基于人工智能的农业保险查勘方法及相关设备与流程

本发明涉及分类模型技术领域，尤其涉及一种基于人工智能的农业保险查勘方法及相关设备。

背景技术：

农业保险，是指保险机构根据农业保险合同，对参保人在农业生产过程中的因保险标的遭受约定的自然灾害等事故所造成的财产损失承担赔偿保险金责任的保险活动。目前，在农业保险的承保阶段，为避免虚假承保，保险机构需要派遣查勘人员进行查勘,以核实参保人提供的承保标的的真实性，然而，派遣查勘人员进行查勘的方式，耗时耗力，还需要农户的配合，难度较大。

技术实现要素：

本发明的主要目的在于提供一种基于人工智能的农业保险查勘方法及相关设备，旨在解决派遣查勘人员进行查勘的方式，耗时耗力，还需要农户的配合，难度较大的技术问题。

为实现上述目的，本发明提供一种基于人工智能的农业保险查勘方法，所述基于人工智能的农业保险查勘方法包括以下步骤：

当接收到农业保险查勘任务时，从所述农业保险查勘任务中提取待查勘承保标的的地理位置信息；

根据所述地理位置信息，控制机载高光谱成像光谱系统采集所述待查勘承保标的的光谱数据；

对所述待查勘承保标的的光谱数据进行预处理；

从预处理后的所述待查勘承保标的的光谱数据中，提取所述待查勘承保标的的光谱特征；

将所述待查勘承保标的的光谱特征输入至训练好的农作物类型识别模型中进行分析，以得出所述待查勘承保标的属于何种农作物，作为查勘结果。

可选地，所述地理位置信息为地理坐标，

所述根据所述地理位置信息，控制机载高光谱成像光谱系统采集所述待查勘承保标的的光谱数据的步骤包括:

分别在所述地理坐标的四个方向上，控制机载高光谱成像光谱系统的探头垂直向下，在待查勘承保标的冠层的预设高度处进行测量，在每个方向上记录若干条光谱，构成所述待查勘承保标的的光谱数据。

