基于多时相图像的灾情评估方法及装置与流程

1.本发明涉及灾情评估技术领域，尤指一种基于多时相图像的灾情评估方法及装置。


背景技术：

2.洪灾、山火、地震之类的自然灾害，总是威胁着人们的生命财产安全。现实生活中，一种自然灾害往往会造成多种灾情。以洪涝灾害为例，其在地域分布上的广泛性和时间上的频发性，致使洪涝灾害在各种自然灾害中经济损失程度最高，道路、铁路、桥梁、电力和天然气线路等公共设施均会遭到不同程度的毁坏，还可能进一步造成泥石流或山体滑坡、建筑物或者大坝倒塌等。
3.对于自然灾害，现场应急小组减少反应时间，迅速响应、采取行动，对于减少损失和挽救生命至关重要。此外，为了更好地在受灾地区部署资源，应急人员必须了解损失的确切位置和严重性，这些同样重要。目前，应急人员通常通过人力观察卫星图像的方法，来评估灾害损坏程度，但评估过程可能要花费数小时之久，这对于抢救工作极为不利。
4.目前常见的地面监测体系受限于覆盖率与便捷度，无法满足更精细化的监控需求，存在覆盖率和便捷度不足的问题。如今，无人机、卫星遥感都被引用到了灾害救援和灾后重建工作中。其中，卫星遥感技术成为一种必要的补充，其高重复频率和大范围同步的信息采集能力，更大限度地填补过往监控的空白部分，为目标区域的受灾范围、程度等指标提供辐射面更广、更准确的实时数据。
5.但是，现有的基于神经网络的灾情评估方法，仅依赖于灾后图像记性训练，不能获取灾情前后差异信息，对于卫星图像来说范围太广，无法对复杂灾情进行准确的评估预测，难以为工作人员提供有效建议。


技术实现要素：

6.针对现有技术中存在的问题，本发明实施例的主要目的在于提供一种基于多时相图像的灾情评估方法及装置，提升灾情预测准确率。
7.为了实现上述目的，本发明实施例提供一种基于多时相图像的灾情评估方法，所述方法包括：
8.获取历史灾前图像及历史灾后图像，将所述历史灾前图像及历史灾后图像输入至预设的初始评估模型中进行处理，得到灾情预测结果；
9.根据所述灾情预测结果，对所述初始评估模型进行更新，得到灾情评估模型；
10.将获取的实际灾前图像及实际灾后图像输入至所述灾情评估模型中进行处理，得到灾情评估结果。
11.可选的，在本发明一实施例中，所述初始评估模型包括初始特征模型及初始语义模型。
12.可选的，在本发明一实施例中，所述将所述历史灾前图像及历史灾后图像输入至
预设的初始评估模型中进行处理，得到灾情预测结果包括：
13.将所述历史灾前图像及历史灾后图像输入至预设的初始特征模型中进行处理，得到所述历史灾前图像对应的第一特征图，以及所述历史灾后图像对应的第二特征图；
14.利用通道拼接方式，对所述第一特征图及所述第二特征图进行拼接，得到特征拼接图；
15.将所述特征拼接图输入至预设的初始语义模型中进行处理，得到所述灾情预测结果。
16.可选的，在本发明一实施例中，所述灾情预测结果包括所述特征拼接图中每一像素坐标对应的灾情预测等级。
17.可选的，在本发明一实施例中，所述根据所述灾情预测结果，对所述初始评估模型进行更新，得到灾情评估模型包括：
18.根据所述灾情评估结果及预设的损失函数，对所述初始特征模型及所述初始语义模型进行更新，得到特征提取模型及语义分割模型，并将所述特征提取模型及语义分割模型作为所述灾情评估模型。
19.可选的，在本发明一实施例中，所述将获取的实际灾前图像及实际灾后图像输入至所述灾情评估模型中进行处理，得到灾情评估结果包括：
20.将获取的实际灾前图像及实际灾后图像输入至所述特征提取模型中进行处理，得到灾前特征图及灾后特征图；
21.对所述灾前特征图及灾后特征图进行特征图拼接处理，得到的灾情特征图；
22.将所述灾情特征图输入至所述语义分割模型中进行处理，得到所述灾情评估结果；其中，所述灾情评估结果包括所述灾情特征图中每一像素坐标对应的灾情预测等级。
23.本发明实施例还提供一种基于多时相图像的灾情评估装置，所述装置包括：
24.历史图像模块，用于获取历史灾前图像及历史灾后图像，将所述历史灾前图像及历史灾后图像输入至预设的初始评估模型中进行处理，得到灾情预测结果；
25.评估模型模块，用于根据所述灾情预测结果，对所述初始评估模型进行更新，得到灾情评估模型；
