一种基于图像识别的水电站监控方法、装置及终端设备与流程

1.本技术属于图像识别技术领域，尤其涉及一种基于图像识别的水电站监控方法、装置及终端设备。


背景技术：

2.在实际应用场景中，水电站的运行需要大量不同类型和规模的变电设备来实现。(例如，变压器、高压断路器、隔离开关、母线、避雷器、电容器、电抗器、继电保护装置、自动装置、测控装置、计量装置、自动化系统等)
3.针对水电站的大量变电设备，相关检测通常是通过检测人员通过摄像装置等相关设备进行监控，基于检测人员的经验基于监控视频设备实现对设备的检测及维修。
4.上述检测方法需要耗费大量的成本和时间、存在检测的效率较低和检测精度不稳定的问题。


技术实现要素：

5.本技术实施例提供了一种基于图像识别的水电站监控方法、装置及终端设备，可以解决相关水电站的变电设备的检测方法需要耗费大量的成本和时间、存在检测的效率较低和检测精度不稳定的问题。
6.第一方面，本技术实施例提供了一种基于图像识别的水电站监控方法，包括：
7.获取第一目标影像数据；其中，第一影像数据为基于第一拍摄装置拍摄得到的图像数据；
8.将所述第一目标影像数据输入至第一识别网络模型中进行处理，得到对应的第一输出结果；所述第一输出结果包括正常工作状态、异常工作状态或待核验状态；
9.在检测到所述第一输出结果不为正常工作状态时，获取第二目标影像数据；其中，第二目标影像数据为由第二拍摄装置发射预设波段光，并针对所述预设波段光进行响应，拍摄得到的图像数据；
10.将所述第二目标影像数据输入至第二识别网络模型中进行处理，得到对应的第二输出结果；所述第二输出结果包括正常工作状态、异常工作状态或待核验状态；
11.在检测到所述第二输出结果不为正常工作状态时，生成异常告警信息并发送至目标终端。
12.在一个实施例中，所述获取第一目标影像数据之前，还包括：
13.获取多个第一训练影像数据和第二训练影像数据；其中，第一训练影像数据为基于第一拍摄装置针对第一目标设备拍摄得到的图像数据；第二训练影像数据为基于第一拍摄装置针对第二目标设备拍摄得到的图像数据；
14.基于预设的第一目标设备和第二目标设备之间的相关性，分别对所述第一训练影像数据和所述第二训练影像数据添加相关性标注；
15.识别每个所述第一训练影像数据中第一目标设备的第一时序状态及每个所述第
二训练影像数据中第二目标设备的第二时序状态，基于第一时序状态对所述第一训练影像数据添加对应的时序标注，基于第二时序状态对所述第二训练影像数据添加对应的时序标注；其中，所述第一时序状态包括与所述第一训练影像数据拍摄时间对应的工作状态；所述第二时序状态包括与所述第二训练影像数据拍摄时间对应的工作状态；所述工作状态包括正常工作状态、异常工作状态或待核验状态；
16.分别对所述第一训练影像数据和所述第二训练影像数据进行预处理，得到预处理后的第一训练影像数据和预处理后的第二训练影像数据；
17.将所述预处理后的第一训练影像数据和所述预处理后的第二训练影像数据输入至第一反馈式神经网络模型中进行预训练，得到所述第一识别网络模型；所述第一识别网络模型用于识别确定所述第一训练影像数据和所述第二训练影像数据中每个设备的工作状态的第一输出结果。
18.在一个实施例中，所述获取第一目标影像数据之前，还包括：
19.获取多个第三训练影像数据和第四训练影像数据；其中，第三训练影像数据为基于第二拍摄装置拍摄得到的图像数据；第四训练影像数据为基于第二拍摄装置针对第二目标设备拍摄得到的图像数据；
20.基于预设的第一目标设备和第二目标设备之间的相关性，分别对所述第三训练影像数据和所述第四训练影像数据添加相关性标注；
21.识别每个所述第三训练影像数据中第一目标设备的第三时序状态及每个所述第四训练影像数据中第二目标设备的第四时序状态，基于第三时序状态对所述第三训练影像数据添加对应的时序标注，基于第四时序状态对所述第四训练影像数据添加对应的时序标注；其中，所述第三时序状态包括与所述第三训练影像数据对应的工作状态；所述第四时序状态包括与所述第四训练影像数据对应的工作状态；
22.分别对所述第三训练影像数据和所述第四训练影像数据进行预处理，得到预处理后的第三训练影像数据和预处理后的第四训练影像数据；
23.将所述预处理后的第三训练影像数据和所述预处理后的第四训练影像数据输入至第二反馈式神经网络模型中进行预训练，得到所述第二识别网络模型；所述第二识别网络模型用于识别确定所述第三训练影像数据和所述第四训练影像数据中每个设备的工作状态的第二输出结果。
24.在一个实施例中，所述第二拍摄装置为主动照明摄像装置；
25.所述在检测到所述第一输出结果不为正常工作状态时，获取第二目标影像数据，包括：
26.在检测到所述第一输出结果不为正常工作状态时，确定与所述第一输出结果对应的待检测异常设备；所述待检测异常设备为基于所述第一输出结果确定的，处于非正常工作状态的第一目标设备和/或第二目标设备；
27.基于所述待检测异常设备生成拍摄命令并发送至所述第二拍摄装置，并接收所述第二拍摄装置返回的所述第二目标影像数据；其中，第二目标影像数据为第二拍摄装置基于所述拍摄命令向所述待检测异常设备发射预设波段光，并针对所述预设波段光进行响应，拍摄得到的图像数据。
28.在一个实施例中，所述第一识别网络模型包括第一级识别神经网络和第一级分类
网络；所述第一级识别神经网络和所述第一级分类网络连接；所述第二识别网络模型包括第二级识别神经网络和第二级分类网络；所述第二级识别神经网络和所述第二级分类网络连接。
29.在一个实施例中，所述在检测到所述第二输出结果不为正常工作状态时，生成异常告警信息并发送至目标终端，包括：
30.在检测到所述第二输出结果为异常工作状态时，确定与所述第二输出结果对应的目标异常设备；所述目标异常设备为基于所述第二输出结果确定的，处于异常工作状态的第一目标设备和/或第二目标设备；
31.确定与所述目标异常设备具有相关性的第一关联设备，以及每个第一关联设备的设备信息；所述设备信息包括设备位置信息和设备时序状态；
