数据集生成方法、设备、存储介质及装置

1.本发明涉及数据分析技术领域，尤其涉及一种数据集生成方法、设备、存储介质及装置。


背景技术：

2.目标检测数据集是使用目标检测模型算法的基础，高质量的目标检测数据集能显著提升模型的识别准确率。目前，目标检测数据集制作方法大多都是在公开的数据集上获取图片并训练，这种方式训练出的模型在某些场景能满足要求，但是在指定场景下可能会出些识别率低和物体类别缺失导致无法识别的情况，采集这些类别图片并标注也需要花费大量的时间。


技术实现要素：

3.本发明的主要目的在于提供一种数据集生成方法、设备、存储介质及装置，旨在解决如何提高指定场景下物体识别率的技术问题。
4.为实现上述目的，本发明提供一种数据集生成方法，所述数据集生成方法包括以下步骤：
5.根据第一图片和第一图片对应的第一标注文件对预设模型进行训练，获得第一模型；
6.通过所述第一模型对第二图片进行标注，获得所述第二图片对应的第二标注文件；
7.根据所述第二图片和所述第二标注文件对所述第一模型进行训练，获得第二模型；
8.通过所述第二模型对第三图片进行标注，获得所述第三图片对应的第三标注文件；
9.根据所述第一图片、所述第一标注文件、所述第二图片、所述第二标注文件、所述第三图片以及所述第三标注文件生成数据集。
10.可选地，所述根据第一图片和第一图片对应的第一标注文件对预设模型进行训练，获得第一模型的步骤之前，还包括：
11.基于预设距离参数和预设角度参数对目标物体进行拍摄，获得目标物体图片；
12.从所述目标物体图片中选取第一图片、第二图片和第三图片。
13.可选地，所述通过所述第一模型对第二图片进行标注，获得所述第二图片对应的第二标注文件的步骤，包括：
14.通过所述第一模型对第二图片中的待识别物体进行标注，获得所述第二图片对应的文本标注文件；
15.对所述文本标注文件进行转换，获得所述第二图片对应的第二标注文件。
16.可选地，所述根据所述第一图片、所述第一标注文件、所述第二图片、所述第二标
注文件、所述第三图片以及所述第三标注文件生成数据集的步骤，包括：
17.根据所述第三图片和所述第三标注文件对所述第二模型进行训练，获得第三模型；
18.通过所述第三模型对所述第一图片、所述第二图片和所述第三图片进行标注，获得目标第一标注文件、目标第二标注文件和目标第三标注文件；
19.根据所述第一图片、所述目标第一标注文件、所述第二图片、所述目标第二标注文件、所述第三图片以及所述目标第三标注文件生成数据集。
20.可选地，所述根据所述第三图片和所述第三标注文件对所述第二模型进行训练，获得第三模型的步骤，包括：
21.在第二模型的卷积基上训练所述第三图片和所述第三标注文件；
22.根据训练后的第三图片和第三标注文件对第二模型的分类器进行训练，获得第三模型。
23.可选地，所述根据所述第二图片和所述第二标注文件对所述第一模型进行训练，获得第二模型的步骤之前，包括：
24.在所述第二标注文件中存在误标时，获取所述第二标注文件中误标图片的识别框；
25.调整所述第二标注文件中误标图片的识别框，获得调整后的第二标注文件。
26.可选地，所述根据所述第一图片、所述第一标注文件、所述第二图片、所述第二标注文件、所述第三图片以及所述第三标注文件生成数据集的步骤，还包括：
27.对所述第一图片、所述第一标注文件、所述第二图片、所述第二标注文件、所述第三图片以及所述第三标注文件进行数据增强处理；
28.根据增强后的所述第一图片、所述第一标注文件、所述第二图片、所述第二标注文件、所述第三图片以及所述第三标注文件生成数据集。
29.此外，为实现上述目的，本发明还提出一种数据集生成设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数据集生成程序，所述数据集生成程序被所述处理器执行时实现如上文所述的数据集生成方法的步骤。
30.此外，为实现上述目的，本发明还提出一种存储介质上存储有数据集生成程序，所述数据集生成程序被处理器执行时实现如上文所述的数据集生成方法的步骤。
31.此外，为实现上述目的，本发明还提出一种数据集生成装置包括：第一训练模块、第一标注模块、第二训练模块、第二标注模块以及数据生成模块；
