一种基于大数据的智能生产方法和装置与流程

1.本发明涉及大数据领域，特别涉及一种基于大数据的智能生产方法和装置。


背景技术：

2.目前，非织造布行业实现了纺丝、成形、原料运输、包装等工艺技术的自动化、数字化、连续化集成应用，实现了非织造布生产的全流程数字化监控和智慧型管理，然而由于布草订单生产数量和类型的不确定性，相关人员难以估算能够完成的订单数量，若所接订单数量过多，则会超期，造成超期损失，若所接订单数量少，则无法达到工厂利益最大化，生产效率与订单数量不匹配。


技术实现要素：

3.本发明的主要目的为提供一种基于大数据的智能生产方法和装置，旨在解决相关人员难以估算能够完成的订单数量，导致出现生产效率与订单数量不匹配的问题。
4.本发明提供了一种基于大数据的智能生产方法，包括：当调度指令被触发时，获取当前待生产的布草订单和当前各个流水线的视频数据，并从各个所述布草订单中获取对应的布草类型、布草数量以及订单期限；将各个布草订单的布草类型、布草数量以及订单期限按照预设的转换方法转换为数值，并将得到的数值分别作为矩阵的列，以获取各个布草订单对应的第一矩阵；获取各个流水线的视频数据中的光流场；并通过预设的识别模型识别所述视频数据中每帧视频中的生产产品；根据所述光流场和识别结果确定各个生产产品的光流信息；基于各个生产产品的光流信息确定各条流水线上各条流水线的运动状态信息；根据每个生产产品的运动状态信息生成对应流水线的运行情况图；将各个流水线的运行情况图输入至预设的卷积神经网络模型，以获取第二矩阵；其中，所述预设的卷积神经网络模型通过不同的目标运行情况图，以及目标运行情况图的视频矩阵作为输出训练而成，其中，所述视频矩阵用于表征所述目标运行情况图中生产产品的运动信息；分别计算第一矩阵、第二矩阵的模值，以及根据所述订单期限设定各个布草订单的第一权重；根据第二矩阵的模值以及各个布草订单第一矩阵的模值和第一权重计算各个布草订单的第二权重；根据各个第二权重设置各个布草订单的生产方案；基于所述生产方案对当前待生产的布草订单进行生产。
5.进一步地，所述基于所述生产方案对当前待生产的布草订单进行生产的步骤之前，还包括：获取所述生产方案中各条流水线的布草产品数量以及对应生产布草产品类型的
变化次数；根据公式计算各条流水线生产布草的变化值；其中，l为流水线总数；e表示流水线总数；为第e条流水线上生产的布草产品的数量；为第e条流水线上顺次生产布草产品类型的变化次数；判断所述变化值是否小于预设值；若均小于预设值，则执行所述基于所述生产方案对当前待生产的布草订单进行生产的步骤。
6.进一步地，所述根据各个第二权重设置各个布草订单的生产方案的步骤，包括：按照预设的分组方案将各个布草订单拆分为多个子订单，其中，一个布草订单至少对应一个子订单；统计各个子订单的数量，并将各个布草订单的所述第二权重赋予给对应的子订单；基于所述子订单的数量、第二权重和流水线的条数设置所述各个布草订单的生产方案。
7.进一步地，所述基于各个生产产品的光流信息确定各条流水线上各条流水线的运动状态信息的步骤，包括：按照预定尺寸模块将当前识别到的生产产品划分为不同大小的子块；其中，所述子块尺寸小于生产产品；根据所述子块内所有像素的光流确定子块的光流信息，并根据子块占据生产产品的比例，确定子块的权重系数；根据子块的权重系数以及子块对应的光流信息，加权获取各条流水线的运动状态信息。
8.进一步地，所述基于所述生产方案对当前待生产的布草订单进行生产的步骤之后，还包括：统计所述流水线加工各个布草订单的平均生产效率；根据所述平均生产效率计算历史运动状态信息；根据公式计算当前运动状态信息；其中，表示第k条流水线的当前运动状态信息，表示第k条流水线的历史运动状态信息，m为参数，表示第k条流水线的历史生产总数量；判断调度指令是否被再次触发；若是，则根据当前运动状态信息对所述运动状态信息进行更新。
