基于无人机的风电巡检方法及装置

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于无人机的风电巡检方法及装置。

背景技术

随着经济的快速发展和众多企业的大力兴建，能源需求不断增加，为了满足能源需求，风电发电厂的建设势在必行，当风电发电厂建成之后，风电发电厂的风电巡检必不可少。

现如今，风电巡检需要丰富的经验和技能，而有些巡检员工作经验不够丰富，技术水平不足，缺乏长期的培训和学习，导致巡检效率低下，同时风电巡检的地理位置非常分散，地域广阔，巡检速度慢，因此如何提升风电巡检时效率，成为了亟待解决的问题。

发明内容

本发明提供一种基于无人机的风电巡检方法及装置，其主要目的在于解决风电巡检时效率较低的问题。

为实现上述目的，本发明提供的一种基于无人机的风电巡检方法，包括：

对风电发电厂进行区域划分，得到所述风电发电厂的电厂区块，根据所述电厂区块生成无人机的巡检路线；

根据所述巡检路线和所述无人机生成所述风电发电厂的巡检图像集，对所述巡检图像集中的巡检图像进行图像降噪，得到所述巡检图像的降噪图像；

利用预设的异常点剔除算法对所述降噪图像进行异常点剔除，得到所述降噪图像的标准图像，其中，所述预设的异常点剔除算法为：

其中，x

对所述标准图像进行多特征提取，得到所述标准图像的关键特征，根据所述电厂区块对所述关键特征进行区块标记，得到所述关键特征的标记特征；

获取所述风电发电厂的对照特征库，利用所述对照特征库对所述标记特征进行故障特征筛选，得到所述标记特征中的故障特征；

根据所述故障特征对所述风电发电厂进行故障追踪，得到所述风电发电厂的故障区块。

可选地，所述对风电发电厂进行区域划分，得到所述风电发电厂的电厂区块，包括：

获取风电发电厂的地形地貌数据，根据所述地形地貌数据生成所述风电发电厂的三维地形模型；

获取所述风电发电厂的位置分布数据，根据所述位置分布数据在所述三维地形模型上进行所述风电发电厂的风机的位置标识，得到所述风电发电厂的风机标识模型；

根据所述风机标识模型对风电发电厂进行区域划分，得到所述风电发电厂的电厂区块。

可选地，所述根据所述电厂区块生成无人机的巡检路线，包括：

确定所述电厂区块的地理位置和区块面积，根据所述区块面积生成所述无人机的巡检起点和巡检终点；

根据所述巡检起点和所述巡检终点生成所述无人机的巡检任务；

利用所述地理位置对所述巡检任务进行任务优化，得到所述巡检任务的优化任务，根据所述优化任务确定所述无人机的巡检路线。

可选地，所述根据所述巡检路线和所述无人机生成所述风电发电厂的巡检图像集，包括：

根据所述巡检路线和所述无人机的摄像头对所述电厂区块的风机设施部件依次进行拍照，得到所述风机设施部件的设施图像；

对所述设施图像进行图像拼接，得到所述设施图像的拼接图像；

对所述拼接图像进行区块信息标记，得到所述区块图像的标记图像，汇集所述标记图像为所述风电发电厂的巡检图像集。

可选地，所述对所述巡检图像集中的巡检图像进行图像降噪，得到所述巡检图像的降噪图像，包括：

根据预设的高斯核矩阵生成所述巡检图像的滤波器；

利用所述滤波器逐个对所述巡检图像中的原始像素点进行高斯卷积，得到所述原始像素点的卷积像素点；

根据所述卷积像素点生成所述巡检图像的降噪图像。

可选地，所述利用预设的异常点剔除算法对所述降噪图像进行异常点剔除，得到所述降噪图像的标准图像，包括：

根据预设的异常点剔除算法逐个计算所述降噪图像中的像素点的局部离群因子；

根据预设的最邻近点数目阈值和所述局部离群因子对所述降噪图像进行异常点剔除，得到所述降噪图像的标准图像。

可选地，所述对所述标准图像进行多特征提取，得到所述标准图像的关键特征，包括：