32.基于所述第二输出结果和所述设备信息生成第一告警信息，并发送至所述目标终端。
33.在一个实施例中，所述在检测到所述第二输出结果不为正常工作状态时，生成异常告警信息并发送至目标终端，还包括：
34.在检测到所述第二输出结果为待核验状态且检测次数小于2时，返回执行所述获取第一目标影像数据的操作及之后的操作，将检测次数加一；其中，所述检测次数初始值为零；
35.在检测到所述第二输出结果为待核验状态且检测次数大于或等于2时，确定与所述第二输出结果对应的目标待核验设备；所述目标待核验设备为基于所述第二输出结果确定的，处于待核验状态的第一目标设备和/或第二目标设备；
36.基于所述第二输出结果和所述目标待核验设备生成第二告警信息，并发送至所述目标终端。
37.第二方面，本技术实施例提供了一种基于图像识别的水电站监控装置，包括：
38.第一目标数据获取模块，用于获取第一目标影像数据；其中，第一影像数据为基于第一拍摄装置拍摄得到的图像数据；
39.第一数据处理模块，用于将所述第一目标影像数据输入至第一识别网络模型中进行处理，得到对应的第一输出结果；所述第一输出结果包括正常工作状态、异常工作状态或待核验状态；
40.第二目标数据获取模块，用于在检测到所述第一输出结果不为正常工作状态时，获取第二目标影像数据；其中，第二目标影像数据为由第二拍摄装置发射预设波段光，并针对所述预设波段光进行响应，拍摄得到的图像数据；
41.第二数据处理模块，用于将所述第二目标影像数据输入至第二识别网络模型中进行处理，得到对应的第二输出结果；所述第二输出结果包括正常工作状态、异常工作状态或待核验状态；
42.告警模块，用于在检测到所述第二输出结果不为正常工作状态时，生成异常告警信息并发送至目标终端。
43.在一个实施例中，所述装置，还包括：
44.第一训练数据获取模块，用于获取多个第一训练影像数据和第二训练影像数据；其中，第一训练影像数据为基于第一拍摄装置针对第一目标设备拍摄得到的图像数据；第
二训练影像数据为基于第一拍摄装置针对第二目标设备拍摄得到的图像数据；
45.第一标注添加模块，用于基于预设的第一目标设备和第二目标设备之间的相关性，分别对所述第一训练影像数据和所述第二训练影像数据添加相关性标注；
46.第二标注添加模块，用于识别每个所述第一训练影像数据中第一目标设备的第一时序状态及每个所述第二训练影像数据中第二目标设备的第二时序状态，基于第一时序状态对所述第一训练影像数据添加对应的时序标注，基于第二时序状态对所述第二训练影像数据添加对应的时序标注；其中，所述第一时序状态包括与所述第一训练影像数据拍摄时间对应的工作状态；所述第二时序状态包括与所述第二训练影像数据拍摄时间对应的工作状态；所述工作状态包括正常工作状态、异常工作状态或待核验状态；
47.第一预处理模块，用于分别对所述第一训练影像数据和所述第二训练影像数据进行预处理，得到预处理后的第一训练影像数据和预处理后的第二训练影像数据；
48.第一预训练模块，用于将所述预处理后的第一训练影像数据和所述预处理后的第二训练影像数据输入至第一反馈式神经网络模型中进行预训练，得到所述第一识别网络模型；所述第一识别网络模型用于识别确定所述第一训练影像数据和所述第二训练影像数据中每个设备的工作状态的第一输出结果。
49.在一个实施例中，所述装置，还包括：
50.第一训练数据获取模块，用于获取多个第三训练影像数据和第四训练影像数据；其中，第三训练影像数据为基于第二拍摄装置拍摄得到的图像数据；第四训练影像数据为基于第二拍摄装置针对第二目标设备拍摄得到的图像数据；
51.第三标注添加模块，用于基于预设的第一目标设备和第二目标设备之间的相关性，分别对所述第三训练影像数据和所述第四训练影像数据添加相关性标注；
52.第四标注添加模块，用于识别每个所述第三训练影像数据中第一目标设备的第三时序状态及每个所述第四训练影像数据中第二目标设备的第四时序状态，基于第三时序状态对所述第三训练影像数据添加对应的时序标注，基于第四时序状态对所述第四训练影像数据添加对应的时序标注；其中，所述第三时序状态包括与所述第三训练影像数据对应的工作状态；所述第四时序状态包括与所述第四训练影像数据对应的工作状态；
53.第二预处理模块，用于分别对所述第三训练影像数据和所述第四训练影像数据进行预处理，得到预处理后的第三训练影像数据和预处理后的第四训练影像数据；
54.第二预训练模块，用于将所述预处理后的第三训练影像数据和所述预处理后的第四训练影像数据输入至第二反馈式神经网络模型中进行预训练，得到所述第二识别网络模型；所述第二识别网络模型用于识别确定所述第三训练影像数据和所述第四训练影像数据中每个设备的工作状态的第二输出结果。
55.在一个实施例中，所述第二拍摄装置为主动照明摄像装置；
56.所述第二目标数据获取模块，包括
57.第一确定单元，用于在检测到所述第一输出结果不为正常工作状态时，确定与所述第一输出结果对应的待检测异常设备；所述待检测异常设备为基于所述第一输出结果确定的，处于非正常工作状态的第一目标设备和/或第二目标设备；
58.命令发送模块，用于基于所述待检测异常设备生成拍摄命令并发送至所述第二拍摄装置，并接收所述第二拍摄装置返回的所述第二目标影像数据；其中，第二目标影像数据
为第二拍摄装置基于所述拍摄命令向所述待检测异常设备发射预设波段光，并针对所述预设波段光进行响应，拍摄得到的图像数据。
59.在一个实施例中，所述第一识别网络模型包括第一级识别神经网络和第一级分类网络；所述第一级识别神经网络和所述第一级分类网络连接；所述第二识别网络模型包括第二级识别神经网络和第二级分类网络；所述第二级识别神经网络和所述第二级分类网络连接。
60.在一个实施例中，所述告警模块，包括：
61.第二确定单元，用于在检测到所述第二输出结果为异常工作状态时，确定与所述第二输出结果对应的目标异常设备；所述目标异常设备为基于所述第二输出结果确定的，处于异常工作状态的第一目标设备和/或第二目标设备；
