一种辅助风沙治理方法、系统及电子设备

1.本发明涉及计算机技术领域，具体而言，涉及一种辅助风沙治理方法、系统及电子设备。


背景技术：

2.目前，由于对于环境保护如火如荼，其中风沙治理也是其中需要重视的一部分，但是由于风沙没有具体的形状，并且由于聚集的程度不同导致颜色的程度也不同，所以不容易被检测或者检测程度不够准确。


技术实现要素：

3.本发明的目的在于提供了一种辅助风沙治理方法、系统及电子设备，用以解决现有技术中存在的上述问题。
4.第一方面，本发明实施例提供了一种辅助风沙治理方法，包括：
5.获得风沙监测图像；所述风沙监测图像表示不同位置同一时段拍摄到的存在风沙的图像；
6.获得背景图像；所述背景图像表示固定监控所拍摄到的没有风沙存在时的图像；
7.将所述风沙监测图像和背景图像，输入风沙程度判别模型，得到风沙浓度；所述风沙浓度中的值表示风沙监测图像中风沙存在的程度；
8.所述风沙程度判别模型包括背景卷积网络、风沙卷积网络、风沙整体特征判别结构和局部判别神经网络。
9.可选的，风沙程度判别模型的训练方法，包括：
10.获得训练集；训练集包括训练背景图像、多张训练风沙图像组和标注数据；所述标注数据为人工标注的风沙浓度；所述标注数据为标注风沙状态向量；
11.将所述训练背景图像和训练风沙图像，输入风沙程度判别模型，得到训练风沙浓度信息；所述训练风沙浓度信息包括局部风沙状态向量和训练风沙浓度值；
12.基于所述局部风沙状态向量和标注局部风沙状态向量，得到局部风沙状态损失值；
13.基于所述训练风沙浓度值和所述标注风沙状态向量，得到风沙浓度损失值；
14.获得总损失值；所述总损失值为所述局部风沙状态损失值和所述风沙浓度损失值相加之和；
15.获得风沙程度判别模型当前的训练迭代次数以及预先设定的所述风沙程度判别模型训练的最大迭代次数；
16.当所述总损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的风沙程度判别模型。
17.可选的，所述将所述训练背景图像和训练风沙图像，输入风沙程度判别模型，得到训练风沙浓度信息，包括：
18.基于所述风沙监测图像，得到训练hsv风沙监测图像；所述训练hsv风沙监测图像表示将风沙监测图像从rgb转化为hsv状态后的图像；
19.基于所述背景图像，得到训练hsv背景图像；所述训练hsv背景图像表示将背景图像从rgb转化为hsv状态后的图像；
20.将所述训练hsv背景图像，输入背景卷积网络，提取背景图像特征，得到背景特征图；
21.将所述训练hsv风沙监测图像，输入风沙卷积网络，提取风沙图像特征，得到风沙特征图；
22.基于所述背景特征图和所述风沙特征图，得到训练风沙浓度信息。
23.可选的，所述基于所述背景特征图和所述风沙特征图，得到训练风沙浓度信息，包括：
24.基于所述背景特征图和所述风沙特征图，通过风沙整体特征判别结构，得到风沙整体判别值；所述风沙整体判别值为1表示存在风沙；所述风沙整体判别值为0表示不存在风沙；
25.获得多个局部风沙特征向量；所述局部风沙特征向量为将所述风沙特征图分为多个1x1特征图所得到的特征向量；
26.获得多个局部背景特征向量；所述局部背景特征向量为将所述背景特征图分为多个1x1特征图所得到的特征向量；
27.将所述局部风沙特征向量和局部背景特征向量，输入局部判别神经网络，得到局部风沙状态向量；所述局部风沙状态向量表示区域中的风沙存在情况和风沙存在程度情况；
28.通过多次通过多个局部风沙特征向量和对应的局部背景特征向量，得到多个局部风沙状态向量；
29.将多个局部风沙状态向量和所述风沙整体判别值，得到训练风沙浓度值。
30.可选的，所述基于所述背景特征图和所述风沙特征图，通过风沙整体特征判别结构，得到风沙整体判别值，包括：
31.基于所述背景图像，得到背景灰度图像；
32.基于所述风沙监测图像，得到风沙灰度图像；
33.基于背景灰度图像和风沙灰度图像，得到风沙灰度差值图像；
34.基于所述风沙灰度差值图像，进行绝对值相加，得到风沙灰度差值；
35.若所述风沙灰度差值大于风沙灰度阈值，将风沙整体判别值设置为1；
