体质识别方法、装置、电子设备及存储介质与流程

1.本技术属于计算机技术领域，尤其涉及一种体质识别方法、装置、电子设备及存储介质。


背景技术：

2.在我国，人们依赖中医进行疾病预防以及调理体质已有千百年的历史。其中，舌诊是中医进行疾病诊断的重要依据，其主要是通过观察舌头的色泽、形态的变化来辅助诊断及体质甄别。
3.在传统的中医舌诊当中，主要是诊察舌苔的形态、色泽、润燥等，以此判断疾病的性质、病势的深浅、气血的盛衰、津液的盈亏及脏腑的虚实等。在实际应用中，舌象图像的不同区域对于舌诊结果对应的人体体质均具有不同程度的影响。例如，对于痰湿体质，舌象图像中部区域起决定性的作用；对于气虚体质，舌象边缘区域的裂痕起决定性的作用等。因此，在舌诊过程中仅通过诊察舌苔的形态、色泽、润燥等特征进行人体体质判断存在准确率低下的问题。


技术实现要素：

4.本技术实施例提供了一种体质识别方法、装置、电子设备及存储介质，通过基于待诊断用户的舌象图像中各预设舌象区域的舌象特征数据对各舌象区域进行区域权重分析，并基于分析结果得到增强特征图。通过对增强特征图进行分析，来确定待诊断用户的体质类别，可以解决仅通过诊察舌苔整体形态、色泽、润燥等进行人体体质判断时存在准确率低下的问题，旨在提高通过舌诊进行人体体质判断的准确性。
5.第一方面，本技术实施例提供了一种体质识别方法，包括：
6.采集待诊断用户的舌象图像；
7.提取所述舌象图像中各预设舌象区域的舌象特征数据，基于各所述舌象特征数据对各所述舌象区域进行区域权重分析，得到各所述舌象区域的加权权重值；
8.基于所述加权权重值，对各所述舌象区域进行图像加权处理，得到增强特征图；
9.利用体质辨识算法对所述增强特征图进行分析，得到所述待诊断用户对应的体质类别。
10.第二方面，本技术实施例提供了一种体质识别装置，包括：
11.采集模块，用于采集待诊断用户的舌象图像；
12.第一分析模块，用于提取所述舌象图像中各预设舌象区域的舌象特征数据，基于各所述舌象特征数据对各所述舌象区域进行区域权重分析，得到各所述舌象区域的加权权重值；
13.处理模块，用于基于所述加权权重值，对各所述舌象区域进行图像加权处理，得到增强特征图；
14.第二分析模块，用于利用体质辨识算法对所述增强特征图进行分析，得到所述待
诊断用户对应的体质类别。
15.第三方面，本技术实施例提供了一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面所述的体质识别方法。
16.第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读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上第一方面所述的体质识别方法。
17.本技术第一方面提供的实施例与现有技术相比存在的有益效果是：通过对待诊断用户的舌象图像中提取出舌象特征数据，对提取的舌象特征数据对应的舌象区域进行区域权重分析，得到各舌象区域的加权权重值后，基于加权权重值，对各舌象区域进行图像加权处理，得到增强特征图；从而利用体质辨识算法对增强特征图进行分析，能够提高通过舌诊进行人体体质判断的准确性。
18.可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
19.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1是本技术实施例提供的体质识别方法的应用场景示意图；
21.图2是本技术一实施例提供的服务器的结构框图；
22.图3是本技术实施例提供的一种体质识别方法的流程示意图；
23.图4是本技术实施例提供的舌象图像的示意图；
24.图5是本技术实施例提供的神经网络模型的结构示意图；
25.图6是本技术实施例提供的体质识别装置的结构示意图；
26.图7是本技术实施例提供的电子设备的结构示意图。
具体实施方式
27.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
28.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
29.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
30.本技术实施例提供的体质识别方法可以应用于电子设备，该电子设备包括终端设