26.评估结果模块，用于将获取的实际灾前图像及实际灾后图像输入至所述灾情评估模型中进行处理，得到灾情评估结果。
27.可选的，在本发明一实施例中，所述初始评估模型包括初始特征模型及初始语义模型。
28.可选的，在本发明一实施例中，所述历史图像模块包括：
29.特征图单元，用于将所述历史灾前图像及历史灾后图像输入至预设的初始特征模型中进行处理，得到所述历史灾前图像对应的第一特征图，以及所述历史灾后图像对应的第二特征图；
30.图像拼接单元，用于利用通道拼接方式，对所述第一特征图及所述第二特征图进行拼接，得到特征拼接图；
31.预测结果单元，用于将所述特征拼接图输入至预设的初始语义模型中进行处理，得到所述灾情预测结果；其中，所述灾情预测结果包括所述特征拼接图中每一像素坐标对应的灾情预测等级。
32.可选的，在本发明一实施例中，所述评估模型模块还用于根据所述灾情评估结果及预设的损失函数，对所述初始特征模型及所述初始语义模型进行更新，得到特征提取模型及语义分割模型，并将所述特征提取模型及语义分割模型作为所述灾情评估模型。
33.可选的，在本发明一实施例中，所述评估结果模块包括：
34.特征提取单元，用于将获取的实际灾前图像及实际灾后图像输入至所述特征提取模型中进行处理，得到灾前特征图及灾后特征图；
35.灾情特征图单元，用于对所述灾前特征图及灾后特征图进行特征图拼接处理，得到的灾情特征图；
36.评估结果单元，用于将所述灾情特征图输入至所述语义分割模型中进行处理，得到所述灾情评估结果；其中，所述灾情评估结果包括所述灾情特征图中每一像素坐标对应的灾情预测等级。
37.本发明还提供一种电子设备，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上述方法。
38.本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
39.本发明通过同时使用灾前卫星图像和灾后卫星图像来训练模型，使得灾情评估模型可以有效提取前后差异，提升对复杂灾情的评估预测准确率，为工作人员提供有效参考。
附图说明
40.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，下面描述中的附图仅仅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。
41.图1为本发明实施例一种基于多时相图像的灾情评估方法的流程图；
42.图2为本发明实施例中得到灾情预测结果的流程图；
43.图3为本发明实施例中得到灾情评估结果的流程图；
44.图4为本发明实施例中模型训练过程的示意图；
45.图5为本发明实施例中模型应用过程的示意图；
46.图6为本发明实施例一种基于多时相图像的灾情评估装置的结构示意图；
47.图7为本发明实施例中历史图像模块的结构示意图；
48.图8为本发明实施例中评估结果模块的结构示意图；
49.图9为本发明一实施例所提供的电子设备的结构示意图。
具体实施方式
50.本发明实施例提供一种基于多时相图像的灾情评估方法及装置，可用于金融领域及其他领域，需要说明的是，本发明的基于多时相图像的灾情评估方法及装置可用于金融领域，也可用于除金融领域之外的任意领域，本发明的基于多时相图像的灾情评估方法及装置应用领域不做限定。
51.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、完
整地描述，显然，所描述的实施例仅仅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作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。
52.随着卫星遥感技术的快速发展，可用于灾害生态影响评估监测的数据源也越来越丰富，由于灾害类型不一，其适用的卫星数据也不同。对于气象灾害，大多发生在大尺度的空间范围内，可采用modis、风云等公里分辨率的卫星数据；针对森林、草地等自然生态系统发生的火灾等，可采用环境一号卫星14、landsat卫星、高分一号宽覆盖卫星等15～30m空间分辨率的卫星数据；对于地质灾害而言，由于其发生的空间范围较小，则需要采用10m以内空间分辨率的卫星数据，还有米级亚米级分辨率数据，如quickbird、worldview等卫星数据。同时，由于无人机的灵活性，不受运行轨道的限制，可以快速获取灾区实时的高分辨率遥感数据，可以非常清晰地获得灾区现状信息，同时飞行高度较低，不受云的影响，已成为灾害应急监测中的一个重要数据源。
