一种车辆外观缺陷检测方法、装置和存储介质

1.本技术涉及图像处理和深度学习技术领域，具体而言，涉及一种车辆外观缺陷检测方法、装置和计算机可读存储介质。


背景技术：

2.缺陷检测，顾名思义是对物体的缺陷进行定位和分类的技术，其广泛应用于工业界的各个角落，目前大部分工业界的缺陷检测方法是人工抽样然后由专业员工进行观察和测量，这样的缺陷检测方法的人工培训和后续成本巨大，并且人的不确定性导致其检测效率和准确率波动巨大，而且抽样无法包含全部产品，抽样还会打断自动化流程，导致无法全部自动化生产。这一系列的原因导致缺陷检测成为了工业界的一个痛点。
3.由于缺陷多种多样，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性很低，而且由于同一种缺陷的情况多种多样，需要区分对待，往往会浪费大量的人力物力。并且缺陷检测数据集十分难得，涉及工业机密往往不会公开。


技术实现要素：

4.有鉴于此，本公开提出了车辆外观缺陷检测方法、装置和计算机可读存储介质以解决现有方法效率低、精度差、成本高、速度慢的问题。
5.根据本公开的第一方面，提出了车辆外观缺陷检测方法，包括：
6.采集车辆外观缺陷图像和正常车辆外观图像，分别对采集图像进行数据标注，构建一个车辆外观数据集；
7.对所述的车辆外观数据集进行数据预处理和数据集划分，采用数据增广和聚类方法，增加车辆外观数据集的数据量，并总结数据特性；
8.构建一个车辆外观缺陷检测网络，采用预处理的参数和数据进行训练；
9.根据需求选择检测方式，将待检测图像导入所述的训练好的车辆外观缺陷检测网络，输出缺陷区域与缺陷类型，实现基于卷积神经网络的车辆外观缺陷检测。
10.可选地，所述的车辆外观数据集的构建，包括：
11.采集待检测车辆的外观缺陷图像；
12.在车辆外观缺陷图像上标注车辆外观缺陷的位置，得到缺陷标注框，该缺陷标注框中包括缺陷所在部位和缺陷，将缺陷标注框存储在一个车辆外观数据集中，车辆外观数据集中包含车辆外观缺陷图像和正常车辆外观图像、缺陷标注框内中心点坐标、标注框长宽以及标注框类别。
13.可选地，所述的数据增广和聚类的方法，包括：
14.对车辆外观数据集中的车辆外观缺陷图像和正常车辆外观图像进行随机旋转、缩放、亮度变化和模糊，得到增广变换后的车辆外观缺陷图像和正常车辆外观图像，将增广变换后的车辆外观缺陷图像和正常车辆外观图像添加到车辆外观数据集中；
15.对所述的增广变换后的数据集进行处理，将面积小于整个图像面积1％的缺陷标
注框，根据缺陷位置进行裁剪，并将裁剪后的缺陷随机多次粘贴到同一幅图像的其他不存在缺陷的背景区域，得到多个缺陷标注框，分别将多个缺陷标注框的中心点坐标、标注框长宽以及标注框类别存储到车辆外观数据集中；
16.分别统计所述的车辆外观数据集中多个缺陷标注框的长宽与所属图像的长宽之间的比例；使用k
‑
means方法，对多个长宽比例进行聚类，得到九个预选锚点框，将九个预选锚点框根据大小依次排序，将依次排序后的九个预选锚点框中的三个最小的框作为下采样8倍的特征图的锚点框，三个中等大小的框作为下采样16倍的特征图的锚点框，三个最大的框作为下采样32倍的特征图的锚点框，得到车辆外观数据集中数据的特性。
17.可选地，所述的网络构建与训练包括如下步骤：
18.构建一个车辆外观缺陷检测网络，包括沙漏网络、双向多尺度特征网络和三个跳跃连接卷积检测网络分支；
19.将车辆外观数据集中的数据的10％作为测试集，90％作为训练集；
20.使用车辆外观数据集中的训练集数据，对车辆外观缺陷检测网络进行训练。
21.可选地，所述的对车辆外观缺陷检测网络进行训练，包括以下步骤：
22.设定车辆外观缺陷检测网络的输入数据量，根据该输入数据量，确定训练过程中每批输入车辆外观缺陷检测网络中的图像的最大长度和最大宽度，在每张输入图像的各个方向填充黑色像素，使所有同一批输入图像的长宽一致；
23.将所述的输入图像输入沙漏网络，沙漏网络输出得到与输入图像相对应的感兴趣区域图像，将感兴趣区域图像视为输入图像的热力图，设定热力图的阈值，根据设定阈值对输入图像进行裁剪，得到可能存在缺陷的图像；