可选地，所述对所述待查勘承保标的的光谱数据进行预处理的步骤包括：

采用滤波拟合法对所述待查勘承保标的的光谱数据进行平滑去噪处理；

从平滑去噪处理后的所述待查勘承保标的的光谱数据中，剔除水强吸收波段；

对剔除了水强吸收波段的所述待查勘承保标的的光谱数据做平均处理。

可选地，所述从预处理后的所述待查勘承保标的的光谱数据中，提取所述待查勘承保标的的光谱特征的步骤包括：

利用光谱微分法和连续统去除法分析预处理后的所述待查勘承保标的的光谱数据，以从预处理后的所述待查勘承保标的的光谱数据中确定光谱特征区域；

从所述光谱特征区域中提取微分特征和吸收特征，得到待查勘承保标的的光谱特征。

可选地，所述光谱特征区域包括绿峰区域、红谷区域、红边区域、蓝光区叶绿素吸收带、红光区叶绿素吸收带、水弱吸收带、水和氧窄吸收带以及水和二氧化碳强吸收带，

所述从所述光谱特征区域中提取微分特征和吸收特征的步骤包括：

从所述绿峰区域、所述红谷区域和所述红边区域提取微分特征；

从所述蓝光区叶绿素吸收带、所述红光区叶绿素吸收带、所述水弱吸收带、所述水和氧窄吸收带以及所述水和二氧化碳强吸收带提取吸收特征。

可选地，所述当接收到农业保险查勘任务时，从所述农业保险查勘任务中提取待查勘承保标的的地理位置信息的步骤之前，包括：

获取若干种农作物的光谱数据，并分别对每种农作物的光谱数据进行预处理；

分别从预处理后的每种农作物的光谱数据中，提取光谱特征作为训练样本，并根据所述训练样本构建训练样本集；

根据所述训练样本集训练农作物类型识别模型，得到训练好的农作物类型识别模型。

可选地，所述根据所述训练样本集训练农作物类型识别模型，得到训练好的农作物类型识别模型的步骤包括：

对所述训练样本集进行归一化处理；

创建基于反向传播神经网络bpnn的农作物类型识别模型，并初始化所述农作物类型识别模型的参数；

将归一化处理后的训练样本集输入至所述农作物类型识别模型中，获取前向输出和反向输出；

采用梯度下降法，根据所述前向输出和反向输出更新所述农作物类型识别模型的参数，得到训练好的农作物类型识别模型。

此外，为实现上述目的，本发明还提供基于人工智能的农业保险查勘装置，所述基于人工智能的农业保险查勘装置包括：

采集模块，用于根据所述地理位置信息，控制机载高光谱成像光谱系统采集所述待查勘承保标的的光谱数据；

预处理模块，用于对所述待查勘承保标的的光谱数据进行预处理；

光谱特征提取模块，用于从预处理后的所述待查勘承保标的的光谱数据中，提取所述待查勘承保标的的光谱特征；

分析模块，用于将所述待查勘承保标的的光谱特征输入至训练好的农作物类型识别模型中进行分析，以得出所述待查勘承保标的属于何种农作物，作为查勘结果。

此外，为实现上述目的，本发明还提供一种基于人工智能的农业保险查勘设备，所述基于人工智能的农业保险查勘设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的基于人工智能的农业保险查勘程序，其中所述基于人工智能的农业保险查勘程序被所述处理器执行时，实现如上述的基于人工智能的农业保险查勘方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于人工智能的农业保险查勘程序，其中所述基于人工智能的农业保险查勘程序被处理器执行时，实现如上述的基于人工智能的农业保险查勘方法的步骤。

本发明提供一种基于人工智能的农业保险查勘方法及相关设备，当接收到农业保险查勘任务时，首先从该农业保险查勘任务中提取待查勘承保标的的地理位置信息，然后根据提取的地理位置信息，控制机载高光谱成像光谱系统采集待查勘承保标的光谱数据，再对采集的待查勘承保标的光谱数据进行预处理，并从预处理后的光谱数据中提取待查勘承保标的的光谱特征，将提取的待查勘承保标的的光谱特征输入至训练好的农作物类型识别模型中进行分析，以得出待查勘承保标的属于何种农作物，作为查勘结果，实现了基于训练好的农作物类型识别模型对待查勘承保标的进行分析，能显著提高农作物类型的识别精度，实现了便捷、高效、快速、准确地农业保险查勘。

附图说明

图1为本发明实施例方案中涉及的基于人工智能的农业保险查勘设备的硬件结构示意图；

图2为本发明基于人工智能的农业保险查勘方法第一实施例的流程示意图；

图3为本发明基于人工智能的农业保险查勘方法第二实施例的流程示意图；

图4为本发明基于人工智能的农业保险查勘装置第一实施例的功能模块示意图。

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。

本发明实施例涉及的基于人工智能的农业保险查勘方法主要应用于基于人工智能的农业保险查勘设备，该基于人工智能的农业保险查勘设备可以是个人计算机(personalcomputer，pc)、服务器等具有数据处理功能的设备。

参照图1，图1为本发明实施例方案中涉及的基于人工智能的农业保险查勘设备的硬件结构示意图。本发明实施例中，基于人工智能的农业保险查勘设备可以包括处理器1001(例如中央处理器centralprocessingunit，cpu)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真wireless-fidelity，wi-fi接口)；存储器1005可以是高速随机存取存储器(randomaccessmemory，ram)，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

继续参照图1，图1中作为一种计算机存储介质的存储器1005可以包括操作系统、网络通信模块以及基于人工智能的农业保险查勘程序。在图1中，处理器1001可以调用存储器1005中存储的基于人工智能的农业保险查勘程序，并执行本发明各实施例提供的基于人工智能的农业保险查勘方法。

