检测方法、装置、设备和计算机存储介质与流程

1.本发明涉及医疗技术领域，尤其涉及一种检测方法、装置、设备和计算机存储介质。


背景技术：

2.检测是临床与医疗技术领域中重要课题，例如，新冠病毒核酸检测是通过实验室方法进行检测、筛查，发现新冠病毒确诊病例、疑似病例和无症状感染者。目前病症的检测方法大多数采用鼻咽拭子、肛拭子等方法进行检测，但是这些检测方法的检测过程过于繁琐且检测周期过长，当出现大量检测对象时，不能实现实时检测。


技术实现要素：

3.本发明主要目的在于提供一种检测方法、装置、设备和计算机存储介质，旨在解决检测过程繁琐导致不能实时检测的问题。
4.为实现上述目的，本发明提供一种检测方法，所述检测方法应用于检测装置中；在一实施例中，所述检测方法包括以下步骤：
5.获取待检测者的音频数据；
6.将所述音频数据输入预设神经网络模型，其中，所述预设神经网络模型根据预设咳嗽音频数据得到；
7.获取所述预设神经网络模型输出的检测结果。
8.在一实施例中，所述将所述音频数据输入预设神经网络模型的步骤之前，包括：
9.获取预设咳嗽音频数据，并搭建初始预设神经网络模型；
10.根据所述预设咳嗽音频数据生成咳嗽音频数据集；
11.根据所述初始神经网络模型以及所述咳嗽音频数据集构建预设神经网络模型。
12.在一实施例中，所述根据所述预设咳嗽音频数据生成咳嗽音频数据集的步骤包括：
13.对所述预设咳嗽音频数据进行预处理，得到咳嗽音频数据集，其中，所述预处理的过程依次包括：预加重处理、分帧处理、加窗处理、傅里叶变换、梅尔滤波、对数能量计算以及离散余弦变换。
14.在一实施例中，所述初始神经网络模型包括第一神经网络模型以及第二神经网络模型；所述根据所述初始神经网络模型以及所述咳嗽音频数据集构建预设神经网络模型的步骤包括：
15.根据所述咳嗽音频数据集与所述第一神经网络模型得到音频特征；
16.根据所述音频特征与所述第二神经网络模型训练得到预设神经网络模型。
17.在一实施例中，所述音频特征至少包括：声音情感特征、呼吸道生物特征以及声带生物特征。
18.在一实施例中，所述根据所述初始神经网络模型以及所述咳嗽音频数据集构建预
设神经网络模型的步骤，还包括：
19.将所述咳嗽音频数据集划分为咳嗽音频训练集以及咳嗽音频测试集；
20.采用所述咳嗽音频训练集对所述初始神经网络模型进行训练，并且采用所述咳嗽音频测试集对训练完成的所述初始神经网络模型进行测试；
21.当测试结果的准确率达到预设阈值时，得到预设神经网络模型。
22.在一实施例中，所述获取所述预设神经网络模型输出的检测结果的步骤包括：
23.根据交叉熵损失函数以及所述预设神经网络模型得到检测结果，其中，所述交叉熵损失函数为：所述n为音频特征的数量，所述y
n
为真实检测结果，所述为预测检测结果。
24.为实现上述目的，本发明还提供一种检测装置，所述装置包括：
25.获取模块，用于获取待检测者的音频数据；
26.输入模块，用于将所述音频数据输入预设神经网络模型，其中，所述预设神经网络模型根据预设咳嗽音频数据训练得到；
27.输出模块，用于获取所述预设神经网络模型输出的检测结果。
28.为实现上述目的，本发明还提供一种检测设备，所述检测设备包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的检测程序，所述检测程序被所述处理器执行时实现如上所述的检测方法的各个步骤。
29.为实现上述目的，本发明还提供一种计算机存储介质，所述计算机存储介质存储有检测程序，所述检测程序被处理器执行时实现如上所述的检测方法的各个步骤。
30.本发明提供的检测方法、装置、设备和计算机存储介质，通过获取待检测者的音频数据，对所述音频数据进行预处理后，将预处理后的音频数据输入预设神经网络中，从而得到所述预设神经网络模型输出的检测结果，通过采用预设神经网络模型对待检测者的音频数据进行处理，解决了现有技术中检测过程繁琐导致不能实时检测的问题，提高了检测效率。
附图说明
31.图1为本发明实施例涉及的检测设备结构示意图；
32.图2为本发明检测方法的第一实施例的流程示意图；
33.图3为本发明检测方法的第二实施例的流程示意图；
34.图4为本发明检测方法的第三实施例的流程示意图；
35.图5为本发明检测方法的第四实施例的流程示意图；
36.图6为本发明检测方法的第五实施例的流程示意图；
37.图7为本发明检测装置的结构示意图；