24.将所述的可能存在缺陷的图像输入双向多尺度特征网络中，双向多尺度特征网络输出得到步骤所述的输入图像的多尺度网络的下采样8倍特征图、下采样16倍特征图和下采样32倍特征图；
25.将所述的多尺度网络的下采样8倍特征图、下采样16倍特征图和下采样32倍特征图分别输入三个跳跃连接卷积检测网络分支，三个跳跃连接卷积检测网络分支根据所述的车辆外观数据集中数据的特性，对下采样8倍特征图、下采样16倍特征图和下采样32倍特征图进行缺陷检测，得到可能存在缺陷的图像预测框，可能存在缺陷的图像预测框为一个包含预测框中心点的坐标和预测框长宽的分类分数；
26.采用非极大值抑制算法，设定非极大值抑制算法阈值，对所述的可能存在缺陷的图像预测框的分类分数进行筛选，选取分类分数大于阈值的图像预测框，得到最终检测到的缺陷检测框，采用损失函数，计算检测到的缺陷检测框与标注框的损失，并向车辆外观缺陷检测网络回传梯度，完成车辆外观缺陷检测网络的训练。
27.可选地，所述的双向多尺度特征网络中特征提取阶段的卷积层采用leakyrelu激活函数，通过空间深度转换进行第一次特征图下采样，即将一张特征图转化为四张长宽皆为原特征图二分之一的图像，实现特征图下采样；
28.双向多尺度特征网络，采用金字塔池化方法代替普通池化,具体操作为：将特征通道划分为四部分，通过不同大小的池化率的池化层后再进行拼接，池化率根据网络实际情况设计。
29.可选地，所述的跳跃连接卷积检测网络的检测输出层激活函数采用swish激活函
数；
30.跳跃连接卷积检测网络，采用金字塔池化方法代替普通池化,具体操作为将特征通道划分为四部分，通过不同大小的池化率的池化层后再进行拼接，池化率根据网络实际情况设计。
31.可选地，所述的检测方法，包括：
32.(1)当车辆外观缺陷检测速度大于30帧/秒时，将待检车辆外观图像缩放后输入车辆外观缺陷检测网络中的双向多尺度网络；当车辆外观缺陷检测速度小于或等于30帧/秒时，对待检车辆外观图像输入车辆外观缺陷检测网络中的沙漏网络进行裁剪，将裁剪后的图像输入双向多尺度网络；
33.(2)计算待检车辆外观图像的下采样32倍所需要的最小缩放尺寸，然后在待检车辆外观图像四周进行填充黑色像素，使待检车辆外观图像达到计算尺寸，将该待检车辆外观图像作为车辆外观检测网络的输入，得到最终检测到的缺陷检测框；
34.(3)采用非极大值抑制方法，从最终检测到的缺陷检测框中筛选分类分数在50％以上的预测框作为缺陷检测框，实现基于卷积神经网络的车辆外观缺陷的检测。
35.根据本公开的第二方面，提出车辆外观缺陷检测装置，包括：
36.图像采集模块，用于采集车辆外观缺陷图像和正常车辆外观图像，分别对采集的车辆外观缺陷图像和正常车辆外观图像进行数据标注，构建一个车辆外观数据集；
37.图像处理模块，用于对所述的车辆外观数据集进行数据预处理和数据集划分，采用数据增广和聚类方法，增加车辆外观数据集的数据量，并总结数据特性；
38.网络构建和训练模块，用于构建一个车辆外观缺陷检测网络，采用预处理的参数和数据进行训练；
39.缺陷检测模块，用于根据需求选择检测方式，将待检测图像导入所述的训练好的车辆外观缺陷检测网络，输出缺陷区域与缺陷类型，实现基于卷积神经网络的车辆外观缺陷检测。
40.根据本公开的第三方面，提出计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于使所述计算机执行权利要求1
‑
8的任一项所述的车辆外观缺陷检测方法。
41.根据本公开的实施例，本公开可以自动判断车辆外观图片是否存在特定缺陷，并预测缺陷的位置和类别，极大地节省了人工成本，提高了检测效率，并可为企业节省大量经费，具有重要的实际应用价值。
42.上述说明仅是本公开一个实施例的概述，为了能够更清楚了解本发明的技术手段，从而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本公开的具体实施方式。