本发明实施例提供了一种基于人工智能的农业保险查勘方法。

参照图2，图2为本发明基于人工智能的农业保险查勘方法第一实施例的流程示意图。

本实施例中，该基于人工智能的农业保险查勘方法由基于人工智能的农业保险查勘设备实现，该基于人工智能的农业保险查勘设备可以是个人计算机、服务器等具有数据处理功能的设备，所述基于人工智能的农业保险查勘方法包括以下步骤：

步骤s10，当接收到农业保险查勘任务时，从所述农业保险查勘任务中提取待查勘承保标的的地理位置信息；

本实施例利用遥感技术对参保人提供的承保标的进行农作物类型识别，实现对待查勘承保标的的查勘。由于传统的多光谱遥感受遥感传感器波段少、光谱分辨率低、植被光谱相似性的影响，无法获得较高的农作物类型识别精度，而高光谱技术则能在众多窄波段范围探测农作物间细微的光谱差异，准确区分农作物类型，由此，本实施例利用无人机搭载高光谱成像光谱仪(将无人机及其搭载的高光谱成像光谱仪定义为机载高光谱成像光谱系统)采集待查勘承保标的的光谱数据。具体地，需预先建立基于人工智能的农业保险查勘设备与机载高光谱成像光谱系统之间的通信连接，以使基于人工智能的农业保险查勘设备对机载高光谱成像光谱系统进行管理。

本实施例中，在农业保险的承保阶段，保险机构的相关工作人员可以在基于人工智能的农业保险查勘设备上触发相应的农业保险查勘任务，该农业保险查勘任务中携带待查勘承保标的的地理位置信息，该地理位置信息具体可以是地理坐标。当基于人工智能的农业保险查勘设备在接收到农业保险查勘任务时，首先从农业保险查勘任务中提取待查勘承保标的的地理坐标。

步骤s20,根据所述地理位置信息，控制机载高光谱成像光谱系统采集所述待查勘承保标的的光谱数据；

之后，基于待查勘承保标的的地理坐标，分别在所述地理坐标的四个方向上，控制机载高光谱成像光谱系统的探头垂直向下，在待查勘承保标的冠层的预设高度处进行测量，并在每个方向上记录若干条光谱，构成待查勘承保标的的光谱数据，其中，预设高度可以根据实际灵活设置，在每个方向上记录的光谱数量也不作限定。例如，可以分别在该地理坐标的四个方向，控制机载高光谱成像光谱系统的探头垂直向下，在距离待查勘承保标的冠层1-2米处进行测量，在每个方向上记录5条光谱，得到20条光谱，作为待查勘承保标的的光谱数据。

步骤s30，对所述待查勘承保标的的光谱数据进行预处理；

由于采集的待查勘承保标的的光谱数据波段多、数据量大、信息冗余严重，服务器需要对待查勘承保标的的光谱数据进行预处理，即，利用savitzky-golay滤波拟合法先对待查勘承保标的的光谱数据进行平滑去噪处理，接着剔除待查勘承保标的的光谱数据中受水汽吸收影响强烈的波段(1350～1400nm、1800～1950nm、2400～2500nm),最后对待查勘承保标的的光谱数据做平均处理，即将采集的20条光谱求取平均值。

步骤s40，从预处理后的所述待查勘承保标的的光谱数据中，提取所述待查勘承保标的的光谱特征；

对采集的光谱数据进行预处理之后，从预处理后的待查勘承保标的的光谱数据中提取光谱特征(包括微分特征和吸收特征)。即，首先利用光谱微分法和连续统去除法，对预处理后的待查勘承保标的的光谱数据中的一些显著的反射和吸收特征进行分析，以从预处理后的光谱数据中确定光谱特征区域。其中，光谱微分法通过数学模拟反射光谱和求取不同阶数微分值，以迅速确定光谱弯曲点，提取反射和吸收峰参数。考虑到实际应用中，一阶微分对噪声敏感值较低，本实施例采用一阶光谱微分，其计算式如下：

