一种渔业资源的密度智能识别方法及系统与流程

1.本发明涉及渔业资源监测领域，更具体的，涉及一种渔业资源的密度智能识别方法及系统。


背景技术：

2.海洋生态平衡是地球生态平衡的一个重要组成部分，保护海洋中渔业资源就显得尤为重要，只有科学合理化开发利用渔业资源才能实现可持续发展。在渔业资源的开发利用中，海域内渔业资源调查是不可或缺的环节之一，在渔业资源调查中渔业资源密度的判定大多是采用逐站拖网进行估算的等传统的方式进行，而传统的判定方式需要繁琐的步骤，同时需要大量的人力资源，因此对目标海域内渔业资源密度进行智能化识别就显得尤为重要。
3.为了对渔业资源的密度进行智能化识别，需要开发一款系统与之匹配进行实现，本系统包括通过获取目标海域的海洋环境信息提取环境特征；获取各渔业资源的适生条件与分布特征，将环境特征与适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对目标海域进行分区，建立渔业资源密度识别模型，生成目标海域渔业资源密度信息，并通过渔业资源数据库对目标海域的渔业资源进行监控，确保目标海域的渔业资源处于预设范围内。该系统实现过程中，如何生成各海域渔业资源密度信息及如何对目标海域的渔业资源进行监控都是亟不可待需要解决的问题。


技术实现要素：

4.为了解决上述技术问题，本发明提出了一种渔业资源的密度智能识别方法及系统。
5.本发明第一方面提供了一种渔业资源的密度智能识别方法，包括：
6.将目标海域划分为若干海域分区，获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征；
7.获取各种类渔业资源的适生条件及分布特征，将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类；
8.建立渔业资源密度识别模型，获取各海域分区渔业资源图像信息，通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成目标海域渔业资源密度信息；
9.建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控。
10.本方案中，所述的获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征，具体为：
11.获取所述海域分区的水文数据、海洋地理数据及海洋气象数据，并将获取的数据进行数据预处理；
12.将预处理后的数据进行提取特征，将所述特征进行融合构成多特征矩阵；
13.将所述海域分区预设编号信息，将所述多特征矩阵与预设编号信息进行匹配构建海域分区的环境多特征矩阵集合。
14.本方案中，所述的将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类，具体为：
15.根据各种类渔业资源的适生条件及分布特生成渔业资源特征矩阵集合，将所述渔业资源特征矩阵集合与海域分区的环境多特征矩阵集合进行相似度计算，生成各海域分区环境特征与渔业资源特征的相似度；
16.将各海域分区的相似度进行两两对比，获取各海域分区之间的相似度偏差信息；
17.预设相似度偏差信息阈值区间，将所述相似度偏差信息落在同一阈值区间的对应海域分区归为同一类型。
18.本方案中，所述的通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成各海域分区渔业资源密度信息，具体为：
19.基于神经网络建立渔业资源密度识别模型，获取各种类渔业资源图像信息构成样本集，将所述样本集分为训练集及测试集；
20.通过所述训练集对所述渔业资源密度识别模型进行初始化训练，通过所述测试集对初始化训练后的渔业资源密度识别模型进行验证，若初始化训练后的渔业资源密度识别模型的输出结果与测试集数据的误差小于预设误差阈值，则输出渔业资源密度识别模型；
21.通过所述渔业资源密度识别模型识别各海域分区渔业资源图像信息中渔业资源的数量信息，并将根据所述数量信息生成各海域分区的渔业资源分布；
22.将各海域分区的渔业资源分布进行聚合生成目标海域的渔业资源分布，同时生成密度图进行目标海域内渔业资源分布的可视化处理。
23.本方案中，所述的建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控，具体为：
24.将各海域分区内的渔业资源密度数据根据时序建立渔业资源密度时序数据序列，构建目标海域内的渔业资源数据库，将所述渔业资源密度时序数据序列存入所述渔业资源数据库；
25.根据季节因素通过大数据分析得到不同季节的渔业资源密度阈值，将目标海域内的渔业资源密度与所述渔业资源密度阈值进行对比分析；
26.若所述目标海域内的渔业资源密度小于所述渔业资源密度阈值，则生成预警信息，将所述预警信息按照预设方式进行显示，同时生成目标海域禁渔信息；
27.若所述目标海域内的渔业资源密度大于所述渔业资源密度阈值，则根据目标海域内的渔业资源密度规划合理的捕捞方案，并将所述捕捞方案按照预设方式进行显示。
28.本方案中，还包括：
