垃圾的分类方法及装置与流程

1.本技术涉及垃圾分类技术领域，尤其涉及一种垃圾的分类方法及装置。


背景技术：

2.目前，随着人工智能的不断进步，人工智能已经应用到各种领域，如垃圾分类领域。
3.具体的，在垃圾分类站的垃圾输送带上，可设置设置图像传感器，采集待分类垃圾的图像，并将图像发送到由软件以及硬件构成的处理系统。处理系统通过预先训练好的神经网络，如卷积神经网络(neual networks，cnn)、快速卷积神经网络(faster neual networks，faster cnn)、区域卷积神经网络(region neual networks，rcnn)等处理该图像，便可确定出该待分类垃圾的种类，进而图像传感器便可控制垃圾输送带后端的垃圾分类器按确定出的种类分类处理该待分类垃圾。
4.可以理解到，目前的方法虽然能实现垃圾的分类处理，但仅通过神经网络的处理，其垃圾分类的粒度以及准确度都不够高，从而影响垃圾自动化分类的实际应用。


技术实现要素：

5.本技术实施例提供一种垃圾的分类方法及装置，能够以更高的粒度和准确度分类垃圾，从而提高垃圾自动化分的实用性。
6.为达到上述目的，本技术采用如下技术方案：
7.第一方面，本技术实施例提供了一种垃圾的分类方法，所述方法包括：获取摄像头拍摄的位于传送带上的待分类垃圾的图像；根据预设的神经网络分析所述图像，确定出用于描述所述待分类垃圾的多种特征值；确定出所述多种特征值与每一类垃圾的特征的聚类中心的偏差；其中，将各垃圾各自的多种特征值聚类，获得每一类垃圾的特征的聚类中心和聚类半径；每一类垃圾的特征的聚类中心包括多种标准特征值，每种所述标准特征值为：该类垃圾对应的一种特征值的平均值；每一类垃圾的特征的聚类半径为：该类垃圾的每个垃圾的多种特征与所述聚类中心的偏差中，最大的偏差；将所述偏差再与对应的每一类垃圾的特征的聚类半径比较，确定出小于聚类半径的偏差；从所述小于聚类半径的偏差中确定出最小偏差，其中，所述最小偏差对应的一类垃圾则为所述待分类垃圾所属的分类；按所述所属的分类控制分类器分类投放所述待分类垃圾。
8.在本技术实施例中，基于该垃圾的分类方法可知，先通过神经网络确定出待分类垃圾的多种特征值，再利用聚类的方式分析待分类垃圾的多种特征值，以确定出该待分类垃圾的所属的分类。如此，通过神经网络+聚类处理方式，较于仅通过神经网络，其能够以更高的粒度和准确度分类垃圾，从而提高垃圾自动化分的实用性。
9.可选地，确定出所述多种特征值与每一类垃圾的特征的聚类中心的偏差，包括：针对一类垃圾的特征：确定出所述多种特征值各自与该类垃圾的特征的聚类中心中对应的一种标准特征值的子偏差；确定出所述子偏差的加权和，其中，所述加权和即为所述多种特征
值与该类垃圾的特征的聚类中心的偏差。
10.在本技术实施例中，通过加权求和的方式可以合理的量化每种子偏差对最终结果的影响，使得最终计算出的偏差更符合实际情况。
11.可选地，所述子偏差为二进制字段，计算所述子偏差对对应权重的乘积为将所述子偏差进行移位运算。
12.在本技术实施例中，通过移位运算来代替乘除运算能够降低计算量，提高设备的计算效率。
13.可选地，将各垃圾各自的多种特征值聚类，获得每一类垃圾的特征的聚类中心和聚类半径，包括：分析所述各垃圾中每一个垃圾的图像，确定出每一个垃圾所有种类的特征值；计算所述所有种类的特征值中每一种的特征值的离散程度，确定出多种离散程度小于阈值的特征值，其中，每个垃圾的多种离散程度小于阈值的特征值即为每个垃圾的多种特征值；将每个垃圾的多种特征值聚类，获得每一类垃圾的特征的聚类中心和聚类半径。
14.在本技术实施例中，由于聚类是基于实际中各垃圾各自的多种特征值进行的，使得聚类所得的聚类中心和聚类半径更符合实际情况，以便在实际应用中能够更准确对垃圾进行分类。
15.可选地，根据预设的神经网络分析所述图像，确定出用于描述所述待分类垃圾的多种特征值，包括：根据预设的神经网络分析所述图像，确定出所述待分类垃圾的尺寸参数、颜色参数和轮廓参数；将待分类垃圾的尺寸参数、颜色参数和轮廓参数分别转换成对应的二进制字段，获得所述多种特征值，其中，所述尺寸参数、颜色参数和轮廓参数中每一种参数的二进制字段对应为一种特征值。
16.在本技术实施例中，将尺寸参数、颜色参数和轮廓参数分别转换成对应的二进制字段，使得不同维度各种特征的特征值能够被归一化到同一维度下，以便于聚类。
17.可选地，将待分类垃圾的尺寸参数、颜色参数和轮廓参数分别转换成对应的二进制字段，获得所述多种特征值，包括：将所述尺寸参数、颜色参数和轮廓参数中每一种参数映射到二维空间中，获得所述尺寸参数、颜色参数和轮廓参数中每一种参数对应的二维向量；根据所述尺寸参数、颜色参数和轮廓参数中每一种参数对应的二维向量，确定出所述尺寸参数、颜色参数和轮廓参数中每一种参数对应的二进制字段。