备，如手机、平板电脑、智能可穿戴设备、个人计算机(ultra-mobile personal computer，umpc)、上网本、个人数字助理(personal digital assistant，pda)等；或者，该电子设备包括服务器，如单个服务器或者服务器集群。其中，单个服务器或服务器集群可以是本地服务器或者云服务器。具体地，本技术实施例对终端设备以及服务器的具体类型不作任何限制。
31.此外，本技术实施例提供的体质识别方法，还可以由终端设备与服务器交互完成。示例性地，如图1所示，图1是本技术实施例提供的体质识别方法的应用场景示意图。
32.参考图1可知，在本实施例中，以手机作为终端设备100为例进行说明。具体地，终端设备100，用于采集待诊断用户的舌象图像。其中，终端设备100包括摄像头或者相机等图像采集模块，终端设备100可以通过摄像头或者相机等图像采集模块(如图2中采集模块101)，采集待诊断用户的舌象图像，并将采集的舌象图像发送至服务器200。
33.在具体实施时，服务器200主要用于从终端设备100发送的舌象图像中提取出舌象特征数据，并对各所述舌象特征数据进行相应的处理，以得到待诊断用户对应的体质类别。
34.具体地，如图2所示，图2是本技术一实施例提供的服务器的结构框图。由图2可知，服务器200从功能上可以区分为第一分析模块201、处理模块202以及第二分析模块203。其中，上述各模块可以是计算机程序组成的指令，也可以是对应的硬件模块，或者由计算机程序组成的指令与硬件相结合组成。
35.其中，第一分析模块201可以从终端设备发送的舌象图像中提取所述舌象图像中各预设舌象区域的舌象特征数据，基于各所述舌象特征数据对各所述舌象区域进行区域权重分析，得到各所述舌象区域的加权权重值。
36.处理模块202可以基于第一分析模块201得到的各所述舌象区域的加权权重值，对各所述舌象区域进行图像加权处理，得到增强特征图。其中，各所述舌象区域的加权权重值用于指示各所述舌象区域对体质辨识结果的不同贡献。即基于舌象图像的不同区域对于最终的体质分类结果有不同的贡献，来对各所述舌象区域进行图像加权处理，以实现基于增强特征图确定待诊断用户对应的体质类别，进而利用舌象图像中各不同区域对辨识结果的不同贡献，提高舌诊过程中对体质辨识的准确性。
37.第二分析模块203可以利用体质辨识算法对处理模块202得到的所述增强特征图进行分析，得到所述待诊断用户对应的体质类别。具体地，在得到待诊断用户对应的体质类别后，可以将体质类别发送至终端设备100，以使终端设备100通过预设界面进行展示，进而使得待诊断用户了解诊断结果。
38.可选地，终端设备100与服务器200之间可以通过预置的协议进行数据传输，例如，传输控制协议(transmission control protocol，tcp)，网络协议(internet protocol，ip)等。
39.需要说明的是，上述服务器200所具有的功能可以全部集成在终端设备上，当然，服务器200也可以具有采集待诊断用户的舌象图像的功能。也就是说，本技术实施例提供的体质识别方法可以由终端设备独立完成，也可以由服务器独立完成，还可以由终端设备与服务器交互完成。具体在此不做任何限定。
40.以下实施例可以在具有上述功能的手机服务器上实现。以下实施例将以服务器为例，对本技术实施例提供的体质识别方法进行说明。
41.请参阅图3，图3是本技术实施例提供的一种体质识别方法的流程示意图。由图3可
52.其中，feak为提取得到的局部特征向量对应的特征图，xk为输入的待诊断用户的舌象图像，f为对应预训练的残差深度神经网络，r为表示2048维特征向量中特征的实数。
53.需要说明的是，在实际应用中，上式表示的是预训练的残差深度神经网络将待诊断用户的舌象图像分成了7
×
7个相互具有重叠的区域，且从每一个区域中提取出一个2048维度的局部特征，得到局部特征向量。应理解，经过预训练的残差深度神经网络后，得到的局部特征已经高度抽象化，该高度抽象化的局部特征可以理解为是颜色、纹理等特征的一种抽象表示。也就是说，是相应的颜色、纹理等特征的语义信息表示。
54.在具体实施时，所述分别对各所述舌象区域的舌象特征数据进行加权权重分析，得到各所述舌象区域的加权权重值，包括：基于多层感知算法，分别对各所述舌象区域的舌象特征数据进行加权映射，基于加权映射结果得到各所述舌象区域的加权权重值。
