基于人工智能感知工位服务状态的离岗检测方法和装置

技术领域

本申请涉及人工智能技术领域，具体而言，涉及一种基于人工智能感知工位服务状态的离岗检测方法和装置。

背景技术

营业厅作为电力系统面向社会的展示窗口，办理业务和收费等工作的服务水平，会直接反映到人民群众对电力服务的印象。在营业厅的日常工作中，客户能否第一时间被接待，工作人员能否及时解决客户问题，是保障客户服务满意度的重中之重。为提高营业厅工作人员的整体服务水平，各政府机关、银行等办事机构根据需求配置了离岗检测系统。

但现有的离岗检测系统通常需要预先设定工作时段，但是当工作人员由于某种原因离岗去办其它临时性工作时，系统无法针对该种情况自动作出响应，容易导致离岗误报的情况发生。

发明内容

有鉴于此，本申请的目的在于提供一种基于人工智能感知工位服务状态的离岗检测方法和装置，将当前工位的工位标识以及目标对象结合分析，可以避免离岗误报的情况发生，提高了离岗检测的精确度。

第一方面，本申请提供了一种基于人工智能感知工位服务状态的离岗检测方法，所述离岗检测方法包括：

基于当前工位的工位图像数据，检测当前工位的工位标识以及当前工位上是否存在目标对象；

基于检测结果，统计所述目标对象的离岗时间；

根据所述目标对象的离岗时间进行离岗提醒。

优选地，所述基于当前工位的工位图像数据，检测当前工位的工位标识以及当前工位上是否存在目标对象，包括：

基于当前工位的工位图像数据，检测当前工位的工位标识；

若所述工位标识指示当前工位处于服务状态，则基于所述工位图像数据检测当前工位上是否存在目标对象；

或者，将当前工位的工位图像数据输入至预先训练好的目标检测模型中，识别当前工位的工位标识以及当前工位上是否存在目标对象。

优选地，通过以下步骤训练目标检测模型：

获取多个包含有工位标识和目标对象的工位图像数据样本；

将所述工位图像数据样本输入至预先构建好的深度学习模型进行训练，得到训练好的目标检测模型。

优选地，所述若所述工位标识指示当前工位处于服务状态，则基于所述工位图像数据检测当前工位上是否存在目标对象，包括：

若所述工位标识指示当前工位处于服务状态，则检测所述工位图像数据中是否包括图像特征标识；

若检测到所述工位图像数据中包括图像特征标识，则确定当前工位上存在目标对象；

若检测到所述工位图像数据中不包括图像特征标识，则确定当前工位上不存在目标对象。

优选地，所述图像特征标识包括以下项中的至少一项：人头图像、人体上半身图像和人体全身图像。

优选地，所述根据所述目标对象的离岗时间进行离岗提醒，包括：

获取预设的离岗规定时间阈值；

若所述离岗时间超过所述离岗规定时间阈值，则向所述目标对象发送提醒。

优选地，所述离岗提醒包括短信提醒、语音电话提醒和广播提醒中的任意一种。

第二方面，本申请还提供了一种基于人工智能感知工位服务状态的离岗检测装置，所述离岗检测装置包括：

检测模块，用于基于当前工位的工位图像数据，检测当前工位的工位标识以及当前工位上是否存在目标对象；

统计模块，用于基于检测结果，统计所述目标对象的离岗时间；

提醒模块，用于根据所述目标对象的离岗时间进行离岗提醒。

第三方面，本申请还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的基于人工智能感知工位服务状态的离岗检测方法的步骤。

第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的基于人工智能感知工位服务状态的离岗检测方法的步骤。

本申请提供了一种基于人工智能感知工位服务状态的离岗检测方法和装置，其中，离岗检测方法包括基于当前工位的工位图像数据，检测当前工位的工位标识以及当前工位上是否存在目标对象，然后基于检测结果，统计所述目标对象的离岗时间，最后根据所述目标对象的离岗时间进行离岗提醒。

与现有技术中的离岗检测系统通常需要预先设定工作时段，但是当工作人员由于某种原因离岗去办其它临时性工作时，系统无法针对该种情况自动作出响应的方法相比，本申请检测当前工位的工位标识以及当前工位上是否存在目标对象，然后基于检测结果进行离岗分析，这样一来，将当前工位的工位标识以及目标对象结合分析，可以避免离岗误报的情况发生，提高了离岗检测的精确度。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例所提供的一种基于人工智能感知工位服务状态的离岗检测方法的流程图；