32.所述第一训练模块，用于根据第一图片和第一图片对应的第一标注文件对预设模型进行训练，获得第一模型；
33.所述第一标注模块，用于通过所述第一模型对第二图片进行标注，获得所述第二图片对应的第二标注文件；
34.所述第二训练模块，用于根据所述第二图片和所述第二标注文件对所述第一模型进行训练，获得第二模型；
35.所述第二标注模块，用于通过所述第二模型对第三图片进行标注，获得所述第三图片对应的第三标注文件；
36.所述数据生成模块，用于根据所述第一图片、所述第一标注文件、所述第二图片、
所述第二标注文件、所述第三图片以及所述第三标注文件生成数据集。
37.本发明通过获得第一模型，通过第一模型对第二图片进行标注，获得第二图片对应的第二标注文件，根据第二图片和第二标注文件对第一模型进行训练，获得第二模型，通过第二模型对第三图片进行标注，获得第三图片对应的第三标注文件，根据第一图片、第一标注文件、第二图片、第二标注文件、第三图片以及第三标注文件生成数据集；由于本发明通过根据第二图片和第二标注文件对第一模型进行训练获得第二模型，再由第二模型获得第三标注文件，通过提高标注文件的精确度从而提高在特定场景下物体的识别率并且提高工作效率。
附图说明
38.图1是本发明实施例方案涉及的硬件运行环境的数据集生成设备的结构示意图；
39.图2为本发明数据集生成方法第一实施例的流程示意图；
40.图3为本发明数据集生成方法第二实施例的流程示意图；
41.图4为本发明数据集生成方法第三实施例的流程示意图；
42.图5为本发明数据集生成方法一实施例的数据集生成流程图；
43.图6为本发明数据集生成装置第一实施例的结构框图。
44.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
45.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
46.参照图1，图1为本发明实施例方案涉及的硬件运行环境的数据集生成设备结构示意图。
47.如图1所示，该数据集生成设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为usb接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)，也可以是稳定的存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
48.本领域技术人员可以理解，图1中示出的结构并不构成对数据集生成设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
49.如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及数据集生成程序。
50.在图1所示的数据集生成设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述数据集生成设备通过处理器1001调用存储器1005中存储的数据集生成程序，并执行本发明实施例提供的数据集生成方法。
51.基于上述硬件结构，提出本发明数据集生成方法的实施例。
52.参照图2，图2为本发明数据集生成方法第一实施例的流程示意图，提出本发明数据集生成方法第一实施例。
53.步骤s10：根据第一图片和第一图片对应的第一标注文件对预设模型进行训练，获得第一模型。
54.需要说明的是，本实施例的执行主体可以是具有数据处理、网络通信以及程序运行功能的计算机软件设备，例如，电脑等，或者是其他能够实现相同或相似功能的电子设备，本实施例对此不加限制。
55.应理解的是，目前，目标检测数据集制作方法大多都是在公开的数据集上获取图片并训练，这种方式训练出的模型在某些场景能满足要求，但是在指定场景下可能会出些识别率低和物体类别缺失导致无法识别的情况，采集这些类别图片并标注也需要花费大量的时间。
