一种事件融合分析处理方法和系统
文献发布时间:2024-04-18 20:01:23
技术领域
本发明涉及事件融合处理技术领域,尤其涉及一种事件融合分析处理方法和系统。
背景技术
在现有的社会事件采集及处理过程中,通常的做法是将图像作为附件,由人工去查阅相关的事件描述及图像,根据查阅的事件描述和图像进一步地进行责任人指派。虽然在相关自动化的事件处理系统中,具备了对事件文本描述进行分析的实现,但通常来说限于文本描述的关键词,摘要等信息的综合利用。
如何提供一种基于图像、文本以及历史事件的数据源,利用小模型及大模型在特定问题的处理能力及综合分析能力进行研判,实现事件的实时综合分析,并给出合理的处置策略建议方法,成为亟待解决的技术问题。
发明内容
有鉴于此,为了克服现有技术的不足,本发明旨在提供一种事件融合分析处理方法和系统。
根据本发明的第一方面,提供一种事件融合分析处理方法,包括:
获取目标事件的图像信息,将目标事件的图像信息识别为场景标签,根据场景标签构建对应的目标类型列表,根据构建的目标类型列表从目标事件的图像信息中检测关注目标,生成目标事件的图像目标描述;
获取目标事件的结构化字段信息,根据目标事件的图像目标描述和结构化字段信息,生成对应的图文信息提示词;
通过汇集关注的事件类型构建知识库,通过对构建的知识库进行向量特征提取,构建向量知识库;
根据目标事件构建查询向量,采用构建的查询向量对向量知识库进行检索,根据检索结果和图文信息提示词生成模型分析提示词;
采用大语言模型根据模型分析提示词获得模型分析结果,根据模型分析结果进行事件融合分析处理。
优选地,本发明的事件融合分析处理方法中,获取目标事件的图像信息,将目标事件的图像信息识别为场景标签,根据场景标签构建对应的目标类型列表,从构建的目标类型列表中检测关注目标,生成目标事件的图像目标描述,包括:
采用事件历史图像数据和事件图像标签集合训练图像分类模型,采用训练后的图像分类模型,根据目标事件的图像信息,将目标事件识别为事件图像标签集合中的一种场景标签;
为图像标签集合中的每个场景标签构建对应的目标对象类型图谱,根据构建的目标对象类型图谱和目标事件对应的场景标签,构建目标类型列表;
采用目标检测模型,根据构建的目标类型列表从目标事件的图像信息中检测关注目标,根据检测的关注目标及数量,生成目标事件的图像目标描述。
优选地,本发明的事件融合分析处理方法中,为图像标签集合中的每个场景标签构建对应的目标对象类型图谱,包括:将场景标签、目标对象以及场景标签与目标对象之间的相关度作为目标对象类型图谱的组成。
优选地,本发明的事件融合分析处理方法中,获取目标事件的结构化字段信息,根据目标事件的图像目标描述和结构化字段信息,生成对应的图文信息提示词,包括:采用目标事件的图像目标描述和结构化字段信息,替换大语言模型提示词prompt模板中对应位置的变量,获得目标事件的图文信息提示词。
优选地,本发明的事件融合分析处理方法中,目标事件的结构化字段信息包括目标事件的文本描述、时间、地点和上报人。
优选地,本发明的事件融合分析处理方法中,通过汇集关注的事件类型构建知识库,通过对构建的知识库进行向量特征提取,构建向量知识库,包括:
根据关注需求汇集关注的事件类型,采集各事件类型对应的详细描述信息、处置策略和上报建议;
根据汇集的事件类型以及采集的各事件类型对应的详细描述详细、处置策略和上报建议,构建知识库;
对构建的知识库进行语义向量特征提取,获得对应的语义向量特征;
根据获得的语义向量特征以及对应的处置策略、上报建议,构建向量知识库。
优选地,本发明的事件融合分析处理方法中,根据目标事件构建查询向量,采用构建的查询向量对向量知识库进行检索,根据检索结果和图文信息提示词生成模型分析提示词,包括:
采用实际值对目标事件的结构化字段信息、场景标签和图像目标描述中的参数进行替换,获得对应的文本描述;
对获得的文本描述进行语义向量特征提取,获得查询向量,采用获得的查询向量对构建的向量知识库进行检索,将检索结果作为事件知识库规则;
根据事件知识库规则和图文信息提示词生成模型分析提示词。
