一种基于GhostNet的检测模型的训练方法、设备及介质与流程

本申请涉及计算机技术领域，尤其涉及一种基于ghostnet的检测模型的训练方法、设备及介质。

背景技术：

目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。

在现有技术中，目标检测虽然已经取得了重大突破，但现有的目标检测模型比较大，不利于部署在运行内存较小的设备中。

技术实现要素：

有鉴于此，本申请实施例提供了一种基于ghostnet的检测模型的训练方法、设备及介质，用于解决现有的目标检测模型比较大，不利于部署在运行内存较小设备中的问题。

本申请实施例采用下述技术方案：

本申请实施例提供一种基于ghostnet的检测模型的训练方法，其特征在于，所述方法包括：

预先搭建初始的ghostnet模型，并根据初始的第一数据集训练所述初始的ghostnet模型，得到符合要求的ghostnet模型；

根据所述符合要求的ghostnet模型与预先训练的ssd模型，确定出初始的检测模型，其中，所述ssd模型包括vgg16模块，ghostnet模型包括ghostbottleneck模块；

根据预先构建的第二数据集训练训练所述初始的检测模型，得出符合要求的检测模型。

需要说明的是，本申请实施例通过ghostnet模型与ssd模型构建检测模型，优化检测模型的大小，使得检测模型可以更好的部署在外部设备中，完成目标检测任务。

进一步的，所述ghostnet模型包括卷积层、池化层以及全连接层，其中，卷积层包括多个ghostbottleneck模块。

需要说明的是，上述具体公开了ghostnet模型的结构。

进一步的，所述根据所述符合要求的ghostnet模型与预先训练的ssd模型，确定出初始的检测模型，具体包括：

将所述符合要求的ghostnet模型去掉预设部分的所述卷积层、所述池化层以及所述全连接层；

将去掉所述预设部分的所述卷积层、所述池化层以及所述全连接层的ghostnet模型替换所述ssd模型中的vgg16模块；

将ssd模型中的预设部分的卷积替换为预设值，确定出初始的检测模型。

需要说明的是，上述具体公开了通过ghostnet模型与ssd模型确定初始的检测模型的步骤，vgg16训练之后的模型会非常的大，若是将ssd模型直接部署到设备中，会占用设备过多的存储空间和计算资源。ghostnet模型引入了depthwise卷积操作，可以极大程度的减少模型所占的空间和计算资源。将去掉所述预设部分的所述卷积层、所述池化层以及所述全连接层的ghostnet模型替换ssd模型中的vgg16模块，正是可以达到这一效果。

进一步的，所述ghostnet模型具体包括：conv2d3x3、多个ghostbottleneck模块、conv2d1x1、avgpool7x7、conv2d1x1以及全连接层。

需要说明的是，上述具体公开了ghostnet模型的具体结构。

进一步的，所述根据所述符合要求的ghostnet模型与预先训练的ssd模型，确定出初始的检测模型，具体包括：

将所述符合要求的ghostnet模型去掉所述conv2d1x1、所述avgpool7x7、所述conv2d1x1以及所述全连接层；

将去掉所述conv2d1x1、所述avgpool7x7、所述conv2d1x1以及所述全连接层的ghostnet模型替换所述ssd模型中的vgg16模块；

将ssd模型中的卷积值为3x3x(6x(classes+4))的卷积替换为conv3x3x(4x(classes+4))，以便卷积值为conv3x3x(4x(classes+4))的卷积对特征图的最后一层进行卷积操作，并确定出初始的检测模型。

需要说明的是，上述具体公开了通过ghostnet模型与ssd模型确定初始的检测模型的具体步骤。

进一步的，所述第一数据集训练为imagenet数据集，所述第二数据集为coco数据集。

需要说明的是，imagenet数据集是一个计算机视觉数据集，可以很好的训练初始的ghostnet模型。coco数据集是一个可以用来进行图像检测的数据集。通过该数据集训练初始的检测模型，可以使得检测模型的训练效果更好。