62.信息确定单元，用于确定与所述目标异常设备具有相关性的第一关联设备，以及每个第一关联设备的设备信息；所述设备信息包括设备位置信息和设备时序状态；
63.第一告警单元，用于基于所述第二输出结果和所述设备信息生成第一告警信息，并发送至所述目标终端。
64.在一个实施例中，所述告警模块，还包括：
65.循环执行单元，用于在检测到所述第二输出结果为待核验状态且检测次数小于2时，返回执行所述获取第一目标影像数据的操作及之后的操作，将检测次数加一；其中，所述检测次数初始值为零；
66.第三确定单元，用于在检测到所述第二输出结果为待核验状态且检测次数大于或等于2时，确定与所述第二输出结果对应的目标待核验设备；所述目标待核验设备为基于所述第二输出结果确定的，处于待核验状态的第一目标设备和/或第二目标设备；
67.第二告警单元，用于基于所述第二输出结果和所述目标待核验设备生成第二告警信息，并发送至所述目标终端。
68.第三方面，本技术实施例提供了一种终端设备，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述第一方面任一项所述的基于图像识别的水电站监控方法。
69.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述第一方面任一项所述的基于图像识别的水电站监控方法。
70.第五方面，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终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的基于图像识别的水电站监控方法。
71.本技术实施例与现有技术相比存在的有益效果是：在基于第一识别网络模型检测到通过第一摄像装置拍摄得到的影像数据中存在设备处于非正常工作状态时，获取第二摄像装置发射预设波段光针对特定设备进行拍摄得到的第二影像数据并输入至第二识别网络模型中进行检测，确定设备是否为正常工作状态，并基于检测结果执行对应的处理。基于训练后的神经网络模型自动识别影像数据中设备是否处于非正常工作状态，在节省成本的同时提高了设备检测效率，基于不同类型的摄像装置拍摄的图像对设备进行双重检测，提高了设备检测精度。
附图说明
72.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。
73.图1是本技术实施例提供的基于图像识别的水电站监控方法的流程示意图；
74.图2是本技术实施例提供的基于图像识别的水电站监控方法的另一流程示意图；
75.图3是本技术实施例提供的基于图像识别的水电站监控方法的又一流程示意图；
76.图4是本技术实施例提供的基于图像识别的水电站监控方法步骤s103的流程示意图；
77.图5是本技术实施例提供的基于图像识别的水电站监控装置的结构示意图；
78.图6是本技术实施例提供的终端设备的结构示意图。
具体实施方式
79.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。
80.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。
81.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。
82.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0083]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0084]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0085]
本技术实施例提供的基于图像识别的水电站监控方法可以应用于分别与第一拍摄装置和第二拍摄装置通信连接的手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本、个人数字助理(personal digital assistant，pda)等终端设备上，本技术实施例对终端设备的具体类型不作任何限制。
[0086]
图1示出了本技术提供的基于图像识别的水电站监控方法的示意性流程图，作为示例而非限定，该方法可以应用于上述笔记本电脑中，上述笔记本电脑分别与第一拍摄装置和第二拍摄装置通信连接。
[0087]
s101、获取第一目标影像数据；其中，第一影像数据为基于第一拍摄装置拍摄得到的图像数据。
[0088]
具体地，在水电站中，通常是由多个变电设备来维持水电站的正常运行。因此，监测水电站的工作状态需要依赖于监测确定每个变电设备的工作状态。为提高监测结果的精度和稳定性，在水电站设置至少一个第一拍摄装置和至少一个第二拍摄装置，且第一拍摄装置、第二拍摄装置分别与当前终端设备通信连接。其中，第一拍摄装置为常用的摄像头，可对所有变电设备进行图像拍摄。第二拍摄装置为主动主动照明摄像装置，其可向目标区域发射预设波段光，基于内置的光电转换器对上述预设波段光进行相应，拍摄得到目标区域的图像数据。对应地，在需要监测水电站的变电设备时，获取第一拍摄装置发送的第一目标影像数据。其中，第一影像数据为基于第一拍摄装置拍摄得到的图像数据(图像数据包括单帧的图片，或由多帧连续图像构成的视频)。目标区域可根据实际需求进行具体设定。
[0089]
作为示例而非限定，为实时监测水电站所有变电设备的工作状态，需要拍摄针对每个设备的第一目标影像数据。
[0090]
s102、将所述第一目标影像数据输入至第一识别网络模型中进行处理，得到对应的第一输出结果；所述第一输出结果包括正常工作状态、异常工作状态或待核验状态。
[0091]
具体地，将第一目标影像数据输入至第一识别网络模型中进行处理，得到对应的第一输出结果。其中，第一输出结果包括正常工作状态、异常工作状态或待核验状态。
