一种基于无人机高光谱的红树林生态健康评估系统的制作方法

1.本发明涉及图像识别技术领域，具体是涉及一种基于无人机高光谱的红树林生态健康评估系统。


背景技术：

2.红树林(mangrove)是生长在热带、亚热带海岸潮间带，由红树植物为主体的常绿乔木或灌木组成的湿地木本植物群落，在净化海水、防风消浪、固碳储碳、维护生物多样性等方面发挥着重要作用。红树林是热带、亚热带海岸带海陆交错区生产能力最高的海洋生态系统之一，在净化海水、防风消浪、维持生物多样性、固碳储碳等方面发挥着极为重要的作用。
3.红树林具有促淤造陆、防浪护堤、维持生物多样性等生态系统服务功能，由于不合理的人为开发活动，红树林空间分布破碎化增加。除了自然干扰外，越来越多的人为干扰在扰动红树林生态系统动态平衡，对红树林健康及生态服务造成不利影响。虽然政府不断尝试遏制这些人为干扰因素，进而达到保护红树林的目的，但是，红树林一旦受到干扰，适宜生长的土壤环境也会发生改变。
4.目前基于无人机遥感数据开展的红树林研究主要关注红树林植物的物种识别和生态信息提取，但是基于无人机的遥感监测技术，监测的数据不够全面，不能正确反映红树林的状态，对于红树林的生态健康评估也并不准确。


技术实现要素：

5.基于此，有必要针对现有技术问题，提供一种基于无人机高光谱的红树林生态健康评估系统及装置，以解决基于无人机的红树林生态健康监测的数据不够全面，不能正确反映红树林的状态，对于红树林的生态健康评估也并不准确的缺陷。
6.为解决现有技术问题，本发明采用的技术方案为：
7.本发明提供了一种基于无人机高光谱的红树林生态健康评估系统，该方法包括：
8.通过无人机获取目标红树林区域的光谱影像；
9.将所述光谱影像输入至红树林识别模型中，得到所述红树林识别模型输出的影像识别结果；所述红树林识别模型具有特征提取网络，所述红树林识别模型利用所述特征提取网络中的至少一个卷积层对所述光谱影像进行特征提取，得到所述光谱影像的特征；所述卷积层为全局特征提取卷积层和/或局部特征提取卷积层，每个所述卷积层均包括至少两个并行的卷积单元，且，所述卷积单元的卷积核尺寸不同；
10.确定原始植物数据和原始土壤数据；
11.基于所述原始植物数据、所述原始土壤数据和所述影像识别结果，得到目标红树林区域的生态健康评估结果。
12.可选的，所述基于所述原始植物数据、所述原始土壤数据和所述影像识别结果，得到目标红树林区域的生态健康评估结果，具体包括：
13.对所述原始植物数据以及所述原始土壤数据进行空间遥感反演，确定目标红树林区域的抵抗能力和重建能力；
14.基于所述抵抗能力、所述重建能力和所述影像识别结果，得到目标红树林区域的生态健康评估结果。
15.可选的，所述将所述光谱影像输入至红树林识别模型中，得到所述红树林识别模型输出的影像识别结果，具体包括：
16.将所述光谱影像输入至红树林识别模型中，得到所述红树林识别模型的所述特征提取网络输出的影像特征；
17.所述红树林识别模型确定所述影像特征中属于同一类别的特征，得到特征分类结果；
18.基于所述特征分类结果，得到所述影像识别结果；所述影像识别结果包括植物种类识别结果、动物种类识别结果和虫害识别结果。
19.可选的，所述特征提取网络的卷积层均为局部特征提取卷积层，所述将所述光谱影像输入至红树林识别模型中，得到所述红树林识别模型的所述特征提取网络输出的影像特征，具体包括：
20.利用局部区域的位置信息，从所述光谱影像中提取属于所述局部区域的图像；
21.基于所述局部区域的标签信息，将所述图像输入相应的局部特征提取层中，进行特征提取，并对同一卷积层提取出的特征进行特征融合，得到对应于同一标签信息的所述属性区域的特征；
22.基于所述属性区域的特征，得到所述红树林识别模型的所述特征提取网络输出的影像特征。
23.可选的，所述特征提取网络的卷积层均为全局特征提取卷积层，所述将所述光谱影像输入至红树林识别模型中，得到所述红树林识别模型的所述特征提取网络输出的影像特征，具体包括：