优选地,本发明的事件融合分析处理方法中,采用大语言模型根据模型分析提示词获得模型分析结果,根据模型分析结果进行事件融合分析处理,包括:
根据目标事件的描述信息,通过向大语言模型中输入模型分析提示词,获得模型分析结果;
将获得的模型分析结果输出为事件上报的请求体,通过事件上报的请求体进行事件分析并检索事件对应的处置策略和上报建议。
根据本发明的第二方面,提供一种事件融合分析处理系统,该系统包括事件融合分析处理服务端,该事件融合分析处理服务端用于:获取目标事件的图像信息,将目标事件的图像信息识别为场景标签,根据场景标签构建对应的目标类型列表,根据构建的目标类型列表从目标事件的图像信息中检测关注目标,生成目标事件的图像目标描述;获取目标事件的结构化字段信息,根据目标事件的图像目标描述和结构化字段信息,生成对应的图文信息提示词;通过汇集关注的事件类型构建知识库,通过对构建的知识库进行向量特征提取,构建向量知识库;根据目标事件构建查询向量,采用构建的查询向量对向量知识库进行检索,根据检索结果和图文信息提示词生成模型分析提示词;采用大语言模型根据模型分析提示词获得模型分析结果,根据模型分析结果进行事件融合分析处理。
根据本发明的第三方面,提供一种计算机设备,包括存储器、处理器及存储在所述存储器上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程序时实现本发明第一方面所述的方法。
本发明的事件融合分析处理方法和系统,通过识别目标事件的场景类型,基于事件历史数据出现频次的softmax值处理,取其合理数量的关键目标实现对相关目标内容的形象化描述,并根据场景类型提取其关注的特定目标,避免泛泛检测无关目标,实现结合图像及文本事件的融合处理;通过构建模型分析提示词,获得全方位描述事件信息及参考依据的能力;充分利用大模型对知识的综合加工能力,实现对事件根据其描述及内容的定制化处置策略及上报建议描述,并提供综合分析。通过基本的图像分类及目标检测、基础大语言模型,不需要用更大规模的多模态大模型的方式,实现了在低计算资源下的事件描述。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它的附图。
图1为一种适用于本发明实施例的事件融合分析处理方法的系统的示意图;
图2为根据本发明实施例的一种事件融合分析处理方法的步骤流程图;
图3为根据本发明实施例的一种事件融合分析处理方法中构建目标对象类型图谱的一种示意图;
图4为本发明提供的设备的结构示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合;并且,基于本公开中的实施例,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,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
图1示出了一种适用于本发明实施例的事件融合分析处理方法的示例性系统。如图1所示,该系统可以包括事件融合分析处理服务端101、通信网络102和/或一个或多个事件融合分析处理客户端103,图1中示例为多个事件融合分析处理客户端103。
事件融合分析处理服务端101可以时用于存储信息、数据、程序和/或任何其他合适类型的内容的任何适当的服务器。在一些实施例中,事件融合分析处理服务端101可以执行适当的功能。例如,在一些实施例中,事件融合分析处理服务端101可以用于对事件融合分析处理。作为可选的示例,在一些实施例中,事件融合分析处理服务端101可以被用于通过构建向量知识库和生成模型分析提示词,实现对事件的融合分析处理。例如,事件融合分析处理服务端101可以用于获取目标事件的图像信息,将目标事件的图像信息识别为场景标签,根据场景标签构建对应的目标类型列表,根据构建的目标类型列表从目标事件的图像信息中检测关注目标,生成目标事件的图像目标描述;获取目标事件的结构化字段信息,根据目标事件的图像目标描述和结构化字段信息,生成对应的图文信息提示词;通过汇集关注的事件类型构建知识库,通过对构建的知识库进行向量特征提取,构建向量知识库;根据目标事件构建查询向量,采用构建的查询向量对向量知识库进行检索,根据检索结果和图文信息提示词生成模型分析提示词;采用大语言模型根据模型分析提示词获得模型分析结果,根据模型分析结果进行事件融合分析处理。