[0092]
可以理解的是，仅在检测到第一输出结果为正常工作状态时，才能判定水电站的变电设备正常运行。
[0093]
其中，第一识别网络模型为基于添加相关性标注和时序标注的、且经过预处理后的第一训练影像数据和第二训练影像数据，进行预训练后的反馈式神经网络模型。
[0094]
s103、在检测到所述第一输出结果不为正常工作状态时，获取第二目标影像数据；其中，第二目标影像数据为由第二拍摄装置发射预设波段光，并针对所述预设波段光进行响应，拍摄得到的图像数据。
[0095]
具体地，在检测到第一输出结果为不为正常工作状态(如异常工作状态或待核验状态)时，判定水电站可能存在部分异常运行的变电设备，获取第二目标影像数据。其中，第二目标影像数据为由第二拍摄装置发射预设波段光，并针对预设波段光源进行响应，拍摄得到的图像数据。其中，预设波段光可根据实际需求进行具体设定。例如，考虑到安全性和实用性，设定预设波段光为红外线光。
[0096]
作为示例而非限定，为提高监测效率，在基于第一输出结果检测到部分异常运行的变电设备时，确定与第一输出结果对应的待检测异常设备，基于待检测异常设备生成拍摄命令并发送至第二拍摄装置，使得第二拍摄装置仅针对待检测异常设备所在的区域(即设定目标区域为待检测异常设备所在的区域)发射预设波段光，并针对预设波段光进行相应，拍摄得到包含待检测异常设备的图像数据。
[0097]
s104、将所述第二目标影像数据输入至第二识别网络模型中进行处理，得到对应的第二输出结果；所述第二输出结果包括正常工作状态、异常工作状态或待核验状态。
[0098]
具体地，将第二目标影像数据输入至第二识别模型中进行处理，得到对应的第二输出结果。其中，第二输出结果包括正常工作状态、异常工作状态或待核验状态。
[0099]
可以理解的是，在基于第一输出结果确定待检测异常设备，再次基于第二输出结果确定为正常工作状态时，可以判定第一输出结果存在误检可能，需要检修人员对待检测异常设备进行进一步检测。
[0100]
s105、在检测到所述第二输出结果不为正常工作状态时，生成异常告警信息并发送至目标终端。
[0101]
具体地，在检测到第二输出结果不为正常工作状态时，确定水电站存在异常运行的变电设备，生成对应的异常告警信息并发送至目标终端。其中，目标终端包括但不限于检修人员的终端、其他管理人员终端。
[0102]
在一个实施例中，所述获取第一目标影像数据之前，还包括：
[0103]
s201、获取多个第一训练影像数据和第二训练影像数据；其中，第一训练影像数据为基于第一拍摄装置针对第一目标设备拍摄得到的图像数据；第二训练影像数据为基于第一拍摄装置针对第二目标设备拍摄得到的图像数据。
[0104]
具体地，水电站中的变电设备之间相互通信、存在一定的关联关系，使得某变电设备发生故障时可能会影响到与其相关的其他变电设备。对应的预先基于变电设备的功能和属性以及变电设备之间的关联关系，将变电设备划分为两个等级的设备，包括：第一目标设备和第二目标设备。其中，每个第一目标设备与至少一个目标设备具有相关性。例如，设定第一目标设备包括：变压器、高压断路器、隔离开关、母线、避雷器、电容器、电抗器等；第二目标设备包括继电保护装置、自动装置、测控装置、计量装置、自动化系统等。
[0105]
具体地，获取第一拍摄装置发送的多个第一训练影像数据和第二训练影像数据，其中，第一训练影像数据为基于第一拍摄装置针对每个第一目标设备拍摄得到的图像数据。第二训练影像数据为基于第一拍摄装置针对每个第二目标设备拍摄得到的图像数据。
[0106]
s202、基于预设的第一目标设备和第二目标设备之间的相关性，分别对所述第一训练影像数据和所述第二训练影像数据添加相关性标注。
[0107]
具体地，基于预设的每个第一目标设备和对应的第二目标设备之间的相关性，分别对每个第一训练影像数据和第二训练影像数据添加对应的相关性标注。
[0108]
例如，设定高压断路器和继电保护装置具有相关性，对应对包含高压断路器的第一训练影像数据添加“与继电保护装置相关”的标注，对包含继电保护装置的第二训练影像数据添加“与高压断路器相关”的标注。
[0109]
s203、识别每个所述第一训练影像数据中第一目标设备的第一时序状态及每个所述第二训练影像数据中第二目标设备的第二时序状态，基于第一时序状态对所述第一训练影像数据添加对应的时序标注，基于第二时序状态对所述第二训练影像数据添加对应的时序标注；其中，所述第一时序状态包括与所述第一训练影像数据拍摄时间对应的工作状态；所述第二时序状态包括与所述第二训练影像数据拍摄时间对应的工作状态；所述工作状态包括正常工作状态、异常工作状态或待核验状态。
[0110]
具体地，不同变电设备在不同时间段的工作状态是不同的，对应的在对变电设备的运行状态进行检测的时候，需要确定拍摄图像的时间，基于与拍摄图像的时间对应的预设状态、和基于图像识别到的实际状态是否匹配，确定变电设备是否为非正常工作状态。例
如，设定在0点-12点，计量装置处于非工作状态，12-24点，计量装置处于工作状态。在检测到拍摄图像的时间段为10点时，基于图像识别到计量装置的实际状态是工作状态，对应判定计量装置为非正常工作状态。
[0111]
具体地，通过识别每个第一训练影像数据的拍摄时间，以及每个第一训练影像数据中每个第一目标设备的实际工作状态，得到第一影像数据的第一时序状态；以及通过识别每个第二训练影像数据的拍摄时间，以及每个第二训练影像数据中每个第二目标设备的实际工作状态，得到第二影像数据的第二时序状态。分别基于第一时序状态对第一训练影像数据添加对应的时序标注，基于第二时序状态对第二训练影像数据添加对应的时序标注。
[0112]
例如，基于第二训练影像数据识别到拍摄时间为10点，基于第二训练影像数据识别到计量装置的实际状态为工作状态，对应为包含上述计量装置的第二训练影像数据添加“10点-工作状态”的时序标注。基于第一训练影像数据识别到拍摄事件为11点，基于第一训练影像数据识别到高压断路器的实际状态为闭合状态，对应为包含上述高压断路器的第一训练影像数据添加“11点-闭合状态”的时序标注。