36.若所述风沙灰度差值小于风沙灰度阈值，将风沙整体判别值设置为0。
37.可选的，所述将所述局部风沙特征向量和局部背景特征向量，输入局部判别神经网络，得到局部风沙状态向量，包括：
38.基于所述局部风沙特征向量和局部背景特征向量，得到局部差值特征向量；所述局部差值特征向量为相减之差；
39.基于所述局部差值特征向量，得到局部非负差值特征向量；
40.将所述局部非负差值特征向量，输入局部判别神经网络，得到局部风沙状态向量；所述局部风沙状态向量中的向量长度为11；所述局部风沙状态向量中的第一位向量值为1
表示存在风沙，为0表示不存在风沙；所述局部风沙状态向量中的向量值后10位表示风沙存在程度。
41.可选的，所述将多个局部风沙状态向量和所述风沙整体判别值，得到训练风沙浓度值，包括：
42.基于多个局部风沙状态向量，得到局部风沙状态矩阵；所述局部风沙状态矩阵表示将所述多个局部风沙状态向量按照分割顺序组合成局部风沙状态矩阵；
43.基于所述局部风沙状态矩阵，得到第一局部风沙状态值；
44.基于所述第一局部风沙状态值和所述风沙整体判别值，得到第一整体相似值；
45.基于所述第一局部风沙状态值和所述局部风沙状态矩阵，得到第一周围相似值；所述第一周围相似值表示第一局部风沙状态值和周围状态值的相似值的平均；
46.通过多次得到多个局部风沙状态值，与，对应的多个整体相似值和多个周围相似值；
47.基于所述多个整体相似值和多个周围相似值，得到训练风沙浓度值。
48.可选的，所述基于所述多个整体相似值和多个周围相似值，得到训练风沙浓度值，包括：
49.获得整体相似阈值；
50.基于所述多个整体相似值和整体相似阈值，得到多个整体阈值风沙浓度；所述整体阈值风沙浓度为整体相似值小于整体相似阈值的风沙浓度；
51.获得局部相似阈值；
52.基于所述多个周围相似值和局部相似阈值，得到多个局部阈值风沙浓度；所述局部阈值风沙浓度为周围相似值小于局部相似阈值的风沙浓度；
53.基于所述多个整体阈值风沙浓度和所述多个局部阈值风沙浓度，得到训练风沙浓度
54.值第二方面，本发明实施例提供了一种辅助风沙治理系统，包括：
55.获取模块：获得风沙监测图像；所述风沙监测图像表示不同位置同一时段拍摄到的存在风沙的图像；获得背景图像；所述背景图像表示固定监控所拍摄到的没有风沙存在时的图像；
56.判别模块：将所述风沙监测图像和背景图像，输入风沙程度判别模型，得到风沙浓度；所述风沙浓度中的值表示风沙监测图像中风沙存在的程度；
57.所述风沙程度判别模型包括背景卷积网络、风沙卷积网络、风沙整体特征判别结构和局部判别神经网络。
58.可选的，所述风沙程度判别模型的训练方法，包括：
59.获得训练集；训练集包括训练背景图像、多张训练风沙图像组和标注数据；所述标注数据为人工标注的风沙浓度；所述标注数据为标注风沙状态向量；
60.将所述训练背景图像和训练风沙图像，输入风沙程度判别模型，得到训练风沙浓度信息；所述训练风沙浓度信息包括局部风沙状态向量和训练风沙浓度值；
61.基于所述局部风沙状态向量和标注局部风沙状态向量，得到局部风沙状态损失值；
62.基于所述训练风沙浓度值和所述标注风沙状态向量，得到风沙浓度损失值；
63.获得总损失值；所述总损失值为所述局部风沙状态损失值和所述风沙浓度损失值相加之和；
64.获得风沙程度判别模型当前的训练迭代次数以及预先设定的所述风沙程度判别模型训练的最大迭代次数；
65.当所述总损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的风沙程度判别模型。
66.第三方面，本发明实施例还提供了一种电子设备，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任一项所述方法的步骤。
67.相较于现有技术，本发明实施例达到了以下有益效果：