9.本发明还提供了一种基于大数据的智能生产装置，包括：获取模块，用于当调度指令被触发时，获取当前待生产的布草订单和当前各个流
水线的视频数据，并从各个所述布草订单中获取对应的布草类型、布草数量以及订单期限；第一输入模块，用于将各个布草订单的布草类型、布草数量以及订单期限按照预设的转换方法转换为数值，并将得到的数值分别作为矩阵的列，以获取各个布草订单对应的第一矩阵；识别模块，用于获取各个流水线的视频数据中的光流场；并通过预设的识别模型识别所述视频数据中每帧视频中的生产产品；第一确定模块，用于根据所述光流场和识别结果确定各个生产产品的光流信息；第二确定模块，用于基于各个生产产品的光流信息确定各条流水线上各条流水线的运动状态信息；生成模块，用于根据每个生产产品的运动状态信息生成对应流水线的运行情况图；第二输入模块，用于将各个流水线的运行情况图输入至预设的卷积神经网络模型，以获取第二矩阵；其中，所述预设的卷积神经网络模型通过不同的目标运行情况图，以及目标运行情况图的视频矩阵作为输出训练而成，其中，所述视频矩阵用于表征所述目标运行情况图中生产产品的运动信息；第一计算模块，用于分别计算第一矩阵、第二矩阵的模值，以及根据所述订单期限设定各个布草订单的第一权重；第二计算模块，用于根据第二矩阵的模值以及各个布草订单第一矩阵的模值和第一权重计算各个布草订单的第二权重；设置模块，用于根据各个第二权重设置各个布草订单的生产方案；生产模块，用于基于所述生产方案对当前待生产的布草订单进行生产。
10.进一步地，所述基于大数据的智能生产装置，还包括：数量获取模块，用于获取所述生产方案中各条流水线的布草产品数量以及对应生产布草产品类型的变化次数；变化值计算模块，用于根据公式计算各条流水线生产布草的变化值；其中，l为流水线总数；e表示流水线总数；为第e条流水线上生产的布草产品的数量；为第e条流水线上顺次生产布草产品类型的变化次数；变化值判断模块，用于判断所述变化值是否小于预设值；执行模块，用于若均小于预设值，则执行所述基于所述生产方案对当前待生产的布草订单进行生产的步骤。
11.进一步地，所述设置模块，包括：拆分子模块，用于按照预设的分组方案将各个布草订单拆分为多个子订单，其中，一个布草订单至少对应一个子订单；统计子模块，用于统计各个子订单的数量，并将各个布草订单的所述第二权重赋
予给对应的子订单；设置子模块，用于基于所述子订单的数量、第二权重和流水线的条数设置所述各个布草订单的生产方案。
12.进一步地，所述第二确定模块，包括：划分子模块，用于按照预定尺寸模块将当前识别到的生产产品划分为不同大小的子块；其中，所述子块尺寸小于生产产品；光流信息确定子模块，用于根据所述子块内所有像素的光流确定子块的光流信息，并根据子块占据生产产品的比例，确定子块的权重系数；根据子块的权重系数以及子块对应的光流信息，加权获取各条流水线的运动状态信息。
13.进一步地，基于大数据的智能生产装置，还包括：生产效率统计模块，用于统计所述流水线加工各个布草订单的平均生产效率；历史运动状态信息计算模块，用于根据所述平均生产效率计算历史运动状态信息；当前运动状态信息计算模块，用于根据公式计算当前运动状态信息；其中，表示第k条流水线的当前运动状态信息，表示第k条流水线的历史运动状态信息，m为参数，表示第k条流水线的历史生产总数量；调度指令判断模块，用于判断调度指令是否被再次触发；更新模块，用于若判断调度指令被再次触发，则根据当前运动状态信息对所述运动状态信息进行更新。
14.本发明的有益效果：通过获取各个当前待生产的布草订单以及流水线的视频数据，计算布草订单对应的第一矩阵，以及各个流水线的第二矩阵，根据第一矩阵、第二矩阵的模值，以及根据所述订单期限设定各个布草订单的第一权重，设置各个布草订单的生产方案进行生产，从而对待生产的布草订单和流水线生产效率相匹配，在避免超期的情况下，可以提高布草订单的接单数量，使工厂的利益最大化。
附图说明