38.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
39.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
40.本申请为解决现有技术中检测过程繁琐导致不能实时检测的问题，通过获取待检
测者的音频数据，将所述音频数据输入预设神经网络模型，其中，所述预设神经网络模型根据预设咳嗽音频数据得到，获取所述预设神经网络模型输出的检测结果的技术方案，实现根据预设神经网络模型快速获得检测结果的目的，提高检测效率。
41.为了更好地理解上述技术方案，下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请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申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
42.如图1所示，图1为本发明实施例方案涉及的硬件运行环境的结构示意图。
43.需要说明的是，图1即可为检测设备的硬件运行环境的架构示意图。
44.如图1所示，该检测设备可以包括：处理器1001，例如cpu，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(di sp l ay)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi
‑
fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non
‑
volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置，所述检测设备还包括拾音器、音频处理器。
45.本领域技术人员可以理解，图1所示的检测设备结构并不构成对检测设备的限定，检测设备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。
46.如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及检测程序。其中，操作系统是管理和控制检测设备硬件和软件资源的程序，检测程序以及其它软件或程序的运行。
47.在图1所示的检测设备中，用户接口1003主要用于连接终端，与终端进行数据通信；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的检测程序。
48.在本实施例中，检测设备包括：存储器1005、处理器1001及存储在所述存储器上并可在所述处理器上运行的检测程序，其中：
49.在本申请实施例中，处理器1001可以用于调用存储在存储器1005中的检测程序，并执行以下操作：
50.获取待检测者的音频数据；
51.将所述音频数据输入预设神经网络模型，其中，所述预设神经网络模型根据预设咳嗽音频数据得到；
52.获取所述预设神经网络模型输出的检测结果。
53.在本申请实施例中，处理器1001可以用于调用存储在存储器1005中的检测程序，并执行以下操作：
54.获取预设咳嗽音频数据，并搭建初始预设神经网络模型；
55.根据所述预设咳嗽音频数据生成咳嗽音频数据集；
56.根据所述初始神经网络模型以及所述咳嗽音频数据集构建预设神经网络模型。
57.在本申请实施例中，处理器1001可以用于调用存储在存储器1005中的检测程序，并执行以下操作：
58.对所述预设咳嗽音频数据进行预处理，得到咳嗽音频数据集，其中，所述预处理的过程依次包括：预加重处理、分帧处理、加窗处理、傅里叶变换、梅尔滤波、对数能量计算以及离散余弦变换。
59.在本申请实施例中，处理器1001可以用于调用存储在存储器1005中的检测程序，并执行以下操作：
60.根据所述咳嗽音频数据集与所述第一神经网络模型得到音频特征；
61.根据所述音频特征与所述第二神经网络模型训练得到预设神经网络模型。
62.在本申请实施例中，处理器1001可以用于调用存储在存储器1005中的检测程序，并执行以下操作：
63.将所述咳嗽音频数据集划分为咳嗽音频训练集以及咳嗽音频测试集；
64.采用所述咳嗽音频训练集对所述初始神经网络模型进行训练，并且采用所述咳嗽音频测试集对训练完成的所述初始神经网络模型进行测试；