68.本发明实施例还提供了一种辅助风沙治理方法、系统及电子设备，所述方法包括：获得风沙监测图像。所述风沙监测图像表示不同位置同一时段拍摄到的存在风沙的图像。获得背景图像。所述背景图像表示固定监控所拍摄到的没有风沙存在时的图像。将所述风沙监测图像和背景图像，输入风沙程度判别模型，得到风沙浓度。所述风沙浓度中的值表示风沙监测图像中风沙存在的程度。所述风沙程度判别模型包括背景卷积网络、风沙卷积网络、风沙整体特征判别结构和局部判别神经网络。
69.由于风沙不容易提取特征，所以训练风沙程度判别模型，使得能够通过风沙监测图像，得到风沙浓度。使用训练集中的背景图像和多张训练风沙监测图像输入训练风沙程度判别模型。将所述背景图像和风沙监测图像从rgb格式转化为hsv格式，使得能够更好检测到图像中的颜色信息，便于利用图像中的颜色判断风沙在图像中的存在情况。通过卷积网络，提取风沙监测图像和背景图像的特征。先将得到的背景特征图和风沙特征图通过灰度差值进行整体判别，得到风沙整体判别值。再通过将风沙特征图分成多个局部风沙特征向量，与对应背景特征图分成的多个局部背景特征向量进行差值计算后，输入局部判别神经网络对局部风沙状态进行预测，获得局部区域的风沙情况，相比整体判别，能够利用每个局部的信息进行风沙浓度的判断能够更加准确的进行判断。同时结合多个局部风沙状态向量和风沙整体判别值，由于风沙得特性所以拍摄到得风沙在图像中几乎是均匀分布的，通过找到相似值最多的风沙浓度，从而得到训练风沙浓度值，使得通过和周围区域的相似程度，来判别风沙浓度检测的准确性，能够在训练过程更加准确的得到训练数据。
附图说明
70.图1是本发明实施例提供的一种辅助风沙治理方法流程图。
71.图2是本发明实施例提供的一种辅助风沙治理系统中所述风沙程度判别模型的结构示意图。
72.图3是本发明实施例提供的一种辅助风沙治理方法中所述由背景特征图和风沙特征图所得到训练风沙浓度值的方法流程图。
73.图4是本发明实施例提供的一种电子设备的方框结构示意图。
74.图中标记：总线500；接收器501；处理器502；发送器503；存储器504；总线接口505。
具体实施方式
75.下面结合附图，对本发明作详细的说明。
76.实施例1
77.如图1所示，本发明实施例提供了一种辅助风沙治理方法，所述方法包括：
78.s101：获得风沙监测图像；所述风沙监测图像表示不同位置同一时段拍摄到的存在风沙的图像。
79.其中，可以通过不同位置同一时段拍摄到的存在风沙的图像，来判断风沙的移动路径和移动速度。
80.其中，由于风沙为粉尘状态，在运动过程中几乎没有形状，所以无法通过运动状态来判别风沙，只能通过风沙的特征对风沙的存在和存在程度进行判别。
81.s102：获得背景图像；所述背景图像表示固定监控所拍摄到的没有风沙存在时的图像。
82.s103：将所述风沙监测图像和背景图像，输入风沙程度判别模型，得到风沙浓度。所述风沙浓度中的值表示风沙监测图像中风沙存在的程度。
83.其中，风沙浓度大于风沙浓度阈值表示存在风沙的情况，所述风沙浓度小于风沙浓度阈值表示不存在风沙的情况。
84.其中，本实施例中，所述风沙浓度阈值为30％。
85.所述风沙程度判别模型包括背景卷积网络、风沙卷积网络、风沙整体特征判别结构和局部判别神经网络。
86.通过上述方法，主要是判断风沙存不存在，风沙的特征不好判别，所以采用神经网络的方式，通过大量的训练，得到能够检测出风沙情况的模型。
87.可选的，所述风沙程度判别模型的训练方法，包括：
88.获得训练集；训练集包括训练背景图像、多张训练风沙图像组和标注数据。所述标注数据为人工标注的风沙浓度。所述标注数据为标注局部风沙状态向量。
89.其中，本实施例中所述风沙浓度中向量值包括表示是否存在风沙和风沙存在程度的向量值。所述表示是否存在风沙的向量长度为1，标注值为1表示存在风沙，标注值为0表示不存在风沙。所述风沙存在程度的向量长度也为10，表示10％，20％，30％，40％，50％，60％，70％，80％，90％，100％十个状态，表示风沙监测图像中风沙存在的程度。
90.将所述训练背景图像和训练风沙图像，输入风沙程度判别模型，得到训练风沙浓度信息。所述训练风沙浓度信息包括局部风沙状态向量和训练风沙浓度值。
91.基于所述局部风沙状态向量和标注局部风沙状态向量，得到局部风沙状态损失值。