进一步的，所述根据预先构建的第二数据集训练训练所述初始的检测模型，得出符合要求的检测模型之后，所述方法还包括：

将目标图像输入至所述符合要求的检测模型，

根据所述符合要求的检测模型确定所述目标图像的检测结果。

进一步的，所述方法还包括：

将预先训练的检测模型部署到ar眼镜中；

通过所述ar眼镜中的检测模型获取目标图像，并确定出所述目标图像的检测结果。

需要说明的是，本说明书实施例可以将把检测模型部署在虚拟现实中的设备中，比如ar眼镜。由此，可以在设备中辨别出各种物体，使得ar眼镜更加智能化。

本申请实施例还提供一种基于ghostnet的检测模型的训练设备，其特征在于，所述设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

预先搭建初始的ghostnet模型，并根据初始的第一数据集训练所述初始的ghostnet模型，得到符合要求的ghostnet模型；

根据所述符合要求的ghostnet模型与预先训练的ssd模型，确定出初始的检测模型，其中，所述ssd模型包括vgg16模块，ghostnet模型包括ghostbottleneck模块；

根据预先构建的第二数据集训练训练所述初始的检测模型，得出符合要求的检测模型。

本申请实施例还提供一种基于ghostnet的检测模型的训练介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：

预先搭建初始的ghostnet模型，并根据初始的第一数据集训练所述初始的ghostnet模型，得到符合要求的ghostnet模型；

根据所述符合要求的ghostnet模型与预先训练的ssd模型，确定出初始的检测模型，其中，所述ssd模型包括vgg16模块，ghostnet模型包括ghostbottleneck模块；

根据预先构建的第二数据集训练训练所述初始的检测模型，得出符合要求的检测模型。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请实施例通过ghostnet模型与ssd模型构建检测模型，优化检测模型的大小，使得检测模型可以更好的部署在外部设备中，完成目标检测任务。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本说明书实施例一提供的一种基于ghostnet的检测模型的训练方法的流程示意图；

图2为本说明书实施例提供的ghostnet模型的结构示意图；

图3为本说明书实施例提供的ghostbottleneck模块的结构示意图；

图4为本说明书实施例提供的ssd模型的具体结构示意图；

图5为本说明书实施例提供的场景示意图；

图6为本说明书实施例提供的ghostmodule结构图；

图7为本说明书实施例二提供的一种基于ghostnet的检测模型的训练方法的流程示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本说明书实施例一提供的一种基于ghostnet的检测模型的训练方法的流程示意图，本说明书实施例可以由目标检测系统的执行单元执行下述步骤，所述方法包括：

步骤s101，预先搭建初始的ghostnet模型，并根据初始的第一数据集训练所述初始的ghostnet模型，得到符合要求的ghostnet模型。

参见图2示出了ghostnet模型的结构示意图，图中的g-bneck为ghostbottleneck模块，ghostnet模型包括卷积层、池化层以及全连接层，其中，卷积层包括多个ghostbottleneck模块。ghostnet模型具体包括：conv2d3x3、多个ghostbottleneck模块、conv2d1x1、avgpool7x7、conv2d1x1以及全连接层。参见图3，示出了ghostbottleneck模块的结构示意图。stride＝2的ghostbottleneck模块中具有学习特征与下采样的功能。ghostbottleneck模块的结构，很类似resnet结构，不同的是channel是先升维再降维。

步骤s102，根据所述符合要求的ghostnet模型与预先训练的ssd模型，确定出初始的检测模型。

在本说明书实施例的步骤s102中，本步骤可以具体包括：

将所述符合要求的ghostnet模型去掉预设部分的所述卷积层、所述池化层以及所述全连接层；

将去掉所述预设部分的所述卷积层、所述池化层以及所述全连接层的ghostnet模型替换所述ssd模型中的vgg16模块；

将ssd模型中的预设部分的卷积替换为预设值，确定出初始的检测模型。其中，将ssd模型中的预设部分的卷积替换为预设值，是为了适应替换后的ghostnet模型，使得检测模型可以更好完成检测任务。

ssd模型的具体结构可以参见图4，ssd模型为了更好识别不同大小的物体，分别使用不同的特征图进行分类和回归。大的特征图更好的识别小的物体，小的特征图更好的识别大的物体。但是vgg16训练之后的模型会非常的大，若是将ssd模型直接部署到设备中，会占用设备过多的存储空间和计算资源。ghostnet模型引入了depthwise卷积操作，即ghostbottleneck模块进行的相关操作。具体的，训练好的vgg16网络中的特征图之间，存在冗余。如图5所示的场景示意图，相连接的两个框都展现出了特征图之间的相似性。所以对于相似的特征图可以不用常规的卷积操作进行获得，可以使用一个depthwise卷积操作进行获得。如图6所示的ghostmodule结构图，使用常规的卷积首先获得一半的特征图，然后在这一半的卷积上使用depthwise卷积操作，从而获得另一部分特征图。进而很大程度的减少特征图之间的冗余，节省检测模型的计算量。