图2为本申请实施例所提供的一种营业厅离岗检测方法的流程框图；

图3为本申请实施例所提供的一种基于人工智能感知工位服务状态的离岗检测装置的结构示意图；

图4为本申请实施例所提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。

首先，对本申请可适用的应用场景进行介绍。本申请可应用于营业厅的离岗检测系统，营业厅作为电力系统面向社会的展示窗口，办理业务和收费等工作的服务水平，会直接反映到人民群众对电力服务的印象。在配电、输电、变电这三方面服务均已达到人民满意要求的情况下，营业厅的服务水平显得尤其重要。在营业厅的日常工作中，客户能否第一时间被接待，工作人员能否及时解决客户问题，是保障客户服务满意度的重中之重，进而，提升营业厅服务水平是非常必要的。

为提高营业厅工作人员的整体服务水平，各政府机关、银行等办事机构根据需求配置了离岗检测系统。离岗检测系统能对监控区域内的离岗进行检测，当发生异常情况时，系统会主动触发报警。智能视频分析下的人员离岗检测系统能自动检测工作人员的工作岗位，一旦发现工作人员不在工作区域内的时间超出规定设置时间，系统便会实时报警，并将报警信息传送至监控端，然后通过现场语音摄像机给出语音提示，让工作人员及时返回工作岗位。

但现有的离岗检测系统通常需要预先设定工作时段，当工作人员由于某种原因离岗去办其它临时性工作时，系统无法针对该种情况自动作出响应而误报为离岗。

基于此，本申请实施例提供了一种基于人工智能感知工位服务状态的离岗检测方法和装置，通过识别办公位上服务人员的信息牌，由信息牌的实时状态决定离岗检测的结果是否上报，解决工作人员因公事离岗时的误报警问题。

请参阅图1，图1为本申请实施例所提供的一种基于人工智能感知工位服务状态的离岗检测方法的流程图。如图1中所示，本申请实施例提供的离岗检测方法，应用于离岗检测系统上，包括：

S110、基于当前工位的工位图像数据，检测当前工位的工位标识以及当前工位上是否存在目标对象。

首先，工位图像数据是针对当前工位的图像数据，与当前工位具有一定的关联关系，监控摄像头在拍摄时，会获得许多工位的图像数据，将每个工位的图像数据彼此分离，得到针对当前工位的工位图像数据，从当前工位的工位图像数据中可以分析得到有关目标对象的信息数据。

其次，工位标识用于表征当前工位是否处于服务状态，即用于表征当前工位是处于正常服务状态，还是处于暂停服务状态。其中，工位标识可以为当前工位所在服务窗口的服务状态指示牌，当服务状态指示牌上的提示信息为暂停服务时，表示当前工位处于暂停服务状态；当服务状态指示牌上的提示信息为办理各项业务中，则认为当前工位处于正常服务状态。在当前工位处于服务状态下，如果目标对象不在工位上，则可以认为该目标对象处于离岗状态。

其中，这里的目标对象指的是在特定时间段内在该工位上的工作人员，可以根据营业厅的排班表来确定当前工位的工作人员，这样如果该工作人员发生离岗情况，就可以知道向谁发送报警提醒信息了。

S120、基于检测结果，统计所述目标对象的离岗时间。

这里，检测结果有四种，第一种是当前工位的工位标识指示当前工位处于服务状态，且当前工位上存在目标对象；第二种是当前工位的工位标识指示当前工位处于服务状态，且当前工位上不存在目标对象；第三种是当前工位的工位标识指示当前工位处于暂停服务状态，且当前工位上存在目标对象；第四种是当前工位的工位标识指示当前工位处于暂停服务状态，且当前工位上不存在目标对象；对于第一种、第三种和第四种检测结果来说，认为当前工位的情况属于正常状态，当出现第二种检测结果时，认为当前工位存在异常，即当前工位的目标对象存在离岗异常，这时开始统计目标对象的离岗时间。

S130、根据所述目标对象的离岗时间进行离岗提醒。

这里，预先设定离岗规定时间阈值，根据目标对象的离岗时间与离岗规定时间阈值之间的大小关系，判断是否向目标对象进行离岗提醒。

当目标对象的离岗时间超过离岗规定时间阈值时，向目标对象进行离岗提醒；当目标对象的离岗时间不超过离岗规定时间阈值时，就不需要向目标对象进行离岗提醒了，这种检测方式可以避免目标对象因临时性事件而导致的离岗误判问题，其中，临时性事件可以是去接水喝，可以是去上卫生间，也可以是领导分派的临时性工作等。