24.将所述光谱影像输入所述全局特征提取层中，得到所述红树林识别模型的所述特征提取网络输出的影像特征。
25.可选的，所述特征提取网络的卷积层为全局特征提取卷积层和局部特征提取卷积层，所述将所述光谱影像输入至红树林识别模型中，得到所述红树林识别模型的所述特征提取网络输出的影像特征，具体包括：
26.利用局部区域的位置信息，从所述光谱影像中提取属于所述局部区域的图像；
27.基于所述局部区域的标签信息，将所述图像输入相应的局部特征提取层中，进行特征提取，并对同一卷积层提取出的特征进行特征融合，得到对应于同一标签信息的所述属性区域的特征；
28.基于所述属性区域的特征，得到所述红树林识别模型的所述局部特征提取卷积层输出的局部影像特征；
29.将所述光谱影像输入所述全局特征提取层中，得到所述红树林识别模型的所述全局特征提取卷积层输出的全局影像特征；
30.拼接所述局部影像特征和所述全局影像特征，得到影像特征。
31.本发明还提供了一种基于无人机高光谱的红树林生态健康评估装置，该装置包
括：
32.第一确定模块，用于通过无人机获取目标红树林区域的光谱影像；
33.特征提取模块，用于将所述光谱影像输入至红树林识别模型中，得到所述红树林识别模型输出的影像识别结果；所述红树林识别模型具有特征提取网络，所述红树林识别模型利用所述特征提取网络中的至少一个卷积层对所述光谱影像进行特征提取，得到所述光谱影像的特征；所述卷积层为全局特征提取卷积层和/或局部特征提取卷积层，每个所述卷积层均包括至少两个并行的卷积单元，且，所述卷积单元的卷积核尺寸不同；
34.第二确定模块，用于确定原始植物数据和原始土壤数据；
35.生态评估模块，用于基于所述原始植物数据、所述原始土壤数据和所述影像识别结果，得到目标红树林区域的生态健康评估结果。
36.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如上述任一种所述基于无人机高光谱的红树林生态健康评估系统的步骤。
37.本发明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如上述任一种所述基于无人机高光谱的红树林生态健康评估系统的步骤。
38.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于无人机高光谱的红树林生态健康评估系统的步骤。
39.本技术相比较于现有技术的有益效果是：
40.基于无人机航拍的光谱影像，通过将多个不同尺寸的卷积核融合进了一个卷积层，可以在降低模型大小的同时，尽可能地保证特征提取的质量，使得获得的影像识别结果更为精准，同时结合目标红树林区域的样地调查数据，可快速提高红树林生态健康评估结果的效率，便于高效率地开展红树林调研与监测，为当地林业部门以及海洋环境部门提供技术支撑。
附图说明
41.为了更清楚地说明本发明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一简单地介绍，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，在不付处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。
42.图1是本发明基于无人机高光谱的红树林生态健康评估系统的流程示意图；
43.图2是本发明基于无人机高光谱的红树林生态健康评估装置的结构示意图；
44.图3是本发明提供的电子设备的示意图。
具体实施方式
45.为能进一步了解本发明的特征、技术手段以及所达到的具体目的、功能，下面结合附图与具体实施方式对本发明作进一步详细描述。
46.作为本发明的一个优选实施例，本发明提供一种基于无人机高光谱的红树林生态健康评估系统，该方法包括：
47.通过无人机获取目标红树林区域的光谱影像；