56.为了克服上述缺陷，本实施例通过第一图片和第一标注文件对预设模型进行训练获得第一模型，根据第一模型对第二图片进行标注获得第二标注文件，并根据第二图片和第二标注文件获得第二模型，通过第二模型获得第三标注文件，这样对模型一遍一遍的训练能提高模型的精度，通过精度更高的模型对图片进行标注，同样能提高标注文件的精度，这样就能将一些无法识别或者识别率低的物体标注出来，并且通过模型进行标注而不是人工进行标注能够提高工作效率。
57.需要说明的是，第一图片是在拍摄出来的图片中选取一部分合格的照片，再从一部分合格的照片中选出一些图片作为第一图片。
58.需要说明的是，获取第一图片后，通过标注软件labelimg对第一图片中需要识别的物体进行手工标注，将标注好的图片转换成xml格式的标注文件，并检测xml文件数量和图片数量是否相等以及xml文件与图片之间是否相互对应。
59.可以理解的是，转换成的xml标注文件就是第一标注文件，第一标注文件包括第一图片的存储路径，每个识别框在图片中的位置以及识别框中物体的类别。
60.需要说明的是，预设模型为yolov5目标检测模型，yolov5目标检测模型能在数据增强和训练策略上提升模型的检测精度与速度，yolov5目标检测模型分为三个部分，第一部分为主干网络，负责目标特征提取，第二部分为颈部网络，主要对主干网络所提取的特征进行增强，第三部分为头部网络，头部网络有三个检测头分别对原图像进行8倍、16倍和32倍采样，最终分别生成三个不同大小的特征向量，用来检测不同大小的目标。
61.可以理解的是，在将第一图片和第一标注文件对预设模型进行训练之前，通过调用python-opencv和python-random库将第一图片和第一标注为文件之间的顺序进行打乱，但不打乱第一图片和第一标注文件的对应关系，保证了图片和标注文件的无序性，提高了训练出来的第一模型的精度。
62.进一步地，为了提高拍摄图片的清晰度和识别度，因此本实施例步骤s10之前可包括：
63.基于预设距离参数和预设角度参数对目标物体进行拍摄，获得目标物体图片；
64.从所述目标物体图片中选取第一图片、第二图片和第三图片。
65.需要说明的是，通过编写一套程序让机器人通过相机从不同的角度和不同的距离对目标物体进行等比隔秒拍摄获得目标物体图片，也可以通过手柄控制机器人通过相机从
不同的角度和不同的距离对目标物体进行等比隔秒拍摄。
66.可以理解的是，获得的目标物体图片并不是所有都需要，有一些目标物体图片可能清晰度不够或者并不是目标物体的图片等原需要进行筛选，筛选出符合要求的目标物体图片，将符合要求的图片的尺寸和存储格式进行设定，再将符合要求的目标物体图片分成第一图片、第二图片和第三图片。
67.步骤s20：通过所述第一模型对第二图片进行标注，获得所述第二图片对应的第二标注文件。
68.可以理解的是，第一模型是通过预设模型训练得来的，所以通过第一模型对第二图片进行标注相比于通过标注软件进行标注的精确度会高一点。
69.可以理解的是，第二标注文件包括第二图片的存储路径，第二图片中识别框的位置以及识别框中物体的类别。
70.进一步地，为了提高第二标注文件的精确度，因此本实施例步骤s20可包括：
71.通过所述第一模型对第二图片中的待识别物体进行标注，获得所述第二图片对应的文本标注文件；
72.对所述文本标注文件进行转换，获得所述第二图片对应的第二标注文件。
73.需要说明的是，第二图片通过第一模型进行目标检测，获得的是第二图片中每张图片的物体信息的txt标注恩建，通过python-opencv库将txt文件转换成xml文件，所述xml文件就是第二标注文件。
74.步骤s30：根据所述第二图片和所述第二标注文件对所述第一模型进行训练，获得第二模型。
75.可以理解的是，通过第一模型训练提高第二标注文件的精确度，再由第二标注文件和第二图片对第一模型进行训练得到第二模型，相比于第一模型，第二模型的精确度会更高一点。
76.需要说明的是，通过第二图片和所述第二标注文件对所述第一模型进行训练，获得第二模型之前，需要对第二标注文件进行检测，对其中存在识别框没有完全包括待识别物体、待识别物体有部分没有被识别框包括以及没有对待识别物体进行标注的标注文件进行修正，然后打乱第二图片修正后和第二标注文件。
77.可以理解的是，通过标注软件labelimg打开第二图片和第二标注文件可以获得第二图片中每张图片的识别框。