进一步地，也可以设置分级离岗规定时间阈值，当目标对象的离岗时间触发第一级离岗规定时间阈值时，离岗检测系统直接给目标对象发送提醒信息；当目标对象的离岗时间触发第二级离岗规定时间阈值时，离岗检测系统给管理监控人员发送报警信息，以使管理监控人员能够了解该目标对象的离岗情况，并及时对该目标对象进行人工干预，提醒目标对象及时回到工位上，不影响工作继续进行。

本申请实施例提供了一种基于人工智能感知工位服务状态的离岗检测方法，包括基于当前工位的工位图像数据，检测当前工位的工位标识以及当前工位上是否存在目标对象，然后基于检测结果，统计目标对象的离岗时间，最后根据目标对象的离岗时间进行离岗提醒。进而，本申请实施例能够检测当前工位的工位标识以及当前工位上是否存在目标对象，然后基于检测结果进行离岗分析，这样一来，将当前工位的工位标识以及目标对象结合分析，可以避免离岗误报的情况发生，提高了离岗检测的精确度。

在本申请实施例中，作为一种优选的实施例，步骤S110包括：

基于当前工位的工位图像数据，检测当前工位的工位标识；若所述工位标识指示当前工位处于服务状态，则基于所述工位图像数据检测当前工位上是否存在目标对象；或者，将当前工位的工位图像数据输入至预先训练好的目标检测模型中，识别当前工位的工位标识以及当前工位上是否存在目标对象。

该步骤中，基于当前工位的工位图像数据，检测当前工位的工位标识以及当前工位上是否存在目标对象包括两种实施方式。

第一种实施方式是先基于当前工位的工位图像数据，检测当前工位的工位标识，若工位标识指示当前工位处于服务状态，则基于工位图像数据检测当前工位上是否存在目标对象。这里，检测工位标识和目标对象是分先后顺序进行的，这样，可以节省检测时间和检测成本，若工位标识指示当前工位不处于服务状态(处于暂停服务状态)时，就不需要进行后面的目标对象检测了。

第二种实施方式是将当前工位的工位图像数据输入至预先训练好的目标检测模型中，识别当前工位的工位标识以及当前工位上是否存在目标对象。这里，利用目标检测模型同时检测工位标识和目标对象，通过一个目标检测模型可以直接得到当前工位的工位标识指示的当前工位是否处于服务状态以及当前工位上是否存在目标对象。这样，通过一个目标检测模型即可识别出结果，操作方便。

具体地，目标识别模型为深度学习模型，通过搭建不同的网络模型，对目标检测中的开源数据集进行测试评估。本申请实施例中，深度学习模型为YOLOv5s网络结构，通过YOLOv5s网络结构识别工位图像数据中的工位标识和目标对象。

在使用YOLOv5s深度学习模型对工位图像数据进行识别前，需要预先对该模型进行训练。

其中，在训练目标检测模型时，可以将与识别当前工位的工位标识相关的数据样本以及与当前工位上是否存在目标对象相关的数据样本同时输入至目标检测模型中进行训练，也可以将目标检测模型分成两个子模型，分别对两个子模型进行训练。

进而，步骤S110通过以下步骤训练目标检测模型：

获取多个包含有工位标识和目标对象的工位图像数据样本；将所述工位图像数据样本输入至预先构建好的深度学习模型进行训练，得到训练好的目标检测模型。

这里，需针对营业厅采集大量日常服务时的工位图像数据，对工位标识和目标对象进行标注，其中，目标对象可以为工作人员，工位标识可以为服务状态指示牌。

其中，为了提升模型的识别精度和鲁棒性，使用IMGAUG数据增强工具对工位图像数据样本进行扩充，包含对数据集图片的模糊化、平面旋转、镜像翻转、高斯噪声、缩放等方式，使用该工位图像数据样本训练本申请实施例中使用的YOLOv5s目标检测模型。

这里，可以将多个包含有工位标识和目标对象的工位图像数据样本输入至预先构建好的深度学习模型中，同时对深度学习模型进行训练，这样，训练后得到的目标检测模型可以直接检测当前工位的工位标识以及当前工位上是否存在目标对象。也可以将多个包含有工位标识的工位图像数据样本，以及包含有目标对象的工位图像数据样本分别输入至深度学习模型中进行训练，得到两个训练好的子模型，两个子模型分别用于检测当前工位的工位标识以及检测当前工位上是否存在目标对象。