[0113]
s204、分别对所述第一训练影像数据和所述第二训练影像数据进行预处理，得到预处理后的第一训练影像数据和预处理后的第二训练影像数据。
[0114]
具体地，为提高监测结果的精度，需要提高训练影像数据的图像质量，设定分别对第一训练影像数据和第二训练影像数据进行预处理，得到预处理后的第一训练影像数据和预处理的第二训练影像数据。其中，预处理方法包括但不限于膨胀处理、灰度处理和目标裁剪处理。
[0115]
作为示例而非限定，通过膨胀算法分别对第一训练影像数据和第二训练影像数据进行膨胀处理，得到膨胀后的第一训练影像数据和膨胀后的第二训练影像数据；分别对膨胀后的第一训练影像数据和膨胀后的第二训练影像数据进行灰度处理，得到第一灰度训练影像数据和第二灰度训练影像数据；识别确定第一灰度训练影像数据中的第一目标设备与图片背景，将第一目标设备从第一灰度训练影像数据中裁剪出来，得到仅包含第一目标设备的预处理后的第一训练影像数据。识别确定第二灰度训练影像数据中的第二目标设备与图片背景，将第二目标设备从第二灰度训练影像数据中裁剪出来，得到仅包含第二目标设备的预处理后的第二训练影像数据。
[0116]
s205、将所述预处理后的第一训练影像数据和所述预处理后的第二训练影像数据输入至第一反馈式神经网络模型中进行预训练，得到所述第一识别网络模型；所述第一识别网络模型用于识别确定所述第一训练影像数据和所述第二训练影像数据中每个设备的工作状态的第一输出结果。
[0117]
具体地，将预处理后的第一训练影像数据和预处理后的第二训练影像数据输入至第一反馈式神经网络模型(如hopfield网络)中进行预训练，得到第一识别网络模型；第一识别网络模型用于识别确定第一训练影像数据和第二训练影像数据中每个设备的工作状态的第一输出结果。
[0118]
为了提高训练影像数据的数量，可通过镜像、缩放等处理方法对训练影像数据进行增强，进而提高监测结果的精度。
[0119]
在一个实施例中，所述获取第一目标影像数据之前，还包括：
[0120]
s301、获取多个第三训练影像数据和第四训练影像数据；其中，第三训练影像数据为基于第二拍摄装置拍摄得到的图像数据；第四训练影像数据为基于第二拍摄装置针对第二目标设备拍摄得到的图像数据。
[0121]
具体地，获取第二拍摄装置发送的多个第三训练影像数据和第四训练影像数据，其中，第三训练影像数据为基于第二拍摄装置针对每个第一目标设备拍摄得到的图像数据。第四训练影像数据为基于第二拍摄装置针对每个第二目标设备拍摄得到的图像数据。
[0122]
s302、基于预设的第一目标设备和第二目标设备之间的相关性，分别对所述第三训练影像数据和所述第四训练影像数据添加相关性标注。
[0123]
具体地，基于预设的每个第一目标设备和对应的第二目标设备之间的相关性，分别对每个第三训练影像数据和第四训练影像数据添加对应的相关性标注。
[0124]
s303、识别每个所述第三训练影像数据中第一目标设备的第三时序状态及每个所述第四训练影像数据中第二目标设备的第四时序状态，基于第三时序状态对所述第三训练影像数据添加对应的时序标注，基于第四时序状态对所述第四训练影像数据添加对应的时序标注；其中，所述第三时序状态包括与所述第三训练影像数据对应的工作状态；所述第四时序状态包括与所述第四训练影像数据对应的工作状态。
[0125]
具体地，通过识别每个第三训练影像数据的拍摄时间，以及每个第三训练影像数据中每个第一目标设备的实际工作状态，得到第三影像数据的第三时序状态；以及通过识别每个第四训练影像数据的拍摄时间，以及每个第四训练影像数据中每个第二目标设备的实际工作状态，得到第四影像数据的第四时序状态。分别基于第三时序状态对第三训练影像数据添加对应的时序标注，基于第四时序状态对第四训练影像数据添加对应的时序标注。
[0126]
s304、分别对所述第三训练影像数据和所述第四训练影像数据进行预处理，得到预处理后的第三训练影像数据和预处理后的第四训练影像数据。
[0127]
具体地，为提高监测结果的精度，需要提高训练影像数据的图像质量，设定分别对第三训练影像数据和第四训练影像数据进行预处理，得到预处理后的第三训练影像数据和预处理的第四训练影像数据。其中，预处理方法包括但不限于膨胀处理、灰度处理和目标裁剪处理。
[0128]
s305、将所述预处理后的第三训练影像数据和所述预处理后的第四训练影像数据输入至第二反馈式神经网络模型中进行预训练，得到所述第二识别网络模型；所述第二识别网络模型用于识别确定所述第三训练影像数据和所述第四训练影像数据中每个设备的工作状态的第二输出结果。
[0129]
具体地，将预处理后的第三训练影像数据和预处理后的第四训练影像数据输入至第二反馈式神经网络模型(如hopfield网络)中进行预训练，得到第二识别网络模型；第二识别网络模型用于识别确定第三训练影像数据和第四训练影像数据中每个设备的工作状态(具体为识别确定是否处于非正常工作状态)的第二输出结果。
[0130]
在一个实施例中，所述第二拍摄装置为主动照明摄像装置；
[0131]
所述在检测到所述第一输出结果不为正常工作状态时，获取第二目标影像数据的步骤s103，包括：
[0132]
s1031、在检测到所述第一输出结果不为正常工作状态时，确定与所述第一输出结
果对应的待检测异常设备；所述待检测异常设备为基于所述第一输出结果确定的，处于非正常工作状态的第一目标设备和/或第二目标设备；
[0133]
具体地，在检测到所述第一输出结果不为正常工作状态(包括异常工作状态或待核验状态)时，判定水电站中存在需要进行进一步监测的第一目标设备和/或第二目标设备，根据第一输出结果确定对应的待检测异常设备。待检测异常设备为基于第一输出结果确定的，处于非正常工作状态的第一目标设备和/或第二目标设备。
[0134]
