一种变压器缺陷识别方法、装置、设备和存储介质

技术领域

本发明涉及变压器技术领域，尤其涉及一种变压器缺陷识别方法、装置、设备和存储介质。

背景技术

近年来，随着经济的发展，用电负荷不断增长，并且电动汽车、户用光伏等新型用电形态蓬勃发展，配电网设备规模不断增长，电力设备巡检目前主要是传统人工巡维方式，存在“盲时、盲区”，运维质量因人而易，导致设备故障时有发生。

变压器是电网的关键组成部分，其安全正常运行是保证人们日常工作生的重要保障。当前，我国的变压器故障发生率较高，变压器异常发热是其中的一种重要故障形式，利用红外设备检测变压器异常发热已经成为目前较为常用及有效的方式，但红外图谱的分析及故障的判定仍然是依靠作业指导书的传统经验值和人工经验判定，判定效率低，且容易发生误判。目前，现有技术无法针对获取的变压器红外图谱进行智能分析，不能自动判定变压器的过热缺陷和隐患等级。

发明内容

本发明的目的是提供一种变压器缺陷识别方法、装置、设备和存储介质，以解决现有技术不能根据变压器红外图谱自动判定变压器过热缺陷的技术问题。

本发明的目的，可以通过如下技术方案实现：

方案一，一种变压器缺陷识别方法，包括：

获取变压器的多个局部位置对应的局部红外图谱，利用预设的图像拼接算法对各所述局部红外图谱进行拼接，得到所述变压器的整体红外图谱；

利用预设的目标检测算法对所述整体红外图谱进行检测，得到变压器本体；

利用所述目标检测算法对各所述局部红外图谱进行检测，得到对应的局部件；

根据所述变压器本体和各所述局部件，确定对应的变压器部件；

根据温度与像素的预设对应关系确定各所述变压器部件对应的最高温度，根据各所述最高温度和预设的温度阈值判断各所述变压器部件是否存在过热缺陷。

可选地，所述利用预设的图像拼接算法对各所述局部红外图谱进行拼接，包括：

利用改进的加速稳健特征算法对所述局部红外图谱进行拼接。

可选地，所述利用改进的加速稳健特征算法对所述局部红外图谱进行拼接，得到所述变压器的整体红外图谱，包括：

根据改进的加速稳健特征算法利用高斯滤波构建图像金字塔，得到不同尺度空间的图像序列；

根据所述图像序列计算海森矩阵，根据所述海森矩阵确定特征点；

计算所述特征点的预设圆形邻域内的harr小波特征，并计算所述特征点的主方向；

以所述特征点为中心，沿所述主方向构造预设图像，将所述预设图像划分为多个子区域，对每个子区域进行间隔采样，生成所述特征点对应的特征向量；

利用预设算法根据各所述特征向量，对各所述局部红外图谱进行特征匹配；

对匹配的所述局部红外图谱进行拼接，得到所述变压器的整体红外图谱。

可选地，所述对匹配的所述局部红外图谱进行拼接，得到所述变压器的整体红外图谱，包括：

对匹配的两个所述局部红外图谱的图像重叠区域，利用下式计算拼接的像素权重：

其中，M

可选地，所述利用预设的目标检测算法对所述整体红外图谱进行检测，包括：

利用训练好的YOLOv8目标检测模型对所述整体红外图谱进行检测。

可选地，所述根据所述变压器本体和各所述局部件，确定对应的变压器部件，包括：

计算各所述局部件与所述变压器本体的交并比；

根据所述交并比和预设的交并比阈值，判断所述局部件是否为变压器部件。

可选地，所述根据温度与像素的预设对应关系确定各所述变压器部件对应的最高温度，包括：

从各所述局部红外图谱中截取各变压器部件对应的部件红外图谱；

对所述部件红外图谱进行灰度化，得到灰度化后的所述部件红外图谱；

根据灰度化后的所述部件红外图谱、以及温度与像素的预设对应关系，确定各所述变压器部件对应的最高温度。

方案二，一种变压器缺陷识别装置，包括：