附图说明
43.图1是本公开一个实施例中车辆外观缺陷检测方法流程图。
44.图2是本公开一个实施例中车辆外观缺陷检测方法的网络结构图。
45.图3是本公开一个实施例中，车辆外观缺陷检测装置的结构框图。
具体实施方式
46.下面将参照附图，更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本技术，并且能够将本公开的范围完整的传达给本领域的技术人员。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它实施例，都属于本公开保护的范围。本公开使用基于yolov5的车辆外观缺陷检测实施例。
47.图1是根据本公开一个实施例示出一种车辆外观缺陷检测方法的流程框图，本实施例所示的车辆外观缺陷检测方法可以适用于用户设备，例如手机、平板电脑等。
48.如图1所示，该方法可以包括以下步骤：
49.在步骤s1中，采集车辆外观缺陷图像和正常车辆外观图像，分别对采集图像进行数据标注，构建一个车辆外观数据集；对车辆外观缺陷检测数据集通过预设比例划分为两类：测试集和训练集。训练集和测试集的比例为90％和10％。
50.在一个实施例中，采用相机拍摄需检测的车辆外观缺陷，采集待检测车辆的外观缺陷图像，本公开的一个实施例中，所检测的车辆外观缺陷包括车灯缺陷、车辆仪表盘缺陷、外观划痕缺陷、驻车制动器外观缺陷等；
51.在车辆外观缺陷图像上标注车辆外观缺陷的位置，得到缺陷标注框，本公开的一个实施例中，人工标注车辆外观缺陷位置，标注大块缺陷部位区域与精确缺陷存在位置，构建车辆外观缺陷检测数据集。该缺陷标注框中包括缺陷所在部位，缺陷所在部位指的是缺陷在车辆上的部位，例如车头、车顶等等，以及精确缺陷存在位置，将缺陷标注框存储在一个车辆外观数据集中，车辆外观数据集中包含车辆外观缺陷图像和正常车辆外观图像、缺陷标注框内中心点坐标、标注框长宽以及标注框类别。
52.在步骤s2中，对所述的车辆外观数据集进行数据预处理和数据集划分，采用数据增广和聚类方法，增加车辆外观数据集的数据量，并总结数据特性；
53.在本公开的一个实施例中，数据增广和聚类的方法，包括：
54.对车辆外观数据集中的车辆外观缺陷图像和正常车辆外观图像进行随机旋转、缩放、亮度变化和模糊，得到增广变换后的车辆外观缺陷图像和正常车辆外观图像，将增广变换后的车辆外观缺陷图像和正常车辆外观图像添加到车辆外观数据集中；
55.对所述的增广变换后的数据集进行处理，将面积小于整个图像面积1％的缺陷标注框，根据缺陷位置进行裁剪，并将裁剪后的缺陷随机多次粘贴到同一幅图像的其他不存在缺陷的背景区域，得到多个缺陷标注框，分别将多个缺陷标注框的中心点坐标、标注框长宽以及标注框类别存储到车辆外观数据集中；
56.分别统计所述的车辆外观数据集中多个缺陷标注框的长宽与所属图像的长宽之间的比例；使用k
‑
means方法，对多个长宽比例进行聚类，得到九个预选锚点框，将九个预选锚点框根据大小依次排序，将依次排序后的九个预选锚点框中的三个最小的框作为下采样8倍的特征图的锚点框，三个中等大小的框作为下采样16倍的特征图的锚点框，三个最大的框作为下采样32倍的特征图的锚点框，得到车辆外观数据集中数据的特性。锚点框在实际使用时会乘上图像的长宽并取整后使用。
57.在步骤s3中，构建一个车辆外观缺陷检测网络，采用预处理的参数和数据进行训
练，对于每批输入图片，确定其最大长宽，然后均匀给每张图片各个方向填充黑色像素使其达到统一长宽；利用hourglass图像输出其感兴趣区域图像，并根据结果热力图进行裁剪，裁剪出可能存在缺陷的部位。
58.借由上述技术方案，本公开的技术方案至少具有下列优点：
59.本公开的实施例中，基于卷积神经网络的缺陷检测算法以一阶段网络为基础结构。增加数据增广与聚类方法，增加数据量并且总结数据特性，自适应设计锚点与缩放尺寸，让网络具有更好的鲁棒性；添加二次裁剪网络，可以更加关注感兴趣区域，辅助检测；通过多尺度网络与多维特征融合，网络保证对小缺陷的检测能力的同时保留大缺陷的检测能力，并且可以根据数据集人为调控其中比例。使用新型卷积模块，增加提取特征能力，使用新型池化模块，减少下采样的信息丢失；改进损失函数，更加关注iou指标，让损失函数更好地指导网络训练。
