基于遥感图像的水稻产量预测方法、装置以及设备与流程

1.本发明涉及遥感数据分析领域，特别涉及是一种基于遥感图像的水稻产量预测方法、装置、设备以及存储介质。


背景技术：

2.水稻作为世界三大粮食作物之一，是人类最主要的粮食来源，在我国乃至世界的粮食生产结构中占有十分重要的地位。掌握水稻种植面积、长势和产量信息，能够为监测中国水稻生产状况、指导农业生产与宏观调控水稻种植区划、水稻产量的预报和评估、粮食价格的预测和政府部门对粮食生产政策的制定等方面提供依据。
3.目前获取水稻产量数据的途径可概括为：各级统计部门根据水稻产量抽样调查推算数据、农业部门调查汇总及气象部门根据前期气象条件进行预测，依赖于人工对相关信息进行采集，靠具备相关经验的工作人员进行预测，速度慢，需要耗费大量人力、时间，精度不高。


技术实现要素：

4.基于此，本发明的目的在于，提供一种基于遥感图像的水稻产量预测方法、装置、设备以及存储介质，基于遥感图像的后向散射系数数据以及差值计算算法，生成与遥感图像相对应的水稻图斑图像，作为该遥感图像对应的水稻识别标签，并根据遥感图像以及遥感图像对应的水稻图斑图像，对模型进行训练，获取水稻分布提取模型，根据水稻分布模型以及水稻产量预测模型，获取遥感图像对应的水稻产量预测数据，实现了水稻产量的快速、精准预测，降低成本。
5.第一方面，本技术实施例提供了一种基于遥感图像的水稻产量预测方法，包括以下步骤：
6.获取目标区域的遥感图像，其中，所述遥感图像包括多时相sar图像；
7.获取所述多时相sar图像的后向散射系数数据，根据所述多时相sar图像的后向散射系数数据以及差值计算算法，获取所述多时相sar图像对应的矢量范围数据，根据所述矢量范围数据，从所述多时相sar图像提取与所述矢量范围数据相对应的区域，作为所述多时相sar图像对应的水稻图斑图像；
8.将所述水稻图斑图像输入至预设的神经网络模型中，对所述神经网络模型进行若干次训练，获取若干个训练后的神经网络模型以及所述若干个训练后的神经网络模型对应的训练参数，根据所述训练参数以及预设的训练参数阈值，从所述若干个训练后的神经网络模型中获取目标神经网络模型，作为水稻分布提取模型；
9.响应于预测指令，所述预测指令包括待测区域的遥感图像，根据所述待测区域的遥感图像以及所述水稻分布提取模型，获取所述水稻分布提取模型输出的水稻分布数据，获取所述水稻分布数据中各个时期的水稻对应的后向散射系数数据，根据所述各个时期的水稻对应的后向散射系数数据以及水稻产量预测模型，获取所述待测区域的水稻产量预测
数据，其中，所述水稻产量预测模型为：
10.y＝-27.212x1+34.848x2+13.584x3+431.992
11.y为所述水稻产量预测数据，x1、x2、x3分别为所述各个时期的水稻对应的后向散射系数数据。
12.第二方面，本技术实施例提供了一种基于遥感图像的水稻产量预测装置，包括：
13.图像获取模块，用于获取目标区域的遥感图像，其中，所述遥感图像包括多时相sar图像；
14.图斑获取模块，用于获取所述多时相sar图像的后向散射系数数据，根据所述多时相sar图像的后向散射系数数据以及差值计算算法，获取所述多时相sar图像对应的矢量范围数据，根据所述矢量范围数据，从所述多时相sar图像提取与所述矢量范围数据相对应的区域，作为所述多时相sar图像对应的水稻图斑图像；
15.模型训练模块，用于将所述水稻图斑图像输入至预设的神经网络模型中，对所述神经网络模型进行若干次训练，获取若干个训练后的神经网络模型以及所述若干个训练后的神经网络模型对应的训练参数，根据所述训练参数以及预设的训练参数阈值，从所述若干个训练后的神经网络模型中获取目标神经网络模型，作为水稻分布提取模型；
16.预测模块，用于响应于预测指令，所述预测指令包括待测区域的遥感图像，根据所述待测区域的遥感图像以及所述水稻分布提取模型，获取所述水稻分布提取模型输出的水稻分布数据，获取所述水稻分布数据中各个时期的水稻对应的后向散射系数数据，根据所述各个时期的水稻对应的后向散射系数数据以及水稻产量预测模型，获取所述待测区域的水稻产量预测数据，其中，所述水稻产量预测模型为：
