CN114267014A - 地铁施工行为识别方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种地铁施工行为识别方法、装置、计算机设备和存储介质。方法包括：获取对地铁保护区进行采集得到的目标图像集合，目标图像集合包括地铁保护区中各个区域对应的目标图像，目标图像集合包括多个目标图像；分别对目标图像进行施工辅助物体识别，识别得到目标图像中的目标辅助物体；确定各个目标辅助物体对应的施工辅助类型，基于施工辅助类型确定辅助特征提取模型；将目标图像输入到辅助特征提取模型中进行特征提取，得到目标辅助物体对应的物体提取特征；将目标图像集合中各个目标图像对应的物体提取特征进行组合，得到提取特征集合；基于提取特征集合识别得到地铁保护区对应的目标施工行为。采用本方法能够提高地铁保护区巡查的效率。

Description

地铁施工行为识别方法、装置、计算机设备和存储介质

技术领域

本申请涉及工业智能技术领域，特别是涉及一种地铁施工行为识别方法、装置、计算机设备和存储介质。

背景技术

随着社会经济和城市的发展，各大城市为了解决交通的拥堵，逐渐完善交通网络。地铁是一种不受天气影响且准点的公共交通工具，深受大城市的民众欢迎。然而地铁线路的不断建设，势必增加地铁隧道的里程。地铁结构建成运营以后，为避免在地铁结构控制保护区内进行地质勘探、基坑开挖等施工作业对隧道造成不良影响，需要在地铁线路上方地面进行地铁保护巡检工作。

目前，主要是采取人工巡查的方法进行施工巡视，需要配置大量的巡视人员，而背景环境复杂以及远距离难识别等是人工巡视所难以克服的问题，导致施工识别效率低。

发明内容

基于此，有必要针对上述技术问题，提供一种地铁施工行为识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种地铁施工行为识别方法。所述方法包括：获取对地铁保护区进行采集得到的目标图像集合，所述目标图像集合包括所述地铁保护区中各个区域对应的目标图像，所述目标图像集合包括多个目标图像；分别对所述目标图像进行施工辅助物体识别，识别得到所述目标图像中的目标辅助物体；确定各个所述目标辅助物体对应的施工辅助类型，基于所述施工辅助类型确定辅助特征提取模型；将所述目标图像输入到所述辅助特征提取模型中进行特征提取，得到所述目标辅助物体对应的物体提取特征；将所述目标图像集合中各个所述目标图像对应的所述物体提取特征进行组合，得到提取特征集合；基于所述提取特征集合识别得到所述地铁保护区对应的目标施工行为。

在其中一个实施例中，所述基于所述提取特征集合识别得到所述地铁保护区对应的目标施工行为包括：将所述提取特征集合中的物体提取特征同时输入施工行为识别模型，所述施工行为识别模型中的特征提取层对所述提取特征集合进行融合特征提取，得到融合提取特征；所述施工行为识别模型中的行为分类层基于所述融合提取特征进行行为分类，得到所述目标施工行为。

在其中一个实施例中，所述方法还包括：当确定所述目标施工行为危险施工行为时，将所述提取特征集合的提取特征对应的目标图像进行组合，得到范围图像集合；确定所述范围图像集合所对应的地理位置范围，将所述地理位置范围所对应的面积作为危险施工面积；基于所述危险施工面积确定所述危险施工行为的施工规模。

在其中一个实施例中，所述方法还包括：将各个时刻所得到的目标施工行为按照时间顺序进行排列，得到施工行为序列；获取危险施工对应的标准行为序列；将所述施工行为序列与所述标准行为序列进行对比，若对比一致，则输出危险施工行为提示信息。

在其中一个实施例中，所述方法还包括：将所述目标图像输入到施工设备识别模型中进行处理，以使得所述施工设备对所述图像进行特征提取，提取得到施工设备图像特征，根据所述施工设备图像特征识别得到目标施工设备；基于所述目标施工行为以及所述目标施工设备确定所述地铁保护区对应的危险施工识别结果。