48.将所述光谱影像输入至红树林识别模型中，得到所述红树林识别模型输出的影像识别结果；所述红树林识别模型具有特征提取网络，所述红树林识别模型利用所述特征提取网络中的至少一个卷积层对所述光谱影像进行特征提取，得到所述光谱影像的特征；所述卷积层为全局特征提取卷积层和/或局部特征提取卷积层，每个所述卷积层均包括至少两个并行的卷积单元，且，所述卷积单元的卷积核尺寸不同；
49.确定原始植物数据和原始土壤数据；
50.基于所述原始植物数据、所述原始土壤数据和所述影像识别结果，得到目标红树林区域的生态健康评估结果。
51.本发明实施例还提供一种基于无人机高光谱的红树林生态健康评估装置，该装置包括：
52.第一确定模块，用于通过无人机获取目标红树林区域的光谱影像；
53.特征提取模块，用于将所述光谱影像输入至红树林识别模型中，得到所述红树林识别模型输出的影像识别结果；所述红树林识别模型具有特征提取网络，所述红树林识别模型利用所述特征提取网络中的至少一个卷积层对所述光谱影像进行特征提取，得到所述光谱影像的特征；所述卷积层为全局特征提取卷积层和/或局部特征提取卷积层，每个所述卷积层均包括至少两个并行的卷积单元，且，所述卷积单元的卷积核尺寸不同；
54.第二确定模块，用于确定原始植物数据和原始土壤数据；
55.生态评估模块，用于基于所述原始植物数据、所述原始土壤数据和所述影像识别结果，得到目标红树林区域的生态健康评估结果。
56.本发明提供的基于无人机高光谱的红树林生态健康评估系统及装置，基于无人机航拍的光谱影像，通过将多个不同尺寸的卷积核融合进了一个卷积层，可以在降低模型大小的同时，尽可能地保证特征提取的质量，使得获得的影像识别结果更为精准，同时结合目标红树林区域的样地调查数据，可快速提高红树林生态健康评估结果的效率，便于高效率地开展红树林调研与监测，为当地林业部门以及海洋环境部门提供技术支撑。
57.下面结合附图对本发明基于无人机高光谱的红树林生态健康评估系统及装置的较佳实施例进行说明。
58.请参阅图1，本发明提供一种基于无人机高光谱的红树林生态健康评估系统，该方法包括：
59.s10、通过无人机获取目标红树林区域的光谱影像。
60.首先通过无人机的航拍手段获取目标红树林区域的高分辨率航空影像，得到目标红树林区域的光谱影像。
61.s20、将光谱影像输入至红树林识别模型中，得到红树林识别模型输出的影像识别结果，在该方法中，红树林识别模型具有特征提取网络，红树林识别模型利用特征提取网络中的至少一个卷积层对光谱影像进行特征提取，得到光谱影像的特征；卷积层为全局特征提取卷积层和/或局部特征提取卷积层，每个卷积层均包括至少两个并行的卷积单元，且，卷积单元的卷积核尺寸不同。
62.特征提取网络中卷积层的数量可以根据实际使用场景进行具体设置，在此对特征提取网络中的卷积单元的数量并不做任何限制，每个卷积层均包括至少两个并行的卷积单
元且卷积单元之间的卷积核尺寸不同，即，每个卷积层包括两个或多个并行的卷积单元。需要说明的是，特征提取网络的各个卷积层中并行的卷积层的数量也可以是相同的，也可以是不同的，例如其中一个卷积层包括两个并行的卷积单元，另一个卷积层包括三个并行的卷积单元。
63.本技术中并行的卷积单元，即为卷积层的输入会输入至至少两个的卷积单元中并且进行并行的特征提取。比如说，若卷积层包括是哪个并行的卷积单元，该卷积层的输入就会分别输入至这三个卷积单元中进行并行的特征提取。
64.另外，对于同一个卷积层，各个卷积单元对应的卷积核的尺寸也可以是不同。
65.对于不同尺寸的卷积单元，小尺寸的卷积核获取低分辨率并获得更高的精度和效率，小卷积核在浅层可以节省计算成本；大尺寸的卷积核则可以以更多的参数和计算为代价，获取更多细节的高分辨率，大尺寸的卷积核在深层可以获得更好的准确率。本技术中通过将多个不同尺寸的卷积核融合进了一个卷积层，可以在降低模型大小的同时，尽可能地保证特征提取的质量。关于利用卷积层进行特征提取的手段和方式在此不再赘述。
66.s30、确定原始植物数据和原始土壤数据。
67.这两个参数用于评估基于植物功能的抵抗能力与重建能力以及基于土壤功能的抵抗能力与重建能力，也就是红树林的抵抗能力和重建能力。