17.y＝-27.212x1+34.848x2+13.584x3+431.992
18.y为所述水稻产量预测数据，x1、x2、x3分别为所述各个时期的水稻对应的后向散射系数数据。
19.第三方面，本技术实施例提供了一种计算机设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如第一方面所述基于遥感图像的水稻产量预测方法的步骤。
20.第四方面，本技术实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于遥感图像的水稻产量预测方法的步骤。
21.在本技术实施例中，提供一种基于遥感图像的水稻产量预测方法、装置、设备以及存储介质，基于遥感图像的后向散射系数数据以及差值计算算法，生成与遥感图像相对应的水稻图斑图像，作为该遥感图像对应的水稻识别标签，并根据遥感图像以及遥感图像对应的水稻图斑图像，对模型进行训练，获取水稻分布提取模型，根据水稻分布模型以及水稻产量预测模型，获取遥感图像对应的水稻产量预测数据，实现了水稻产量的快速、精准预测，降低成本。
22.为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
23.图1为本技术第一实施例提供的基于遥感图像的水稻产量预测方法的流程示意
图；
24.图2为本技术一个可选的实施例提供的基于遥感图像的水稻产量预测方法中s2的流程示意图；
25.图3为本技术第一实施例提供的基于遥感图像的水稻产量预测方法中s3的流程示意图；
26.图4为本技术第二实施例提供的基于遥感图像的水稻产量预测方法的流程示意图；
27.图5为本技术第三实施例提供的基于遥感图像的水稻产量预测方法的流程示意图；
28.图6为本技术第四实施例提供的基于遥感图像的水稻产量预测装置的结构示意图；
29.图7为本技术第五实施例提供的计算机设备的结构示意图。
具体实施方式
30.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
31.在本技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
32.应当理解，尽管在本技术可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
33.请参阅图1，图1为本技术第一实施例提供的基于遥感图像的水稻产量预测方法的流程示意图，所述方法包括如下步骤：
34.s1：获取目标区域的遥感图像，其中，所述遥感图像包括多时相sar图像。
35.所述基于遥感图像的水稻产量预测方法的执行主体为基于遥感图像的水稻产量预测方法的预测设备(以下简称预测设备)，在一个可选的实施例中，所述预测设备可以是一台计算机设备可以是服务器，或是多台计算机设备联合而成的服务器机群。
36.所述目标区域的遥感图像是对水田区域的进行拍摄获取的，包括水田区域以及非水田区域，所述遥感图像包括多时相sar图像以及光学图像，其中，所述sar(synthetic aperture radar)，即合成孔径雷达，是一种主动式的对地观测系统，能够对地表进行观测，并具有一定的地表穿透能力。所述多时相sar图像，则是通过sar技术获得的目标区域内的观测图像。
37.在本实施例中，预测设备获取用户输入的目标区域的遥感图像，也可以在数据库
中获取目标区域的遥感图像。
38.s2：获取所述多时相sar图像的后向散射系数数据，根据所述多时相sar图像的后向散射系数数据以及差值计算算法，获取所述多时相sar图像对应的矢量范围数据，根据所述矢量范围数据，从所述多时相sar图像提取与所述矢量范围数据相对应的区域，作为所述多时相sar图像对应的水稻图斑图像。
39.所述水稻图斑为在所述多时相sar图像上，聚集在一起且相互连通的只种植水稻的区域，所述水稻图斑图像为所述多时相sar图像对应的若干个水稻图斑组成的数据。
40.多时相sar图像包括有水稻以及其他不同类型的农作物，通过分析水稻以及其他不同类型的农作物的后向散射系数数据的变化趋势，可从所述多时相sar图像中将水稻的区域分离出来，作为获取所述多时相sar图像对应的水稻图斑图像，在本实施例中，预测设备获取所述多时相sar图像的后向散射系数数据，根据所述多时相sar图像的后向散射系数数据作差值处理，获取所述多时相sar图像对应的水稻图斑图像。