92.其中，所述局部风沙状态损失值为所述局部风沙状态向量和标注局部风沙状态向量使用交叉熵损失函数计算得到的。
93.基于所述训练风沙浓度值和所述标注风沙状态向量，得到风沙浓度损失值。
94.其中，所述风沙浓度损失值为所述训练风沙浓度值和所述标注风沙状态向量使用交叉熵损失函数计算得到的。
95.获得总损失值；所述总损失值为所述局部风沙状态损失值和所述风沙浓度损失值相加之和。
96.获得风沙程度判别模型当前的训练迭代次数以及预先设定的所述风沙程度判别模型训练的最大迭代次数。
97.其中，本实施例中所述预先设定的所述风沙程度判别模型训练的最大迭代次数为1200次。
98.当所述总损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的风沙程度判别模型。
99.通过上述方法，因为风沙一般存在于户外，如果存在风沙的情况，所拍摄的图像几乎整个画面存在相同浓度的风沙，所以无法判断风沙的形状和存在位置。所以采用卷积网络使用大量数据进行训练的方法能够通过不好直接识别的特征进行风沙存在和存在程度的判别。
100.可选的，所述将所述训练背景图像和训练风沙图像，输入风沙程度判别模型，得到训练风沙浓度信息，包括：
101.基于所述风沙监测图像，得到训练hsv风沙监测图像；所述训练hsv风沙监测图像表示将风沙监测图像从rgb转化为hsv状态后的图像。
102.基于所述背景图像，得到训练hsv背景图像；所述训练hsv背景图像表示将背景图像从rgb转化为hsv状态后的图像。
103.将所述训练hsv背景图像，输入背景卷积网络，提取背景图像特征，得到背景特征图。
104.将所述训练hsv风沙监测图像，输入风沙卷积网络，提取风沙图像特征，得到风沙特征图。
105.基于所述背景特征图和所述风沙特征图，得到训练风沙浓度信息。
106.其中，所述风沙程度判别模型的示意图如图2所示。
107.通过上述方法，将图像从rbg转化为hsv，能够更好检测到图像中的颜色信息，便于利用图像中的颜色判断风沙在图像中的存在情况，同时通过卷积网络提取背景图像和风沙监测图像的特征，通过两者的不同，共同判别风沙的存在情况。
108.可选的，所述基于所述背景特征图和所述风沙特征图，得到训练风沙浓度信息，包括：
109.基于所述背景特征图和所述风沙特征图，通过风沙整体特征判别结构，得到风沙整体判别值；所述风沙整体判别值为1表示存在风沙；所述风沙整体判别值为0表示不存在风沙。
110.获得多个局部风沙特征向量；所述局部风沙特征向量为将所述风沙特征图分为多个1x1特征图所得到的特征向量。
111.获得多个局部背景特征向量；所述局部背景特征向量为将所述背景特征图分为多个1x1特征图所得到的特征向量。
112.将所述局部风沙特征向量和局部背景特征向量，输入局部判别神经网络，得到局部风沙状态向量；所述局部风沙状态向量表示区域中的风沙存在情况和风沙存在程度情况。
113.通过多次通过多个局部风沙特征向量和对应的局部背景特征向量，得到多个局部风沙状态向量。
114.将多个局部风沙状态向量和所述风沙整体判别值，得到训练风沙浓度值。
115.其中，所述由背景特征图和风沙特征图所得到训练风沙浓度值的获取示意图如图3所示。
116.通过上述方法，使用将风沙特征图进行分别判断，能够精确的获得每一个区域的风沙情况，相比整体判别，能够更小可能性的出现错误。
117.可选的，所述基于所述背景特征图和所述风沙特征图，通过风沙整体特征判别结构，得到风沙整体判别值，包括：
118.基于所述背景图像，得到背景灰度图像。
119.基于所述风沙监测图像，得到风沙灰度图像。
120.基于背景灰度图像和风沙灰度图像，得到风沙灰度差值图像。
121.基于所述风沙灰度差值图像，进行绝对值相加，得到风沙灰度差值。
122.若所述风沙灰度差值大于风沙灰度阈值，将风沙整体判别值设置为1。
123.若所述风沙灰度差值小于风沙灰度阈值，将风沙整体判别值设置为0。
124.通过上述方法，通过背景图像和风沙监测图像中两者灰度值的不同，得到整体图像相差情况，同时在之后的判别中考虑整体判别的影响因素，能够更加准确的得到预测的风沙浓度值。