18.在本技术实施例中，如果向量的维度过多，会导致运算负荷过大，而维度过少则无法体现出特征值的差异，因此，选择二维向量即能够避免运算负荷过大又能够体现出特征值的差异。
19.可选地，在从所述小于聚类半径的偏差中确定出最小偏差之后，所述方法还包括：根据所述待分类垃圾的多种特征值以及所述最小偏差对应的一类垃圾的标准特征值，确定出所述最小偏差对应的一类垃圾的特征的最新聚类中心以及最新聚类半径。
20.在本技术实施例中，通过对聚类中心以及聚类半径的动态更新，以实现通过聚类对垃圾的分类能够越来越准确。
21.第二方面，本技术实施例提供了一种垃圾的分类装置，所述装置包括：获取模块和分类模块；其中，所述获取模块，用于获取摄像头拍摄的位于传送带上的待分类垃圾的图像；所述分类模块，用于根据预设的神经网络分析所述图像，确定出用于描述所述待分类垃圾的多种特征值；确定出所述多种特征值与每一类垃圾的特征的聚类中心的偏差；其中，将
各垃圾各自的多种特征值聚类，获得每一类垃圾的特征的聚类中心和聚类半径；每一类垃圾的特征的聚类中心包括多种标准特征值，每种所述标准特征值为：该类垃圾对应的一种特征值的平均值；每一类垃圾的特征的聚类半径为：该类垃圾的每个垃圾的多种特征与所述聚类中心的偏差中，最大的偏差；将所述偏差再与对应的每一类垃圾的特征的聚类半径比较，确定出小于聚类半径的偏差；从所述小于聚类半径的偏差中确定出最小偏差，其中，所述最小偏差对应的一类垃圾则为所述待分类垃圾所属的分类；按所述所属的分类控制分类器分类投放所述待分类垃圾。
22.可选地，所述分类模块，还用于针对一类垃圾的特征：确定出所述多种特征值各自与该类垃圾的特征的聚类中心中对应的一种标准特征值的子偏差；确定出所述子偏差的加权和，其中，所述加权和即为所述多种特征值与该类垃圾的特征的聚类中心的偏差。
23.可选地，所述分类模块，还用于分析所述各垃圾中每一个垃圾的图像，确定出每一个垃圾所有种类的特征值；计算所述所有种类的特征值中每一种的特征值的离散程度，确定出多种离散程度小于阈值的特征值，其中，每个垃圾的多种离散程度小于阈值的特征值即为每个垃圾的多种特征值；将每个垃圾的多种特征值聚类，获得每一类垃圾的特征的聚类中心和聚类半径。
24.可选地，第二方面所述的装置还可以包括发送模块和接收模块，该发送模块用于实现数据的发送功能，该接收模块用于实现数据的接收功能。
25.可选地，发送模块和接收模块也可以集成为一个模块，如收发模块。其中，收发模块用于实现该通信装置的发送功能和接收功能。
26.可选地，第二方面所述的装置的各种功能性模块，如发送模块、接收模块、获取模块和分类模块也可以集成为一个处理模块。其中，处理模块用于实现该装置的处理功能。
27.可选地，第二方面所述的装置还可以包括存储模块，该存储模块存储有程序或指令。当处理模块执行该程序或指令时，使得该装置可以执行第一方面所述的方法。
28.此外，第二方面所述的装置的技术效果可以参考第一方面所述的方法的技术效果，此处不再赘述。
29.第三方面，本技术实施例提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被计算机运行时执行如第一方面所述的方法。
30.第四方面，提供一种计算机程序产品，包括计算机程序或指令，当该计算机程序或指令在计算机上运行时，使得该计算机执行第一方面所述的方法。
附图说明
31.图1为本技术实施例提供的一种垃圾的分类系统的架构示意；
32.图2为本技术实施例提供的一种垃圾的分类方法的流程图；
33.图3为本技术实施例提供的一种垃圾的分类装置的架构示意图一；
34.图4为本技术实施例提供的一种垃圾的分类装置的架构示意图二。
具体实施方式
35.下面将结合附图，对本技术中的技术方案进行描述。
36.请参阅图1，本技术实施例提供了一种垃圾的分类系统，该垃圾的分类系统可以包
括：摄像头、控制器以及分类器。
37.其中，摄像头可以是高清的可见光摄像头，摄像头可以安装在传送带上方，拍摄方向朝向传送带，且摄像头还可以与控制器连接。摄像头用于拍摄的位于传送带上的待分类垃圾的图像，并将图像发送给控制器。
38.控制器可以是处理器、微处理器、单片机、逻辑阵列控制门等。本实施例中，控制器分别与摄像头以及分类器连接，如此，控制器在获取到待分类垃圾的图像后，控制器可以基于神经网络+聚类的方式处理该图像，获得待分类垃圾所属的分类，并将该分类发送给分类器。
39.分类器可以安装在传送带末端，并与垃圾的各类分类槽连接。如此，分类器接收到控制器发送的分类后，在该待分类垃圾传送到达时，便可以按照该分类将该待分类垃圾传输送该分类对应的分类槽中。