在其中一个实施例中，所述基于所述目标施工行为以及所述目标施工设备确定所述地铁保护区对应的危险施工识别结果还包括：确定所述目标施工行为对应的行为程度识别模型；将目标图像输入所述行为程度识别模型中进行程度识别，识别出所述目标施工行为对应的施工行为程度；基于所述施工行为程度、所述目标施工行为以及所述目标施工设备确定施工破坏等级；当所述施工破坏等级超过破坏等级阈值，则所述危险施工识别结果为存在危险施工。

第二方面，本申请还提供了一种地铁施工行为识别装置。所述装置包括：图像获取模块，用于获取对地铁保护区进行采集得到的目标图像集合，所述目标图像集合包括所述地铁保护区中各个区域对应的目标图像，所述目标图像集合包括多个目标图像；辅助物体识别模块，用于分别对所述目标图像进行施工辅助物体识别，识别得到所述目标图像中的目标辅助物体；辅助特征提取模型确定模块，用于确定各个目标辅助物体对应的施工辅助类型，基于所述施工辅助类型确定辅助特征提取模型；特征提取模块，用于将所述目标图像输入到所述辅助特征提取模型中进行特征提取，得到所述目标辅助物体对应的物体提取特征；特征组合模块，用于将所述目标图像集合中各个目标图像对应的物体提取特征进行组合，得到提取特征集合；施工行为模块，用于基于所述提取特征集合识别得到所述地铁保护区对应的目标施工行为。

在一个实施例中，施工行为模块，用于：将所述提取特征集合中的物体提取特征同时输入施工行为识别模型，所述施工行为识别模型中的特征提取层对所述提取特征集合进行融合特征提取，得到融合提取特征；所述施工行为识别模型中的行为分类层基于所述融合提取特征进行行为分类，得到所述目标施工行为。

在其中一个实施例中，所述装置还包括施工规模确定模块，用于：当确定所述目标施工行为危险施工行为时，将所述提取特征集合的提取特征对应的目标图像进行组合，得到范围图像集合；确定所述范围图像集合所对应的地理位置范围，将所述地理位置范围所对应的面积作为危险施工面积；基于所述危险施工面积确定所述危险施工行为的施工规模。

在其中一个实施例中，所述装置还包括行为提示信息输出模块，用于：将各个时刻所得到的目标施工行为按照时间顺序进行排列，得到施工行为序列；获取危险施工对应的标准行为序列；将所述施工行为序列与所述标准行为序列进行对比，若对比一致，则输出危险施工行为提示信息。

在其中一个实施例中，所述装置还包括危险施工识别结果确定模块，用于：将所述目标图像输入到施工设备识别模型中进行处理，以使得所述施工设备对所述图像进行特征提取，提取得到施工设备图像特征，根据所述施工设备图像特征识别得到目标施工设备；基于所述目标施工行为以及所述目标施工设备确定所述地铁保护区对应的危险施工识别结果。

在其中一个实施例中，危险施工识别结果确定模块，用于：确定所述目标施工行为对应的行为程度识别模型；将目标图像输入所述行为程度识别模型中进行程度识别，识别出所述目标施工行为对应的施工行为程度；基于所述施工行为程度、所述目标施工行为以及所述目标施工设备确定施工破坏等级；当所述施工破坏等级超过破坏等级阈值，则所述危险施工识别结果为存在危险施工。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取对地铁保护区进行采集得到的目标图像集合，所述目标图像集合包括所述地铁保护区中各个区域对应的目标图像，所述目标图像集合包括多个目标图像；分别对所述目标图像进行施工辅助物体识别，识别得到所述目标图像中的目标辅助物体；确定各个所述目标辅助物体对应的施工辅助类型，基于所述施工辅助类型确定辅助特征提取模型；将所述目标图像输入到所述辅助特征提取模型中进行特征提取，得到所述目标辅助物体对应的物体提取特征；将所述目标图像集合中各个所述目标图像对应的所述物体提取特征进行组合，得到提取特征集合；基于所述提取特征集合识别得到所述地铁保护区对应的目标施工行为。