53.由于现有灾情评估方法对于每张图像仅能输出一个预测值，对于卫星图像来说范围太广，难以为工作人员提供有效建议，缺少更精确位置的灾情评估。现有灾后评估方法大多针对单一灾情进行严重程度的评估，缺少对复杂灾情的评估，实际应用价值不高。事实上，多种灾情往往是并发的，例如暴雨灾害来临时，不仅会造成水位上升，还可能进一步造成泥石流或山体滑坡、建筑物或者大坝倒塌等。
54.仅使用灾后卫星图像训练出的模型，不能有效提取灾情前后差异信息，在准确率上有很大的提升空间。另外，卫星图像的实际范围比较大，现有方法往往是对一张照片输出一个标签，是粗粒度的预测，无法精确识别受灾位置。
55.针对以上两个问题，本技术提出同时使用灾前卫星图像和灾后卫星图像来训练模型，使得神经网络可以有效提取前后差异，提升预测准确率。同时，本技术还采取语义分割模型，对卫星图像的每一个像素点输出一个标签(即灾害程度)，输出的预测结果更精确。如图1所示为本发明实施例一种基于多时相图像的灾情评估方法的流程图，本发明实施例提供的基于多时相图像的灾情评估方法的执行主体包括但不限于计算机。本发明通过同时使用灾前卫星图像和灾后卫星图像来训练模型，使得灾情评估模型可以有效提取前后差异，提升对复杂灾情的评估预测准确率，为工作人员提供有效建议。图中所示方法包括：
56.步骤s1，获取历史灾前图像及历史灾后图像，将历史灾前图像及历史灾后图像输入至预设的初始评估模型中进行处理，得到灾情预测结果。
57.其中，本技术中的多时相图像指的是同时利用受灾前的图像和受灾后的图像。具体的，可以利用遥感技术，采用多源卫星遥感图像，将灾情前后采集到的卫星遥感图像作为历史灾前图像及历史灾后图像。
58.进一步的，预设的初始评估模型包括初始特征模型及初始语义模型。初始特征模型用于提取卫星遥感图像的特征图，初始语义模型为语义分隔模型，用于对卫星遥感图像的每一个像素点输出一个标签(即灾害程度)，以此输出准确的灾情评估结果。
59.进一步的，将已标注的历史灾前图像及历史灾后图像，输入至初始评估模型中进行模型训练，得到对应于历史卫星遥感图像的灾情预测结果。
60.步骤s2，根据灾情预测结果，对初始评估模型进行更新，得到灾情评估模型。
61.其中，灾情预测结果包括对应于图像各像素坐标的灾情预测等级，利用灾情预测
结果，对初始评估模型进行更新。具体的，采用交叉熵作为损失函数，模型训练过程中最小化损失函数来更新初始评估模型的权重，由此得到训练后的灾情评估模型。
62.步骤s3，将获取的实际灾前图像及实际灾后图像输入至灾情评估模型中进行处理，得到灾情评估结果。
63.其中，当实际发生灾情时，通过遥感技术，获取灾情发生前后的图像，即实际灾前图像及实际灾后图像。将实际灾前图像及实际灾后图像输入至训练好的灾情评估模型中，得到灾情评估结果。
64.进一步的，灾情评估结果包括对应于实际灾情卫星遥感图像各像素坐标的灾情预测等级，由此提高灾情评估的精确性、实时性和准确率，为工作人员提供有效的参考。
65.作为本发明的一个实施例，初始评估模型包括初始特征模型及初始语义模型。
66.在本实施例中，如图2所示，将历史灾前图像及历史灾后图像输入至预设的初始评估模型中进行处理，得到灾情预测结果包括：
67.步骤s21，将历史灾前图像及历史灾后图像输入至预设的初始特征模型中进行处理，得到历史灾前图像对应的第一特征图，以及历史灾后图像对应的第二特征图；
68.步骤s22，利用通道拼接方式，对第一特征图及所述第二特征图进行拼接，得到特征拼接图；
69.步骤s23，将特征拼接图输入至预设的初始语义模型中进行处理，得到灾情预测结果；其中，灾情预测结果包括所述特征拼接图中每一像素坐标对应的灾情预测等级。
70.其中，使用遥感技术，通过不同分辨率的卫星获取多数据源图像，结合机器学习算法，训练出具有实际应用价值的灾情评估模型，可以及时掌握复杂灾情的位置和程度，优化救援资源。使用不同时相的遥感图像，即将灾前和灾后的图像同时作为模型的输入训练模型，使用经典cnn特征提取网络u-net作为初始特征模型，语义分割网络作为初始语义模型，在每个像素级别上输出灾害等级。