29.获取目标海域各海域分区的类别信息，并根据所述各海域分区的类别信息生成目标海域内各海域分区的类别分布；
30.获取海域分区内渔业资源密度信息，根据同一类别中各海域分区的环境多特征矩阵生成各海域分区的特征值，计算各海域分区特征值的偏差率生成权重信息；
31.通过所述海域分区内渔业资源密度信息结合权重信息生成同一类别中其它海域分区的渔业资源密度信息；
32.根据同一类别下各海域分区的渔业资源密度信息生成目标海域同一类别海域分区的渔业资源分布，结合所述目标海域内各海域分区的类别分布生成目标海域的渔业资源分布。
33.本发明第二方面还提供了一种渔业资源的密度智能识别系统，该系统包括：存储器、处理器，所述存储器中包括一种渔业资源的密度智能识别方法程序，所述一种渔业资源的密度智能识别方法程序被所述处理器执行时实现如下步骤：
34.将目标海域划分为若干海域分区，获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征；
35.获取各种类渔业资源的适生条件及分布特征，将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类；
36.建立渔业资源密度识别模型，获取各海域分区渔业资源图像信息，通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成目标海域渔业资源密度信息；
37.建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控。
38.本方案中，所述的获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征，具体为：
39.获取所述海域分区的水文数据、海洋地理数据及海洋气象数据，并将获取的数据进行数据预处理；
40.将预处理后的数据进行提取特征，将所述特征进行融合构成多特征矩阵；
41.将所述海域分区预设编号信息，将所述多特征矩阵与预设编号信息进行匹配构建海域分区的环境多特征矩阵集合。
42.本方案中，所述的将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类，具体为：
43.根据各种类渔业资源的适生条件及分布特生成渔业资源特征矩阵集合，将所述渔业资源特征矩阵集合与海域分区的环境多特征矩阵集合进行相似度计算，生成各海域分区环境特征与渔业资源特征的相似度；
44.将各海域分区的相似度进行两两对比，获取各海域分区之间的相似度偏差信息；
45.预设相似度偏差信息阈值区间，将所述相似度偏差信息落在同一阈值区间的对应海域分区归为同一类型。
46.本方案中，所述的通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成各海域分区渔业资源密度信息，具体为：
47.基于神经网络建立渔业资源密度识别模型，获取各种类渔业资源图像信息构成样本集，将所述样本集分为训练集及测试集；
48.通过所述训练集对所述渔业资源密度识别模型进行初始化训练，通过所述测试集对初始化训练后的渔业资源密度识别模型进行验证，若初始化训练后的渔业资源密度识别模型的输出结果与测试集数据的误差小于预设误差阈值，则输出渔业资源密度识别模型；
49.通过所述渔业资源密度识别模型识别各海域分区渔业资源图像信息中渔业资源的数量信息，并将根据所述数量信息生成各海域分区的渔业资源分布；
50.将各海域分区的渔业资源分布进行聚合生成目标海域的渔业资源分布，同时生成
密度图进行目标海域内渔业资源分布的可视化处理。
51.本方案中，所述的建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控，具体为：
52.将各海域分区内的渔业资源密度数据根据时序建立渔业资源密度时序数据序列，构建目标海域内的渔业资源数据库，将所述渔业资源密度时序数据序列存入所述渔业资源数据库；
53.根据季节因素通过大数据分析得到不同季节的渔业资源密度阈值，将目标海域内的渔业资源密度与所述渔业资源密度阈值进行对比分析；
54.若所述目标海域内的渔业资源密度小于所述渔业资源密度阈值，则生成预警信息，将所述预警信息按照预设方式进行显示，同时生成目标海域禁渔信息；
55.若所述目标海域内的渔业资源密度大于所述渔业资源密度阈值，则根据目标海域内的渔业资源密度规划合理的捕捞方案，并将所述捕捞方案按照预设方式进行显示。
56.本方案中，还包括：
57.获取目标海域各海域分区的类别信息，并根据所述各海域分区的类别信息生成目标海域内各海域分区的类别分布；
58.获取海域分区内渔业资源密度信息，根据同一类别中各海域分区的环境多特征矩阵生成各海域分区的特征值，计算各海域分区特征值的偏差率生成权重信息；
59.通过所述海域分区内渔业资源密度信息结合权重信息生成同一类别中其它海域分区的渔业资源密度信息；
60.根据同一类别下各海域分区的渔业资源密度信息生成目标海域同一类别海域分区的渔业资源分布，结合所述目标海域内各海域分区的类别分布生成目标海域的渔业资源分布。