图像拼接模块，用于获取变压器的多个局部位置对应的局部红外图谱，利用预设的图像拼接算法对各所述局部红外图谱进行拼接，得到所述变压器的整体红外图谱；

整体检测模块，用于利用预设的目标检测算法对所述整体红外图谱进行检测，得到变压器本体；

局部检测模块，用于利用所述目标检测算法对各所述局部红外图谱进行检测，得到对应的局部件；

部件确定模块，用于根据所述变压器本体和各所述局部件，确定对应的变压器部件；

缺陷判定模块，用于根据温度与像素的预设对应关系确定各所述变压器部件对应的最高温度，根据各所述最高温度和预设的温度阈值判断各所述变压器部件是否存在过热缺陷。

方案三，一种电子设备，包括：处理器和存储器；

其中，所述存储器存储计算机程序，所述处理器执行所述计算机程序时实现方案一的步骤。

方案四，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一的步骤。

本发明提供了变压器缺陷识别方法、装置、设备和存储介质，其中，方法包括：获取变压器的多个局部位置对应的局部红外图谱，利用预设的图像拼接算法对各所述局部红外图谱进行拼接，得到所述变压器的整体红外图谱；利用预设的目标检测算法对所述整体红外图谱进行检测，得到变压器本体；利用所述目标检测算法对各所述局部红外图谱进行检测，并根据所述变压器本体，得到对应的变压器部件；根据温度与像素的预设对应关系确定各所述变压器部件对应的最高温度，根据各所述最高温度和预设的温度阈值判断各所述变压器部件是否存在过热缺陷。

基于上述技术方案，本发明带来的有益效果是：

获取变压器的多个局部红外图谱，利用预设的图像拼接算法对各局部红外图谱进行拼接融合，得到变压器的整体红外图谱，在拼接过程中保留了较大的像素值，利用拼接技术准确获取了整个变压器的红外图谱全貌，有利于准确识别变压器部件目标；利用预设的目标检测算法分别对整体红外图谱、各局部红外图谱进行识别，得到变压器本体和对应的局部件，并能够识别确定对应的变压器部件，在实现变压器部件识别的同时，可以判定变压器部件与变压器的从属关系，能够更方便、更准确地定位变压器部件的具体位置；给出了温度与像素的对应关系，根据对应关系能精准地确定各变压器部件对应的最高温度，并根据最高温度和温度阈值能自动、高效地判定变压器部件是否存在过热缺陷。本发明能根据变压器的局部红外图谱进行智能分析和缺陷判定，可以自动、高效、准确地判定变压器发生故障的部位，保障电网运行的安全性、可靠性和稳定性。

附图说明

图1为本发明变压器缺陷识别方法实施例一的流程示意图；

图2为本发明变压器缺陷识别方法实施例二的流程示意图；

图3为本发明变压器缺陷识别方法实施例中YOLOv8目标检测模型的结构示意图；

图4为本发明变压器缺陷识别方法实施例中训练YOLOv8目标检测模型的流程示意图；

图5为本发明变压器缺陷识别方法实施例利用YOLOv8目标检测模型对局部红外图谱进行检测的流程示意图；

图6为本发明变压器缺陷识别方法实施例中过热缺陷判断流程示意图；

图7为本发明变压器缺陷识别装置实施例的结构示意图。

具体实施方式

术语解释：

SURF算法：SURF(Speeded-Up Robust Features)加速稳健特征，是一种稳健的局部特征点检测和描述算法。SURF是对SIFT算法的改进，该算子在保持SIFT算子优良性能特点的基础上，同时解决了SIFT计算复杂度高、耗时长的缺点，提升了算法的执行效率，为算法在实时计算机视觉系统中应用提供了可能。

FLANN算法：FLANN(Fast Library for Approximate Nearest Neighbor)快速最近邻搜索算法，主要目的是在高维空间中快速搜索最近邻。