71.进一步的，模型训练过程时同时输入历史灾前图像和历史灾后图像，针对像素级位置预测灾情等级。
72.具体的模型训练过程如图4所示，将历史灾前卫星图像和灾后卫星图像输入到同一个特征提取网络，即初始特征模型，图像尺寸大小可以为512*512*3。
73.特征提取网络可以采用resnet-50网络，去掉最后的池化层和全连接层，目的是有效提取多时相图像特征，输出的特征图尺寸为7*7*256。
74.特征图拼接采用特征图通道拼接，而非直接相加的方式。拼接后的特征图尺寸为7*7*512。
75.语义分割网络，即初始语义模型，可以采用经典的u-net网络，首先经过下采样，再经过上采样，最终输出512*512的矩阵。矩阵中每个坐标具有一个k维向量，即灾情等级预测概率的one-hot向量表示。此处，k是该场景下灾情种类等级，设为5，具体的含义如表1所示。
76.表1
77.灾情严重程度0(无)1(轻微)2(中等)3(严重)4(危机)
78.在本实施例中，根据灾情预测结果，对初始评估模型进行更新，得到灾情评估模型包括：根据灾情评估结果及预设的损失函数，对初始特征模型及初始语义模型进行更新，得到特征提取模型及语义分割模型，并将特征提取模型及语义分割模型作为灾情评估模型。
79.其中，利用损失函数对模型进行权重更新，具体的，采用交叉熵作为损失函数，训练过程中最小化损失函数，分别更新初始特征模型及初始语义模型的权重。由此得到特征提取模型及语义分割模型，并将特征提取模型及语义分割模型作为灾情评估模型。
80.在本实施例中，如图3所示，将获取的实际灾前图像及实际灾后图像输入至灾情评估模型中进行处理，得到灾情评估结果包括：
81.步骤s31，将获取的实际灾前图像及实际灾后图像输入至特征提取模型中进行处理，得到灾前特征图及灾后特征图；
82.步骤s32，对灾前特征图及灾后特征图进行特征图拼接处理，得到的灾情特征图；
83.步骤s33，将灾情特征图输入至所述语义分割模型中进行处理，得到灾情评估结果。
84.在本实施例中，灾情评估结果包括灾情特征图中每一像素坐标对应的灾情预测等级。
85.其中，模型的实际实用过程如图5所示，例如，在某城市遭遇暴雨灾害后，只需要将灾前灾后图像输入训练好的模型，即可得到每个像素点的灾情等级。具体的，在像素坐标为(19,29)的位置，灾害等级为3-严重，此时工作人员便需要优先派分更多的救灾人员到达此处。
86.本技术提升城市灾后评估的可靠性，将灾前遥感卫星图像和灾后遥感卫星图像同时作为输入、使用特征提取网络和语义分割网络，为每个像素点预测受灾程度，提高了精确性、实时性和准确率。减少图像分析时间，赢得与时间的赛跑，在精确位置上预测灾情等级。
87.本技术同时使用灾前卫星图像和灾后卫星图像，使用多类型灾情的图像训练集训练神经网络，输出结果是灾情严重程度和灾情类别。具体的，采用特征提取网络和语义分割网络，在像素级别上预测受灾程度，即对一张卫星图像的每个像素点都预测受灾程度，比现有模型更精确。现场应急小组可以缩短反应时间，迅速采取行动，对于减少损失和挽救生命至关重要。
88.如图6所示为本发明实施例一种基于多时相图像的灾情评估装置的结构示意图，图中所示装置包括：
89.历史图像模块10，用于获取历史灾前图像及历史灾后图像，将历史灾前图像及历史灾后图像输入至预设的初始评估模型中进行处理，得到灾情预测结果。
90.其中，本技术中的多时相图像指的是同时利用受灾前的图像和受灾后的图像。具体的，可以利用遥感技术，采用多源卫星遥感图像，将灾情前后采集到的卫星遥感图像作为历史灾前图像及历史灾后图像。
91.进一步的，预设的初始评估模型包括初始特征模型及初始语义模型。初始特征模型用于提取卫星遥感图像的特征图，初始语义模型为语义分隔模型，用于对卫星遥感图像的每一个像素点输出一个标签(即灾害程度)，以此输出准确的灾情评估结果。
92.进一步的，将已标注的历史灾前图像及历史灾后图像，输入至初始评估模型中进行模型训练，得到对应于历史卫星遥感图像的灾情预测结果。
93.评估模型模块20，用于根据灾情预测结果，对初始评估模型进行更新，得到灾情评估模型.