41.在本实施例中，预测设备获取所述多时相sar图像的后向散射系数数据，根据所述多时相sar图像的后向散射系数数据以及差值计算算法，获取所述多时相sar图像对应的一组矢量范围数据，其中，所述差值计算算法为：
42.x
2-x1＞0
43.x
2-x3＞0
44.式中，x1、x2、x3分别为所述各个时期的水稻对应的后向散射系数数据；
45.在一个可选的实施例中，由于水稻在3月31日至5月12日期间的后向散射系数的变化趋势与其他类型的农作物有明显区别，x1可设置为3月31日的水稻对应的后向散射系数数据；x2可设置为4月12日的水稻对应的后向散射系数数据；x3可设置为5月12日的水稻对应的后向散射系数数据。
46.预测设备获取该组矢量范围数据的交集，获得目标矢量范围数据，其中，所述目标矢量范围数据体现了所述多时相sar图像中的水稻区域，预测设备根据所述目标矢量范围数据，从所述多时相sar图像中提取与所述矢量范围数据相对应的区域，勾绘该区域内的样本数据，生成标签栅格，作为所述多时相sar图像对应的水稻图斑图像。
47.请参阅图2，图2为本技术一个可选的实施例提供的基于遥感图像的水稻产量预测方法中s2的流程示意图，还包括步骤s201～s202，具体如下：
48.s201：获取水稻分布观测图像，根据所述水稻分布观测图像，对所述矢量范围数据进行范围调整处理，获取范围调整处理后的矢量范围数据。
49.所述水稻分布观测图像为基于“三调”水稻数据获取的目标区域的水田区域的多时相sar影像，其中，所述“三调”水稻数据为基于第三次全国性的国土调查获取的目标区域的水稻图像。
50.在本实施例中，预测设备从数据库中获取水稻分布观测图像，根据所述水稻分布观测图像中的田块轮廓以及田埂，对所述矢量范围数据进行范围调整处理，获取范围调整处理后的矢量范围数据，使得所述矢量范围数据对应的区域尽可能为水稻区域，尽可能减少其他地物、噪声对水稻提取的干扰。
51.在一个可选的实施例中，预测设备还根据所述遥感图像中的高分辨率光学图像，对所述范围调整处理后的矢量范围数据进行验证。
52.s202：对所述多时相sar图像对应的水稻图斑图像进行斑块调整处理，获取斑块调整处理后的水稻图斑图像，其中，所述斑块调整处理包括小斑块去除以及图斑合并。
53.在本实施例中，预测设备对所述多时相sar图像对应的水稻图斑图像进行斑块调整处理，具体地，预测设备将所述多时相sar图像对应的水稻图斑图像按照像元划分为若干个单位栅格组成的栅格区域，根据预设的最小栅格区域，将所述水稻图斑图像中，小于所述最小栅格区域的水稻斑块去除，将小斑块去除后的图斑进行合并，获取斑块调整处理后的水稻图斑图像。
54.s3：将所述水稻图斑图像输入至预设的神经网络模型中，对所述神经网络模型进行若干次训练，获取若干个训练后的神经网络模型以及所述若干个训练后的神经网络模型对应的训练参数，根据所述训练参数以及预设的训练参数阈值，从所述若干个训练后的神经网络模型中获取目标神经网络模型，作为水稻分布提取模型。
55.预测设备采用u-net模型作为所述神经网络模型，其中，所述u-net模型是基于开源框架tensorflow模型进行的，而tensorflow模型是由一组基本的神经网络参数来定义的，其中，所述神经网络参数包括epochs(偏倚判定调整前训练的切片数)和batches(一次迭代使用的一组切片)、class weight(类别权重)和loss weight(损失权重)、固定距离和模糊距离等等。
56.在本实施例中，预测设备将所述多时相sar图像以及多时相sar图像对应的水稻图斑图像至所述神经网络模型中，进行若干次训练，获取若干个训练后的神经网络模型，以及若干个训练后的神经网络模型对应的训练参数，其中，所述训练参数包括训练损失参数以及验证精度参数。