125.可选的，所述将所述局部风沙特征向量和局部背景特征向量，输入局部判别神经网络，得到局部风沙状态向量，包括：
126.基于所述局部风沙特征向量和局部背景特征向量，得到局部差值特征向量；所述局部差值特征向量为相减之差；
127.基于所述局部差值特征向量，得到局部非负差值特征向量。
128.其中，将所述局部差值特征向量使用relu函数，得到局部非负差值特征向量。
129.将所述局部非负差值特征向量，输入局部判别神经网络，得到局部风沙状态向量；所述局部风沙状态向量中的向量长度为11。所述局部风沙状态向量中的第一位向量值为1表示存在风沙，为0表示不存在风沙。所述局部风沙状态向量中的向量值后10位表示风沙存在程度。
130.其中，所述局部风沙状态向量中的向量值后10位表示监测图像中风沙存在的10％，20％，30％，40％，50％，60％，70％，80％，90％，100％十个状态。
131.通过上述方法，利用每个局部的信息进行风沙浓度的判断能够更加准确的进行判断。对风沙状态进行输出不是0，1判别而是包括风沙存在程度的整体判别。在从特征图中得到一些特征情况，对风沙特征图进行处理。
132.可选的，所述将多个局部风沙状态向量和所述风沙整体判别值，得到训练风沙浓度值，包括：
133.基于多个局部风沙状态向量，得到局部风沙状态矩阵；所述局部风沙状态矩阵表示将所述多个局部风沙状态向量按照分割顺序组合成局部风沙状态矩阵。
134.其中，所述局部风沙状态矩阵的大小根据卷积网络的设置固定得到，本实施例中局部风沙状态矩阵的大小为7x7。
135.基于所述局部风沙状态矩阵，得到第一局部风沙状态值。
136.基于所述第一局部风沙状态值和所述风沙整体判别值，得到第一整体相似值。
137.其中，通过欧式距离算法，得到第一整体相似值。所述第一整体相似值表示所述第一局部风沙状态值和所述风沙整体判别值的相似程度。
138.基于所述第一局部风沙状态值和所述局部风沙状态矩阵，得到第一周围相似值。所述第一周围相似值表示第一局部风沙状态值和周围状态值的相似值的平均值。
139.其中，周围相似值为某一个值与周围上下左右4个值依次通过欧式距离算法计算所得的相似值的平均值。但是由于位置不同，比如局部风沙状态矩阵左上角的值周围只有右边和下边两个值，所以只计算两个相似值。
140.通过多次得到多个局部风沙状态值，与，对应的多个整体相似值和多个周围相似值；将所述整体相似值与整体相似阈值比较，将所述周围相似值与局部相似阈值比较，得到风沙状态判别信息。
141.其中，多个整体相似值与上述第一整体相似值的计算方法相同，多个周围相似值与上述第一周围相似值的计算方法相同。
142.通过上述方法，由于风沙得特性所以拍摄到得风沙在图像中几乎是均匀分布的，所以通过和周围区域的相似程度，来判别风沙浓度检测的准确性，使得能够在训练过程更加准确的得到训练数据。
143.可选的，所述基于所述多个整体相似值和多个周围相似值，得到训练风沙浓度值，包括：
144.获得整体相似阈值；
145.基于所述多个整体相似值和整体相似阈值，得到多个整体阈值风沙浓度；所述整体阈值风沙浓度为整体相似值小于整体相似阈值的风沙浓度；
146.获得局部相似阈值；
147.基于所述多个周围相似值和局部相似阈值，得到多个局部阈值风沙浓度；所述局部阈值风沙浓度为周围相似值小于局部相似阈值的风沙浓度；
148.基于所述多个整体阈值风沙浓度和所述多个局部阈值风沙浓度，得到训练风沙浓度值；
149.通过上述方法，得到整张风沙监测图像中，将各个区域相似程度最多的风沙作为训练过程中检测到的训练风沙浓度值，这是依据风沙的特性所判定的结果。