61.本发明第三方面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中包括一种渔业资源的密度智能识别方法程序，所述一种渔业资源的密度智能识别方法程序被处理器执行时，实现如上述任一项所述的一种渔业资源的密度智能识别方法的步骤。
62.本发明公开了一种渔业资源的密度智能识别方法及系统，涉及渔业资源监测领域，包括：获取目标海域的海洋环境信息，通过所述海洋环境信息提取环境特征；获取各渔业资源的适生条件，将所述环境特征与所述适生条件进行对比生成偏差信息，根据所述偏差信息对目标海域进行分区，建立渔业资源密度识别模型，获取各海域渔业资源图像信息，通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成目标海域渔业资源密度信息；建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控，确保目标海域的渔业资源处于预设范围内。本发明实现了目标海域内渔业资源的智能自动化检测，节约了人力资源，同时保证了识别精度。
附图说明
63.图1示出了本发明一种渔业资源的密度智能识别方法的流程图；
64.图2示出了本发明根据渔业资源图像信息生成各海域分区渔业资源密度信息的方法流程图；
65.图3示出了本发明一种渔业资源的密度智能识别系统的框图。
具体实施方式
66.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
67.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
68.图1示出了本发明一种渔业资源的密度智能识别方法的流程图。
69.如图1所示，本发明第一方面提供了一种渔业资源的密度智能识别方法，包括：
70.s102，将目标海域划分为若干海域分区，获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征；
71.s104，获取各种类渔业资源的适生条件及分布特征，将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类；
72.s106，建立渔业资源密度识别模型，获取各海域分区渔业资源图像信息，通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成目标海域渔业资源密度信息；
73.s108，建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控。
74.需要说明的是，所述的获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征，具体为：
75.获取所述海域分区的水文数据、海洋地理数据及海洋气象数据，并将获取的数据进行数据预处理；
76.将预处理后的数据进行提取特征，将所述特征进行融合构成多特征矩阵；
77.将所述海域分区预设编号信息，将所述多特征矩阵与预设编号信息进行匹配构建海域分区的环境多特征矩阵集合。
78.需要说明的是，所述的将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类，具体为：
79.根据各种类渔业资源的适生条件及分布特生成渔业资源特征矩阵集合，将所述渔业资源特征矩阵集合与海域分区的环境多特征矩阵集合进行相似度计算，生成各海域分区环境特征与渔业资源特征的相似度；
80.将各海域分区的相似度进行两两对比，获取各海域分区之间的相似度偏差信息；
81.预设相似度偏差信息阈值区间，将所述相似度偏差信息落在同一阈值区间的对应海域分区归为同一类型。
82.根据本发明实施例，所述的通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成各海域分区渔业资源密度信息，具体为：
83.s202，基于神经网络建立渔业资源密度识别模型，获取各种类渔业资源图像信息构成样本集，将所述样本集分为训练集及测试集；
84.s204，通过所述训练集对所述渔业资源密度识别模型进行初始化训练，通过所述测试集对初始化训练后的渔业资源密度识别模型进行验证；
85.s206，若初始化训练后的渔业资源密度识别模型的输出结果与测试集数据的误差小于预设误差阈值，则输出渔业资源密度识别模型；
86.s208，通过所述渔业资源密度识别模型识别各海域分区渔业资源图像信息中渔业资源的数量信息，并将根据所述数量信息生成各海域分区的渔业资源分布；
87.s210，将各海域分区的渔业资源分布进行聚合生成目标海域的渔业资源分布，同时生成密度图进行目标海域内渔业资源分布的可视化处理。
88.需要说明的是，因为海洋环境中的水质及浮游生物等问题，获取各海域分区渔业资源图像信息会出现模糊的情况，对采集到渔业资源图像信息进行增强预处理，进行图像的颜色校正及对比增强提高视觉质量，同时对海域分区渔业资源图像信息中的渔业资源进行人工标注，作为渔业资源密度识别模型训练集的部分数据。
89.需要说明的是，所述的建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控，具体为：