本发明实施例提供了一种变压器缺陷识别方法、装置、设备和存储介质，以解决现有技术不能根据变压器红外图谱自动判定变压器过热缺陷的技术问题。

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

为解决目前电力设备特别是变压器红外图谱的分析及缺陷判定主要靠人工经验，容易发生误判，且不利于降低人工成本及劳动强度的问题，本发明实施例提供了变压器缺陷识别方法，是一种基于YOLOv8神经网络模型与图像拼接技术的变压器红外图谱缺陷识别方法，能自动、高效地对变压器的红外图谱进行过热缺陷判定，为电网巡检工作提供技术支持，能保障电网的安全稳定运行。

请参阅图1，本发明提供了变压器缺陷识别方法的实施例一，包括：

S100：获取变压器的多个局部位置对应的局部红外图谱，利用预设的图像拼接算法对各所述局部红外图谱进行拼接，得到所述变压器的整体红外图谱；

S200：利用预设的目标检测算法对所述整体红外图谱进行检测，得到变压器本体；

S300：利用所述目标检测算法对各所述局部红外图谱进行检测，得到对应的局部件；

S400：根据所述变压器本体和各所述局部件，确定对应的变压器部件；

S500：根据温度与像素的预设对应关系确定各所述变压器部件对应的最高温度，根据各所述最高温度和预设的温度阈值判断各所述变压器部件是否存在过热缺陷。

本发明实施例提供了变压器缺陷识别方法，是一种基于YOLOv8目标识别算法与图像拼接技术的变压器红外图谱缺陷判定方法。首先，利用红外热像仪等红外设备现场采集变压器的局部红外图谱，并将采集到的局部红外图谱上传到配网运维平台；然后，配网运维平台通过本发明实施例提供的方法，通过图像拼接算法对变压器的局部红外图谱进行拼接融合，获得变压器的整体红外图谱；再利用YOLOv8目标识别算法对变压器的部件进行识别，确定各部件的最高温度，根据发热缺陷判定标准确定发热缺陷类别，若超过阈值，则将报警信号、缺陷红外图谱及缺陷类型等信息上传至运维平台，供运维工作人员参考。

在步骤S100中，获取变压器的多个局部位置对应的局部红外图谱，利用预设的图像拼接算法对各所述局部红外图谱进行拼接，得到所述变压器的整体红外图谱。

由于红外测温设备如红外热像仪距离变压器较远时，测温得到的结果精度较低，一般均为近距离测量，从而使得测量范围变小，无法获取变压器的完整红外图谱。为了能够得到较高精度的温度，可以利用红外热像仪在变压器的多个不同的局部位置进行测量，获取变压器的多个局部位置对应的局部红外图谱，然后利用预设的图像拼接算法对各局部红外图谱进行拼接。

在一个实施例中，利用预设的图像拼接算法对各局部红外图谱进行拼接，包括：利用改进的加速稳健特征算法(即改进的SURF算法)对局部红外图谱进行拼接。

在一个实施例中，利用改进的加速稳健特征算法对局部红外图谱进行拼接，得到变压器的整体红外图谱，包括：

根据改进的加速稳健特征算法利用高斯滤波构建图像金字塔，得到不同尺度空间的图像序列；

根据图像序列计算海森矩阵，根据海森矩阵确定特征点；

计算特征点的预设圆形邻域内的harr小波特征，并计算特征点的主方向；

以特征点为中心，沿主方向构造预设图像，将预设图像划分为多个子区域，对每个子区域进行间隔采样，生成特征点对应的特征向量；

利用预设算法根据各特征向量，对各局部红外图谱进行特征匹配；

对匹配的局部红外图谱进行拼接，得到变压器的整体红外图谱。

具体的，对变压器的各局部红外图谱进行拼接时，主要包括以下步骤：

(1)利用改进的SURF算法利用高斯滤波构建图像金字塔，得到不同尺度空间的图像序列。假设，获取的变压器局部红外图谱(原图像)为M，M(x,y)为图像坐标点(x,y)的像素值，x、y分别为像素在图像中的横坐标、纵坐标；通过高斯卷积G(x,y,σ)得到的不同尺度空间的图像序列为N(x,y,σ)，σ为尺度空间即图像尺度，如式(1)所示：