65.当测试结果的准确率达到预设阈值时，得到预设神经网络模型。
66.在本申请实施例中，处理器1001可以用于调用存储在存储器1005中的检测程序，并执行以下操作：
67.根据交叉熵损失函数以及所述预设神经网络模型得到检测结果，其中，所述交叉熵损失函数为：所述n为音频特征的数量，所述y
n
为真实检测结果，所述为预测检测结果。
68.由于本申请实施例提供的检测设备，为实施本申请实施例的方法所采用的检测设备，故而基于本申请实施例所介绍的方法，本领域所属人员能够了解该检测设备的具体结构及变形，故而在此不再赘述。凡是本申请实施例的方法所采用的检测设备都属于本申请所欲保护的范围。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
69.对于软件实现，可通过执行本发明实施例所述功能的模块(例如过程、函数等)来实现本发明实施例所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
70.基于上述结构，提出本发明的实施例。
71.参照图2，图2为本发明检测方法的第一实施例的流程示意图，包括以下步骤：
72.步骤s110，获取待检测者的音频数据。
73.步骤s120，将所述音频数据输入预设神经网络模型。
74.步骤s130，获取所述预设神经网络模型输出的检测结果。
75.在本实施例中，所述待检测者的类别可以为健康人、新冠病毒确诊病例、疑似病例或者无症状感染者，所述待检测者的类别具有不确定性；在本申请的应用场景中，采用检测设备中的拾音器采集待检测者的音频数据，根据采集的音频数据生成音频文件，所述拾音器可以为麦克风，将所述音频文件发送至检测设备中的音频处理器进行预处理，得到可用于输入到预设神经网络模型中的咳嗽音频数据；所述音频数据为待检测者的咳嗽音频数据，所述音频数据还可能夹杂着除待检测者的咳嗽音频数据之外的其他噪声，因此为了保证提取的咳嗽音频数据的质量，尽量保持在噪声较低的密闭空间，例如静音室内采集待检测者的音频数据。
76.在本实施例中，为了提高检测结果的准确性，可以根据实际情况采集待检测者的音频数据，在本申请的应用场景中，可以设置采集的待检测者的音频数据的时长，还可以设置采集的待检测者的音频数据的次数，还可以设置多久进行音频数据的采集，例如，可以设置采集的待检测的音频数据的次数为3次，每次采集的音频数据生成对应的音频文件，每次的音频数据的时长为6秒，每隔7天再次进行音频数据的采集；当采集完待检测者的音频数据时，将多次采集的音频数据进行对比，从其中选择精确度最高的咳嗽音频数据作为输入预设神经网络模型的音频数据，当采集的音频数据不符合要求时，进行错误提示并提醒再次进行咳嗽音频数据的采集。
77.在本实施例中，将待检测者的音频数据输入预设神经网络模型中，所述预设神经网络模型根据预设咳嗽音频数据得到，该预设神经网络模型可用于确定待检测者的检测结果，当采集到待检测者的音频数据时，将该音频数据输入预设神经网络模型，得到的预设神经网络模型输出的检测结果即为待检测者的检测结果，所述检测结果只包括两种情况，即健康或者不健康。
78.在本实施例的技术方案中，通过获取待检测者的音频数据，将所述音频数据进行预处理得到咳嗽音频数据，将预处理后的咳嗽音频数据输入预设神经网络模型，得到由该预设神经网络模型输出的待检测者的检测结果，解决了现有技术中检测过程繁琐且耗时长的问题，缩短的检测时间，提高了检测效率。
79.参照图3，图3为本发明检测方法的第二实施例的流程示意图，第二实施例中的步骤s220
‑
步骤s240位于第一实施例中步骤s120之前，所述第二实施包括以下步骤：
80.步骤s210，获取待检测者的音频数据。
81.步骤s220，获取预设咳嗽音频数据，并搭建初始预设神经网络模型。
82.步骤s230，根据所述预设咳嗽音频数据生成咳嗽音频数据集。
83.步骤s240，根据所述初始神经网络模型以及所述咳嗽音频数据集构建预设神经网络模型。
84.在本实施例中，在将待检测者的音频数据输入预设神经网络模型之前，需要构建预设神经网络模型，所述预设神经网络模型根据预设咳嗽音频数据和所述初始神经网络模型得到，所述初始神经网络模型采用并行的resnet50网络，所述预设咳嗽音频数据来源于多个检测者的音频数据，预先将多个检测者根据类别进行分类，所述检测者的类别包括：健康人、新冠病毒确诊病例、疑似病例或者无症状感染者，所述检测者的类别是确定的，分别采集不同类别的检测者的预设咳嗽音频数据，将不同类别的检测者的预设咳嗽音频数据进行整合，得到对应类别的咳嗽音频数据集，将不同类别的咳嗽音频数据输入初始神经网络模型中进行训练，得到预设神经网络模型。