60.在一个实施例中，构建一个车辆外观缺陷检测网络，采用预处理的参数和数据进行训练，包括：
61.构建一个车辆外观缺陷检测网络，其网络结构如图2所示，包括沙漏网络、双向多尺度特征网络和三个跳跃连接卷积检测网络分支；
62.将车辆外观数据集中的数据的10％作为测试集，90％作为训练集；
63.使用车辆外观数据集中的训练集数据，对车辆外观缺陷检测网络进行训练。
64.在一个实施例中，对车辆外观缺陷检测网络进行训练，包括以下步骤：
65.根据网络运行的显卡的显存大小，设定车辆外观缺陷检测网络的输入数据量，根据该输入数据量，确定训练过程中每批输入车辆外观缺陷检测网络中的图像的最大长度和最大宽度，在每张输入图像的各个方向填充黑色像素，使所有同一批输入图像的长宽一致；最大长度和最大宽度由不同的图像决定。
66.将所述的输入图像输入沙漏网络，沙漏网络输出得到与输入图像相对应的感兴趣区域图像，将感兴趣区域图像视为输入图像的热力图，设定热力图的阈值，根据设定阈值对输入图像进行裁剪，得到可能存在缺陷的图像；
67.将所述的可能存在缺陷的图像输入双向多尺度特征网络中，双向多尺度特征网络输出得到步骤所述的输入图像的多尺度网络的下采样8倍特征图、下采样16倍特征图和下采样32倍特征图；
68.将所述的多尺度网络的下采样8倍特征图、下采样16倍特征图和下采样32倍特征图分别输入三个跳跃连接卷积检测网络分支，三个跳跃连接卷积检测网络分支根据所述的车辆外观数据集中数据的特性，对下采样8倍特征图、下采样16倍特征图和下采样32倍特征图进行缺陷检测，得到可能存在缺陷的图像预测框，可能存在缺陷的图像预测框为一个包含预测框中心点的坐标和预测框长宽的分类分数；
69.采用非极大值抑制算法，设定非极大值抑制算法阈值，对所述的可能存在缺陷的图像预测框的分类分数进行筛选，选取分类分数大于阈值的图像预测框，得到最终检测到的缺陷检测框，采用损失函数，计算检测到的缺陷检测框与标注框的损失，并向车辆外观缺陷检测网络回传梯度，完成车辆外观缺陷检测网络的训练。
70.在一个实施例中，双向多尺度特征网络中特征提取阶段的卷积层采用leakyrelu激活函数，表达式为：
[0071][0072]
其中，x代表输入特征图，α为人为设定的超参数；
[0073]
双向多尺度特征网络，通过空间深度转换进行第一次特征图下采样，即将一张特征图转化为四张长宽皆为原特征图二分之一的图像，实现特征图下采样；
[0074]
双向多尺度特征网络，采用金字塔池化方法代替普通池化,具体操作为将特征通道划分为四部分，通过不同大小的池化率的池化层后再进行拼接，池化率根据网络实际情况设计。
[0075]
本实施例中对车辆外观数据集中的图像进行随机旋转、缩放、亮度变化和模糊，得到变换后的图像，将变换后的图像添加入车辆外观数据集中。对增广后的数据集中的标注框进行判定，将其中标注框面积小于整个图像面积1％的标注框，根据标注框位置进行裁剪并将裁剪后的缺陷部位随机粘贴到同一幅图像的其他不存在缺陷的背景区域，并记录下新的框的坐标、长宽、类别，添加到标注框数据中，得到数据增广后的车辆外观数据集。
[0076]
本实施例中统计车辆外观数据集中每个标注框的长宽所占标注框所属图像长宽的比例，得到标注框比例数据，使用k
‑
means方法进行聚类得九个预选锚点框作为训练参数，将九个预选锚点框根据大小排序，得到三个最小的框作为下采样8倍的特征图的锚点框，三个中等大小的框作为下采样16倍的特征图的锚点框，三个最大的框作为下采样32倍的特征图的锚点框，锚点框在实际使用时会乘上图像的长宽并取整后使用。
[0077]
本实施例中缺陷检测网络首先对图片进行下采样操作，通过空间转换通道的方式，使通道数变为原有的四倍，长宽下降二倍，得到下采样图片。
[0078]