s1032、基于所述待检测异常设备生成拍摄命令并发送至所述第二拍摄装置，并接收所述第二拍摄装置返回的所述第二目标影像数据；其中，第二目标影像数据为第二拍摄装置基于所述拍摄命令向所述待检测异常设备发射预设波段光，并针对所述预设波段光进行响应，拍摄得到的图像数据。
[0135]
具体地，确定待检测异常设备的所在位置信息，基于待检测异常设备的位置信息生成拍摄命令，并发送至第二拍摄装置，使得第二拍摄装置基于拍摄命令向上述待检测异常设备所在区域发射预设波段光，并针对预设波段光进行响应，拍摄得到待检测异常设备所在区域的图像数据(即第二目标影像数据)，接收第二拍摄装置返回的第二目标影像数据。
[0136]
在一个实施例中，所述第一识别网络模型包括第一级识别神经网络和第一级分类网络；所述第一级识别神经网络和所述第一级分类网络连接；所述第二识别网络模型包括第二级识别神经网络和第二级分类网络；所述第二级识别神经网络和所述第二级分类网络连接。
[0137]
具体地，第一识别网络模型包括第一级识别神经网络和第一级分类网络；第一级识别神经网络和所述第一级分类网络连接。在将图像数据输入至第一识别网络模型中后，通过第一级识别神经网络进行特征提取得对应的数据单元(数据单元包括图像特征、环境参数和关联数据为一个完整的数据单元)；通过第一级分类网络对数据单元进行处理，得到的第一输出结果包括：正常工作状态、异常工作状态或待核验状态。
[0138]
具体地，第二识别网络模型包括第二级识别神经网络和第二级分类网络；所述第二级识别神经网络和所述第二级分类网络连接。在将图像数据输入至第二识别网络模型中后，通过第二级识别神经网络进行特征提取得对应的数据单元(数据单元包括图像特征、环境参数和关联数据为一个完整的数据单元)；通过第二级分类网络对数据单元进行处理，得到的第二输出结果包括：正常工作状态、异常工作状态或待核验状态。
[0139]
具体地，识别神经网络包括至少一个输入端、三个输出端，具体由识别输入层、识别隐藏层和识别输出层构成，其中识别输入层用于获取标记后的图像数据，识别隐藏层用于对图像数据进行特征提取，识别输出层用于输出特征提取后得到的图像特征、环境参数和关联数据。分类网络至少具有三个输入端及一个输出端。具体由分类输入层、分类隐藏层和分类输出层构成。分类输入层用于获取图像特征、环境参数和关联数据分类隐藏层用于根据输入数据识别确定变电设备的工作状态；分类输出层用于输出变电设备的工作状态。
[0140]
具体地，隐藏层的初始架构还包括：前置的畸变纠正网络对接收到的图像数据进行校正，以校正由于拍摄角度、物体光照(像素的强度被光照强烈影响、空气密度不均使得光线传播方向不均匀)导致的低质量图像；
[0141]
将基于第一目标设备和第二目标设备之间的相关性、每个变电设备的时序状态添
加了对应批注的训练影像数据，对反馈式神经网络模型进行训练，以使得训练到的识别神经网络得出的输出结果，能够减少由于不同时间段对应的不同工作状态、或者由关联设备异常而导致的错误识别结果，提高监测结果精度。
[0142]
在一个实施例中，所述在检测到所述第二输出结果不为正常工作状态时，生成异常告警信息并发送至目标终端，包括：
[0143]
在检测到所述第二输出结果为异常工作状态时，确定与所述第二输出结果对应的目标异常设备；所述目标异常设备为基于所述第二输出结果确定的，处于异常工作状态的第一目标设备和/或第二目标设备；
[0144]
确定与所述目标异常设备具有相关性的第一关联设备，以及每个第一关联设备的设备信息；所述设备信息包括设备位置信息和设备时序状态；
[0145]
基于所述第二输出结果和所述设备信息生成第一告警信息，并发送至所述目标终端。
[0146]
具体地，在检测到第二输出结果为异常工作状态时，判定水电站存在异常运行的变电设备，基于第二输出结果确定对应的处于异常工作状态的第一目标设备和/或第二目标设备，作为目标异常设备。确定与目标异常设备具有相关性的第一关联设备，以及每个第一关联设备的设备信息(包括但不限于设备位置信息和设备时序状态)，基于第二输出结果和设备信息生成第一告警信息，并发送至目标终端。第一告警信息具体为包含目标异常设备的位置信息和异常工作状态信息、以及第一关联设备夫人设备位置信息和设备时序状态的文字、语音或视频，用于告知相关管理及检修人员，需要对目标异常设备进行进一步检测及维修。
[0147]
例如，第二输出结果显示高压断路器、处于异常工作状态，对应确定与其具有相关性的第一关联设备为继电保护装置，获取继电保护装置的设备位置信息和设备时序状态，根据第二输出结果和设备信息生成第一告警信息，并发送至目标终端。
[0148]
在一个实施例中，所述在检测到所述第二输出结果不为正常工作状态时，生成异常告警信息并发送至目标终端，还包括：
[0149]
在检测到所述第二输出结果为待核验状态且检测次数小于2时，返回执行所述获取第一目标影像数据的操作及之后的操作，将检测次数加一；其中，所述检测次数初始值为零；
[0150]
在检测到所述第二输出结果为待核验状态且检测次数大于或等于2时，确定与所述第二输出结果对应的目标待核验设备；所述目标待核验设备为基于所述第二输出结果确定的，处于待核验状态的第一目标设备和/或第二目标设备；
[0151]
基于所述第二输出结果和所述目标待核验设备生成第二告警信息，并发送至所述目标终端。
[0152]
具体地，在检测到第二输出结果为待核验状态且当前时刻的检测次数小于2时，判定水电站可能存在处于异常运行状态的变电设备，需要进行进一步检测。返回执行步骤s101(获取第一目标影像数据的操作)及之后的操作，同时将检测次数加一(检测次数初始值为零。)。
[0153]
在一个实施例中，根据实际需要，可设定在检测到第二输出结果为待核验状态且当前时刻的检测次数小于2时，返回执行步骤s103(获取第二目标影像数据，即获取第二拍
摄装置针对处于待核验状态的变电设备所在区域发射预设波段光，并针对预设波段光进行响应，拍摄得到的包含待核验状态的变电设备所在区域的第二目标影像数据)及之后的操作，同时将检测次数加一。