57.根据所述训练参数以及预设的训练参数阈值，从所述若干个训练后的神经网络模型中获取目标神经网络模型，作为水稻分布提取模型，用以对水稻的分布范围进行提取。其中，所述训练参数包括训练损失参数以及验证精度参数，所述训练参数阈值包括训练损失参数阈值以及验证精度参数阈值。当所述训练后的神经网络模型的训练损失参数的值小于所述训练损失参数阈值，且验证精度参数的值大于所述验证精度参数阈值，将所述训练后的神经网络模型作为目标神经网络模型，获取水稻分布提取模型，以提高所述水稻分布提取模型对水稻进行分析识别的准确性。
58.请参阅图3，图3为本技术第一实施例提供的基于遥感图像的水稻产量预测方法中s3的流程示意图，包括步骤s301～s302，具体如下：
59.s301：根据预设的水稻图斑裁剪比例，将所述水稻图斑图像划分为水稻图斑训练图像以及水稻图斑验证图像，分别构建水稻图斑训练集以及水稻图斑验证集。
60.在一个可选的实施例中，所述水稻图斑裁剪比例可以设置为8:2，其中8为所述水稻图斑训练图像的占比，2位所述水稻图斑验证图像的占比，预测设备根据预设的水稻图斑裁剪比例，将所述水稻图斑图像划分为水稻图斑训练图像以及水稻图斑验证图像，分别构建水稻图斑训练集以及水稻图斑验证集，用以对所述若干个训练后的神经网络模型进行更全面的精度验证。
61.s302：将所述水稻图斑训练集分别输入至所述若干个训练后的神经网络模型，获取所述若干个训练后的神经网络模型对应的训练值，将所述水稻图斑验证集分别输入至所述若干个训练后的神经网络模型，获取所述若干个训练后的神经网络模型对应的验证值。
62.在本实施例中，预测设备将所述水稻图斑训练集分别输入至所述若干个训练后的神经网络模型，获取所述若干个训练后的神经网络模型对应的训练值，将所述水稻图斑验证集分别输入至所述若干个训练后的神经网络模型，获取所述若干个训练后的神经网络模型对应的验证值。
63.s303：根据所述训练值、验证值以及预设的训练损失参数计算算法，分别获取所述若干个训练后的神经网络模型对应的训练损失参数。
64.所述训练损失参数计算算法为：
[0065][0066]
式中，rmse为所述训练损失参数，yi为所述验证值，为所述预测值，为所述验证值的均值，m为所述水稻图斑验证集中水稻图斑验证图像的数量；
[0067]
在本实施例中，预测设备根据所述训练值、验证值以及预设的训练损失参数计算算法，分别获取所述若干个训练后的神经网络模型对应的训练损失参数。
[0068]
s304：根据所述训练值、验证值以及预设的验证精度参数算法，分别获取所述若干个训练后的神经网络模型对应的验证精度参数。
[0069]
所述验证精度参数计算算法为：
[0070][0071]
式中，accuracy为所述验证精度参数。
[0072]
在本实施例中，预测设备根据所述训练值、验证值以及预设的验证精度参数算法，分别获取所述若干个训练后的神经网络模型对应的验证精度参数。
[0073]
s4：响应于预测指令，所述预测指令包括待测区域的遥感图像，根据所述待测区域的遥感图像以及所述水稻分布提取模型，获取所述水稻分布提取模型输出的水稻分布数据，根据所述水稻分布数据以及预设的水稻产量预测模型，获取所述待测区域的水稻产量预测数据。
[0074]
所述预测指令是用户发出的，由预测设备接收。
[0075]
在本实施例中，预测设备获取用户发送的所述预测指令，并进行响应，获取所述预测指令中的待测区域的遥感图像，并所述待测区域的遥感图像其输入至所述水稻分布提取模型，获取所述水稻分布提取模型输出的水稻分布数据，根据所述水稻分布数据，获取所述水稻分布数据中各个时期的水稻对应的后向散射系数数据，根据所述各个时期的水稻对应的后向散射系数数据以及水稻产量预测模型，获取所述待测区域的水稻产量预测数据，并保存至相应的数据库中，其中，所述水稻产量预测模型为：
[0076]
y＝-27.212x1+34.848x2+13.584x3+431.992
[0077]
y为所述水稻产量预测数据，x1、x2、x3分别为所述各个时期的水稻对应的后向散射系数数据。
[0078]
请参阅图4，图4为本技术第二实施例提供的基于遥感图像的水稻产量预测方法的流程示意图，包括步骤s5，所述步骤s5在所述步骤s2之前，具体如下：
[0079]
s5：对所述多时相sar影像进行滤波、地理编码、辐射定标以及配准预处理，获取预