网络使用双向多尺度网络，如图2所示，将下采样特征与上采样特征融合，最终选取下采样8倍、16倍、32倍的特征图进行融合与检测。
[0079]
通过金字塔池化层进行池化，金字塔池化使用四种池化率，分别为1/5/9/13，池化使用最大池化操作。
[0080]
在一个实施例中，跳跃连接卷积检测网络的检测输出层激活函数采用swish激活函数,表达式为：
[0081]
swish(x)＝x*sigmod(βx)
[0082]
其中，x代表输入特征图，β为人为设定的超参数，sigmod公式为：
[0083][0084]
其中，x表示输入特征图，e是自然对数；
[0085]
跳跃连接卷积检测网络，采用金字塔池化方法代替普通池化,具体操作为将特征通道划分为四部分，通过不同大小的池化率的池化层后再进行拼接，池化率根据网络实际情况设计。
[0086]
在一个实施例中，车辆外观缺陷检测网络训练中采用的损失函数，表达式为：
[0087][0088]
其中distance为最终检测到的缺陷检测框与车辆外观缺陷数据集中相应的标注框中心点之间的距离，表示最终检测到的缺陷检测框与车辆外观缺陷数据集中相
应的标注框的最小包围框的对角线长度，iou是最终检测到的缺陷检测框与车辆外观缺陷数据集中相应的标注框的交并比，而v是一个人为定义的衡量标注框与真实框的参数，其计算公式为：
[0089][0090]
其中w、h是最终检测到的缺陷检测框的长宽，w
g
、h
g
是车辆外观缺陷数据集中相应的标注框的长宽，总的损失函数为：
[0091]
l＝l
focal
+αl
classificition
+βl
iou
+l
hard
[0092]
其中l
focal
是二次裁剪损失，α、β是人为定义调整各项损失比例，本方法中分别设为1与2，第二项损失为分类损失，使用softmax损失，第三项为上述定位损失，第四项为困难样本损失，其中l
focal
的计算公式为：
[0093][0094]
其中y代表标注值，代表预测值，γ为人为设置的超参数，l
hard
表示困难样本的损失，困难样本的损失即对于预测失败的样本，增加困难样本的损失比重。本方法中将困难样本的损失翻倍。
[0095]
在步骤s4中，根据需求选择检测方式，将待检测图像导入所述的训练好的车辆外观缺陷检测网络，输出缺陷区域与缺陷类型，实现基于卷积神经网络的车辆外观缺陷检测。
[0096]
在一个实施例中，所述的检测方法，包括：
[0097]
当车辆外观缺陷检测速度大于30帧/秒(fps)时，将待检车辆外观图像缩放后输入车辆外观缺陷检测网络中的双向多尺度网络；当车辆外观缺陷检测速度小于或等于30帧/秒(fps)时，也即是不要求速度大于30fps的情况下，对待检车辆外观图像输入车辆外观缺陷检测网络中的沙漏网络进行裁剪，将裁剪后的图像输入双向多尺度网络；
[0098]
计算待检车辆外观图像的下采样32倍所需要的最小缩放尺寸，然后在待检车辆外观图像四周进行填充黑色像素，使待检车辆外观图像达到计算尺寸，将该待检车辆外观图像作为车辆外观检测网络的输入，得到最终检测到的缺陷检测框；
[0099]
非极大值抑制方法，从最终检测到的缺陷检测框中筛选分类分数在50％以上的预测框作为缺陷检测框，实现基于卷积神经网络的车辆外观缺陷的检测。
[0100]
与上述车辆外观缺陷检测方法的实施例相对应地，本公开提出了车辆外观缺陷检测装置的实施例。
[0101]
图3是本公开提出的车辆外观缺陷检测装置的实施例的结构框图，包括：
[0102]
图像采集模块，用于采集车辆外观缺陷图像和正常车辆外观图像，分别对采集的车辆外观缺陷图像和正常车辆外观图像进行数据标注，构建一个车辆外观数据集；
[0103]
图像处理模块，用于对所述的车辆外观数据集进行数据预处理和数据集划分，采用数据增广和聚类方法，增加车辆外观数据集的数据量，并总结数据特性；
[0104]
网络构建和训练模块，用于构建一个车辆外观缺陷检测网络，采用预处理的参数和数据进行训练；
[0105]