N(x,y,σ)＝G(x,y,σ)×M(x,y)；(1)

(2)计算Hessian矩阵(海森矩阵)，如式(2)所示：

式中，H(x,y,σ)为Hessian矩阵，简称H；矩阵中的元素为N(x,y,σ)对变量x,y的二阶导数，如N

(3)通过Hessian矩阵初步确定特征点。

快速Hessian判别式如式(3)所示：

det(H(x,y,σ))＝N

式中，T为预设的阈值；ω为补偿系数。

需要说明的是，满足式(3)的像素点(x,y,σ)即为特征点。

(4)特征描述。

计算以特征点为中心，以6σ为半径的邻域内的点在水平和垂直方向的Harr小波响应。用60°的扇形窗口对该圆形邻域进行遍历，得到6个扇形区域，计算其小波响应总和，则数值最大的扇形对应的方向为主方向。设dx和dy分别为水平和垂直的小波响应，w为扇形区域，则该区域对应的主方向计算方法如式(4)所示：

(5)以特征点为中心，沿主方向构造将20σ×20σ的图像，并将其划分为4×4个子块，然后在每个子区域中按照5×5的间隔进行采样，分别统计∑d

(6)特征点描述。采用FLANN算法对红外图像进行特征匹配。将第一幅图像特征点和第二幅图像特征点分别划为训练集与查询集，获取所有特征点的欧氏距离。通过比较两幅图像特征点的欧氏距离，保留匹配最近点和次近点

(7)利用改进的像素权重拼接图像

令匹配后的两幅图像分别为M1和M2，在非重叠区域中，M1区域像素权重取其100％权重构成，M2区域像素权重取其100％权重构成，而在图像重叠区域中，最终产生的像素权重遵循式(5)：

M(x,y)＝W

传统的可见光图像权重采用线性公式进行计算，如式(6)所示：

式中，L1为重叠区长度，L2为重叠区像素点与重叠区左侧边界的距离。

由于红外图像像素值与温度直接相关，对缺陷判定起到决定性作用，又根据电力安全事故尽量避免漏检，本发明实施例在两幅图像的重叠区域以像素值较高的图像具有较大的权重，根据该原则确定权重，确定权重的方法如式(7)所示：

其中，M

在步骤S200中，利用预设的目标检测算法对所述整体红外图谱进行检测，得到所述变压器本体。

在步骤S300中，利用所述目标检测算法对各所述局部红外图谱进行检测，得到对应的局部件。

在一个实施例中，利用预设的目标检测算法对整体红外图谱进行检测，包括：利用训练好的YOLOv8目标检测模型对整体红外图谱进行检测，得到变压器本体；利用训练好的YOLOv8目标检测模型对各局部红外图谱进行检测，得到各局部位置对应的局部件。

可以理解的是，利用训练好的YOLOv8神经网络算法即YOLOv8目标检测模型，分别对变压器的整体红外图谱、各局部红外图谱进行识别，得到变压器本体、以及变压器的各局部件。

表1为变压器目标类型，如表1所示，本发明实施例将红外图谱中的变压器分为五个目标，本体、邮箱、油枕、绝缘套管、接头；利用YOLOv8神经网络模型对变压器及其局部件进行识别。

表1

首先，采集红外图像，对变压器本体、油箱、油枕、绝缘套管、接头五种目标进行标注。

然后，搭建如图3所示的YOLOv8神经网络模型。

接下来，利用标注的图像样本对网络进行训练，训练流程如图4所示，红图像边缘较为模糊，有一定噪声需要进行去噪处理，为了增加样本量，对图像样本进行增广，利用样本训练YOLOv8神经网络模型，调节超参数，获得最优模型。