85.在本实施例中，不同检测者的音频特征存在差异，因此所述咳嗽音频数据集也不同，通过对所述预设咳嗽音频数据进行预处理，得到咳嗽音频数据集，所述对所述预设咳嗽音频数据进行预处理依次包括：预加重处理、分帧处理、加窗处理、傅里叶变换、梅尔滤波、对数能量计算以及离散余弦变换；具体的，所述预加重处理其实是将预设咳嗽音频数据输入高通滤波器，预加重处理的目的在于提升预设咳嗽音频数据的高频部分，使预设咳嗽音频数据的频谱变得平坦，保持在低频到高频的整个频带中，能用同样的信噪比求频谱；所述分帧处理为先将n个预设咳嗽音频数据集合成一个单位，称为帧，为了避免相邻两帧的变化
过大，因此会让两相邻帧之间有一段重叠区域，此重叠区域包含了m个预设咳嗽音频数据；所述加窗处理将每一帧乘以汉明窗，以增加帧左端和右端的连续性；所述傅里叶变换，由于预设咳嗽音频数据在时域上的变换难以得到特征，所以需要将其转换为频域上的能量分布来观察，不同的能量分布，就能代表不同预设咳嗽音频数据的特征，在乘上汉明窗后，每帧还必须经过快速傅里叶变换以得到在频谱上的能量分布，对分帧加窗后的各帧预设咳嗽音频数据进行快速傅里叶变换得到各帧的频谱，并对预设咳嗽音频数据的频谱取模平方得到所述预设咳嗽音频数据的功率谱；所述梅尔滤波，即mel，将能量谱通过一组mel尺度的三角形滤波器组，梅尔滤波的目的在于对频谱进行平滑化，使得以梅尔频率倒谱系数即mfcc，不会受到输入的预设咳嗽音频数据的音调不同而有所影响；所述对数能量计算用于计算每个滤波器组输出的对数能量，所述对数能量即为一帧的音量；所述离散余弦变换根据每个滤波器组输出的对数能量得到梅尔频率倒谱系数，即mfcc系数，所述mfcc系数只反映了预设咳嗽音频数据的静态音频特征，可以通过这些静态音频特征的差分谱得到预设咳嗽音频数据的动态音频特征，通过上述一系列操作将音频信号转换为数字信号。
86.在本实施例中，为了提高预设神经网络模型的检测精度，可以设置采集的检测者的音频数据的时长，还可以设置采集的检测者的音频数据的次数，例如，可以设置采集的检测的音频数据的次数为5次，每次采集的音频数据生成对应的音频文件，每次的音频数据的时长为10秒；当采集完检测者的音频数据时，将多次采集的音频数据进行对比，从其中选择精确度最高的咳嗽音频数据作为预设咳嗽音频数据，将不同类别的检测者的预设咳嗽音频数据进行整合，得到不同类别的检测者的预设咳嗽音频数据集，将所述预设咳嗽音频数据分别输入初始预设神经网络模型中进行训练，得到预设神经网络模型。
87.步骤s250，将所述音频数据输入预设神经网络模型，其中，所述预设神经网络模型根据预设咳嗽音频数据得到。
88.步骤s260，获取所述预设神经网络模型输出的检测结果。
89.在本实施例的技术方案中，通过在将待检测者的音频数据输入预设神经网络模型之前，获取预设咳嗽音频数据，并搭建初始预设神经网络模型，获取预设咳嗽音频数据并对所述预设咳嗽音频数据进行一系列的预处理操作，得到咳嗽音频数据集，将所述咳嗽音频数据集输入初始神经网络模型中进行训练，从而构建预设神经网络模型，将待检测者的音频数据输入该预设神经网络模型，就可快速得到待检测者的检测结果，提高检测效率。
90.参照图4，图4为本发明检测方法的第三实施例的流程示意图，第三实施例中的步骤s241
‑
步骤s242是第二实施例中步骤s240的细化步骤，所述第三实施包括以下步骤：
91.步骤s241，根据所述咳嗽音频数据集与所述第一神经网络模型得到音频特征。
92.步骤s242，根据所述音频特征与所述第二神经网络模型训练得到预设神经网络模型。
93.在本实施例中，所述初始神经网络模型包括第一神经网络模型以及第二神经网络模型，所述第一神经网络模型与所述第二神经网络模型均采用resnet50网络架构，所述第一神经网络模型采用多个并行的resnet50网络，将所述咳嗽音频数据集输入第一神经网络模型中进行训练，可得到音频特征，即音频特征中包括哪几种特征，其中，所述音频特征至少包括：声音情感特征、呼吸道生物特征以及声带生物特征，还包括其它音频特征；再将音频特征输入到第二神经网络模型中进行训练，得到预设神经网络模型，所述预设神经网络