利用预设的颜色特征提取算法生成所述标准图像的颜色特征，其中，所述预设的颜色特征提取算法为：

其中，H

生成所述标准图像的纹理特征；

生成所述标准图像的形状特征；

汇集所述颜色特征、所述纹理特征和所述形状特征为所述标准图像的关键特征。

可选地，所述获取所述风电发电厂的对照特征库，包括：

获取所述风电发电厂的故障数据，其中，所述故障数据包括故障图片和故障案例；

对所述故障数据进行多维度分类，得到所述故障数据的多维度数据；

根据所述多维度数据生成所述风电发电厂的对照特征库。

可选地，所述利用所述对照特征库对所述标记特征进行故障特征筛选，得到所述标记特征中的故障特征，包括：

根据所述对照特征库对所述标记特征进行故障类型分类，得到所述标记特征的初级故障类型；

根据所述初级故障类型计算所述标记特征与所述对照特征库中的对应故障特征的特征相似度；

根据所述特征相似度对所述标记特征进行故障匹配，得到所述标记特征的匹配故障；

根据所述标记特征的匹配故障确定所述标记特征中的故障特征。

为了解决上述问题，本发明还提供一种基于无人机的风电巡检装置，所述装置包括：

区域划分模块，用于对风电发电厂进行区域划分，得到所述风电发电厂的电厂区块，根据所述电厂区块生成无人机的巡检路线；

图像降噪模块，用于根据所述巡检路线和所述无人机生成所述风电发电厂的巡检图像集，对所述巡检图像集中的巡检图像进行图像降噪，得到所述巡检图像的降噪图像；

像素异常点剔除模块，用于利用预设的异常点剔除算法对所述降噪图像进行异常点剔除，得到所述降噪图像的标准图像，其中，所述预设的异常点剔除算法为：

其中，x

多特征提取模块，用于对所述标准图像进行多特征提取，得到所述标准图像的关键特征，根据所述电厂区块对所述关键特征进行区块标记，得到所述关键特征的标记特征；

故障特征筛选模块，用于获取所述风电发电厂的对照特征库，利用所述对照特征库对所述标记特征进行故障特征筛选，得到所述标记特征中的故障特征；

故障追踪模块，用于根据所述故障特征对所述风电发电厂进行故障追踪，得到所述风电发电厂的故障区块。

本发明实施例通过对风电发电厂进行区域划分，得到所述风电发电厂的电厂区块，根据所述电厂区块生成无人机的巡检路线，根据所述巡检路线和所述无人机生成所述风电发电厂的巡检图像集，无需人工干预，从而大大提高巡检的效率和准确性，对所述巡检图像集中的巡检图像进行图像降噪和异常点剔除后，再提取图像中的关键特征，实现对巡检的精准化和目标化，可以节约时间和成本，通过对照特征库对故障特征进行筛选，快速定位故障点，节省了寻找故障点的时间和成本，因此本发明提出基于无人机的风电巡检方法及装置，可以解决风电巡检效率较低的问题。

附图说明

图1为本发明一实施例提供的基于无人机的风电巡检方法的流程示意图；

图2为本发明一实施例提供的生成风电发电厂的巡检图像集的流程示意图；

图3为本发明一实施例提供的巡检图像的图像降噪的流程示意图；

图4为本发明一实施例提供的基于无人机的风电巡检装置的功能模块图；

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

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。

本申请实施例提供一种基于无人机的风电巡检方法。所述基于无人机的风电巡检方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于无人机的风电巡检方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的基于无人机的风电巡检方法的流程示意图。在本实施例中，所述基于无人机的风电巡检方法包括：