缺陷检测模块，用于根据需求选择检测方式，将待检测图像导入所述的训练好的车辆外观缺陷检测网络，输出缺陷区域与缺陷类型，实现基于卷积神经网络的车辆外观缺陷检测。
[0106]
本实施例输入图片大小约为608*608，会随输入变化有所浮动，输出三个尺度的特征分别为76*76，38*38，19*19。
[0107]
在三个尺度上选取得分高的框进行非极大值抑制的筛选，最后得到符合需求的缺陷位置与分类。本实施例中，筛选的分数阈值为0.5，筛选iou阈值为0.7，筛选数目上限为20。
[0108]
本公开的网络训练使用adam优化器，学习率使用0.01。
[0109]
本实施例使用预测方式为每次预测一张图片，速度可达到50fps，本方法成本低廉，仅需要使用人工标注数据以及程序运行硬件即可，车辆外观缺陷图片可从报修图片库中获取，且本发明可进行全量检测无需抽样，准确率也不会随着员工而波动。
[0110]
本公开的实施例还提出了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，所述计算机程序用于使所述计算机执行：
[0111]
采集车辆外观缺陷图像和正常车辆外观图像，分别对采集图像进行数据标注，构建一个车辆外观数据集；
[0112]
对所述的车辆外观数据集进行数据预处理和数据集划分，采用数据增广和聚类方法，增加车辆外观数据集的数据量，并总结数据特性；
[0113]
构建一个车辆外观缺陷检测网络，采用预处理的参数和数据进行训练；
[0114]
根据需求选择检测方式，将待检测图像导入所述的训练好的车辆外观缺陷检测网络，输出缺陷区域与缺陷类型，实现基于卷积神经网络的车辆外观缺陷检测。
[0115]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0116]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0117]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电
子设备执行时，使得该电子设备：接收第一用户为接入方软件配置引导信息的请求；根据请求，为第一用户提供配置页面；获取第一用户在配置页面为引导信息设置的显示条件和显示位置信息；在引导配置系统中保存引导信息的显示条件和显示位置信息；在监测到接入方软件的运行满足显示条件时，控制接入方软件根据显示位置信息显示引导信息。
[0118]
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收第一用户为接入方软件配置引导信息的请求；根据请求，为第一用户提供配置页面；获取第一用户在配置页面为引导信息设置的显示条件和显示位置信息；在引导配置系统中保存引导信息的显示条件和显示位置信息；在监测到接入方软件的运行满足显示条件时，控制接入方软件根据显示位置信息显示引导信息。
[0119]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0120]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0121]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
[0122]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场
可编程门阵列(fpga)等。
[0123]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0124]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块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。
[0125]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。