[0154]
具体地，或者，在检测到第二输出结果为待核验状态，且检测次数大于或等于2时，确定与第二输出结果对应的处于待核验状态的第一目标设备和/或第二目标设备(即目标待核验设备)。基于第二输出结果和目标待核验设备生成第二告警信息，并发送至目标终端。第二告警信息具体为包含目标待核验设备的位置信息和异常工作状态信息的文字、语音或视频，用于告知相关管理及检修人员，需要对目标待核验设备进行进一步检测及维修。
[0155]
本实施例通过在基于第一识别网络模型检测到通过第一摄像装置拍摄得到的影像数据中存在设备处于非正常工作状态时，获取第二摄像装置发射预设波段光针对特定设备进行拍摄得到的第二影像数据并输入至第二识别网络模型中进行检测，确定设备是否为正常工作状态，并基于检测结果执行对应的处理。基于训练后的神经网络模型自动识别影像数据中设备是否处于非正常工作状态，在节省成本的同时提高了设备检测效率，基于不同类型的摄像装置拍摄的图像对设备进行双重检测，提高了设备检测精度。
[0156]
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。
[0157]
对应于上文实施例所述的基于图像识别的水电站监控方法，图5示出了本技术实施例提供的基于图像识别的水电站监控装置的结构框图，为了便于说明，仅示出了与本技术实施例相关的部分。
[0158]
参照图5，该基于图像识别的水电站监控装置100包括：
[0159]
第一目标数据获取模块101，用于获取第一目标影像数据；其中，第一影像数据为基于第一拍摄装置拍摄得到的图像数据；
[0160]
第一数据处理模块102，用于将所述第一目标影像数据输入至第一识别网络模型中进行处理，得到对应的第一输出结果；所述第一输出结果包括正常工作状态、异常工作状态或待核验状态；
[0161]
第二目标数据获取模块103，用于在检测到所述第一输出结果不为正常工作状态时，获取第二目标影像数据；其中，第二目标影像数据为由第二拍摄装置发射预设波段光，并针对所述预设波段光进行响应，拍摄得到的图像数据；
[0162]
第二数据处理模块104，用于将所述第二目标影像数据输入至第二识别网络模型中进行处理，得到对应的第二输出结果；所述第二输出结果包括正常工作状态、异常工作状态或待核验状态；
[0163]
告警模块105，用于在检测到所述第二输出结果不为正常工作状态时，生成异常告警信息并发送至目标终端。
[0164]
在一个实施例中，所述装置，还包括：
[0165]
第一训练数据获取模块，用于获取多个第一训练影像数据和第二训练影像数据；其中，第一训练影像数据为基于第一拍摄装置针对第一目标设备拍摄得到的图像数据；第二训练影像数据为基于第一拍摄装置针对第二目标设备拍摄得到的图像数据；
[0166]
第一标注添加模块，用于基于预设的第一目标设备和第二目标设备之间的相关
性，分别对所述第一训练影像数据和所述第二训练影像数据添加相关性标注；
[0167]
第二标注添加模块，用于识别每个所述第一训练影像数据中第一目标设备的第一时序状态及每个所述第二训练影像数据中第二目标设备的第二时序状态，基于第一时序状态对所述第一训练影像数据添加对应的时序标注，基于第二时序状态对所述第二训练影像数据添加对应的时序标注；其中，所述第一时序状态包括与所述第一训练影像数据拍摄时间对应的工作状态；所述第二时序状态包括与所述第二训练影像数据拍摄时间对应的工作状态；所述工作状态包括正常工作状态、异常工作状态或待核验状态；
[0168]
第一预处理模块，用于分别对所述第一训练影像数据和所述第二训练影像数据进行预处理，得到预处理后的第一训练影像数据和预处理后的第二训练影像数据；
[0169]
第一预训练模块，用于将所述预处理后的第一训练影像数据和所述预处理后的第二训练影像数据输入至第一反馈式神经网络模型中进行预训练，得到所述第一识别网络模型；所述第一识别网络模型用于识别确定所述第一训练影像数据和所述第二训练影像数据中每个设备的工作状态的第一输出结果。
[0170]
在一个实施例中，所述装置，还包括：
[0171]
第一训练数据获取模块，用于获取多个第三训练影像数据和第四训练影像数据；其中，第三训练影像数据为基于第二拍摄装置拍摄得到的图像数据；第四训练影像数据为基于第二拍摄装置针对第二目标设备拍摄得到的图像数据；
[0172]
第三标注添加模块，用于基于预设的第一目标设备和第二目标设备之间的相关性，分别对所述第三训练影像数据和所述第四训练影像数据添加相关性标注；
[0173]
第四标注添加模块，用于识别每个所述第三训练影像数据中第一目标设备的第三时序状态及每个所述第四训练影像数据中第二目标设备的第四时序状态，基于第三时序状态对所述第三训练影像数据添加对应的时序标注，基于第四时序状态对所述第四训练影像数据添加对应的时序标注；其中，所述第三时序状态包括与所述第三训练影像数据对应的工作状态；所述第四时序状态包括与所述第四训练影像数据对应的工作状态；
[0174]
第二预处理模块，用于分别对所述第三训练影像数据和所述第四训练影像数据进行预处理，得到预处理后的第三训练影像数据和预处理后的第四训练影像数据；
[0175]
第二预训练模块，用于将所述预处理后的第三训练影像数据和所述预处理后的第四训练影像数据输入至第二反馈式神经网络模型中进行预训练，得到所述第二识别网络模型；所述第二识别网络模型用于识别确定所述第三训练影像数据和所述第四训练影像数据中每个设备的工作状态的第二输出结果。
[0176]
在一个实施例中，所述第二拍摄装置为主动照明摄像装置；
[0177]
所述第二目标数据获取模块，包括
[0178]
第一确定单元，用于在检测到所述第一输出结果不为正常工作状态时，确定与所述第一输出结果对应的待检测异常设备；所述待检测异常设备为基于所述第一输出结果确定的，处于非正常工作状态的第一目标设备和/或第二目标设备；