作为另一示例,在一些实施例中,事件融合分析处理服务端101可以根据事件融合分析处理客户端103的请求,将事件融合分析处理方法发送到事件融合分析处理客户端103供用户使用。
作为可选的示例,在一些实施例中,事件融合分析处理客户端103用于提供可视化处理界面,该可视化处理界面用于接收用户对事件融合分析处理的选择输入操作,以及,用于响应于选择输入操作,从事件融合分析处理服务端101获取与选择输入操作所选择的选项所对应的处理界面并展示处理界面,处理界面中至少展示有对事件融合分析处理的信息以及针对对事件融合分析处理的操作选项。
在一些实施例中,通信网络102可以是一个或多个有线和/或无线网络的任何适当的组合。例如,通信网络102能够包括以下各项中的任何一种或多种:互联网、内联网、广域网(WAN)、局域网(LAN)、无线网络、数字订户线路(DSL)网络、帧中继网络、异步转移模式(ATM)网络、虚拟专用网(VPN)和/或任何其它合适的通信网络。事件融合分析处理客户端103能够通过一个或多个通信链路(例如,通信链路104)连接到通信网络102,该通信网络102能够经由一个或多个通信链路(例如,通信链路105)被链接到事件融合分析处理服务端101。通信链路可以是适合于在事件融合分析处理客户端103和事件融合分析处理服务端101之间传送数据的任何通信链路,诸如网络链路、拨号链路、无线链路、硬连线链路、任何其它合适的通信链路或此类链路的任何合适的组合。
事件融合分析处理客户端103可以包括通过适当形式呈现与对事件融合分析处理相关的界面,以供用户使用和操作的任何一个或多个客户端。在一些实施例中,事件融合分析处理客户端103可以包括任何合适类型的设备。例如,在一些实施例中,事件融合分析处理客户端103可以包括移动设备、平板计算机、膝上型计算机、台式计算机和/或任何其他合适类型的客户端设备。
尽管将事件融合分析处理服务端101图示为一个设备,但是在一些实施例中,可以使用任何适当数量的设备来执行由事件融合分析处理服务端101执行的功能。例如,在一些实施例中,可以使用多个设备来实现由事件融合分析处理服务端101执行的功能。或者,可使用云服务实现事件融合分析处理服务端101的功能。
基于上述系统,本发明实施例提供了一种事件融合分析处理方法,以下通过以下实施例进行说明。
参照图2,示出了根据本发明实施例的一种事件融合分析处理方法的步骤流程图。
本实施例的事件融合分析处理方法可在事件融合分析处理服务端执行,该事件融合分析处理方法包括以下步骤:
步骤S201:获取目标事件的图像信息,将目标事件的图像信息识别为场景标签,根据场景标签构建对应的目标类型列表,根据构建的目标类型列表从目标事件的图像信息中检测关注目标,生成目标事件的图像目标描述。
作为可选的示例,本发明实施例方法采用事件历史图像数据和事件图像标签集合训练图像分类模型,采用训练后的图像分类模型,根据目标事件的图像信息,将目标事件识别为事件图像标签集合中的一种场景标签。
为了提高图像分类模型的识别精确度,本实施例方法采用关注目标事件的图片对图像分类模型进行训练。本实施例中的图像分类模型是一种图像分析的深度学习模型,可以识别一张图片的分类,比如区分一张图片中的内容是小动物还是花草树木,是街头摊贩还是河道场景或车辆或垃圾等,图像分类模型可以是ResNet模型、ResNeXt模型或YoLo模型等,本实施例方法对此不做限制。
举例来说,本实施例方法在采集目标事件的图像信息后,采用图像分类模型将目标事件的图像信息识别为指定事件图像标签集合DL的一种类型。一种事件图像标签集合DL的示例如下,DL包括如下场景:摊贩、集市、小型机动车、渣土车、大货车、大巴车、非机动车、垃圾、河道、广告、晾晒物、流浪狗等。识别过程即为将目标事件的图像信息识别为DL中的一个具体场景标签dl,比如将采集的目标事件的图像信息识别为事件图像标签集合DL中的河道场景。