S1、对风电发电厂进行区域划分，得到所述风电发电厂的电厂区块，根据所述电厂区块生成无人机的巡检路线。

在本发明实施例中，所述对风电发电厂进行区域划分，得到所述风电发电厂的电厂区块就是将风电发电厂的地形地貌和位置分布考虑在内，生成三维地形模型和标识模型，并基于该标识模型进行划分，最终得到电厂区块，对风电发电厂进行区域划分，得到所述风电发电厂的电厂区块，可以帮助高效、准确地划分风电发电厂的电厂区块，为风电发电厂的管理维护提供重要的支持。

在本发明实施例中，所述对风电发电厂进行区域划分，得到所述风电发电厂的电厂区块，包括：

获取风电发电厂的地形地貌数据，根据所述地形地貌数据生成所述风电发电厂的三维地形模型；

获取所述风电发电厂的位置分布数据，根据所述位置分布数据在所述三维地形模型上进行所述风电发电厂的风机的位置标识，得到所述风电发电厂的风机标识模型；

根据所述风机标识模型对风电发电厂进行区域划分，得到所述风电发电厂的电厂区块。

详细地，所述地形地貌数据可以根据卫星遥感或测量数据获得，其中，所述地形地貌数据通常包括高程、地形倾斜度、地貌特征等；所述根据所述地形地貌数据生成所述风电发电厂的三维地形模型可以使用计算机辅助设计软件，所述根据所述地形地貌数据生成所述风电发电厂的三维地形模型可以是本领域习知的计算机辅助设计软件工具(例如，可以是AutoCAD、3ds Max等工具)，所述计算机辅助设计软件工具仅仅是为了说明方案的可实施性而进行的示例性举例，并不限定本方案必须采用所述，所述三维地形模型能够准确地反映出风电发电厂所在地区的地貌特征。

详细地，所述位置分布数据是指所述风电发电厂中风机的位置信息，这些数据通常是从风电厂的监控系统或其他数据采集系统中获取的，其中，所述位置分布数据通常是风机的坐标、高度、型号等。

详细地，所述根据所述位置分布数据在所述三维地形模型上进行所述风电发电厂的风机的位置标识可以使用计算机辅助设计软件或其他专业工具，在三维地形模型上标识出风机的位置、高度等信息。

详细地，所述根据所述风机标识模型对风电发电厂进行区域划分可以根据风机位置、尺寸、输出功率等因素，将风电发电厂划分为若干个电厂区块。

在本发明实施例中，所述根据所述电厂区块生成无人机的巡检路线，包括：

确定所述电厂区块的地理位置和区块面积，根据所述区块面积生成所述无人机的巡检起点和巡检终点；

根据所述巡检起点和所述巡检终点生成所述无人机的巡检任务；

利用所述地理位置对所述巡检任务进行任务优化，得到所述巡检任务的优化任务，根据所述优化任务确定所述无人机的巡检路线。

详细地，所述确定所述电厂区块的地理位置和区块面积可以利用卫星遥感或其他测量方法；所述根据所述区块面积生成所述无人机的巡检起点和巡检终点可以通过计算，确定无人机巡检的起点和终点，以便在最短时间内完成巡检任务，例如，可以根据区块的中心位置或边缘位置来确定起点和终点。

详细地，所述根据所述巡检起点和所述巡检终点生成所述无人机的巡检任务可以使用无人机自动控制系统或其他工具，根据起点和终点的位置信息，生成无人机的巡检任务，例如，可以将巡检任务分成若干段，以便无人机按照预定路线进行巡检。

详细地，所述利用所述地理位置对所述巡检任务进行任务优化是指借助人工智能算法、遗传算法等工具，对巡检任务进行优化，以缩短巡检时间、提高巡检效率，例如，可以根据风速、风向等气象数据，对巡检任务进行优化，以尽可能地减小巡检时间和提高巡检效率。