68.s40、基于原始植物数据、原始土壤数据和影像识别结果，得到目标红树林区域的生态健康评估结果。
69.例如，结合影像光谱与纹理特征，采用多元逐步回归分析方法对红树林虫害状况进行估测，得到生态健康评估结果；同时利用统计学系统抽样原理，在局部区域对红树林中的野生动物进行种类统计，根据检测动物种类数量，对整体的红树林内的动作种类进行评估，也能够得到生态健康评估结果。
70.本发明的基于无人机高光谱的红树林生态健康评估系统，基于无人机航拍的光谱影像，通过将多个不同尺寸的卷积核融合进了一个卷积层，可以在降低模型大小的同时，尽可能地保证特征提取的质量，使得获得的影像识别结果更为精准，同时结合目标红树林区域的样地调查数据，可快速提高红树林生态健康评估结果的效率，便于高效率地开展红树林调研与监测，为当地林业部门以及海洋环境部门提供技术支撑。
71.在该方法中，步骤s40具体包括：
72.s41对原始植物数据以及原始土壤数据进行空间遥感反演，确定目标红树林区域的抵抗能力和重建能力。
73.s42、基于抵抗能力、重建能力和影像识别结果，得到目标红树林区域的生态健康评估结果。
74.在进行生态健康评估结果时，同时结合目标红树林区域的样地调查数据，因此速率更快、结果更加精确。
75.在该方法中，步骤20具体包括：
76.s21、将光谱影像输入至红树林识别模型中，得到红树林识别模型的特征提取网络输出的影像特征。
77.s22、红树林识别模型确定影像特征中属于同一类别的特征，得到特征分类结果。也就是进行特征分类，特征包括动物特征、植物特征和虫害特征。
78.s23、基于特征分类结果，得到影像识别结果，在本技术中，影像识别结果包括植物种类识别结果、动物种类识别结果和虫害识别结果。
79.特征提取网络的卷积层均为局部特征提取卷积层，此时步骤s21具体包括：
80.s211、用局部区域的位置信息，从光谱影像中提取属于局部区域的图像；
81.s212、基于局部区域的标签信息，将图像输入相应的局部特征提取层中，进行特征提取，并对同一卷积层提取出的特征进行特征融合，得到对应于同一标签信息的属性区域的特征；
82.s213、基于属性区域的特征，得到红树林识别模型的特征提取网络输出的影像特征。
83.可以预先设置获取到的光谱影像是带有局部区域也就是属性区域的位置信息的，那么之后利用局部区域的位置信息即可从光谱影像中提取出属于局部区域的图像。
84.在提取出标签信息相同的局部区域的特征之后，可以对这些特征进行均值融合，或最大值融合等等。所述的均值融合可以感知空间的全局信息并考虑了上下文，而最大值融合能够提取最具辨识能力的信息并忽略干扰信息。其中，因为相同区域的特征的维度是相同的，那么进行特征的均值融合时，仅需要对相同位置的特征求和取均值，并作为融合后的特征值输出，可以采用较少的计算量得到较准确的局部区域的特征。由于属于同一标签信息的局部区域可能有多个，即出现多对一的情况，且特征融合所需的计算量非常少，进行特征融合的处理只占用了很少的计算资源，又减少了特征存储所需要的空间，减少了后续重识别过程中的计算量，提升了计算效率。
85.特征提取网络的卷积层均为全局特征提取卷积层，此时步骤s21具体包括：
86.s214、将光谱影像输入全局特征提取层中，得到红树林识别模型的特征提取网络输出的影像特征。
87.特征提取网络的卷积层为全局特征提取卷积层和局部特征提取卷积层，此时步骤s21具体包括：
88.s215、利用局部区域的位置信息，从光谱影像中提取属于局部区域的图像。
89.s216、基于局部区域的标签信息，将图像输入相应的局部特征提取层中，进行特征提取，并对同一卷积层提取出的特征进行特征融合，得到对应于同一标签信息的属性区域的特征。
90.s217、基于属性区域的特征，得到红树林识别模型的局部特征提取卷积层输出的局部影像特征。
91.s218、将光谱影像输入全局特征提取层中，得到红树林识别模型的全局特征提取卷积层输出的全局影像特征。
92.s219、拼接局部影像特征和全局影像特征，得到影像特征。