150.通过上述方法，由于风沙不容易提取特征，所以训练风沙程度判别模型，使得能够通过风沙监测图像，得到风沙浓度。使用训练集中的背景图像和多张训练风沙监测图像输入训练风沙程度判别模型。将所述背景图像和风沙监测图像从rgb格式转化为hsv格式，使得能够更好检测到图像中的颜色信息，便于利用图像中的颜色判断风沙在图像中的存在情况。通过卷积网络，提取风沙监测图像和背景图像的特征。先将得到的背景特征图和风沙特征图通过灰度差值进行整体判别，得到风沙整体判别值。再通过将风沙特征图分成多个局部风沙特征向量，与对应背景特征图分成的多个局部背景特征向量进行差值计算后，输入局部判别神经网络对局部风沙状态进行预测，获得局部区域的风沙情况，相比整体判别，能够利用每个局部的信息进行风沙浓度的判断能够更加准确的进行判断。同时结合多个局部风沙状态向量和风沙整体判别值，由于风沙得特性所以拍摄到得风沙在图像中几乎是均匀分布的，通过找到相似值最多的风沙浓度，从而得到训练风沙浓度值，使得通过和周围区域的相似程度，来判别风沙浓度检测的准确性。
151.实施例2
152.基于上述的一种辅助风沙治理方法，本发明实施例还提供了一种辅助风沙治理系统，所述系统包括获取模块和判别模块。
153.其中，所述获取模块用于获得风沙监测图像和获得背景图像。所述风沙监测图像表示不同位置同一时段拍摄到的存在风沙的图像。所述背景图像表示固定监控所拍摄到的没有风沙存在时的图像。
154.其中，所述判别模块用于将所述风沙监测图像和背景图像，输入风沙程度判别模型，得到风沙浓度；所述风沙浓度中的值表示风沙监测图像中风沙存在的程度；
155.所述风沙程度判别模型包括背景卷积网络、风沙卷积网络、风沙整体特征判别结构和局部判别神经网络。
156.可选的，所述风沙程度判别模型的训练方法，包括：
157.获得训练集；训练集包括训练背景图像、多张训练风沙图像组和标注数据；所述标注数据为人工标注的风沙浓度；所述标注数据为标注风沙状态向量；
158.将所述训练背景图像和训练风沙图像，输入风沙程度判别模型，得到训练风沙浓度信息；所述训练风沙浓度信息包括局部风沙状态向量和训练风沙浓度值；
159.基于所述局部风沙状态向量和标注局部风沙状态向量，得到局部风沙状态损失值；
160.基于所述训练风沙浓度值和所述标注风沙状态向量，得到风沙浓度损失值；
161.获得总损失值；所述总损失值为所述局部风沙状态损失值和所述风沙浓度损失值相加之和；
162.获得风沙程度判别模型当前的训练迭代次数以及预先设定的所述风沙程度判别模型训练的最大迭代次数；
163.当所述总损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的风沙程度判别模型。
164.在此关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
165.本发明实施例还提供了一种电子设备，如图4所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述一种辅助风沙治理方法的任一方法的步骤。
166.其中，在图4中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
167.本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种辅助风沙治理方法的任一方法的步骤以及上述的所
涉及的数据。
168.在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
169.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
170.类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
171.本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
172.此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
173.本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
174.应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的
元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。