40.下面将通过方法实施例详细介绍控制器基于神经网络+聚类进行分类。
41.请参阅图2，本技术实施例提供了一种垃圾的分类方法，该方法应用于图1中的控制器，该方法包括：
42.s101，获取摄像头拍摄的位于传送带上的待分类垃圾的图像；
43.s102，根据预设的神经网络分析图像，确定出用于描述待分类垃圾的多种特征值。
44.s103，确定出多种特征值与每一类垃圾的特征的聚类中心的偏差；其中，将各垃圾各自的多种特征值聚类，获得每一类垃圾的特征的聚类中心和聚类半径；每一类垃圾的特征的聚类中心包括多种标准特征值，每种标准特征值为：该类垃圾对应的一种特征值的平均值；每一类垃圾的特征的聚类半径为：该类垃圾的每个垃圾的多种特征与聚类中心的偏差中，最大的偏差；
45.s104，将偏差再与对应的每一类垃圾的特征的聚类半径比较，确定出小于聚类半径的偏差；
46.s105，从小于聚类半径的偏差中确定出最小偏差，其中，最小偏差对应的一类垃圾则为待分类垃圾所属的分类；
47.s106，按所属的分类控制分类器分类投放待分类垃圾。
48.可理解到，先通过神经网络确定出待分类垃圾的多种特征值，再利用聚类的方式分析待分类垃圾的多种特征值，以确定出该待分类垃圾的所属的分类。如此，通过神经网络+聚类处理方式，较于仅通过神经网络，其能够以更高的粒度和准确度分类垃圾，从而提高垃圾自动化分的实用性。
49.本技术实施例中，在执行s103之前，控制器需要预先将各垃圾各自的多种特征值聚类，获得每一类垃圾的特征的聚类中心和聚类半径。比如，摄像头可以依次采集各垃圾中每一个垃圾的图像。控制器则可以分析各垃圾中每一个垃圾的图像，确定出每一个垃圾所有种类的特征值，再计算所有种类的特征值中每一种的特征值的离散程度，确定出多种离散程度小于阈值的特征值，以将一些无效的特征晒除，留下对聚类有用的特征。其中，每个垃圾的多种离散程度小于阈值的特征值即为每个垃圾的多种特征值。最后，控制器将每个垃圾的多种特征值聚类，获得每一类垃圾的特征的聚类中心和聚类半径。
50.可以理解到，由于聚类是基于实际中各垃圾各自的多种特征值进行的，使得聚类所得的聚类中心和聚类半径更符合实际情况，以便在实际应用中能够更准确对垃圾进行分
类。
51.进一步地，关于s102的具体实现。
52.控制器可以根据预设的神经网络分析图像，确定出待分类垃圾的尺寸参数、颜色参数和轮廓参数。然后，控制器将待分类垃圾的尺寸参数、颜色参数和轮廓参数分别转换成对应的二进制字段，获得多种特征值。比如，控制器将尺寸参数、颜色参数和轮廓参数中每一种参数映射到二维空间中，获得尺寸参数、颜色参数和轮廓参数中每一种参数对应的二维向量；根据尺寸参数、颜色参数和轮廓参数中每一种参数对应的二维向量，确定出尺寸参数、颜色参数和轮廓参数中每一种参数对应的二进制字段。尺寸参数、颜色参数和轮廓参数中每一种参数的二进制字段对应为一种特征值。
53.可以理解到，由于将尺寸参数、颜色参数和轮廓参数分别转换成对应的二进制字段，使得不同维度各种特征的特征值能够被归一化到同一维度下，以便于聚类。
54.进一步地，关于s103的具体实现。
55.控制器可以确定出多种特征值各自与该类垃圾的特征的聚类中心中对应的一种标准特征值的子偏差。比如，多种特征值分别a1、b1、c1和d1，对应的标准特征值分别为a1、b1、c1和d1，则控制器可以确定出的子偏差分别为a1
‑
a1，b1
‑
b1、c1
‑
c1和d1
‑
d1。如此，控制器可以再确定出子偏差的加权和，其中，加权和即为多种特征值与该类垃圾的特征的聚类中心的偏差。比如，加权和为(a1
‑
a1)q1+(b1
‑
b1)q2+(c1
‑
c1)q3+(d1
‑
d1)q4，q1、q2、q3、q4均为对应的权重。
56.此外，为便于运算，子偏差为二进制字段，计算子偏差对对应权重的乘积为将子偏差进行移位运算，从而通过移位运算在来代替了乘除运算，以降低计算量，提高设备的计算效率。
57.本技术实施例中，在s105之后，控制器可以根据待分类垃圾的多种特征值以及最小偏差对应的一类垃圾的标准特征值，确定出最小偏差对应的一类垃圾的特征的最新聚类中心以及最新聚类半径。故实现了对聚类中心以及聚类半径的动态更新，使得对垃圾的分类能够越来越准确。
58.请参阅图3，本技术实施例提供了一种垃圾的分类装置200，该装置可以包括：获取模块210和分类模块220；
59.其中，获取模块210，用于获取摄像头拍摄的位于传送带上的待分类垃圾的图像；