不同于常规卷积操作，depthwise卷积的一个卷积核负责一个通道，一个通道只被一个卷积核卷积。上面所提到的常规卷积每个卷积核是同时操作输入图片的每个通道。同样是对于一张5×5像素、三通道彩色输入图片，depthwise卷积首先经过第一次卷积运算，不同于上面的常规卷积，depthwise卷积完全是在二维平面内进行。卷积核的数量与上一层的通道数相同(通道和卷积核一一对应)。所以一个三通道的图像经过运算后生成了3个特征图。

进一步的，根据所述符合要求的ghostnet模型与预先训练的ssd模型，确定出初始的检测模型，具体包括：

将所述符合要求的ghostnet模型去掉所述conv2d1x1、所述avgpool7x7、所述conv2d1x1以及所述全连接层；

将去掉所述conv2d1x1、所述avgpool7x7、所述conv2d1x1以及所述全连接层的ghostnet模型替换所述ssd模型中的vgg16模块；

将ssd模型中的卷积值为3x3x(6x(classes+4))的卷积替换为conv3x3x(4x(classes+4))，以便卷积值为conv3x3x(4x(classes+4))的卷积对特征图的最后一层进行卷积操作，并确定出初始的检测模型。

需要说明的是，第一数据集训练可以为imagenet数据集。imagenet数据集是一个计算机视觉数据集，该数据集包合多张图片和多个synset索引。synset是wordnet层次结构中的一个节点。imagenet数据集中的图片涵盖了大部分生活中会看到的图片类别。

步骤s103，根据预先构建的第二数据集训练训练所述初始的检测模型，得出符合要求的检测模型。

与实施例一相对应的是，图7为本说明书实施例二提供的一种基于ghostnet的检测模型的训练方法的流程示意图，本说明书实施例可以由目标检测系统的执行单元执行下述步骤，所述方法包括：

步骤s201，预先搭建初始的ghostnet模型，并根据初始的第一数据集训练所述初始的ghostnet模型，得到符合要求的ghostnet模型。

参见图2示出了ghostnet模型的结构示意图，图中的g-bneck为ghostbottleneck模块，ghostnet模型包括卷积层、池化层以及全连接层，其中，卷积层包括多个ghostbottleneck模块。ghostnet模型具体包括：conv2d3x3、多个ghostbottleneck模块、conv2d1x1、avgpool7x7、conv2d1x1以及全连接层。参见图3，示出了ghostbottleneck模块的结构示意图。stride＝2的ghostbottleneck模块中具有学习特征与下采样的功能。ghostbottleneck模块的结构，很类似resnet结构，不同的是channel是先升维再降维。

步骤s202，根据所述符合要求的ghostnet模型与预先训练的ssd模型，确定出初始的检测模型。

在本说明书实施例的步骤s202中，本步骤可以具体包括：

将所述符合要求的ghostnet模型去掉预设部分的所述卷积层、所述池化层以及所述全连接层；

将去掉所述预设部分的所述卷积层、所述池化层以及所述全连接层的ghostnet模型替换所述ssd模型中的vgg16模块；

将ssd模型中的预设部分的卷积替换为预设值，确定出初始的检测模型。其中，将ssd模型中的预设部分的卷积替换为预设值，是为了适应替换后的ghostnet模型，使得检测模型可以更好完成检测任务。

ssd模型的具体结构可以参见图4，ssd模型为了更好识别不同大小的物体，分别使用不同的特征图进行分类和回归。大的特征图更好的识别小的物体，小的特征图更好的识别大的物体。但是vgg16训练之后的模型会非常的大，若是将ssd模型直接部署到设备中，会占用设备过多的存储空间和计算资源。ghostnet模型引入了depthwise卷积操作，即ghostbottleneck模块进行的相关操作。具体的，训练好的vgg16网络中的特征图之间，存在冗余。如图5所示，相连接的两个框都展现出了特征图之间的相似性。所以对于相似的特征图可以不用常规的卷积操作进行获得，可以使用一个depthwise卷积操作进行获得。如图6所示的ghostmodule结构图，使用常规的卷积首先获得一半的特征图，然后在这一半的卷积上使用depthwise卷积操作，从而获得另一部分特征图。进而很大程度的减少特征图之间的冗余，节省检测模型的计算量。