其中，λi为波段波长，ρ’(λi)为波长λi的一阶导数。

连续统去除法是将反射光谱吸收强烈的部分波段进行转换，放大其吸收特征，并在共同基线进行比较，便于分析和提取光谱吸收特征，通过连续统去除后的光谱可求取吸收深度(dep)、吸收宽度(wid)和吸收面积(area)等特征参数,其公式如下：

dep＝1-crmin

wid＝λb-λa

arer＝dep·wid

其中，crmin为一个吸收谷内连续统去除后最小光谱反射率，λa、λb分别为吸收起点、终点的波长值。

利用光谱微分法和连续统去除法，分析预处理后的待查勘承保标的的光谱数据的反射和吸收特征，发现在可见光至近红外波段的绿峰、红谷、红边、蓝光区叶绿素吸收带、红光区叶绿素吸收带、水弱吸收带、水和氧窄吸收带以及水和二氧化碳强吸收带为识别农作物类型的主要光谱特征区域。从绿峰区域提取绿峰幅值和绿峰位置，从红谷区域提取红谷幅值和红谷位置、从红边区域提取红边幅值和红边位置，得到六种微分特征。从蓝光区叶绿素吸收带、红光区叶绿素吸收带、水弱吸收带、水和氧窄吸收带以及水和二氧化碳强吸收带(五处吸收带)中分别提取吸收深度(dep)和吸收面积(area)，得到十种吸收特征。

步骤s50，将所述待查勘承保标的的光谱特征输入至训练好的农作物类型识别模型中进行分析，以得出所述待查勘承保标的属于何种农作物，作为查勘结果。

在从预处理后的查勘承保标的的光谱数据中提取光谱特征之后，将提取的十六种光谱特征输入至训练好的农作物类型识别模型中进行分析。其中，农作物类型识别模型具体为反向传播神经网络模型(backpropagationneuralnetwork)模型，训练好的农作物类型识别模型具有较好的稳定性和预测能力，预测结果只有一个。将提取的十六种光谱特征输入至训练好的农作物类型识别模型中，可得到农作物类型识别模型输出的农作物类型编码，也就是确定了待查勘承保标的属于何种农作物，作为查勘结果。

之后，将查勘结果与参保人提供的承保标的进行比对，判断二者是否一致，若一致，确认参保人提供的承保标的真实。

本案提供一种基于人工智能的农业保险查勘方法，当接收到农业保险查勘任务时，首先从该农业保险查勘任务中提取待查勘承保标的的地理位置信息，然后根据提取的地理位置信息，控制机载高光谱成像光谱系统采集待查勘承保标的光谱数据，再对采集的待查勘承保标的光谱数据进行预处理，并从预处理后的光谱数据中提取待查勘承保标的的光谱特征，将提取的待查勘承保标的的光谱特征输入至训练好的农作物类型识别模型中进行分析，以得出待查勘承保标的属于何种农作物，作为查勘结果，实现了基于训练好的农作物类型识别模型对待查勘承保标的进行分析，能显著提高农作物类型的识别精度，实现了便捷、高效、快速、准确地农业保险查勘。

进一步地，基于第一实施例提出本发明基于人工智能的农业保险查勘方法的第二实施例。基于人工智能的农业保险查勘方法的第二实施例与基于人工智能的农业保险查勘方法的第一实施例的区别在于，参照图3，所述步骤s10之前，可以包括：

步骤s60，获取若干种农作物的光谱数据，并分别对每种农作物的光谱数据进行预处理；

应当理解，在本实施例中，在步骤s10之前，需预先训练农作物类型识别模型。具体地，首先采集若干种常见农作物的大量光谱数据，在本实施例中，利用机载高光谱成像光谱系统实测小麦、水稻、玉米、土豆、大豆、油菜六种常见农作物冠层光谱，再分别对每种农作物的光谱进行预处理，即，利用savitzky-golay滤波拟合法先对分别对每种农作物的光谱进行平滑去噪处理，接着分别剔除每种农作物的光谱中受水汽吸收影响强烈的波段，最后分别对每种农作物的光谱做平均处理，即分别对每种农作物的光谱求取平均值。