最后，利用训练好的YOLOv8目标检测模型识别变压器及变压器局部件目标框，并确定各局部件与变压器的从属关系，方法如图5所示。Bbox-b、Bbox-x、Bbox-z、Bbox-t、Bbox-j分别为YOLOv8模型识别的变压器本体目标框、油箱目标框、油枕目标框、绝缘套管目标框、接头目标框；本体目标框与各局部件目标框求交并比IOU，然后根据IOU与预设的交并比阈值的关系，确定各变压器局部件与变压器的从属关系。

在步骤S400中，根据所述变压器本体和各所述局部件，确定对应的变压器部件。

在一个实施例中，根据变压器本体和各局部件，确定对应的变压器部件，包括：

计算各局部件与变压器本体的交并比；

根据交并比和预设的交并比阈值，判断局部件是否为变压器部件。

具体的，以油枕为例介绍从属关系判定方法，利用式(8)计算变压器本体目标框与油枕目标框的交并比IOU

式中，S

如果IOU

如果IOU

在步骤S500中，根据温度与像素的预设对应关系确定各所述变压器部件对应的最高温度，根据各所述最高温度和预设的温度阈值判断各所述变压器部件是否存在过热缺陷。

变压器部件的发热缺陷判定流程如图6所示，前面已经利用YOLOv8目标检测模型对各局部红外图谱进行检测，并得到了相应的变压器部件；在获取的变压器局部红外图谱(原图像)中，将各变压器部件对应的原始红外图像截取出来，即得到各变压器部件对应的原始红外图谱；然后，对截取到的变压器部件红外图谱进行灰度化，得到变压器部件红外图谱的灰度图像；根据温度与像素的预设对应关系，确定各变压器部件的最高温度；再依据现行的发热缺陷判定标准(预设的温度阈值)，判断各变压器部件的最高温度是否超过温度阈值，若超过温度阈值，则判定该变压器部件存在过热缺陷。

由于设备温度与像素值的对应关系较难获取，本发明实施例根据固定红外图像采集距离时，将温度与像素值进行拟合，获取拟合曲线，利用此曲线进行像素与温度的转换。

需要说明的是，温度与像素的预设对应关系，本发明实施例是根据硬件温度与像素数据拟合其对应关系，获得拟合曲线，之后不再在硬件中进行温度的计算，而是将红外图像上传到上位机通过红外图像反推估算获得。根据识别出的变压器部件像素估算变压器部件最高温度，根据最高温度是否超过标准(如《带电设备红外诊断应用规范DLT 664-2016》标准)规定的阈值，来判断是否存在过热缺陷；当存在过热缺陷时，还可进一步判定过热缺陷的隐患等级。

现有技术中，部分红外热像仪可以获取每幅图像对应的温度点阵，但是这种方式意味着硬件计算量增大，加重硬件负担。

在一个实施例中，当变压器部件的最高温度超过温度阈值时，进行声光报警，并将报警信号上传到运维平台。

本发明为解决目前电力设备特别是变压器红外图谱的分析及缺陷判定主要靠人工经验，容易发生误判，且不利于降低人工成本及劳动强度的问题，本发明基于变压器红外图谱，利用YOLOv8目标检测模型与图像拼接技术对变进行缺陷识别，能够对变压器红外图谱自动进行缺陷判定，为巡检工作人员提供技术支持。