93.其中,步骤s215至步骤s217可以对应步骤s211至步骤s213，在此不做过多阐述。
94.在得到局部区域的特征以及全局特征进行拼接，通过将全局特征与局部特征进行拼接得到目标图像的特征，提高提取出的目标图像特征的准确性。
95.下面对本发明提供的基于无人机高光谱的红树林生态健康评估装置进行描述，下文描述的基于无人机高光谱的红树林生态健康评估装置与上文描述的基于无人机高光谱的红树林生态健康评估系统可相互对应参照。
96.请参阅图2，本发明提供一种基于无人机高光谱的红树林生态健康评估装置，该装置包括：
97.第一确定模块10，用于通过无人机获取目标红树林区域的光谱影像。
98.首先通过无人机的航拍手段获取目标红树林区域的高分辨率航空影像，得到目标红树林区域的光谱影像。
99.特征提取模块20，用于将光谱影像输入至红树林识别模型中，得到红树林识别模型输出的影像识别结果，在该装置中，红树林识别模型具有特征提取网络，红树林识别模型利用特征提取网络中的至少一个卷积层对光谱影像进行特征提取，得到光谱影像的特征；卷积层为全局特征提取卷积层和/或局部特征提取卷积层，每个卷积层均包括至少两个并行的卷积单元，且，卷积单元的卷积核尺寸不同。
100.特征提取网络中卷积层的数量可以根据实际使用场景进行具体设置，在此对特征提取网络中的卷积单元的数量并不做任何限制，每个卷积层均包括至少两个并行的卷积单元且卷积单元之间的卷积核尺寸不同，即，每个卷积层包括两个或多个并行的卷积单元。需要说明的是，特征提取网络的各个卷积层中并行的卷积层的数量也可以是相同的，也可以是不同的，例如其中一个卷积层包括两个并行的卷积单元，另一个卷积层包括三个并行的卷积单元。
101.本技术中并行的卷积单元，即为卷积层的输入会输入至至少两个的卷积单元中并且进行并行的特征提取。比如说，若卷积层包括是哪个并行的卷积单元，该卷积层的输入就会分别输入至这三个卷积单元中进行并行的特征提取。
102.另外，对于同一个卷积层，各个卷积单元对应的卷积核的尺寸也可以是不同。
103.对于不同尺寸的卷积单元，小尺寸的卷积核获取低分辨率并获得更高的精度和效率，小卷积核在浅层可以节省计算成本；大尺寸的卷积核则可以以更多的参数和计算为代价，获取更多细节的高分辨率，大尺寸的卷积核在深层可以获得更好的准确率。本技术中通过将多个不同尺寸的卷积核融合进了一个卷积层，可以在降低模型大小的同时，尽可能地保证特征提取的质量。关于利用卷积层进行特征提取的手段和方式在此不再赘述。
104.第二确定模块30，用于确定原始植物数据和原始土壤数据。
105.这两个参数用于评估基于植物功能的抵抗能力与重建能力以及基于土壤功能的抵抗能力与重建能力，也就是红树林的抵抗能力和重建能力。
106.生态评估模块40，用于基于原始植物数据、原始土壤数据和影像识别结果，得到目标红树林区域的生态健康评估结果。
107.例如，结合影像光谱与纹理特征，采用多元逐步回归分析装置对红树林虫害状况进行估测，得到生态健康评估结果；同时利用统计学系统抽样原理，在局部区域对红树林中的野生动物进行种类统计，根据检测动物种类数量，对整体的红树林内的动作种类进行评估，也能够得到生态健康评估结果。
108.本发明的基于无人机高光谱的红树林生态健康评估装置，基于无人机航拍的光谱影像，通过将多个不同尺寸的卷积核融合进了一个卷积层，可以在降低模型大小的同时，尽可能地保证特征提取的质量，使得获得的影像识别结果更为精准，同时结合目标红树林区域的样地调查数据，可快速提高红树林生态健康评估结果的效率，便于高效率地开展红树林调研与监测，为当地林业部门以及海洋环境部门提供技术支撑。
109.图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)810、通信接口(communications interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑命令，以执行基于无人机高光谱的红树林生态健康评估系统，该方法包括：