15.图1 是本发明一实施例的一种基于大数据的智能生产方法的流程示意图；图2 是本发明一实施例的一种基于大数据的智能生产装置的结构示意框图。
16.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
17.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
18.需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后等）仅用于
解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变，所述的连接可以是直接连接，也可以是间接连接。
19.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。
20.另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
21.参照图1，本发明提出一种基于大数据的智能生产方法，包括：s1：当调度指令被触发时，获取当前待生产的布草订单和当前各个流水线的视频数据，并从各个所述布草订单中获取对应的布草类型、布草数量以及订单期限；s2：将各个布草订单的布草类型、布草数量以及订单期限按照预设的转换方法转换为数值，并将得到的数值分别作为矩阵的列，以获取各个布草订单对应的第一矩阵；s3：获取各个流水线的视频数据中的光流场；并通过预设的识别模型识别所述视频数据中每帧视频中的生产产品；s4：根据所述光流场和识别结果确定各个生产产品的光流信息；s5：基于各个生产产品的光流信息确定各条流水线上各条流水线的运动状态信息；s6：根据每个生产产品的运动状态信息生成对应流水线的运行情况图；s7：将各个流水线的运行情况图输入至预设的卷积神经网络模型，以获取第二矩阵；其中，所述预设的卷积神经网络模型通过不同的目标运行情况图，以及目标运行情况图的视频矩阵作为输出训练而成，其中，所述视频矩阵用于表征所述目标运行情况图中生产产品的运动信息；s8：分别计算第一矩阵、第二矩阵的模值，以及根据所述订单期限设定各个布草订单的第一权重；s9：根据第二矩阵的模值以及各个布草订单第一矩阵的模值和第一权重计算各个布草订单的第二权重；s10：根据各个第二权重设置各个布草订单的生产方案；s11：基于所述生产方案对当前待生产的布草订单进行生产。
22.如上述步骤s1所述，当调度指令被触发时，获取当前待生产的布草订单和当前各个流水线的视频数据，并从各个所述布草订单中获取对应的布草类型、布草数量以及订单期限，其中，调度指令被触发的条件可以是人为触发，也可以是在引进了时间期限较紧的布草订单后自动触发，获取当前待生产的布草订单和当前各个流水线的视频数据，当前的待生产的布草订单为需要进行安排生产的布草订单，对于一些其他一些暂停的布草订单则不在考虑的范围内，然后布草订单内含有对应的布草类型、布草数量以及订单期限，可以通过预设的文字识别技术进行识别得到，流水线的视频数据可以通过在流水线上方设置摄像
头，从而获取到对应的视频数据，需要说明的是，视频数据的时长应当是在调度指令被触发后的前一段时间内的视频数据。
23.如上述步骤s2所述，将各个布草订单的布草类型、布草数量以及订单期限按照预设的转换方法转换为数值，并将得到的数值分别作为矩阵的列，以获取各个布草订单对应的第一矩阵。第一卷积神经网络的隐含层向前传播时，对输入数据执行基于二维卷积核的卷积处理、激活、均值池化处理，以由所述第一卷积神经网络的输出层输出所述第一矩阵。需要进行说明的是，第一卷积神经网络模型可以通过不同的布草类型、布草数量以及订单期限以及对应的矩阵进行模型训练，从而得到神经网络的参数，使得便于在模型运用计算过程中输出能表征的第一矩阵。具体地，第一矩阵中可以是将布草类型，布草数量以及订单期限转化为对应的数值，然后分别作为第一矩阵的列得到该第一矩阵。