S2、根据所述巡检路线和所述无人机生成所述风电发电厂的巡检图像集，对所述巡检图像集中的巡检图像进行图像降噪，得到所述巡检图像的降噪图像。

在本发明实施例中，所述对所述巡检图像集中的巡检图像进行图像降噪是为了对所述巡检图像进行降噪处理，去除噪点，提高图像的质量和可读性。

在本发明实施例中，参图2所示，所述根据所述巡检路线和所述无人机生成所述风电发电厂的巡检图像集，包括：

S21、根据所述巡检路线和所述无人机的摄像头对所述电厂区块的风机设施部件依次进行拍照，得到所述风机设施部件的设施图像；

S22、对所述设施图像进行图像拼接，得到所述设施图像的拼接图像；

S23、对所述拼接图像进行区块信息标记，得到所述区块图像的标记图像，汇集所述标记图像为所述风电发电厂的巡检图像集。

详细地，所述对所述设施图像进行图像拼接是为了得到一张完整的风电发电厂的巡检图像，包括多个电厂区块的设施图像拼接而成。

详细地，所述对所述拼接图像进行区块信息标记是指标记出每个区块的位置和编号信息，从而建立起区块图像的标记图像。

详细地，所述风电发电厂的巡检图像集能够提供风电发电厂设施的全景视图和各个区块的详细图像信息，方便进行后续的巡检分析和评估。

在本发明实施例中，参图3所示，所述对所述巡检图像集中的巡检图像进行图像降噪，得到所述巡检图像的降噪图像，包括：

S31、根据预设的高斯核矩阵生成所述巡检图像的滤波器；

S32、利用所述滤波器逐个对所述巡检图像中的原始像素点进行高斯卷积，得到所述原始像素点的卷积像素点；

S33、根据所述卷积像素点生成所述巡检图像的降噪图像。

详细地，所述预设的高斯核矩阵根据实际需求进行选择，一般情况下选择的高斯核矩阵会受到图像的分辨率和噪点等级的影响，所述预设的高斯核矩阵可以是一个任意大小的矩形，其中心点放置在矩阵的中央。高斯核矩阵的大小和方差决定了滤波器的效果，通常情况下，方差越大，高斯核矩阵越大，能够实现的平滑效果越好。一般情况下，高斯核矩阵越大，运算速度越慢，因此需要在效果和速度之间做出权衡。

在实际应用中，经常使用的高斯核矩阵分别是3x3、5x5、7x7等，其中3x3常用于较小的图像，5x5和7x7常用于处理分辨率较高的大型图像，实际应用时，根据图像噪声等级和图像分辨率，可以根据经验和实验调整高斯核的大小和方差，以获得最优的降噪效果。

详细地，所述利用所述滤波器逐个对所述巡检图像中的原始像素点进行高斯卷积是指利用所述滤波器在图像中进行平滑操作，将每个像素点周围的像素值按照高斯函数的比例进行加权平均处理。该步骤会将图像中的高频信息进行滤除，从而有效地降低噪声的影响；在滤波器的作用下，每个像素点的值将会发生改变，形成卷积之后的图像。卷积之后，图像中的噪点信息已被有效压制，边缘和轮廓信息得到保留。

详细地，所述根据所述卷积像素点生成所述巡检图像的降噪图像是指对经过卷积处理的图像进行强度转换和像素值调整，经过降噪之后，得到的图像会更清晰、更具有可读性。

S3、利用预设的异常点剔除算法对所述降噪图像进行异常点剔除，得到所述降噪图像的标准图像。

在本发明实施例中，所述利用预设的异常点剔除算法对所述降噪图像进行异常点剔除可以有效地剔除降噪图像中的异常点，得到更加准确的标准图像。

在本发明实施例中，所述利用预设的异常点剔除算法对所述降噪图像进行异常点剔除，得到所述降噪图像的标准图像，包括：

根据预设的异常点剔除算法逐个计算所述降噪图像中的像素点的局部离群因子；

根据预设的最邻近点数目阈值和所述局部离群因子对所述降噪图像进行异常点剔除，得到所述降噪图像的标准图像。

详细地，所述局部离群因子是用来度量像素点与其邻近数据点的密集程度的参数。

详细地，所述根据预设的最邻近点数目阈值和所述局部离群因子对所述降噪图像进行异常点剔除是指根据预设的最邻近点数目阈值将像素点分类为离群点和正常点，并将离群点从降噪图像中去除，例如：可以基于像素点的标识，将其余标识携带的信息一起进行处理，得到标准图像。