55.其中，所述多层感知算法可以作为局部特征增强模块，对各所述舌象区域的每一个2048维的局部特征向量进行加权权重分析，分别得到各所述舌象区域的权重特征图后，基于多层感知机制，分别将各所述舌象区域的权重特征图进行投影映射，得到各所述舌象区域的权重特征图对应的标量，以各所述舌象区域的权重特征图对应的标量分别为各所述舌象区域的加权权重值。
56.示例性地，基于多层感知算法，对各所述舌象区域的舌象特征数据进行加权映射，得到各所述舌象区域的加权权重值的过程，可以由下式表示。
57.w
i，j
＝mlp(feak(i，j))∈r158.式中，w
i，j
为舌象区域(i，j)对应的加权权重值，mlp为1个可学习的多层感知机，feak(i，j)为第(i，j)个舌象区域对应的2048维局部特征组成的局部特征向量。
59.需要说明的是，上述提取舌象特征数据以及对各所述舌象特征数据对应的舌象区域进行区域权重分析，得到各所述舌象区域的加权权重值的过程可以由一个包括残差深度神经网络和局部特征加权模块的深度神经网络实现。具体地，该残差深度神经网络主要包括4个卷积模块，最后一个卷积模块能够提取得到维度为2048
×7×
7的特征图，其中，每一个2048维的局部特征向量对应了舌象图像中1个局部区域的舌象特征数据。局部特征加权模块可以是可学习的多层感知机。具体地，在此不再赘述。
60.示例性地，所述所述提取所述舌象图像中各预设舌象区域的舌象特征数据，分别对各所述舌象特征数据对应的舌象区域进行区域权重分析，得到各所述舌象区域的加权权重值，包括：将所述舌象图像输入预训练的深度神经网络进行分析，在所述深度神经网络中提取所述舌象特征数据以及对所述舌象特征数据对应的舌象区域进行区域权重分析，得到各所述舌象区域的加权权重值；其中，所述深度神经网络包括残差深度神经网络和局部特征加权模块。
61.s303：基于所述加权权重值，对各所述舌象区域进行图像加权处理，得到增强特征图。
62.其中，所述基于所述加权权重值，对各所述舌象区域进行图像加权处理，得到增强特征图，包括：基于所述加权权重值，计算各所述舌象区域的加权特征数据；对所述加权特征数据进行全局池化处理，得到所述增强特征图。
63.具体地，基于得到的所述加权权重值，计算各所述舌象区域的加权特征数据的过程，可以由下式表示。
64.fea_enhk(i，j)＝w
i，j
·
feak(i，j)
65.其中，fea_enhk(i，j)为计算得到的舌象区域(i，j)的加权特征数据，w
i，j
为舌象区域(i，j)对应的加权权重值，feak(i，j)为第舌象区域(i，j)对应的舌象特征数据。
66.具体地，对所述加权特征数据进行全局池化处理，得到所述增强特征图的过程可以由下式表示。
67.enh_feak＝gap(fea_enhk)
68.其中，gap表示全局平均池化层，具体可以理解为对各舌象区域的加权特征数据做平均，fea_enhk表示对各舌象图像的各舌象区域进行加权处理后的特征，enh_feak表示最终得到的增强特征图。
69.需要说明的是，在实际应用中，上述步骤s302至步骤s303的具体实现过程可以由一个预训练的神经网络模型实现。具体地，该预训练的神经网络模型可以包括残差深度神经网络、局部特征加权模块以及全局平均池化层。且在该神经网络模型的训练阶段，可以基于加权处理得到的各舌像区域的特征表示加权交叉熵损失函数，具体地，该神经网络模型的加权交叉熵损失函数可以表示为：
[0070][0071]
其中，表示训练集中第i个类别的样本数量，表示训练集中样本数最少的类别的样本数量，α为可调整的超参数。
[0072]
通过上述的加权交叉熵损失函数可知，该神经网络模型在训练过程中，对应的样本数越小，损失权重越大，基于该加权交叉熵损失函数可以有效避免在模型训练过程中忽略对较少样本类别特征的学习，以提高训练之后模型的识别准确性。
[0073]
s304：利用体质辨识算法对所述增强特征图进行分析，得到所述待诊断用户对应的体质类别。
[0074]
示例性地，所述利用体质辨识算法对所述增强特征图进行分析，得到所述待诊断用户对应的体质类别，包括：将所述增强特征图输入预训练的体质辨识网络模型进行舌象特征分析，得到所述待诊断用户的体质类别。
[0075]
需要说明的是，预训练的体质辨识网络模型为基于随机梯度下降算法的初始神经网络模型，通过预设数量的样本图像进行训练得到。具体地，在通过预设数量的样本图像基于随机梯度下降算法对初始神经网络模型进行训练前，可以将样本图像进行缩放，使其分辨率转变为预设分辨率，如256
×