处理后的多时相sar影像。
[0080]
在本实施例中，预测设备对所述多时相sar影像进行配准以及滤波处理，获取处理后的多时相sar影像，其中，预测设备采用中值滤波器进行滤波处理，以孤立所述多时相sar影像中的噪声和斑点；对所述处理后的多时相sar影像进行地理编码、辐射定标以及配准处理，以降低非水稻因素对水稻识别和提取的干扰，提高对多时相sar影像中的水稻分布识别的精准性。
[0081]
请参阅图5，图5为本技术第三实施例提供的基于遥感图像的水稻产量预测方法的流程示意图，还包括步骤s6，具体如下：
[0082]
s6：响应于显示指令，获取电子地图数据，根据所述待测区域的水稻产量预测数据，在所述电子地图数据的待测区域上进行水稻产量预测数据的显示以及标注。
[0083]
所述显示指令是用户发出的，由预测设备接收。
[0084]
在本实施例中，预测设备获取用户发送的所述显示指令，并进行响应，获取电子地图数据。
[0085]
预测设备从所述数据库中获取所述待测区域的水稻产量预测数据，返回至预测设备的显示界面中，在所述电子地图数据上进行水稻产量预测数据的显示以及标注。
[0086]
请参考图6，图6为本技术第四实施例提供的基于遥感图像的水稻产量预测装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现基于遥感图像的水稻产量预测装置的全部或一部分，该装置6包括：
[0087]
图像获取模块61，用于获取目标区域的遥感图像，其中，所述遥感图像包括多时相sar图像；
[0088]
图斑获取模块62，用于获取所述多时相sar图像的后向散射系数数据，根据所述多时相sar图像的后向散射系数数据以及差值计算算法，获取所述多时相sar图像对应的矢量范围数据，根据所述矢量范围数据，从所述多时相sar图像提取与所述矢量范围数据相对应的区域，作为所述多时相sar图像对应的水稻图斑图像；
[0089]
模型训练模块63，用于将所述水稻图斑图像输入至预设的神经网络模型中，对所述神经网络模型进行若干次训练，获取若干个训练后的神经网络模型以及所述若干个训练后的神经网络模型对应的训练参数，根据所述训练参数以及预设的训练参数阈值，从所述若干个训练后的神经网络模型中获取目标神经网络模型，作为水稻分布提取模型；
[0090]
预测模块64，用于响应于预测指令，所述预测指令包括待测区域的遥感图像，根据所述待测区域的遥感图像以及所述水稻分布提取模型，获取所述水稻分布提取模型输出的水稻分布数据，获取所述水稻分布数据中各个时期的水稻对应的后向散射系数数据，根据所述各个时期的水稻对应的后向散射系数数据以及水稻产量预测模型，获取所述待测区域的水稻产量预测数据，其中，所述水稻产量预测模型为：
[0091]
y＝-27.212x1+34.848x2+13.584x3+431.992
[0092]
y为所述水稻产量预测数据，x1、x2、x3分别为所述各个时期的水稻对应的后向散射系数数据。
[0093]
在本实施例中，通过图像获取模块，获取目标区域的遥感图像，其中，所述遥感图像包括多时相sar图像；通过获取所述多时相sar图像的后向散射系数数据，根据所述多时相sar图像的后向散射系数数据以及差值计算算法，获取所述多时相sar图像对应的矢量范
围数据，根据所述矢量范围数据，从所述多时相sar图像提取与所述矢量范围数据相对应的区域，作为所述多时相sar图像对应的水稻图斑图像；通过模型训练模块，将所述水稻图斑图像输入至预设的神经网络模型中，对所述神经网络模型进行若干次训练，获取若干个训练后的神经网络模型以及所述若干个训练后的神经网络模型对应的训练参数，根据所述训练参数以及预设的训练参数阈值，从所述若干个训练后的神经网络模型中获取目标神经网络模型，作为水稻分布提取模型；通过预测模块，响应于预测指令，所述预测指令包括待测区域的遥感图像，根据所述待测区域的遥感图像以及所述水稻分布提取模型，获取所述水稻分布提取模型输出的水稻分布数据，获取所述水稻分布数据中各个时期的水稻对应的后向散射系数数据，根据所述各个时期的水稻对应的后向散射系数数据以及水稻产量预测模型，获取所述待测区域的水稻产量预测数据。基于遥感图像的后向散射系数数据以及差值计算算法，生成与遥感图像相对应的水稻图斑图像，作为该遥感图像对应的水稻识别标签，并根据遥感图像以及遥感图像对应的水稻图斑图像，对模型进行训练，获取水稻分布提取模型，根据水稻分布模型以及水稻产量预测模型，获取遥感图像对应的水稻产量预测数据，实现了水稻产量的快速、精准预测，降低成本。