第四方面，本申请还提供了一种计算机可读存储介质。所述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以下步骤：获取对地铁保护区进行采集得到的目标图像集合，所述目标图像集合包括所述地铁保护区中各个区域对应的目标图像，所述目标图像集合包括多个目标图像；分别对所述目标图像进行施工辅助物体识别，识别得到所述目标图像中的目标辅助物体；确定各个所述目标辅助物体对应的施工辅助类型，基于所述施工辅助类型确定辅助特征提取模型；将所述目标图像输入到所述辅助特征提取模型中进行特征提取，得到所述目标辅助物体对应的物体提取特征；将所述目标图像集合中各个所述目标图像对应的所述物体提取特征进行组合，得到提取特征集合；基于所述提取特征集合识别得到所述地铁保护区对应的目标施工行为。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：获取对地铁保护区进行采集得到的目标图像集合，所述目标图像集合包括所述地铁保护区中各个区域对应的目标图像，所述目标图像集合包括多个目标图像；分别对所述目标图像进行施工辅助物体识别，识别得到所述目标图像中的目标辅助物体；确定各个所述目标辅助物体对应的施工辅助类型，基于所述施工辅助类型确定辅助特征提取模型；将所述目标图像输入到所述辅助特征提取模型中进行特征提取，得到所述目标辅助物体对应的物体提取特征；将所述目标图像集合中各个所述目标图像对应的所述物体提取特征进行组合，得到提取特征集合；基于所述提取特征集合识别得到所述地铁保护区对应的目标施工行为。

上述地铁施工行为识别方法、装置、计算机设备、存储介质和计算机程序产品，获取对地铁保护区进行采集得到的目标图像集合，目标图像集合包括地铁保护区中各个区域对应的目标图像，目标图像集合包括多个目标图像；分别对目标图像进行施工辅助物体识别，识别得到目标图像中的目标辅助物体；确定各个目标辅助物体对应的施工辅助类型，基于施工辅助类型确定辅助特征提取模型；将目标图像输入到辅助特征提取模型中进行特征提取，得到目标辅助物体对应的物体提取特征；将目标图像集合中各个目标图像对应的物体提取特征进行组合，得到提取特征集合；基于提取特征集合识别得到地铁保护区对应的目标施工行为。通过对地铁保护区的各个区域的图像进行采集，因此能够得到地铁保护区中不同区域的图像，形成目标图像集合，因此能够识别得到不同区域中用于辅助施工的的辅助物体，并根据辅助物体的类型选择对应模型进行特征的提取，并在提取之后，结合提取特征集合进行施工行为的识别，因此能够结合不同区域的图像对应的辅助物体共同识别得到施工行为，因此提高了识别的效率以及准确度。

附图说明

图1为一个实施例中地铁施工行为识别方法的应用环境图；

图2为一个实施例中地铁施工行为识别方法的流程示意图；

图3为一个实施例中基于提取特征集合得到目标施工行为步骤的流程示意图；

图4为一个实施例中基于提取特征集合得到目标施工行为步骤的流程示意图；

图5为一个实施例中地铁施工行为识别方法的流程示意图；

图6为一个实施例中地铁施工行为识别方法的流程示意图；

图7为一个实施例中地铁施工行为识别方法的流程示意图；

图8为一个实施例中地铁施工行为识别装置的结构框图；

图9为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的地铁施工行为识别方法，可以应用于如图1所示的应用环境中。其中，拍摄设备102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端设备106可以用来接收服务器104所发出的信息。服务器104通过通信网络从拍摄设备102中获取图像集合，服务器104获取图像后对图像进行施工辅助物体识别，识别得到目标图像中的目标辅助物体，识别后的结果用来确定各个目标辅助物体对应的施工辅助类型，基于施工辅助类型确定辅助特征提取模型。服务器104再次调用目标图像输入到辅助特征提取模型中进行特征提取，得到目标辅助物体对应的物体提取特征，并将目标图像集合中各个目标图像对应的物体提取特征进行组合，得到提取特征集合，提取特征组合将用来识别得到地铁保护区对应的目标施工行为。服务器104将会把有危险施工行为的识别结果发送到终端设备106上，以通知相关的工作人员。其中，拍摄设备102可以但不限于是无人机和摄像头，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端106可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。