24.如上述步骤s3所述，获取各个流水线的视频数据中的光流场；并通过预设的识别模型识别所述视频数据中每帧视频中的生产产品。光流场是指图像中所有像素点构成的一种二维(2d)瞬时速度场，生产产品的识别可以通过预设的图片识别技术进行识别，本技术对此不过多阐述，可以对生产产品进行识别即可。
25.如上述步骤s4所述，根据所述光流场和识别结果确定各个生产产品的光流信息，光流信息即为各个生产产品在生产线上的移动信息，即根据光流场可以确定各个生产产品的移动情况，进而获取到生产产品的光流信息，具体可以是各个生产产品的移动信息。
26.如上述步骤s5所述，基于各个生产产品的光流信息确定各条流水线上各条流水线的运动状态信息。其中流水线的运动状态信息是通过生产产品进行体现的，由于各个生产产品的光流信息已知，那么就可以直接根据各个生产产品的光流信息进行加权得到运动状态信息，需要说明的是，流水线的运动状态信息只与在该流水线上进行生产的生产产品相关，而与其他流水线上的生产产品无关。
27.如上述步骤s6所述，根据每个生产产品的运动状态信息生成对应流水线的运行情况图。具体地，可以根据生产产品的运动状态信息以及每个生产产品所在的视频帧的坐标关系，建立视频帧的运动状态图。
28.如上述步骤s7所述，将各个流水线的运行情况图输入至预设的卷积神经网络模型，以获取第二矩阵。其中通过分析计算运行情况图像素的大小以及帧内像素波动，平坦情况来确定运行情况图内的复杂度，并进行均值池化处理，保证输出的第二矩阵有效。使用作为3d卷积神经网络的第二卷积神经网络进行卷积。将运动状态图输入至预设的卷积神经网络模型，以获取第二矩阵；其中，计算公式为：，其中，h、w和r分别表示三维卷积核的长度、宽度和高度，m表示运行情况图的提取的帧数，是第m帧运行情况图的卷积核，为偏置，f(.)表示激活函数，表示第m帧运行情况图中长度为h、宽度为w、高度为r处的像素。
29.需要进行说明的是，通过样本视频（目标运行情况图）和视频矩阵的运动状态图进行模型训练，视频矩阵是一种可以表征目标运行情况图中生产产品的运动信息所生成的矩阵，其含有目标运行情况图中生产产品的移动信息，从而得到神经网络的参数，使得便于在
模型运用计算过程中输出能表征帧光流运动幅度变化的第二矩阵。
30.如上述步骤s8-s9所述，分别计算第一矩阵、第二矩阵的模值，以及根据所述订单期限设定各个布草订单的第一权重，根据第二矩阵的模值以及各个布草订单第一矩阵的模值和第一权重计算各个布草订单的第二权重。计算的方式可以是将第一矩阵和第二矩阵进行相加再乘以订单期限对应的权重值，得到各个布草订单的第二权重。从而对各个布草订单的权重进行更合理的分析。
31.如上述步骤s10-s11所述，根据各个第二权重设置各个布草订单的生产方案；基于所述生产方案对当前待生产的布草订单进行生产。根据第二权重设置各个布草订单的生产方案，具体为，可以根据第二权重设置各个布草订单分配的流水线数量占比，从而确定各个布草订单的生产方案。从而对待生产的布草订单和流水线生产效率相匹配，在避免超期的情况下，可以提高布草订单的接单数量，使工厂的利益最大化。
32.在一个实施例中，所述基于所述生产方案对当前待生产的布草订单进行生产的步骤s11之前，还包括：s1001：获取所述生产方案中各条流水线的布草产品数量以及对应生产布草产品类型的变化次数；s1002：根据公式计算各条流水线生产布草的变化值；其中，l为流水线总数；e表示流水线总数；为第e条流水线上生产的布草产品的数量；为第e条流水线上顺次生产布草产品类型的变化次数；s1003：判断所述变化值是否小于预设值；s1004：若均小于预设值，则执行所述基于所述生产方案对当前待生产的布草订单进行生产的步骤。
33.如上述步骤s1001-s1004所述，由于在生产过程中，为了避免流水线的生产产品变化过于频繁，考虑到流水线工人，以及原材料的准备耗时上，此处的生产产品的变化值不宜过大，应当尽可能减少一个班次内生产布草种类的变化，保证在一段时间内生产的布草种类一致，因此通过公式计算各条流水线生产布草的变化值，需要通过预设值对变化值进行限定，从而便于工厂内流水线的正常运行。