60.分类模块220，用于根据预设的神经网络分析图像，确定出用于描述待分类垃圾的多种特征值；确定出多种特征值与每一类垃圾的特征的聚类中心的偏差；其中，将各垃圾各自的多种特征值聚类，获得每一类垃圾的特征的聚类中心和聚类半径；每一类垃圾的特征的聚类中心包括多种标准特征值，每种标准特征值为：该类垃圾对应的一种特征值的平均值；每一类垃圾的特征的聚类半径为：该类垃圾的每个垃圾的多种特征与聚类中心的偏差中，最大的偏差；将偏差再与对应的每一类垃圾的特征的聚类半径比较，确定出小于聚类半径的偏差；从小于聚类半径的偏差中确定出最小偏差，其中，最小偏差对应的一类垃圾则为待分类垃圾所属的分类；按所属的分类控制分类器分类投放待分类垃圾。
61.可选地，分类模块220，还用于针对一类垃圾的特征：确定出多种特征值各自与该类垃圾的特征的聚类中心中对应的一种标准特征值的子偏差；确定出子偏差的加权和，其中，加权和即为多种特征值与该类垃圾的特征的聚类中心的偏差。
62.其中，子偏差为二进制字段，计算子偏差对对应权重的乘积为将子偏差进行移位运算。
63.可选地，分类模块220，还用于分析各垃圾中每一个垃圾的图像，确定出每一个垃圾所有种类的特征值；计算所有种类的特征值中每一种的特征值的离散程度，确定出多种离散程度小于阈值的特征值，其中，每个垃圾的多种离散程度小于阈值的特征值即为每个垃圾的多种特征值；将每个垃圾的多种特征值聚类，获得每一类垃圾的特征的聚类中心和聚类半径。
64.分类模块220，还用于根据预设的神经网络分析所述图像，确定出待分类垃圾的尺寸参数、颜色参数和轮廓参数；将待分类垃圾的尺寸参数、颜色参数和轮廓参数分别转换成对应的二进制字段，获得多种特征值，其中，尺寸参数、颜色参数和轮廓参数中每一种参数的二进制字段对应为一种特征值。
65.分类模块220，还用于将尺寸参数、颜色参数和轮廓参数中每一种参数映射到二维空间中，获得尺寸参数、颜色参数和轮廓参数中每一种参数对应的二维向量；根据尺寸参数、颜色参数和轮廓参数中每一种参数对应的二维向量，确定出尺寸参数、颜色参数和轮廓参数中每一种参数对应的二进制字段。
66.分类模块220，还用于根据待分类垃圾的多种特征值以及所述最小偏差对应的一类垃圾的标准特征值，确定出最小偏差对应的一类垃圾的特征的最新聚类中心以及最新聚类半径。
67.下面结合图4对垃圾的分类装置300的各个构成部件进行具体的介绍：
68.其中，处理器301是垃圾的分类装置300的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器301是一个或多个中央处理器(central processing unit，cpu)，也可以是特定集成电路(application specific integrated circuit，asic)，或者是被配置成实施本技术实施例的一个或多个集成电路，例如：一个或多个微处理器(digital signal processor，dsp)，或，一个或者多个现场可编程门阵列(field programmable gate array，fpga)。
69.可选地，处理器301可以通过运行或执行存储在存储器302内的软件程序，以及调用存储在存储器302内的数据，执行燃气臭味剂浓度测量传感器的灵敏度校准装置300的各种功能。
70.在具体的实现中，作为一种实施例，处理器301可以包括一个或多个cpu，例如图3中所示出的cpu0和cpu1。
71.在具体实现中，作为一种实施例，燃气臭味剂浓度测量传感器的灵敏度校准装置300也可以包括多个处理器，例如图3中所示的处理器301和处理器304。这些处理器中的每一个可以是一个单核处理器(single
‑
cpu)，也可以是一个多核处理器(multi
‑
cpu)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
72.其中，存储器302用于存储执行本技术方案的软件程序，并由处理器301来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。
73.可选地，存储器302可以是只读存储器(read
‑
only memory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，ram)或者
可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read
‑
only memory，eeprom)、只读光盘(compact disc read
‑
only memory，cd
‑
rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器302可以和处理器301集成在一起，也可以独立存在，并通过垃圾的分类装置300的接口电路(图3中未示出)与处理器301耦合，本技术实施例对此不作具体限定。