详细地，所述预设的异常点剔除算法为：

其中，x

S4、对所述标准图像进行多特征提取，得到所述标准图像的关键特征，根据所述电厂区块对所述关键特征进行区块标记，得到所述关键特征的标记特征。

在本发明实施例中，所述对所述标准图像进行多特征提取，得到所述标准图像的关键特征，包括：

利用预设的颜色特征提取算法生成所述标准图像的颜色特征，其中，所述预设的颜色特征提取算法为：

其中，H

生成所述标准图像的纹理特征；

生成所述标准图像的形状特征；

汇集所述颜色特征、所述纹理特征和所述形状特征为所述标准图像的关键特征。

详细地，所述利用预设的颜色特征提取算法生成所述标准图像的颜色特征是指利用预设的颜色特征提取算法计算标准图像中的色相、饱和度、明度通道，并生成对应的颜色直方图。在生成的颜色直方图中，通过统计每个通道的像素点数，得到标准图像的颜色特征。

详细地，所述生成所述标准图像的纹理特征可以通过不同的方法进行提取，如灰度共生矩阵、局部二值模式、Gabor滤波等。在实际应用过程中，可以根据需要选用不同的特征提取方法，并提取出纹理特征，用于对图像进行描述和区分。

详细地，所述生成所述标准图像的形状特征可以通过轮廓分析、边缘检测等方法进行提取，至少需要考虑图像的长、宽、高等基本形状特征，并可考虑更高层次的形状描述。

在本发明实施例中，所述根据所述电厂区块对所述关键特征进行区块标记，得到所述关键特征的标记特征是指将对所述电厂区块的特征向量进行分类或聚类操作，根据电厂区块的定义，将每个区块标记为相应的类别或分组，将每个区块的标记信息与其特征向量关联，得到标记特征，即每个区块的特征向量和所属的类别或分组信息。

S5、获取所述风电发电厂的对照特征库，利用所述对照特征库对所述标记特征进行故障特征筛选，得到所述标记特征中的故障特征。

在本发明实施例中，所述获取所述风电发电厂的对照特征库，包括：

获取所述风电发电厂的故障数据，其中，所述故障数据包括故障图片和故障案例；

对所述故障数据进行多维度分类，得到所述故障数据的多维度数据；

根据所述多维度数据生成所述风电发电厂的对照特征库。

详细地，所述风电发电厂的故障数据可以通过调查现场或者查询历史记录来获取这些数据。

详细地，所述对所述故障数据进行多维度分类包括按照不同特征进行分类，例如：故障类型、设备型号、故障等级等，基于这些分类可以形成多个维度，可以使用传统的机器学习算法，如聚类分析或者深度学习算法，如神经网络等，来进行分类，所述对所述故障数据进行多维度分类是为了将故障数据按照不同的属性进行分组，以便于后续处理和分析。

详细地，所述多维度数据可以是图像特征、声音特征或者运行参数等。

详细地，所述根据所述多维度数据生成所述风电发电厂的对照特征库是指将提取到的多维度数据加以组合，形成相应故障类型下的对照特征库，每个故障类型下的对照特征库包括相应的特征数据及其描述，如特征值范围、特征表示方法等。

