法或所述切分模型的训练方法的步骤。
330.上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的所述识别方法或所述切分模型的训练方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述所述识别方法或所述切分模型的训练方法的技术方案的描述。
331.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
332.所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
333.需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书实施例并不受所描述的动作顺序的限制，因为依据本说明书实施例，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书实施例所必须的。
334.在上述实施例中，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，可以参见其它实施例的相关描述。
335.以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书实施例的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书实施例的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。