步骤s70，分别从预处理后的每种农作物的光谱数据中，提取光谱特征作为训练样本，并根据所述训练样本构建训练样本集；

进一步地，按照第一实施例中提取光谱特征的方式，分别从预处理后的每种农作物的光谱数据的光谱特征区域提取训练数据的光谱特征构建训练样本集，例如：

训练样本集＝{训练样本1，训练样本2，训练样本3，训练样本4，训练样本5，训练样本6}

＝{小麦的光谱特征，玉米的光谱特征，水稻的光谱特征，玉米的光谱特征，土豆的光谱特征，大豆的光谱特征，油菜的光谱特征}

步骤s80，根据所述训练样本集训练农作物类型识别模型，得到训练好的农作物类型识别模型。

训练bpnn模型的过程如下：

a、采用归一化函数premnmx对训练样本集中的每一训练样本进行归一化处理，将归一化后的每一训练样本作为bpnn模型的输入，其对应的农作物类型编码作为正确输出；

b、创建bpnn模型，将bpnn模型设置为三层(输入层+隐含层+输出层)，设置输入层节点数(5层)、隐含层节点数(可选为17-25层)、输出层节点数(1层)、隐含层传递函数(tansig函数)、输出层传递函数(purelin函数)、训练迭代次数(可选为20000次)、bpnn网络中学习效率(可选为0.05)、训练目标最小误差(0.0001)；

c、初始化bpnn模型的参数，该参数包括权重和偏置(偏置可看作是每个神经元的自身权重)，即，将bpnn模型的权重和偏置初始化为来自于正态分布(0，1)的随机数；

d、采用traincgf方法对构建的bpnn模型进行迭代训练，即，输入一个训练样本，向前求出各个隐含层以及输出层的输出，再计算输出层的输出与正确输出的偏差，也就是输出层的误差(用最小方根差来衡量误差大小)，由于误差越小表示模型的精度越高，因此利用梯度下降法对权重和偏置进行优化使得误差变小，也就是反向传播误差，具体地，将输出层作为输入，得到输出层的反向输出，然后将反向输出与连接权重结合，作为隐含层的反向输入，得到隐含层的反向输出，然后基于隐含层的反向输出计算输入层与隐含层之间所连的权重梯度(输出层的输入乘以隐含层的反向输出)，有了权重梯度梯度之后，就可以更新bpnn模型的权重和偏置；

e、对于每个训练样本，循环d过程，直至其误差小于等于先前设置的训练目标最小误差或者已经达到迭代次数，即可获得训练好的bpnn模型。

在更多的实施中，bpnn模型训练好后，并不立即投入使用，而是先检测训练好的bpnn模型的精度。具体地，可以获取预设的验证数据，从验证数据的光谱特征区域提取验证数据的光谱特征构建验证样本集，采用归一化函数premnmx对测试样本集中的每一测试样本进行归一化处理，然后将归一化后的测试样本集中的每个样本，依次输入至训练好的bpnn模型中，得到训练好的bpnn模型输出的农作物类型(也就是预测结果)。之后，根据实际农作物类型和预测结果判断训练好的bpnn模型对每种农作物的识别是否准确，若准确，则将识别准确数量加1，然后根据公式：识别精度＝识别准确数量/测试样本集对应的农作物类型总数，计算训练好的bpnn模型的识别精度，然后将计算的识别精度与预设阈值(比如80％)进行比对，如果训练好的bpnn模型的识别精度大于预设阈值，则判定训练好的bpnn模型的识别精度满足条件，可以投入使用。