78.可以理解的是，需要将第二标注文件转换成可训练格式，即将xml标注文件转换成txt标注文件。
79.步骤s40：通过所述第二模型对第三图片进行标注，获得所述第三图片对应的第三标注文件。
80.可以理解的是，通过第二模型标注出来的第三标注文件的精确度会比第二标注文件和第一标注文件更高。
81.可以理解的是，第三标注文件包括第三图片的存储路径，第三图片中识别框的位置以及识别框中物体的类别。
82.步骤s50：根据所述第一图片、所述第一标注文件、所述第二图片、所述第二标注文件、所述第三图片以及所述第三标注文件生成数据集。
83.需要说明的是，将第一图片、第一标注文件、第二图片、第二标注文件、第三图片和第三标注文件按照比例将其分为训练集、验证集和测试集，例如可以将第一图片和第一标注文件作为训练集，第二图片和第二标注文件作为验证集以及将第三图片和第三标注文件作为测试集。
84.进一步地，为了提高数据集的精度，因此本实施例步骤s50可包括：
85.对所述第一图片、所述第一标注文件、所述第二图片、所述第二标注文件、所述第三图片以及所述第三标注文件进行数据增强处理；
86.根据增强后的所述第一图片、所述第一标注文件、所述第二图片、所述第二标注文件、所述第三图片以及所述第三标注文件生成数据集。
87.需要说明的是，数据增强包括对图片进行亮度和对比度调整、缩放、剪裁、偏移以及加入高斯噪声等操作，并且在对图片调整之后对图片对应的标注文件也做相应的调整。
88.进一步地，为了便于理解，参照图5对数据集生成过程进行说明，本实施例对此不加以限制，图5为数据集生成流程图，详细表明了整个数据集生成的整个过程。
89.本实施例通过获得第一模型，通过第一模型对第二图片进行标注，获得第二图片对应的第二标注文件，根据第二图片和第二标注文件对第一模型进行训练，获得第二模型，通过第二模型对第三图片进行标注，获得第三图片对应的第三标注文件，根据第一图片、第一标注文件、第二图片、第二标注文件、第三图片以及第三标注文件生成数据集；由于本发明通过根据第二图片和第二标注文件对第一模型进行训练获得第二模型，再由第二模型获得第三标注文件，通过提高标注文件的精确度从而提高在特定场景下物体的识别率并且提高工作效率。
90.参照图3，图3为本发明数据集生成方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明数据集生成方法第二实施例。
91.在第二实施例中，所述步骤s50，包括：
92.步骤s501：根据所述第三图片和所述第三标注文件对所述第二模型进行训练，获得第三模型。
93.可以理解的是，为了进一步提高数据集的精确度本实施例通过第三图片和第三标注文件对第二模型进行训练，获得第三模型。
94.需要说明的是，通过第三图片和第三标注文件对所述第二模型进行训练，获得第三模型之前，需要对第三标注文件进行检测，对其中存在识别框没有完全包括待识别物体、待识别物体有部分没有被识别框包括以及没有对待识别物体进行标注的标注文件进行修正，然后打乱第三图片修正后和第三标注文件。
95.可以理解的是，通过标注软件labelimg打开第二图片和第二标注文件可以获得第二图片中每张图片的识别框。
96.可以理解的是，获得第三模型之前需要把第三标注文件转换成可训练格式，即将第三标注文件转换成xml标注文件。
97.需要说明的是，在模型精度不断提高时，当卷积层达到一定数目后，训练精度和测试精度会下降，即在卷积层很深后，模型准确率上升后达到饱和，再继续增加深度会导致准确率下降，而本实施例在第三模型中加入残差网络模块在模型达到饱和后通过增加几个恒等映射层，继续加深卷积层的深度，从而能使结果更加精准。
98.进一步地，为了通过第三模型提高第一标注文件、第二标注文件和第三标注文件的精确度，因此本实施例步骤s501可包括：
99.在第二模型的卷积基上训练所述第三图片和所述第三标注文件；
100.根据训练后的第三图片和第三标注文件对第二模型的分类器进行训练，获得第三模型。
101.可以理解的是，由于yolov5目标检测模型为卷积神经网络模型，通过yolov5目标检测模型训练得到的第一模型也为卷积神经网络模型，所以由第一模型训练得到的第二模型为卷积神经网络模型。