110.通过无人机获取目标红树林区域的光谱影像；
111.将所述光谱影像输入至红树林识别模型中，得到所述红树林识别模型输出的影像识别结果；所述红树林识别模型具有特征提取网络，所述红树林识别模型利用所述特征提取网络中的至少一个卷积层对所述光谱影像进行特征提取，得到所述光谱影像的特征；所述卷积层为全局特征提取卷积层和/或局部特征提取卷积层，每个所述卷积层均包括至少两个并行的卷积单元，且，所述卷积单元的卷积核尺寸不同；
112.确定原始植物数据和原始土壤数据；
113.基于所述原始植物数据、所述原始土壤数据和所述影像识别结果，得到目标红树林区域的生态健康评估结果。
114.此外，上述的存储器830中的逻辑命令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做处贡献的部分或者该技术方案的部分可以以软件产品的形式体现处来，该计算机软件产品存储在一个存储介质中，包括若干命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步骤。而前述的存储介质包括：u盘、移动硬盘、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。
115.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于无人机高光谱的红树林生态健康评估系统，该方法包括：
116.通过无人机获取目标红树林区域的光谱影像；
117.将所述光谱影像输入至红树林识别模型中，得到所述红树林识别模型输出的影像识别结果；所述红树林识别模型具有特征提取网络，所述红树林识别模型利用所述特征提取网络中的至少一个卷积层对所述光谱影像进行特征提取，得到所述光谱影像的特征；所述卷积层为全局特征提取卷积层和/或局部特征提取卷积层，每个所述卷积层均包括至少两个并行的卷积单元，且，所述卷积单元的卷积核尺寸不同；
118.确定原始植物数据和原始土壤数据；
119.基于所述原始植物数据、所述原始土壤数据和所述影像识别结果，得到目标红树林区域的生态健康评估结果。
120.又一方面，本发明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提供的基于无人机高光谱的红树林生态健康评估系统，该方法包括：
121.通过无人机获取目标红树林区域的光谱影像；
122.将所述光谱影像输入至红树林识别模型中，得到所述红树林识别模型输出的影像识别结果；所述红树林识别模型具有特征提取网络，所述红树林识别模型利用所述特征提取网络中的至少一个卷积层对所述光谱影像进行特征提取，得到所述光谱影像的特征；所述卷积层为全局特征提取卷积层和/或局部特征提取卷积层，每个所述卷积层均包括至少两个并行的卷积单元，且，所述卷积单元的卷积核尺寸不同；
123.确定原始植物数据和原始土壤数据；
124.基于所述原始植物数据、所述原始土壤数据和所述影像识别结果，得到目标红树林区域的生态健康评估结果。
125.以上所描述的装置实施例仅仅是示意性的，其中所述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处创造性的劳动的情况下，即可以理解并实施。
126.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处贡献的部分可以以软件产品的形式体现处来，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，包括若干命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所述的方法。
127.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；而这些修改或者替换，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。