256；在进行模型训练时，可以首先将样本图像按照预设像素均值，如[0.485，0.456，0.406]和预设像素标准差，如[0.229，0.224，0.225]对图像的r、g、b三通道进行归一化处理；再使用带动量的随机梯度下降算法，假设带动量的随机梯度下降算法的初始学习率为0.001，动量为0.9，权重衰减为0.0005，并使用小批量随机梯度下降策略，批大小设置为32来最小化加权的交叉熵损失函数；训练共进行预设次数，如100次，并以每30次为频率将学习率衰减至原先的0.5倍，以得到训练完成的体质辨识网络模型。
[0076]
此外，在具体实施时，还可以以步骤s303中的神经网络模型作为体质辨识网络模型。具体地，如图5所示，图5是本技术实施例提供的神经网络模型的结构示意图。由图5可知，该神经网络模型500包括残差深度神经网络501、局部特征增强模块502、全局平均池化层503、推理模块504、加权交叉熵损失函数505以及输出层506。需要说明的是，在以神经网
络模型500作为体质辨识网络模型时，可以直接将采集的待诊断用户的舌像图像输入该神经网络模型，该神经网络模型500通过残差深度神经网络501中提取所述舌象图像中各预设舌象区域的舌象特征数据后，通过局部特征增强模块502基于各所述舌象特征数据对各所述舌象区域进行区域权重分析，得到各所述舌象区域的加权权重值；然后通过全局平均池化层503基于所述加权权重值，对各所述舌象区域进行图像加权处理，得到增强特征图；最后通过推理模块504对所述增强特征图进行分析，得到所述待诊断用户对应的体质类别后，由输出层506输出对应的体质类别。在本实施例中，通过预训练的神经网络模型对待诊断用户的舌象图像进行分析，且通过局部特征增强模块对分别对各所述舌象特征数据对应的舌象区域进行区域权重分析，能够保证识别的准确性。
[0077]
通过上述分析可知，本技术实施例提供的体质识别方法，首先通过采集待诊断用户的舌象图像；提取所述舌象图像中各预设舌象区域的舌象特征数据，基于各所述舌象特征数据对各所述舌象区域进行区域权重分析，得到各所述舌象区域的加权权重值；基于所述加权权重值，对各所述舌象区域进行图像加权处理，得到增强特征图；利用体质辨识算法对所述增强特征图进行分析，得到所述待诊断用户对应的体质类别。旨在提高通过舌诊进行人体体质判断的准确性。
[0078]
应理解，上述实施例中各步骤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。
[0079]
对应于上文实施例所述的体质识别方法，图6示出了本技术实施例提供的体质识别装置的结构框图，为了便于说明，仅示出了与本技术实施例相关的部分。
[0080]
请参阅图6所示，图6是本技术实施例提供的体质识别装置的结构示意图。参照图6，该体质识别装置600包括：
[0081]
采集模块601，用于采集待诊断用户的舌象图像；
[0082]
第一分析模块201，用于提取所述舌象图像中各预设舌象区域的舌象特征数据，基于各所述舌象特征数据对各所述舌象区域进行区域权重分析，得到各所述舌象区域的加权权重值；
[0083]
处理模块202，用于基于所述加权权重值，对各所述舌象区域进行图像加权处理，得到增强特征图；
[0084]
第二分析模块203，用于利用体质辨识算法对所述增强特征图进行分析，得到所述待诊断用户对应的体质类别。
[0085]
在一实施例中，所述第一分析模块201，包括：
[0086]
第一分析单元，用于对所述舌象图像进行卷积分析，从所述舌象图像中提取出所述舌象特征数据；
[0087]
第二分析单元，用于确定各所述舌象特征数据对应的舌象区域，分别对各所述舌象区域的舌象特征数据进行加权分析，得到各所述舌象区域的加权权重值。
[0088]
在一实施例中，所述第一分析单元，具体用于：
[0089]
基于预训练的残差深度神经网络对所述舌象图像进行各预设舌象区域划分，对划分后的各所述舌象区域卷积分析，提取出所述舌象特征数据。
[0090]
在一实施例中，所述第二分析单元，具体用于：
[0091]
基于多层感知算法，分别对各所述舌象区域的舌象特征数据进行加权映射，基于加权映射结果得到各所述舌象区域的加权权重值。
[0092]
在一实施例中，所述处理模块202，包括：
[0093]
计算单元，用于基于所述加权权重值，计算各所述舌象区域的加权特征数据；
[0094]
处理单元，用于对所述加权特征数据进行全局池化处理，得到所述增强特征图。
[0095]