94.其中，灾情预测结果包括对应于图像各像素坐标的灾情预测等级，利用灾情预测
结果，对初始评估模型进行更新。具体的，采用交叉熵作为损失函数，模型训练过程中最小化损失函数来更新初始评估模型的权重，由此得到训练后的灾情评估模型。
95.评估结果模块30，用于将获取的实际灾前图像及实际灾后图像输入至灾情评估模型中进行处理，得到灾情评估结果。
96.其中，当实际发生灾情时，通过遥感技术，获取灾情发生前后的图像，即实际灾前图像及实际灾后图像。将实际灾前图像及实际灾后图像输入至训练好的灾情评估模型中，得到灾情评估结果。
97.进一步的，灾情评估结果包括对应于实际灾情卫星遥感图像各像素坐标的灾情预测等级，由此提高灾情评估的精确性、实时性和准确率，为工作人员提供有效的参考。
98.作为本发明的一个实施例，初始评估模型包括初始特征模型及初始语义模型。
99.在本实施例中，如图7所示，历史图像模块10包括：
100.特征图单元11，用于将历史灾前图像及历史灾后图像输入至预设的初始特征模型中进行处理，得到历史灾前图像对应的第一特征图，以及历史灾后图像对应的第二特征图；
101.图像拼接单元12，用于利用通道拼接方式，对第一特征图及第二特征图进行拼接，得到特征拼接图；
102.预测结果单元13，用于将特征拼接图输入至预设的初始语义模型中进行处理，得到灾情预测结果；其中，灾情预测结果包括特征拼接图中每一像素坐标对应的灾情预测等级。
103.在本实施例中，评估模型模块还用于根据灾情评估结果及预设的损失函数，对初始特征模型及初始语义模型进行更新，得到特征提取模型及语义分割模型，并将特征提取模型及语义分割模型作为灾情评估模型。
104.在本实施例中，如图8所示，评估结果模块30包括：
105.特征提取单元31，用于将获取的实际灾前图像及实际灾后图像输入至特征提取模型中进行处理，得到灾前特征图及灾后特征图；
106.灾情特征图单元32，用于对灾前特征图及灾后特征图进行特征图拼接处理，得到的灾情特征图；
107.评估结果单元33，用于将灾情特征图输入至语义分割模型中进行处理，得到灾情评估结果；其中，灾情评估结果包括灾情特征图中每一像素坐标对应的灾情预测等级。
108.基于与上述一种基于多时相图像的灾情评估方法相同的申请构思，本发明还提供了上述一种基于多时相图像的灾情评估装置。由于该一种基于多时相图像的灾情评估装置解决问题的原理与一种基于多时相图像的灾情评估方法相似，因此该一种基于多时相图像的灾情评估装置的实施可以参见一种基于多时相图像的灾情评估方法的实施，重复之处不再赘述。
109.本发明通过同时使用灾前卫星图像和灾后卫星图像来训练模型，使得灾情评估模型可以有效提取前后差异，提升对复杂灾情的评估预测准确率，为工作人员提供有效参考。
110.本发明还提供一种电子设备，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上述方法。
111.本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
112.如图9所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图9中所示的所有部件；此外，电子设备600还可以包括图9中没有示出的部件，可以参考现有技术。
113.如图9所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
114.其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
115.输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。
116.该存储器140可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
117.存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
118.通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
119.基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
120.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
121.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流
程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
122.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
123.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
124.本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。