[0094]
请参考图7，图7为本技术第五实施例提供的计算机设备的结构示意图，计算机设备7包括：处理器71、存储器72以及存储在存储器72上并可在处理器71上运行的计算机程序73；计算机设备可以存储有多条指令，指令适用于由处理器71加载并执行上述实施例一至实施例四的方法步骤，具体执行过程可以参见实施例一至实施例四的具体说明，在此不进行赘述。
[0095]
其中，处理器71可以包括一个或多个处理核心。处理器71利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器72内的指令、程序、代码集或指令集，以及调用存储器72内的数据，执行基于遥感图像的水稻产量预测装置6的各种功能和处理数据，可选的，处理器71可以采用数字信号处理(digital signal processing,dsp)、现场可编程门阵列(field-programmable gate array，fpga)、可编程逻辑阵列(programble logic array，pla)中的至少一个硬件形式来实现。处理器71可集成中央处理器71(central processing unit，cpu)、图像处理器71(graphics processing unit，gpu)和调制解调器等中的一个或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器71中，单独通过一块芯片进行实现。
[0096]
其中，存储器72可以包括随机存储器72(random access memory，ram)，也可以包括只读存储器72(read-only memory)。可选的，该存储器72包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器72可用于存储指令、程序、代码、代码集或指令集。存储器72可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器72可选的还可以是至少一个位于远离前述处理器71的存储装置。
[0097]
本技术实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述实施例一至实施例四的方法步骤，具体执行过程可以参见实施例一至实施例四的具体说明，在此不进行赘述。
[0098]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0099]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0100]
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算法。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发明的范围。
[0101]
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0102]
所述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。
[0103]
另外，在本发明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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0104]
所述集成的模块/单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
[0105]
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。