此外，本发明实施例还提供一种基于人工智能的农业保险查勘装置。

参照图4，图4为本发明基于人工智能的农业保险查勘装置第一实施例的功能模块示意图。

本实施例中，所述基于人工智能的农业保险查勘装置包括：

地理位置信息提取模块10，用于当接收到农业保险查勘任务时，从所述农业保险查勘任务中提取待查勘承保标的的地理位置信息；

采集模块20，用于根据所述地理位置信息，控制机载高光谱成像光谱系统采集所述待查勘承保标的的光谱数据；

预处理模块30，用于对所述待查勘承保标的的光谱数据进行预处理；

光谱特征提取模块40，用于从预处理后的所述待查勘承保标的的光谱数据中，提取所述待查勘承保标的的光谱特征；

分析模块50，用于将所述待查勘承保标的的光谱特征输入至训练好的农作物类型识别模型中进行分析，以得出所述待查勘承保标的属于何种农作物，作为查勘结果。

其中，上述基于人工智能的农业保险查勘装置的各虚拟功能模块存储于图1所示基于人工智能的农业保险查勘设备的存储器1005中，用于实现基于人工智能的农业保险查勘程序的所有功能；各模块被处理器1001执行时，实现了基于训练好的农作物类型识别模型对待查勘承保标的进行分析，能显著提高农作物类型的识别精度，实现了便捷、高效、快速、准确地农业保险查勘。

进一步的，所述采集模块20包括：

记录单元，用于分别在所述地理坐标的四个方向上，控制机载高光谱成像光谱系统的探头垂直向下，在待查勘承保标的冠层的预设高度处进行测量，在每个方向上记录若干条光谱，构成所述待查勘承保标的的光谱数据。

进一步的，所述预处理模块30包括：

平滑去噪处理单元，用于采用滤波拟合法对所述待查勘承保标的的光谱数据进行平滑去噪处理；

剔除单元，用于从平滑去噪处理后的所述待查勘承保标的的光谱数据中，剔除水强吸收波段；

平均处理单元，用于对剔除了水强吸收波段的所述待查勘承保标的的光谱数据做平均处理。

进一步的，所述光谱特征提取模块40包括：

确定单元，用于利用光谱微分法和连续统去除法分析预处理后的所述待查勘承保标的的光谱数据，以从预处理后的所述待查勘承保标的的光谱数据中确定光谱特征区域；

提取单元，用于从所述光谱特征区域中提取微分特征和吸收特征，得到待查勘承保标的的光谱特征。

进一步的，所述提取单元包括：

第一提取子单元，用于从所述绿峰区域、所述红谷区域和所述红边区域提取微分特征；

第二提取子单元，用于从所述蓝光区叶绿素吸收带、所述红光区叶绿素吸收带、所述水弱吸收带、所述水和氧窄吸收带以及所述水和二氧化碳强吸收带提取吸收特征。

进一步的，所述基于人工智能的农业保险查勘装置还包括：

获取模块，用于获取若干种农作物的光谱数据，并分别对每种农作物的光谱数据进行预处理；

构建模块，用于分别从预处理后的每种农作物的光谱数据中，提取光谱特征作为训练样本，并根据所述训练样本构建训练样本集；

训练模块，用于根据所述训练样本集训练农作物类型识别模型，得到训练好的农作物类型识别模型。

进一步的，所述训练模块包括：

归一化处理单元，用于对所述训练样本集中的每一训练样本进行归一化处理；

初始化单元，用于创建基于反向传播神经网络bpnn的农作物类型识别模型，并初始化所述农作物类型识别模型的参数；

获取单元，用于将归一化处理后的训练样本输入至所述农作物类型识别模型中，获取前向输出和反向输出；

更新单元，用于采用梯度下降法，根据所述前向输出和反向输出更新所述农作物类型识别模型的参数，得到训练好的农作物类型识别模型。

其中，上述基于人工智能的农业保险查勘装置中各个模块的功能实现与上述基于人工智能的农业保险查勘方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。

此外，本发明实施例还提供一种计算机可读存储介质。

本发明计算机可读存储介质上存储有基于人工智能的农业保险查勘程序，其中所述基于人工智能的农业保险查勘程序被处理器执行时，实现如上述的基于人工智能的农业保险查勘方法的步骤。

其中，基于人工智能的农业保险查勘程序被执行时所实现的方法可参照本发明基于人工智能的农业保险查勘方法的各个实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

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上述实施例方法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，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。