优选地，步骤S110中的若所述工位标识指示当前工位处于服务状态，则基于所述工位图像数据检测当前工位上是否存在目标对象，包括：

若所述工位标识指示当前工位处于服务状态，则检测所述工位图像数据中是否包括图像特征标识；若检测到所述工位图像数据中包括图像特征标识，则确定当前工位上存在目标对象；若检测到所述工位图像数据中不包括图像特征标识，则确定当前工位上不存在目标对象。

这里，工位图像数据的特定区域中包括图像特征标识，其中，特定区域可以是工位所在区域。例如，可以是在监控摄像头的拍摄位置或角度固定的情况下，监控摄像头所指向的工位所在区域，也可以是在监控摄像头的拍摄位置固定，但是角度变换的情况下，监控摄像头旋转至某个角度范围内所指向的工位所在区域。

进一步地，所述图像特征标识包括以下项中的至少一项：人头图像、人体上半身图像和人体全身图像。

这里，目标检测系统事先录入该工位对应的所有工作人员的图像特征标识，将所有图像特征标识组成一个图像特征数据集，其中，图像特征标识可以为人头图像、人体上半身图像或是人体全身图像，这样，可以根据营业厅的排班表，确定出某个工作时间段内，当前工位对应的工作人员，进而得到该工作人员对应的图像特征标识。

具体地，在进行离岗检测时，可以先根据排班表确定出当前工位的目标工作人员；然后从图像特征数据集中确定出该目标工作人员对应的图像特征标识；接下来就可以根据确定出的目标工作人员对应的图像特征标识来判断当前工位上的人是否是目标工作人员了。

在本申请实施例中，作为一种优选的实施例，步骤S130包括：

获取预设的离岗规定时间阈值；若所述离岗时间超过所述离岗规定时间阈值，则向所述目标对象发送提醒。

这里包括两种提醒方式，第一种是只设置一个离岗规定时间阈值，当离岗时间超过离岗规定时间阈值时，则向目标对象发送提醒，发送提醒的方式可以为短信提醒，可以为语音电话提醒，可以为广播提醒，也可以提醒监控管理人员，由监控管理人员提示员工尽快回到工位。

第二种方式是设置分级离岗规定时间阈值，第一级离岗规定时间阈值的数值较小，表示离岗时间较短，相应造成的影响也小，对于这种情况，可以直接提醒目标对象；第二级离岗规定时间阈值的数值较大，表示离岗时间较长，相应造成的影响也大，对于这种情况，可以进行人工干预，比如先通知监控管理人员，再由监控管理人员提醒目标对象及时回到工位。

具体地，当目标对象的离岗时间超过第一级离岗规定时间阈值且小于第二级离岗规定时间阈值时，离岗检测系统直接对目标对象进行离岗提醒，离岗提醒包括短信提醒、语音电话提醒和广播提醒中的任意一种；当目标对象的离岗时间超过第二级离岗规定时间阈值时，离岗检测系统给管理监控人员发送报警信息，以使管理监控人员能够了解该目标对象的离岗情况，并及时对该目标对象进行人工干预，提醒目标对象及时回到工位上，不影响工作继续进行。

进一步地，列举一种应用本申请的离岗检测方法的实施例，请参阅图2，图2为本申请实施例所提供的一种营业厅离岗检测方法的流程框图，如图2中所示：

步骤1：目标检测，具体地，基于YOLOv5s深度学习模型进行目标检测，识别画面中的各种目标，(检测项包含：“工牌暂停服务状态”、“工牌正常服务状态”、“人”)。

步骤2：判断步骤1中检测到的工牌是否为暂停服务状态，如果否，进入步骤3；如果是，进入步骤7。

步骤3：判断步骤1中检测到的目标对象，是否有人，如果是，则有工作人员，进入步骤7；如果否，则无工作人员，进入步骤4。

步骤4：由步骤3的判断结果，画面中无工作人员，启动或继续离岗计时。

这里，此流程图是检测一帧的流程，若上一帧检测结果为在岗，且当前帧检测结果为离岗，则启动离岗计时；若上一帧检测结果为离岗，且当前帧检测结果仍为离岗，则继续离岗计时。