本发明适用于变压器红外图谱的智能分析及缺陷自动判定，并可以准确判定变压器故障发生的部位。

本发明实施例提供的变压器缺陷识别方法，获取变压器的多个局部红外图谱，利用预设的图像拼接算法对各局部红外图谱进行拼接融合，得到变压器的整体红外图谱，在拼接过程中保留了较大的像素值，利用拼接技术准确获取了整个变压器的红外图谱全貌，有利于准确识别变压器部件目标；利用预设的目标检测算法分别对整体红外图谱、各局部红外图谱进行识别，得到变压器本体和对应的局部件，并能够识别确定对应的变压器部件，在实现变压器部件识别的同时，可以判定变压器部件与变压器的从属关系，能够更方便、更准确地定位变压器部件的具体位置；给出了温度与像素的对应关系，根据对应关系能精准地确定各变压器部件对应的最高温度，并根据最高温度和温度阈值能自动、高效地判定变压器部件是否存在过热缺陷。本发明能根据变压器的局部红外图谱进行智能分析和缺陷判定，可以自动、高效、准确地判定变压器发生故障的部位，保障电网运行的安全性、可靠性和稳定性。

请参阅图2，本发明提供了变压器缺陷识别方法的实施例二，包括：

获取变压器的多个局部红外图谱，利用图像拼接算法对多个局部红外图谱进行拼接，得到变压器的红外整体图；利用训练好的YOLOv8神经网络算法模型识别变压器和变压器部件；根据各局部红外图谱确定各变压器部件的最高温；根据各变压器部件的最高温和预设温度阈值判断发热缺陷，当超过预设温度阈值时，进行报警，并将报警信号、缺陷对应的局部红外图谱、以及缺陷类型等信息上传至运维平台，为运维人员提供技术参考。

本发明实施例基于YOLOv8与拼接技术进行变压器红外图谱缺陷判定，该方法的优点在于：

(1)利用了拼接技术，获取变压器红外图谱全貌，有利于部件目标的识别，在拼接过程中保留了较大像素值，保证故障情况下及时报警；

(2)在实现变压器部件识别的同时，可以判定部件与变压器的从属关系，更方便的定位目标具体位置；

(3)在过热缺陷判定过程中，给出了较为方便的像素与温度的转换关系。

请参阅图7，本发明提供了变压器缺陷识别装置的实施例，包括：

图像拼接模块11，用于获取变压器的多个局部位置对应的局部红外图谱，利用预设的图像拼接算法对各所述局部红外图谱进行拼接，得到所述变压器的整体红外图谱；

整体检测模块22，用于利用预设的目标检测算法对所述整体红外图谱进行检测，得到变压器本体；

局部检测模块33，用于利用所述目标检测算法对各所述局部红外图谱进行检测，得到对应的局部件；

部件确定模块44，用于根据所述变压器本体和各所述局部件，确定对应的变压器部件；

缺陷判定模块55，用于根据温度与像素的预设对应关系确定各所述变压器部件对应的最高温度，根据各所述最高温度和预设的温度阈值判断各所述变压器部件是否存在过热缺陷。

本发明实施例提供的变压器缺陷识别装置，获取变压器的多个局部红外图谱，利用预设的图像拼接算法对各局部红外图谱进行拼接融合，得到变压器的整体红外图谱，在拼接过程中保留了较大的像素值，利用拼接技术准确获取了整个变压器的红外图谱全貌，有利于准确识别变压器部件目标；利用预设的目标检测算法分别对整体红外图谱、各局部红外图谱进行识别，得到变压器本体和对应的局部件，并能够识别确定对应的变压器部件，在实现变压器部件识别的同时，可以判定变压器部件与变压器的从属关系，能够更方便、更准确地定位变压器部件的具体位置；给出了温度与像素的对应关系，根据对应关系能精准地确定各变压器部件对应的最高温度，并根据最高温度和温度阈值能自动、高效地判定变压器部件是否存在过热缺陷。本发明能根据变压器的局部红外图谱进行智能分析和缺陷判定，可以自动、高效、准确地判定变压器发生故障的部位，保障电网运行的安全性、可靠性和稳定性。

本发明还提供了一种电子设备，包括：处理器和存储器；

其中，所述存储器存储计算机程序，所述处理器执行所述计算机程序时实现所述的方法的步骤。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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。

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。

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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。