90.将各海域分区内的渔业资源密度数据根据时序建立渔业资源密度时序数据序列，构建目标海域内的渔业资源数据库，将所述渔业资源密度时序数据序列存入所述渔业资源数据库；
91.根据季节因素通过大数据分析得到不同季节的渔业资源密度阈值，将目标海域内的渔业资源密度与所述渔业资源密度阈值进行对比分析；
92.若所述目标海域内的渔业资源密度小于所述渔业资源密度阈值，则生成预警信息，将所述预警信息按照预设方式进行显示，同时生成目标海域禁渔信息；
93.若所述目标海域内的渔业资源密度大于所述渔业资源密度阈值，则根据目标海域内的渔业资源密度规划合理的捕捞方案，并将所述捕捞方案按照预设方式进行显示。
94.需要说明的是，本发明还包括，根据海域分区内渔业资源密度信息计算同一分类中海域分区的渔业资源分布，具体为：
95.获取目标海域各海域分区的类别信息，并根据所述各海域分区的类别信息生成目标海域内各海域分区的类别分布；
96.获取海域分区内渔业资源密度信息，根据同一类别中各海域分区的环境多特征矩阵生成各海域分区的特征值，计算各海域分区特征值的偏差率生成权重信息；
97.通过所述海域分区内渔业资源密度信息结合权重信息生成同一类别中其它海域分区的渔业资源密度信息；
98.根据同一类别下各海域分区的渔业资源密度信息生成目标海域同一类别海域分区的渔业资源分布，结合所述目标海域内各海域分区的类别分布生成目标海域的渔业资源分布。
99.根据本发明实施例，本发明还包括通过目标海域的渔业资源密度分布，生成智能化捕捞方案，具体为：
100.获取目标海域内渔业资源密度分布，根据所述渔业资源密度分布生成目标海域内各种类渔业资源的密度信息，判断所述密度信息是否大于各种类渔业资源的可捕标准；
101.若大于，则将所述密度信息与捕捞期长生成特征检索标签，根据所述特征检索标签建立大数据分析检索任务；
102.通过大数据分析获取与目标海域渔业资源密度及捕捞期长相似度大于预设阈值
的数据信息，并进行相似度排序，提取所述排序中前n位相应的捕捞方案；
103.将所述检索到的捕捞方案与目标海域进行匹配进行可行性分析，若所述可行性大于预设可行性阈值，则将所述捕捞方案进行标记；
104.将标记的捕捞方案通过专家系统生成目标区域内科学捕捞方案。
105.本发明第二方面还提供了一种渔业资源的密度智能识别系统3，该系统包括：存储器31、处理器32，所述存储器中包括一种渔业资源的密度智能识别方法程序，所述一种渔业资源的密度智能识别方法程序被所述处理器执行时实现如下步骤：
106.将目标海域划分为若干海域分区，获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征；
107.获取各种类渔业资源的适生条件及分布特征，将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类；
108.建立渔业资源密度识别模型，获取各海域分区渔业资源图像信息，通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成目标海域渔业资源密度信息；
109.建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控。
110.需要说明的是，所述的获取所述海域分区的海洋环境信息，通过所述海洋环境信息提取环境特征，具体为：
111.获取所述海域分区的水文数据、海洋地理数据及海洋气象数据，并将获取的数据进行数据预处理；
112.将预处理后的数据进行提取特征，将所述特征进行融合构成多特征矩阵；
113.将所述海域分区预设编号信息，将所述多特征矩阵与预设编号信息进行匹配构建海域分区的环境多特征矩阵集合。
114.需要说明的是，所述的将所述环境特征与所述适生条件及分布特征进行对比生成偏差信息，根据所述偏差信息对所述海域分区进行区分归类，具体为：
115.根据各种类渔业资源的适生条件及分布特生成渔业资源特征矩阵集合，将所述渔业资源特征矩阵集合与海域分区的环境多特征矩阵集合进行相似度计算，生成各海域分区环境特征与渔业资源特征的相似度；
116.将各海域分区的相似度进行两两对比，获取各海域分区之间的相似度偏差信息；
117.预设相似度偏差信息阈值区间，将所述相似度偏差信息落在同一阈值区间的对应海域分区归为同一类型。
118.根据本发明实施例，所述的通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成各海域分区渔业资源密度信息，具体为：
119.基于神经网络建立渔业资源密度识别模型，获取各种类渔业资源图像信息构成样本集，将所述样本集分为训练集及测试集；
120.通过所述训练集对所述渔业资源密度识别模型进行初始化训练，通过所述测试集对初始化训练后的渔业资源密度识别模型进行验证，若初始化训练后的渔业资源密度识别模型的输出结果与测试集数据的误差小于预设误差阈值，则输出渔业资源密度识别模型；
121.通过所述渔业资源密度识别模型识别各海域分区渔业资源图像信息中渔业资源的数量信息，并将根据所述数量信息生成各海域分区的渔业资源分布；