34.在一个实施例中，所述根据各个第二权重设置各个布草订单的生产方案的步骤s10，包括：s1011：按照预设的分组方案将各个布草订单拆分为多个子订单，其中，一个布草订单至少对应一个子订单；s1012：统计各个子订单的数量，并将各个布草订单的所述第二权重赋予给对应的
子订单；s1013：基于所述子订单的数量、第二权重和流水线的条数设置所述各个布草订单的生产方案。
35.如上述步骤s1011-s1013所述，按照预设的分组方案将各个布草订单拆分为多个子订单，子订单为流水线安排的最小单位，即小于该子订单的数量，则会因为数量过少造成生产线上的频繁交换，因此，需要计算各个流水线的最小单位，基于所述子订单的数量、第二权重和流水线的条数设置所述各个布草订单的生产方案，具体地，例如a产品具有10个子订单，b产品具有10个子订单，而流水线具有8条，至于a产品的权重为0.8，b产品的权重为0.2，那么a产品分到的流水线为根据四舍五入的规则，将6条流水线分给a产品，2条流水线分给b产品进行生产。
36.在一个实施例中，所述基于各个生产产品的光流信息确定各条流水线上各条流水线的运动状态信息的步骤s5，包括：s501：按照预定尺寸模块将当前识别到的生产产品划分为不同大小的子块；其中，所述子块尺寸小于生产产品；s502：根据所述子块内所有像素的光流确定子块的光流信息，并根据子块占据生产产品的比例，确定子块的权重系数；根据子块的权重系数以及子块对应的光流信息，加权获取各条流水线的运动状态信息。
37.如上述步骤s501-s502所述，为了便于计算光流信息，可以在生产产品上确定自考进行光流信息的计算，并根据子块占据生产产品大小的比例，确定子块的权重系数；根据子块的权重系数以及子块对应的光流信息，加权获取第一子块的运动状态信息。从而实现对生产产品的光流信息进行更精确的计算，避免生产产品在拍摄过程中出现了部分遮挡的现象，从而影响光流信息的计算结果。
38.在一个实施例中，所述基于所述生产方案对当前待生产的布草订单进行生产的步骤s11之后，还包括：s1201：统计所述流水线加工各个布草订单的平均生产效率；s1202：根据所述平均生产效率计算历史运动状态信息；s1203：根据公式计算当前运动状态信息；其中，表示第k条流水线的当前运动状态信息，表示第k条流水线的历史运动状态信息，m为参数，表示第k条流水线的历史生产总数量；s1204：判断调度指令是否被再次触发；s1205：若是，则根据当前运动状态信息对所述运动状态信息进行更新。
39.如上述步骤s1201-s1205所述，实现了对运动状态信息的更新，进而实现了在调度指令被触发后，可以及时获取到对于的运动状态信息，避免重复计算，即统计所述流水线加工各个布草订单的平均生产效率，根据所述平均生产效率计算历史运动状态信息，其中，根据平均生产效率计算历史运动状态信息的方式不作具体限定，例如可以根据不同的运动状
态信息和生产效率建立对应表，因此，可以根据生产效率得到运动状态信息，根据公式计算当前运动状态信息，完成对当前运动状态信息的更新，当调度指令被触发后，可以直接对运动状态进行更新，进而可以根据当前待生产的布草订单生成生产方案。