在完成对目标事件的场景标签识别后,本实施例方法还需要为图像标签集合中的每个场景标签构建对应的目标对象类型图谱,将场景标签、目标对象以及场景标签与目标对象之间的相关度作为目标对象类型图谱的组成,根据构建的目标对象类型图谱和目标事件对应的场景标签,构建目标类型列表。举例来说,本实施例预先构建与事件图像标签集合DL中每个具体场景标签dl相关的目标对象类型图谱Gdl,构建的目标对象类型图谱Gdl为:<场景标签dl<-x_i->目标Obj_i>,其中,x_i为该图像场景标签类型与目标Obj_i之间的相关度,其取值取自各相关频次占比的softmax。具体的,每个场景标签关注的目标列表为相关频次的前3至5个,且频次要大于等于0.2,即最少3个,最多5个,第4第5个的频次要大于0.2。例如,与河道场景相关的目标中船占0.55,水草0.45,人0.23,钓鱼0.2,自行车0.06(可能有重复故和大于1),选取前四个,舍弃不足0.2的自行车,Softmax([0.55,0.45,0.23,0.2])=[0.30,0.27,0.22,0.21]。此处softmax为现有技术,不在此赘述。从而,获得的目标对象类型图谱为:河道<-0.30->船河道<-0.27->水草河道<-0.22->人河道<-0.21->钓鱼。图3为根据本发明实施例的一种事件融合分析处理方法中构建目标对象类型图谱的一种示意图。
本实施例方法构建事件图像标签集合DL中每个具体场景标签dl相关系的目标对象类型图谱Gdl,目的是针对每个关注的场景,其重点关注的是里面的相关目标,而对其相关度很低的则不在关注列表中。例如对于河道场景中,会关注人、钓鱼、船,而不去关心地上的小草、灌木,石头;对于垃圾堆放场景中,关注垃圾有没有满等相关的信息,而不会关注垃圾站,旁边停放的自行车等目标。
在完成目标类型列表的构建后,本实施例方法采用目标检测模型,根据构建的目标类型列表从目标事件的图像信息中检测关注目标,根据检测的关注目标及数量,生成目标事件的图像目标描述。本实施例方法中的目标检测模型也是一种图像分析的深度学习模型,可以检测图像中的具体目标类型及其位置。
举例来说,本实施例方法基于目标事件的图像信息对应的具体场景类型dl和构建的目标对象类型图谱Gdl,获得目标事件的图像信息的场景类型dl对应关注的目标类型列表,采用目标检测模型Md检测目标事件的图像信息中的目标,其检出的目标仅限目标类型列表中关注的部分,并得到一系列检出目标。
基于这些检出目标及其同类型的个数,得到图像目标描述dl_desc。这里图像目标描述dl_desc是一段简单的描述性文本,类似“xx个xx目标,xx个yy目标”的形式。例如河道场景中,发现10个人,3个钓鱼,0个船,3个水草等。此处不纠结量词的准确性。
步骤S202:获取目标事件的结构化字段信息,根据目标事件的图像目标描述和结构化字段信息,生成对应的图文信息提示词。
作为可选的示例,本发明实施例方法采用目标事件的图像目标描述和结构化字段信息,替换大语言模型提示词prompt模板中对应位置的变量,获得目标事件的图文信息提示词。需要注意的是,本实施例中,目标事件的结构化字段信息包括目标事件的文本描述、时间、地点和上报人。本领域技术人员在实施本发明方法时,可以根据实际应用场景的需要,获取目标事件的其他结构化字段信息,本实施例对此不做限制。
举例来说,本实施例方法采取采集的结构化字段信息中的事件文本描述Edesc,以及图像目标描述dl_desc,根据设定的大语言模型提示词prompt模板,替换模板中对应位置的变量,得到图文信息提示词LM-q。以下采用一种具体示例对替换规则进行详细说明:
“你是一名接收社会事件上报的处理人员,在{事件发现时间Etime}发现如下事件描述:{事件文本描述Edesc}。根据现场图像做目标检测分析得到当前场景为:{场景类型dl};目标:{图像目标描述dl_desc}。相关处置参考依据为:{event-kg-rule}。
请综合分析此事件上报,简短描述发现的内容及处置策略。”
带入前述得到的信息后得到图文信息提示词LM-q如下:
“你是一名接收社会事件上报的处理人员,在2023-10-30 10:23:45发现如下事件描述:河边有钓鱼人。根据现场图像做目标检测分析得到当前场景为:河边;目标:10个人,3个钓鱼,3片水草,0只船只。相关处置参考依据为:{event-kg-rule}。
请综合分析此事件上报,简短描述发现的内容及处置策略。”
步骤S203:通过汇集关注的事件类型构建知识库,通过对构建的知识库进行向量特征提取,构建向量知识库。
作为可选的示例,本发明实施例方法根据关注需求汇集关注的事件类型,采集各事件类型对应的详细描述信息、处置策略和上报建议;根据汇集的事件类型以及采集的各事件类型对应的详细描述详细、处置策略和上报建议,构建知识库;对构建的知识库进行语义向量特征提取,获得对应的语义向量特征;根据获得的语义向量特征以及对应的处置策略、上报建议,构建向量知识库。
举例来说,本实施例方法通过汇集所有关注的事件类型及其详细描述信息,在实际应用中,可以根据不同的国家标准或者关注点对事件类型即其详细描述详细进行采集汇总。事件类型及其详细的描述信息可以参见以下示例:
市容环境类,主要包括私搭乱建、违章接坡、建筑物外立面不洁、暴露垃圾、积存垃圾渣土、道路破损等;
宣传广告类,主要包括违规户外广告、违规牌匾标识、广告语言文字不规范等;
施工管理类,主要包括施工扰民、工地扬尘、施工废弃料、施工工地围档问题、施工占道等;
街面秩序类,主要包括无照经营游商、早(夜)市管理问题、流浪乞讨、占道废品收购、店外经营等;
突发事件类,主要包括供水管道破裂、燃气管道破裂、路面塌陷、排水管道堵塞、群发性事件等;
其他事件类,主要包括违规高空悬吊作业、临街屠宰等。
需要注意的是,本领域技术人员在实施本发明方法时,可以根据实际场景需要汇集其他事件类型和对应的详细描述信息,本实施例方法对此不作限制。
在汇集事件类型和对应的详细描述信息后,本实施例方法梳理相应事件类型的处置策略、上报建议的规章制度及指导方案作为知识库,此部分可以详细描述潜在各种分支可能性对应的处置策略,例如针对不同数值人数的范围可以有不同的策略。
步骤S204:根据目标事件构建查询向量,采用构建的查询向量对向量知识库进行检索,根据检索结果和图文信息提示词生成模型分析提示词。
作为可选的示例,本实施例方法采用实际值对目标事件的结构化字段信息、场景标签和图像目标描述中的参数进行替换,获得对应的文本描述;对获得的文本描述进行语义向量特征提取,获得查询向量,采用获得的查询向量对构建的向量知识库进行检索,将检索结果作为事件知识库规则;根据事件知识库规则和图文信息提示词生成模型分析提示词。
举例来说,本实施例方法采用现有bert语言模型对知识库中的条目待检索部分进行语义向量特征提取;将提取的对应向量特征存入向量数据库,同时存入的还有对应的处置策略、上报建议等附属信息,由此形成向量知识库;获取结构化字段信息中的“事件描述:{事件文本描述Edesc},场景:{场景类型dl},目标:{图像目标描述dl_desc}”,其中大括号的位置会用实际值进行替换,得到对应的文本描述reqdesc;对文本描述reqdesc利用对应的前述相同的bert语言模型进行语义特征提取得到查询向量,采用此查询向量检索向量知识库;由上查询得到语义层面的最佳处置策略及上报建议的解释,定义此查询结果为事件知识库规则event-kg-rule;由得到的事件知识库规则event-kg-rule,结合图文信息提示词LM-q内容,得到全面的事件描述及处置策略上报建议作为模型分析提示词,记此为大模型分析提示词LM-Q。
根据本实施例方法得到的大模型分析提示词LM-Q的一种完整示例如下:
“你是一名接收社会事件上报的处理人员,在2023-10-30 10:23:45发现如下事件描述:河边有钓鱼人。根据现场图像做目标检测分析得到,场景:河边;目标:10个人,3个钓鱼,3片水草,0只船只。相关参考依据为:钓鱼相关规定:禁止在高压线下附近钓鱼;禁止在长江及其支流钓鱼捕捞。处置策略:河边、水库钓鱼应遵守当地管理人员的制度规定,不得破坏周边生态环境。...