74.收发器303，用于与其他通信装置之间的通信。例如，燃气臭味剂浓度测量传感器的灵敏度校准装置300为终端设备，收发器303可以用于与网络设备通信，或者与另一个终端设备通信。又例如，燃气臭味剂浓度测量传感器的灵敏度校准装置300为网络设备，收发器303可以用于与终端设备通信，或者与另一个网络设备通信。
75.可选地，收发器303可以包括接收器和发送器(图3中未单独示出)。其中，接收器用于实现接收功能，发送器用于实现发送功能。
76.可选地，收发器303可以和处理器301集成在一起，也可以独立存在，并通过垃圾的分类装置300的接口电路(图3中未示出)与处理器301耦合，本技术实施例对此不作具体限定。
77.需要说明的是，图3中示出的装置300的结构并不构成对该通信装置的限定，实际的通信装置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。
78.此外，装置300的技术效果可以参考上述方法实施例的方法的技术效果，此处不再赘述。
79.应理解，在本技术实施例中的处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
80.还应理解，本技术实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read
‑
only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random access memory，ram)可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，dr ram)。
81.上述实施例，可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。计
算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时，全部或部分地产生按照本技术实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质。半导体介质可以是固态硬盘。
82.应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况，其中a,b可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
83.本技术中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a
‑
b,a
‑
c,b
‑
c,或a
‑
b
‑
c，其中a,b,c可以是单个，也可以是多个。
84.应理解，在本技术的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
85.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
86.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
87.在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征字段可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
88.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单元来实现本实施例方案的目的。
89.另外，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单元中，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单元中。
90.功能如果以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，本技术的技术方案本质上或者说对现有技术做出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出来，该计算机软件产品存储在一个存储介质中，包括若干指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)执行本技术各个实施例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(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
91.以上，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。