步骤5：由步骤4计时的时间，判断离岗时间是否超过离岗规定时间阈值，如果是，进入步骤6；如果否，结束本帧检测。

步骤6：由步骤5的判断结果，离岗计时超过了离岗规定时间阈值，报警提醒监控管理人员，由监控管理人员提示员工尽快回到工位。

步骤7：由步骤3的判断结果，画面中有工作人员，则将离岗计时清零。

本申请实施例提供的基于人工智能感知工位服务状态的离岗检测方法，能够检测当前工位的工位标识以及当前工位上是否存在目标对象，即增加了自动识别员工信息牌状态的功能，然后基于检测结果进行离岗分析，这样一来，将当前工位的工位标识以及目标对象结合分析，实现了自动控制离岗检测系统的运行，解决了员工离开办公位去处理临时性工作时，离岗检测系统无法正确响应而做出离岗误报的问题，同时也有效地降低了系统的人工干预度，避免了受营业厅整体调度影响而调整离岗检测系统配置的繁琐操作，提高了离岗检测的精确度。

基于同一发明构思，本申请实施例中还提供了与基于人工智能感知工位服务状态的离岗检测方法对应的基于人工智能感知工位服务状态的离岗检测装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述离岗检测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。

请参阅图3，图3为本申请实施例所提供的一种基于人工智能感知工位服务状态的离岗检测装置的结构示意图，如图3中所示，所述离岗检测装置300包括：

检测模块310，用于基于当前工位的工位图像数据，检测当前工位的工位标识以及当前工位上是否存在目标对象；

统计模块320，用于基于检测结果，统计所述目标对象的离岗时间；

提醒模块330，用于根据所述目标对象的离岗时间进行离岗提醒。

优选地，检测模块310在用于基于当前工位的工位图像数据，检测当前工位的工位标识以及当前工位上是否存在目标对象时，检测模块310用于：

基于当前工位的工位图像数据，检测当前工位的工位标识；

若所述工位标识指示当前工位处于服务状态，则基于所述工位图像数据检测当前工位上是否存在目标对象；

或者，将当前工位的工位图像数据输入至预先训练好的目标检测模型中，识别当前工位的工位标识以及当前工位上是否存在目标对象。

优选地，检测模块310用于通过以下步骤训练目标检测模型：

获取多个包含有工位标识和目标对象的工位图像数据样本；

将所述工位图像数据样本输入至预先构建好的深度学习模型进行训练，得到训练好的目标检测模型。

优选地，检测模块310在用于若所述工位标识指示当前工位处于服务状态，则基于所述工位图像数据检测当前工位上是否存在目标对象时，检测模块310用于：

若所述工位标识指示当前工位处于服务状态，则检测所述工位图像数据中是否包括图像特征标识；

若检测到所述工位图像数据中包括图像特征标识，则确定当前工位上存在目标对象；

若检测到所述工位图像数据中不包括图像特征标识，则确定当前工位上不存在目标对象。

优选地，所述图像特征标识包括以下项中的至少一项：人头图像、人体上半身图像和人体全身图像。

优选地，提醒模块330在用于根据所述目标对象的离岗时间进行离岗提醒时，提醒模块330用于：

获取预设的离岗规定时间阈值；

若所述离岗时间超过所述离岗规定时间阈值，则向所述目标对象发送提醒。

优选地，所述离岗提醒包括短信提醒、语音电话提醒和广播提醒中的任意一种。

本申请实施例提供的基于人工智能感知工位服务状态的离岗检测装置，所述离岗检测装置包括检测模块、统计模块和提醒模块，其中，检测模块用于基于当前工位的工位图像数据，检测当前工位的工位标识以及当前工位上是否存在目标对象；统计模块用于基于检测结果，统计所述目标对象的离岗时间；提醒模块用于根据所述目标对象的离岗时间进行离岗提醒。这样一来，将当前工位的工位标识以及目标对象结合分析，可以避免离岗误报的情况发生，提高了离岗检测的精确度。

请参阅图4，图4为本申请实施例所提供的一种电子设备的结构示意图。如图4中所示，所述电子设备400包括处理器410、存储器420和总线430。

所述存储器420存储有所述处理器410可执行的机器可读指令，当电子设备400运行时，所述处理器410与所述存储器420之间通过总线430通信，所述机器可读指令被所述处理器410执行时，可以执行如上述图1所示方法实施例中的基于人工智能感知工位服务状态的离岗检测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的基于人工智能感知工位服务状态的离岗检测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

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。

在本申请所提供的几个实施例中，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。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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通信接口，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。

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。

另外，在本申请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。

所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请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)执行本申请各个实施例所述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(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。