模型通过检测咳嗽音频数据集中是否存在上述三种音频特征从而确定检测结果；在第二神经网络模型的训练过程中，所述第二神经网络模型通过连接全局平均池化层将第二神经网络模型的输出汇集在一起，再加入激活函数层与sigmoid层对输出的检测结果进行判断。
94.在本实施例的技术方案中，通过将咳嗽音频数据集输入第一神经网络模型中，得到音频特征，将所述音频特征输入所述第二神经网络模型中训练得到预设神经网络模型，实现了预设神经网络模型的搭建。
95.参照图5，图5为本发明检测方法的第四实施例的流程示意图，第四实施例中的步骤s341
‑
步骤s343是第二实施例中步骤s240的细化步骤，所述第四实施包括以下步骤：
96.步骤s341，将所述咳嗽音频数据集划分为咳嗽音频训练集以及咳嗽音频测试集。
97.步骤s342，采用所述咳嗽音频训练集对所述初始神经网络模型进行训练，并且采用所述咳嗽音频测试集对训练完成的所述初始神经网络模型进行测试。
98.步骤s343，当测试结果的准确率达到预设阈值时，得到预设神经网络模型。
99.在本实施例中，由于预设神经网络模型的参数是未知的，所以为了得到一个最优参数，需要采用已知的咳嗽音频数据集对初始神经网络模型进行训练，将所述咳嗽音频数据集划分为咳嗽音频训练集以及咳嗽音频测试集，所述咳嗽音频数据集也可划分为咳嗽音频训练集、咳嗽音频测试集以及咳嗽音频验证集，咳嗽音频训练集、咳嗽音频测试集以及咳嗽音频验证集的数据比例可根据实际训练过程进行划分，例如按照比例划分为8:1:1；通常先采用咳嗽音频训练集训练初始神经网络模型，即最小化代价函数，然后再把测试集代入代价函数检测训练完成的初始神经网络模型的效果。
100.在本实施例中，咳嗽音频训练集用来估计模型，咳嗽音频验证集用来确定网络结构或者控制模型复杂程度的参数，而咳嗽音频测试集则检验最终选择最优的模型的性能如何，当测试结果的准确率达到预设阈值时，得到成熟的预设神经网络模型，这三部分都是从预设咳嗽音频数据中随机抽取，当样本总量少的时候，通常只留少部分做咳嗽音频测试集，然后对其余n个样本采用k折交叉验证法，例如将预设咳嗽音频数据均匀分成k份，轮流选择其中k－1份训练，剩余的一份做验证，计算预测误差平方和，最后把k次的预测误差平方和再做平均作为选择最优模型结构的依据。
101.在本实施例的技术方案中，通过将所述咳嗽音频数据集划分为咳嗽音频训练集以及咳嗽音频测试集，采用所述咳嗽音频训练集对所述初始神经网络模型进行训练，并且采用所述咳嗽音频测试集对训练完成的所述初始神经网络模型进行测试，当测试结果的准确率达到预设阈值时，得到预设神经网络模型，不断提高预设神经网络模型的精度。
102.参照图6，图6为本发明检测方法的第五实施例的流程示意图，第五实施例中的步骤s131是第一实施例中步骤s130的细化步骤，所述第五实施包括以下步骤：
103.步骤s110，获取待检测者的音频数据。
104.步骤s120，将所述音频数据输入预设神经网络模型，其中，所述预设神经网络模型根据预设咳嗽音频数据得到。
105.步骤s131，根据交叉熵损失函数以及所述预设神经网络模型得到检测结果。
106.在本实施例中，因为检测类型的特殊性，只需要得到检测结果为健康或者不健康即可，无需进行其他判断，因此该过程涉及到二分类的问题，因此本申请采用交叉熵损失函
数用于检测结果的判断，所述交叉熵损失函数为：所述n为音频特征的数量，所述y
n
为真实检测结果，所述为预测检测结果，所述交叉熵损失函数的判断结果实际为0或者1的判断，可以用1表示健康，0表示不健康，当预测检测结果与真实检测结果不相等时为1，当预测检测结果与真实检测结果相等时为0，在预设神经网络模型中采用交叉熵损失函数可得到检测结果。
107.在本实施例的技术方案中，通过获取待检测者的音频数据，将所述音频数据输入预设神经网络模型中，因为检测结果只存在两种情况，因此本实施例在预设神经网络模型中采用交叉熵损失函数进行判断并得到检测结果，解决了现有技术中检测过程繁琐的问题，提高了检测效率。
108.基于同一发明构思，本发明还提供一种检测装置，如图7所示，图7为本发明检测装置的结构示意图，所述检测装置包括：获取模块10、输入模块20以及输出模块30，下面将对各个模块进行展开描述：
109.获取模块10，用于获取待检测者的音频数据。