在一实施例中，所述第一分析模块201，具体用于：
[0096]
将所述舌象图像输入预训练的深度神经网络进行分析，在所述深度神经网络中提取所述舌象特征数据以及对所述舌象特征数据对应的舌象区域进行区域权重分析，得到各所述舌象区域的加权权重值；其中，所述深度神经网络包括残差深度神经网络和局部特征加权模块。
[0097]
在一实施例中，所述第二分析模块203，具体用于：
[0098]
将所述增强特征图输入预训练的体质辨识网络模型进行舌象特征分析，得到所述待诊断用户的体质类别。
[0099]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0100]
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。
[0101]
图7是本技术实施例提供的电子设备的结构示意图。如图7所示，该实施例的电子设备700包括：至少一个处理器701、存储器702以及存储在所述存储器702中并可在所述至少一个处理器701上运行的计算机程序703，所述处理器701执行所述计算机程序703时实现上述任意各个体质识别方法实施例中的步骤。
[0102]
所述电子设备700可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该电子设备700可包括，但不仅限于，处理器701、存储器702。本领域技术人员可以理解，图7仅仅是电子设备700的举例，并不构成对电子设备700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，例如还可以包括输入输出设备、网络接入设备等。
[0103]
所称处理器701可以是中央处理单元(central processing unit，cpu)，该处理器701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。
[0104]
所述存储器702在一些实施例中可以是所述电子设备700的内部存储单元，例如电子设备700的硬盘或内存。所述存储器702在另一些实施例中也可以是所述电子设备700的外部存储设备，例如所述电子设备700上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器702还可以既包括所述电子设备700的内部存储单元也包括外部存储设备。所述存储器702用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器702还可以用于暂时地存储已经输出或者将要输出的数据。
[0105]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读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可实现上述各个方法实施例中的步骤。
[0106]
此外，本技术实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
[0107]
所述集成的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，本技术实现上述实施例方法中的全部或部分流程，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。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0108]
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。
[0109]
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。
[0110]
在本技术所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，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。
[0111]
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。
[0112]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。