[0179]
命令发送模块，用于基于所述待检测异常设备生成拍摄命令并发送至所述第二拍摄装置，并接收所述第二拍摄装置返回的所述第二目标影像数据；其中，第二目标影像数据为第二拍摄装置基于所述拍摄命令向所述待检测异常设备发射预设波段光，并针对所述预设波段光进行响应，拍摄得到的图像数据。
[0180]
在一个实施例中，所述第一识别网络模型包括第一级识别神经网络和第一级分类网络；所述第一级识别神经网络和所述第一级分类网络连接；所述第二识别网络模型包括第二级识别神经网络和第二级分类网络；所述第二级识别神经网络和所述第二级分类网络连接。
[0181]
在一个实施例中，所述告警模块，包括：
[0182]
第二确定单元，用于在检测到所述第二输出结果为异常工作状态时，确定与所述第二输出结果对应的目标异常设备；所述目标异常设备为基于所述第二输出结果确定的，处于异常工作状态的第一目标设备和/或第二目标设备；
[0183]
信息确定单元，用于确定与所述目标异常设备具有相关性的第一关联设备，以及每个第一关联设备的设备信息；所述设备信息包括设备位置信息和设备时序状态；
[0184]
第一告警单元，用于基于所述第二输出结果和所述设备信息生成第一告警信息，并发送至所述目标终端。
[0185]
在一个实施例中，所述告警模块，还包括：
[0186]
循环执行单元，用于在检测到所述第二输出结果为待核验状态且检测次数小于2时，返回执行所述获取第一目标影像数据的操作及之后的操作，将检测次数加一；其中，所述检测次数初始值为零；
[0187]
第三确定单元，用于在检测到所述第二输出结果为待核验状态且检测次数大于或等于2时，确定与所述第二输出结果对应的目标待核验设备；所述目标待核验设备为基于所述第二输出结果确定的，处于待核验状态的第一目标设备和/或第二目标设备；
[0188]
第二告警单元，用于基于所述第二输出结果和所述目标待核验设备生成第二告警信息，并发送至所述目标终端。
[0189]
本实施例通过在基于第一识别网络模型检测到通过第一摄像装置拍摄得到的影像数据中存在设备处于非正常工作状态时，获取第二摄像装置发射预设波段光针对特定设备进行拍摄得到的第二影像数据并输入至第二识别网络模型中进行检测，确定设备是否为正常工作状态，并基于检测结果执行对应的处理。基于训练后的神经网络模型自动识别影像数据中设备是否处于非正常工作状态，在节省成本的同时提高了设备检测效率，基于不同类型的摄像装置拍摄的图像对设备进行双重检测，提高了设备检测精度。
[0190]
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。
[0191]
图6为本实施例提供的终端设备的结构示意图。如图6所示，该实施例的终端设备6包括：至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个基于图像识别的水电站监控方法实施例中的步骤。
[0192]
所述终端设备6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。该终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的举例，并不构成对终端设备6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。
[0193]
所称处理器60可以是中央处理单元(central processing unit，cpu)，该处理器
60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。
[0194]
所述存储器61在一些实施例中可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备，例如所述终端设备6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61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61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61还可以用于暂时地存储已经输出或者将要输出的数据。
[0195]
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。
[0196]
本技术实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个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上述任意各个方法实施例中的步骤。
[0197]
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。
[0198]
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。
[0199]
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。
[0200]
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。
[0201]
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。
[0202]
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。
[0203]
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。
[0204]
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。