110.在输入模块20之前还包括：获取预设咳嗽音频数据，并搭建初始预设神经网络模型；根据所述预设咳嗽音频数据生成咳嗽音频数据集；根据所述初始神经网络模型以及所述咳嗽音频数据集构建预设神经网络模型。具体的，根据所述预设咳嗽音频数据生成咳嗽音频数据集包括：对所述预设咳嗽音频数据进行预处理，生成音频特征；根据所述音频特征得到所述咳嗽音频数据集。所述预处理依次包括：预加重处理、分帧处理、加窗处理、傅里叶变换、梅尔滤波、对数能量计算以及离散余弦变换。所述音频特征至少包括：声音情感特征、呼吸道生物特征以及声带生物特征。所述根据所述初始神经网络模型以及所述咳嗽音频数据集构建预设神经网络模型的步骤包括：根据所述咳嗽音频数据集与所述第一神经网络模型得到音频特征；根据所述音频特征与所述第二神经网络模型训练得到预设神经网络模型。
111.输入模块20，用于将所述音频数据输入预设神经网络模型，其中，所述预设神经网络模型根据预设咳嗽音频数据得到。
112.输出模块30，用于获取所述预设神经网络模型输出的检测结果，具体地，根据交叉熵损失函数以及所述预设神经网络模型得到检测结果，其中，所述交叉熵损失函数为：所述n为音频特征的数量，所述y
n
为真实检测结果，所述为预测检测结果。
113.由于采用了获取待检测者的音频数据，将所述音频数据输入预设神经网络模型，其中，所述预设神经网络模型根据预设咳嗽音频数据得到，获取所述预设神经网络模型输出的检测结果的技术方案，为本申请所述的检测方法提供检测装置，解决了现有技术中检测过程繁琐导致不能实时检测的问题，提高检测效率。
114.基于同一发明构思，本申请实施例还提供了一种计算机存储介质，所述计算机存储介质存储有检测程序，所述检测程序被处理器执行时实现如上所述的检测方法的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
115.由于本申请实施例提供的计算机存储介质，为实施本申请实施例的方法所采用的
计算机存储介质，故而基于本申请实施例所介绍的方法，本领域所属人员能够了解该计算机存储介质的具体结构及变形，故而在此不再赘述。凡是本申请实施例的方法所采用的计算机存储介质都属于本申请所欲保护的范围。
116.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
117.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、或确定机程序产品。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确定机可用程序代码的确定机可用计算机存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的确定机程序产品的形式。
118.本发明是参照根据本发明实施例的方法、设备(系统)、和确定机程序产品的流程图和/或方框图来描述的。应理解可由确定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。可提供这些确定机程序指令到通用确定机、专用确定机、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，使得通过确定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。
119.这些确定机程序指令也可存储在能引导确定机或其他可编程数据处理设备以特定方式工作的确定机可读存储器中，使得存储在该确定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。
120.这些确定机程序指令也可装载到确定机或其他可编程数据处理设备上，使得在确定机或其他可编程设备上执行一系列操作步骤以产生确定机实现的处理，从而在确定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。
121.应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的确定机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为标识。
122.尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
123.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。