122.将各海域分区的渔业资源分布进行聚合生成目标海域的渔业资源分布，同时生成密度图进行目标海域内渔业资源分布的可视化处理。
123.需要说明的是，因为海洋环境中的水质及浮游生物等问题，获取各海域分区渔业资源图像信息会出现模糊的情况，对采集到渔业资源图像信息进行增强预处理，进行图像的颜色校正及对比增强提高视觉质量，同时对海域分区渔业资源图像信息中的渔业资源进行人工标注，作为渔业资源密度识别模型训练集的部分数据。
124.需要说明的是，所述的建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控，具体为：
125.将各海域分区内的渔业资源密度数据根据时序建立渔业资源密度时序数据序列，构建目标海域内的渔业资源数据库，将所述渔业资源密度时序数据序列存入所述渔业资源数据库；
126.根据季节因素通过大数据分析得到不同季节的渔业资源密度阈值，将目标海域内的渔业资源密度与所述渔业资源密度阈值进行对比分析；
127.若所述目标海域内的渔业资源密度小于所述渔业资源密度阈值，则生成预警信息，将所述预警信息按照预设方式进行显示，同时生成目标海域禁渔信息；
128.若所述目标海域内的渔业资源密度大于所述渔业资源密度阈值，则根据目标海域内的渔业资源密度规划合理的捕捞方案，并将所述捕捞方案按照预设方式进行显示。
129.需要说明的是，本发明还包括，根据海域分区内渔业资源密度信息计算同一分类中海域分区的渔业资源分布，具体为：
130.获取目标海域各海域分区的类别信息，并根据所述各海域分区的类别信息生成目标海域内各海域分区的类别分布；
131.获取海域分区内渔业资源密度信息，根据同一类别中各海域分区的环境多特征矩阵生成各海域分区的特征值，计算各海域分区特征值的偏差率生成权重信息；
132.通过所述海域分区内渔业资源密度信息结合权重信息生成同一类别中其它海域分区的渔业资源密度信息；
133.根据同一类别下各海域分区的渔业资源密度信息生成目标海域同一类别海域分区的渔业资源分布，结合所述目标海域内各海域分区的类别分布生成目标海域的渔业资源分布。
134.根据本发明实施例，本发明还包括通过目标海域的渔业资源密度分布，生成智能化捕捞方案，具体为：
135.获取目标海域内渔业资源密度分布，根据所述渔业资源密度分布生成目标海域内各种类渔业资源的密度信息，判断所述密度信息是否大于各种类渔业资源的可捕标准；
136.若大于，则将所述密度信息与捕捞期长生成特征检索标签，根据所述特征检索标签建立大数据分析检索任务；
137.通过大数据分析获取与目标海域渔业资源密度及捕捞期长相似度大于预设阈值的数据信息，并进行相似度排序，提取所述排序中前n位相应的捕捞方案；
138.将所述检索到的捕捞方案与目标海域进行匹配进行可行性分析，若所述可行性大于预设可行性阈值，则将所述捕捞方案进行标记；
139.将标记的捕捞方案通过专家系统生成目标区域内科学捕捞方案。
140.本发明第三方面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中包括一种渔业资源的密度智能识别方法程序，所述一种渔业资源的密度智能识别方法程序被处理器执行时，实现如上述任一项所述的一种渔业资源的密度智能识别方法的步骤。
141.本发明公开了一种渔业资源的密度智能识别方法及系统，涉及渔业资源监测领域，包括：获取目标海域的海洋环境信息，通过所述海洋环境信息提取环境特征；获取各渔业资源的适生条件，将所述环境特征与所述适生条件进行对比生成偏差信息，根据所述偏差信息对目标海域进行分区，建立渔业资源密度识别模型，获取各海域渔业资源图像信息，通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成目标海域渔业资源密度信息；建立目标海域内的渔业资源数据库，通过所述渔业资源数据库对目标海域的渔业资源进行监控，确保目标海域的渔业资源处于预设范围内。本发明实现了目标海域内渔业资源的智能自动化检测，节约了人力资源，同时保证了识别精度。
142.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
143.上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
144.另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
145.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
146.或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的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。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
147.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。