102.需要说明的是，用于图像分类的卷积神经网络包含两部分，第一部分为池化层和卷积层，通常叫做模型的卷积，第二部分为密集连接分类器。对于神经网络而言，特征提取就是取出之前训练好的网络卷积基，在卷积基上训练数据，将训练好的数据保存成numpy数组，再将numpy数组输入到密集连接分类器中训练，得到新的密集连接分类器，新的密集连接分类器和结合第一部分的池化层和卷积层形成新的模型。
103.步骤s502：通过所述第三模型对所述第一图片、所述第二图片和所述第三图片进行标注，获得目标第一标注文件、目标第二标注文件和目标第三标注文件。
104.需要说明的是，训练得到的第三模型精确度已经很高了，并且，第一标注文件是人工标注，没有通过模型进行标注，所以通过第三模型对第一图片、第二图片和第三图片进行标注得到的目标第一标注文件、目标第二标注文件和目标第三标注文件相比于之前通过第一模型得到的第二标注文件和第二模型得到的第三标注文件的精确度要更高。
105.可以理解的是，获得目标第一标注文件、目标第二标注文件和目标第三标注文件后仍需要通过标注软件labelimg对所有识别框进行检查，有误标的情况需要进行修正。
106.步骤s503：根据所述第一图片、所述目标第一标注文件、所述第二图片、所述目标第二标注文件、所述第三图片以及所述目标第三标注文件生成数据集。
107.需要说明的是，将第一图片、目标第一标注文件、第二图片、目标第二标注文件、第三图片和目标第三标注文件按照比例将其分为训练集、验证集和测试集，例如可以将第一图片和目标第一标注文件作为训练集，第二图片和目标第二标注文件作为验证集以及将第三图片和目标第三标注文件作为测试集。
108.本实施例根据所述第三图片和所述第三标注文件对所述第二模型进行训练，获得第三模型；通过所述第三模型对所述第一图片、所述第二图片和所述第三图片进行标注，获得目标第一标注文件、目标第二标注文件和目标第三标注文件；根据所述第一图片、所述目标第一标注文件、所述第二图片、所述目标第二标注文件、所述第三图片以及所述目标第三标注文件生成数据集。由于本实施例通过训练第二模型得到第三模型，再通过第三模型对第一图片、第二图片和第三图片进行训练得到精确度更高的目标第一标注文件、目标第二标注文件和目标第三标注文件，根据第一图片、目标第一标注文件、第二图片、目标第二标注文、第三图片和目标第三标注文件形成更高精度的数据集。
109.参照图4，图4为本发明数据集生成方法第三实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明数据集生成方法第三实施例。
110.在第三实施例中，所述步骤s30，包括：
111.步骤s301：在所述第二标注文件中存在误标时，获取所述第二标注文件中误标图
片的识别框。
112.可以理解的是，第一模型对第二图片进行标注时，不一定对第二图片中所有图片全部标注得准确无误，所以在形成第二标注文件之后需要对第二标注文件进行检测。
113.可以理解的是，通过标注软件labelimg打开图片及其对应xml标注文件可获得每张图片上物体的识别框。
114.步骤s302：调整所述第二标注文件中误标图片的识别框，获得调整后的第二标注文件。
115.应理解的是，可以对第二标注文件不够精确误标图片的识别框进行修正，也可以对所有图片进一步修正，获得新的第二标注文件。
116.本实施例通过在所述第二标注文件中存在误标时，获取所述第二标注文件中误标图片的识别框；调整所述第二标注文件中误标图片的识别框，获得调整后的第二标注文件。由于本实施例通过对误标的标注文件进行修正，能够提高标注物体的识别率以及提高标注文件的精确度。
117.此外，为实现上述目的，本发明还提出一种存储介质上存储有数据集生成程序，所述数据集生成程序被处理器执行时实现如上文所述的数据集生成方法的步骤。
118.此外，参照图5，本实施例还提出一种数据集生成装置包括：第一训练模块10、第一标注模块20、第二训练模块30、第二标注模块40以及数据生成模块50；
119.所述第一训练模块10，用于根据第一图片和第一图片对应的第一标注文件对预设模型进行训练，获得第一模型；