在本发明实施例中，所述利用所述对照特征库对所述标记特征进行故障特征筛选，得到所述标记特征中的故障特征，包括：

根据所述对照特征库对所述标记特征进行故障类型分类，得到所述标记特征的初级故障类型；

根据所述初级故障类型计算所述标记特征与所述对照特征库中的对应故障特征的特征相似度；

根据所述特征相似度对所述标记特征进行故障匹配，得到所述标记特征的匹配故障；

根据述标记特征的匹配故障确定所述标记特征中的故障特征。

详细地，所述根据所述对照特征库对所述标记特征进行故障类型分类是指根据标记特征的不同属性对所述标记特征进行故障类型分类。

详细地，所述根据所述初级故障类型计算所述标记特征与所述对照特征库中的对应故障特征的特征相似度，可以利用特征向量的余弦相似度、欧几里得距离等生成所述特征相似度，

详细地，所述根据所述特征相似度对所述标记特征进行故障匹配是指将将计算出的特征相似度与设定的相似度阈值进行比较，判断是否匹配成功，通常将计算得到的所述特征相似度与一个预设的相似度阈值进行比较，如果所述特征相似度大于设定的相似度阈值，则认为标记特征与对照特征匹配成功。

S6、根据所述故障特征对所述风电发电厂进行故障追踪，得到所述风电发电厂的故障区块。

在本发明实施例中，所述根据所述故障特征对所述风电发电厂进行故障追踪是基于物理位置的跟踪、基于时间序列的跟踪等确定的所述故障特征的故障类型，并识别故障发生的具体区块。

进一步地，根据跟踪结果，对故障进行相应的处理，可以采用传统的维修方式，如专业维修人员上门进行维修，或者采用基于物联网技术的远程维修方法进行处理，并记录故障及处理的相关信息，以便于后续分析和改进，其中，记录的内容包括故障类型、发生时间、处理方式等。

本发明实施例通过对风电发电厂进行区域划分，得到所述风电发电厂的电厂区块，根据所述电厂区块生成无人机的巡检路线，根据所述巡检路线和所述无人机生成所述风电发电厂的巡检图像集，无需人工干预，从而大大提高巡检的效率和准确性，对所述巡检图像集中的巡检图像进行图像降噪和异常点剔除后，再提取图像中的关键特征，实现对巡检的精准化和目标化，可以节约时间和成本，通过对照特征库对故障特征进行筛选，快速定位故障点，节省了寻找故障点的时间和成本，因此本发明提出基于无人机的风电巡检方法，可以解决风电巡检效率较低的问题。

如图4所示，是本发明一实施例提供的基于无人机的风电巡检装置的功能模块图。

本发明所述基于无人机的风电巡检装置100可以安装于电子设备中。根据实现的功能，所述基于无人机的风电巡检装置100可以包括区域划分模块101、图像降噪模块102、像素异常点剔除模块103、多特征提取模块104、故障特征筛选模块105及故障追踪模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述区域划分模块101，用于对风电发电厂进行区域划分，得到所述风电发电厂的电厂区块，根据所述电厂区块生成无人机的巡检路线；

所述图像降噪模块102，用于根据所述巡检路线和所述无人机生成所述风电发电厂的巡检图像集，对所述巡检图像集中的巡检图像进行图像降噪，得到所述巡检图像的降噪图像；

所述像素异常点剔除模块103，用于利用预设的异常点剔除算法对所述降噪图像进行异常点剔除，得到所述降噪图像的标准图像，其中，所述预设的异常点剔除算法为：

其中，x

所述多特征提取模块104，用于对所述标准图像进行多特征提取，得到所述标准图像的关键特征，根据所述电厂区块对所述关键特征进行区块标记，得到所述关键特征的标记特征；

所述故障特征筛选模块105，用于获取所述风电发电厂的对照特征库，利用所述对照特征库对所述标记特征进行故障特征筛选，得到所述标记特征中的故障特征；

所述故障追踪模块106，用于根据所述故障特征对所述风电发电厂进行故障追踪，得到所述风电发电厂的故障区块。

在本发明所提供的几个实施例中，应该理解到，所揭露的方法和装置，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，所述模块的划分，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。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本申请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、技术及应用装置。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。