40.参照图2，本发明还提供了一种基于大数据的智能生产装置，包括：获取模块10，用于当调度指令被触发时，获取当前待生产的布草订单和当前各个流水线的视频数据，并从各个所述布草订单中获取对应的布草类型、布草数量以及订单期限；第一输入模块20，用于将各个布草订单的布草类型、布草数量以及订单期限按照预设的转换方法转换为数值，并将得到的数值分别作为矩阵的列，以获取各个布草订单对应的第一矩阵；识别模块30，用于获取各个流水线的视频数据中的光流场；并通过预设的识别模型识别所述视频数据中每帧视频中的生产产品；第一确定模块40，用于根据所述光流场和识别结果确定各个生产产品的光流信息；第二确定模块50，用于基于各个生产产品的光流信息确定各条流水线上各条流水线的运动状态信息；生成模块60，用于根据每个生产产品的运动状态信息生成对应流水线的运行情况图；第二输入模块70，用于将各个流水线的运行情况图输入至预设的卷积神经网络模型，以获取第二矩阵；其中，所述预设的卷积神经网络模型通过不同的目标运行情况图，以及目标运行情况图的视频矩阵作为输出训练而成，其中，所述视频矩阵用于表征所述目标运行情况图中生产产品的运动信息；第一计算模块80，用于分别计算第一矩阵、第二矩阵的模值，以及根据所述订单期限设定各个布草订单的第一权重；第二计算模块90，用于根据第二矩阵的模值以及各个布草订单第一矩阵的模值和第一权重计算各个布草订单的第二权重；设置模块100，用于根据各个第二权重设置各个布草订单的生产方案；生产模块110，用于基于所述生产方案对当前待生产的布草订单进行生产。
41.在一个实施例中，所述基于大数据的智能生产装置，还包括：数量获取模块，用于获取所述生产方案中各条流水线的布草产品数量以及对应生产布草产品类型的变化次数；变化值计算模块，用于根据公式计算各条流水线生产布草的变化值；其中，l为流水线总数；e表示流水线总数；为第e条流水线上
生产的布草产品的数量；为第e条流水线上顺次生产布草产品类型的变化次数；变化值判断模块，用于判断所述变化值是否小于预设值；执行模块，用于若均小于预设值，则执行所述基于所述生产方案对当前待生产的布草订单进行生产的步骤。
42.在一个实施例中，所述设置模块100，包括：拆分子模块，用于按照预设的分组方案将各个布草订单拆分为多个子订单，其中，一个布草订单至少对应一个子订单；统计子模块，用于统计各个子订单的数量，并将各个布草订单的所述第二权重赋予给对应的子订单；设置子模块，用于基于所述子订单的数量、第二权重和流水线的条数设置所述各个布草订单的生产方案。
43.在一个实施例中，所述第二确定模块50，包括：划分子模块，用于按照预定尺寸模块将当前识别到的生产产品划分为不同大小的子块；其中，所述子块尺寸小于生产产品；光流信息确定子模块，用于根据所述子块内所有像素的光流确定子块的光流信息，并根据子块占据生产产品的比例，确定子块的权重系数；根据子块的权重系数以及子块对应的光流信息，加权获取各条流水线的运动状态信息。
44.在一个实施例中，基于大数据的智能生产装置，还包括：生产效率统计模块，用于统计所述流水线加工各个布草订单的平均生产效率；历史运动状态信息计算模块，用于根据所述平均生产效率计算历史运动状态信息；当前运动状态信息计算模块，用于根据公式计算当前运动状态信息；其中，表示第k条流水线的当前运动状态信息，表示第k条流水线的历史运动状态信息，m为参数，表示第k条流水线的历史生产总数量；调度指令判断模块，用于判断调度指令是否被再次触发；更新模块，用于若判断调度指令被再次触发，则根据当前运动状态信息对所述运动状态信息进行更新。
45.本发明的有益效果：通过获取各个当前待生产的布草订单以及流水线的视频数据，计算布草订单对应的第一矩阵，以及各个流水线的第二矩阵，根据第一矩阵、第二矩阵的模值，以及根据所述订单期限设定各个布草订单的第一权重，设置各个布草订单的生产方案进行生产，从而对待生产的布草订单和流水线生产效率相匹配，在避免超期的情况下，可以提高布草订单的接单数量，使工厂的利益最大化。
46.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该
要素的过程、装置、物品或者方法中还存在另外的相同要素。
47.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
48.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。