请综合分析此事件上报,简短描述发现的内容及处置策略。”
步骤S205:采用大语言模型根据模型分析提示词获得模型分析结果,根据模型分析结果进行事件融合分析处理。
作为可选的示例,本实施例方法根据目标事件的描述信息,通过向大语言模型中输入模型分析提示词,获得模型分析结果;将获得的模型分析结果输出为事件上报的请求体,通过事件上报的请求体进行事件分析并检索事件对应的处置策略和上报建议。
以下采用具体示例对本发明实施例方法的上述步骤进行详细说明:
针对钓鱼事件的一种示例结果为:
“事件名称:河边钓鱼活动
事件时间:2023-10-30 10:23:45
事件地点:河边
发现内容:
河边有10个人参与钓鱼活动,其中3人在实际钓鱼;
现场有3片水草,分布较为分散;
没有船只出现。
处置策略:
提醒钓鱼者遵守相关规定,注意环保,不要乱丢垃圾;
关注河边生态环境,对发现的破坏环境行为进行制止;
加强河边安全管理,设置安全提示牌,避免发生意外;
定期对河边进行检查,了解钓鱼活动的开展情况,确保合规合法。
综合分析:
此次事件涉及河边钓鱼活动,总体上规模较小,未发现违规行为。在处理过程中,应关注环保、安全和生态环境等方面,确保钓鱼活动的合法有序进行。同时,与钓鱼爱好者群体保持沟通,宣传环保理念,提高钓鱼活动的组织和管理水平。
上报处理建议:
对河边钓鱼活动进行合规监管;
关注生态环境和安全问题;
保障人民群众休闲娱乐活动的正常开展。
”
本实施例方法中,可以对模型分析结果指定为json形式输出,形成事件上报的请求体,实现事件分析及其自动处置策略和上报建议,用于后续的人工核查或分拨。
本发明实施例的事件融合分析处理方法和系统,通过识别目标事件的场景类型,基于事件历史数据出现频次的softmax值处理,取其合理数量的关键目标实现对相关目标内容的形象化描述,并根据场景类型提取其关注的特定目标,避免泛泛检测无关目标,实现结合图像及文本事件的融合处理;通过构建模型分析提示词,获得全方位描述事件信息及参考依据的能力;充分利用大模型对知识的综合加工能力,实现对事件根据其描述及内容的定制化处置策略及上报建议描述,并提供综合分析。通过基本的图像分类及目标检测、基础大语言模型,不需要用更大规模的多模态大模型的方式,实现了在低计算资源下的事件描述。
如图4所示,本发明还提供了一种设备,包括处理器310、通信接口320、用于存储处理器可执行计算机程序的存储器330及通信总线340。其中,处理器310、通信接口320及存储器330通过通信总线340完成相互间的通信。处理器310通过运行可执行计算机程序以实现上述的高速访问ORC外部表的方法。
其中,存储器330中的计算机程序可以通过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-OnlyMemory)、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。
以上所描述的系统实施例仅仅是示意性的,其中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。可以基于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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分的方法。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
- 节能保温型钢结构墙体
- 一种无负压的智能一体化二次供水设备