120.所述第一标注模块20，用于通过所述第一模型对第二图片进行标注，获得所述第二图片对应的第二标注文件；
121.所述第二训练模块30，用于根据所述第二图片和所述第二标注文件对所述第一模型进行训练，获得第二模型；
122.所述第二标注模块40，用于通过所述第二模型对第三图片进行标注，获得所述第三图片对应的第三标注文件；
123.所述数据生成模块50，用于根据所述第一图片、所述第一标注文件、所述第二图片、所述第二标注文件、所述第三图片以及所述第三标注文件生成数据集。
124.本实施例通过获得第一模型，通过第一模型对第二图片进行标注，获得第二图片对应的第二标注文件，根据第二图片和第二标注文件对第一模型进行训练，获得第二模型，通过第二模型对第三图片进行标注，获得第三图片对应的第三标注文件，根据第一图片、第一标注文件、第二图片、第二标注文件、第三图片以及第三标注文件生成数据集；由于本发明通过根据第二图片和第二标注文件对第一模型进行训练获得第二模型，再由第二模型获得第三标注文件，通过提高标注文件的精确度从而提高在特定场景下物体的识别率并且提高工作效率。
125.基于本发明上述数据集生成装置第一实施例，提出本发明数据集生成装置的第二实施例。
126.在本实施例中，所述第一训练模块10之前，还用于基于预设距离参数和预设角度参数对目标物体进行拍摄，获得目标物体图片。
127.进一步地，所述第一训练模块10之前，还用于从所述目标物体图片中选取第一图
片、第二图片和第三图片。
128.进一步地，所述第一标注模块20，还用于通过所述第一模型对第二图片中的待识别物体进行标注，获得所述第二图片对应的文本标注文件。
129.进一步地，所述第一标注模块20，还用于对所述文本标注文件进行转换，获得所述第二图片对应的第二标注文件。
130.进一步地，所述数据生成模块50，还用于根据所述第三图片和所述第三标注文件对所述第二模型进行训练，获得第三模型。
131.进一步地，所述数据生成模块50，还用于通过所述第三模型对所述第一图片、所述第二图片和所述第三图片进行标注，获得目标第一标注文件、目标第二标注文件和目标第三标注文件。
132.进一步地，所述数据生成模块50，还用于根据所述第一图片、所述目标第一标注文件、所述第二图片、所述目标第二标注文件、所述第三图片以及所述目标第三标注文件生成数据集。
133.进一步地，所述数据生成模块50，还用于在第二模型的卷积基上训练所述第三图片和所述第三标注文件。
134.进一步地，所述数据生成模块50，还用于根据训练后的第三图片和第三标注文件对第二模型的分类器进行训练，获得第三模型。
135.进一步地，所述第二训练模块30之前，还用于在所述第二标注文件中存在误标时，获取所述第二标注文件中误标图片的识别框。
136.进一步地，所述第二训练模块30之前，还用于调整所述第二标注文件中误标图片的识别框，获得调整后的第二标注文件。
137.本发明所述数据集生成装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
138.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
139.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
140.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上述实施例方法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，但很多情况下前者是更佳的实施方式。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(如只读存储器镜像(read only memory image，rom)/随机存取存储器(random access memory，ram)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
141.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。