不同于常规卷积操作，depthwise卷积的一个卷积核负责一个通道，一个通道只被一个卷积核卷积。上面所提到的常规卷积每个卷积核是同时操作输入图片的每个通道。同样是对于一张5×5像素、三通道彩色输入图片，depthwise卷积首先经过第一次卷积运算，不同于上面的常规卷积，depthwise卷积完全是在二维平面内进行。卷积核的数量与上一层的通道数相同(通道和卷积核一一对应)。所以一个三通道的图像经过运算后生成了3个特征图。

进一步的，根据所述符合要求的ghostnet模型与预先训练的ssd模型，确定出初始的检测模型，具体包括：

将所述符合要求的ghostnet模型去掉所述conv2d1x1、所述avgpool7x7、所述conv2d1x1以及所述全连接层；

将去掉所述conv2d1x1、所述avgpool7x7、所述conv2d1x1以及所述全连接层的ghostnet模型替换所述ssd模型中的vgg16模块；

将ssd模型中的卷积值为3x3x(6x(classes+4))的卷积替换为conv3x3x(4x(classes+4))，以便卷积值为conv3x3x(4x(classes+4))的卷积对特征图的最后一层进行卷积操作，并确定出初始的检测模型。

需要说明的是，第一数据集训练可以为imagenet数据集。imagenet数据集是一个计算机视觉数据集，该数据集包合多张图片和多个synset索引。synset是wordnet层次结构中的一个节点。imagenet数据集中的图片涵盖了大部分生活中会看到的图片类别。

步骤s203，根据预先构建的第二数据集训练训练所述初始的检测模型，得出符合要求的检测模型。

在本说明书实施例的步骤s203中，第二数据集可以为coco数据集。coco的全称是commonobjectsincontext，是一个可以用来进行图像检测的数据集。通过该数据集训练初始的检测模型，可以使得模型的训练效果更好。

步骤s204，将目标图像输入至符合要求的检测模型。

步骤s205，根据检测模型确定所述目标图像的检测结果。

进一步的，本说明书实施例的执行步骤还可以包括：

将预先训练的检测模型部署到ar眼镜中；

通过所述ar眼镜中的检测模型获取目标图像，并确定出所述目标图像的检测结果。使得可以将检测模型更好的部署在ar眼镜中。

本说明书实施例可以将把检测模型部署在虚拟现实中的设备中，比如ar眼镜。由此，可以在设备中辨别出各种物体，使得ar眼镜更加智能化。

本申请实施例还提供一种基于ghostnet的检测模型的训练设备，其特征在于，所述设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

预先搭建初始的ghostnet模型，并根据初始的第一数据集训练所述初始的ghostnet模型，得到符合要求的ghostnet模型；

根据所述符合要求的ghostnet模型与预先训练的ssd模型，确定出初始的检测模型，其中，所述ssd模型包括vgg16模块，ghostnet模型包括ghostbottleneck模块；

根据预先构建的第二数据集训练训练所述初始的检测模型，得出符合要求的检测模型。

本申请实施例还提供一种基于ghostnet的检测模型的训练介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：

预先搭建初始的ghostnet模型，并根据初始的第一数据集训练所述初始的ghostnet模型，得到符合要求的ghostnet模型；

根据所述符合要求的ghostnet模型与预先训练的ssd模型，确定出初始的检测模型，其中，所述ssd模型包括vgg16模块，ghostnet模型包括ghostbottleneck模块；

根据预先构建的第二数据集训练训练所述初始的检测模型，得出符合要求的检测模型。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmablelogicdevice,pld)(例如现场可编程门阵列(fieldprogrammablegatearray，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardwaredescriptionlanguage，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advancedbooleanexpressionlanguage)、ahdl(alterahardwaredescriptionlanguage)、confluence、cupl(cornelluniversityprogramminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardwaredescriptionlanguage)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmelat91sam、microchippic18f26k20以及siliconelabsc8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

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。

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。

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。

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。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。