在一个实施例中，如图2所示，提供了一种地铁施工行为识别方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤S202，获取对地铁保护区进行采集得到的目标图像集合，目标图像集合包括地铁保护区中各个区域对应的目标图像，目标图像集合包括多个目标图像。

其中，地铁保护区可以是与地铁安全运行相关的区域，在地铁保护区的施工可能会对地铁运行造成影响，例如地铁保护区可以是地铁保护区上方地表的区域，例如可以是地铁隧道上面；目标图像可以是对地铁保护区进行拍摄得到的图像。目标图像可以是利用安装在地铁保护区的摄像头拍摄得到的，还可以是利用无人机拍摄得到的，禁飞区则采用安装摄像头拍摄；目标图像集合包括多个目标图像，多个是指至少两个；把地铁需要保护的区域分成多个不同的子保护区，每个区域都会进行单独的拍摄，获取每个区域的目标图像。

具体的，可以利用拍摄设备对地铁保护区进行拍摄，地铁保护区中有多个区域，每个区域都会不间断的拍摄该区域的图像，而且是不同区域的图像是从时间上是同一时刻或者是同一时间段得到的目标图像，并且把多个区域目标图像汇聚成一个目标图像集合，拍摄设备可以实时将拍摄得到的目标图像集合发送至服务器中，服务器获取该目标图像集合，以通过目标图像集合分析地铁保护区是否存在危险施工行为。即目标图像集合中包括同一时刻或者同一时间段内，对地铁保护区中不同区域拍摄得到图像。

在一个实施例中，目标图像集合可以是视频中的多个区域中的目标图像的集合，例如可以是利用无人机拍摄多个视频，从中抽取部分图像例如包括警示牌或者反光衣等的多种的图像，作为目标图像集合。可以对目标图像集合进行特征提取，然后把提取得到的特征进行识别，得到对应的危险施工行为。

步骤S204，分别对目标图像进行施工辅助物体识别，识别得到目标图像中的目标辅助物体；

其中，施工辅助物体可以是对目标图像里面的对施工行为进行辅助的一些物体；例如可以是施工人员的施工人员反光衣、施工人员安全帽、施工安全警示牌、施工材料、运输设备、运输车辆等辅助物体。例如，施工行为是挖掘，则辅助物体包括施工人员反光衣、施工人员安全帽、施工安全警示牌、施工材料，但不包括挖掘机。目标辅助物体可以是已经被识别出来用来辅助施工行为的设备。

具体的，把目标图像集合中的目标图像输入到服务器中，服务器根据图像特征差异对图像中的施工辅助物体进行提取，该图像至少有一个为施工辅助物体，提取得到的属于辅助施工的物体的结果作为目标辅助物体。

在一个实施例中，将目标图像输入到图像内容识别软件，图像内容识别软件自动读取目标图像的所包含的像素点，从图片内容识别软件中读取到的像素点，然后根据施工识别的要求对图片进行边缘提取，边缘提取后能清楚地分辨出前景和背景，从这基础之上提取前景作为辅助物体，从而获得目标图像辅助物体。

步骤S206，确定各个目标辅助物体对应的施工辅助类型，基于施工辅助类型确定辅助特征提取模型；

其中，施工辅助类型可以是对目标辅助物体对施工进行辅助所归纳的辅助类型，这里分为四种主要类型，A类型为人员辅助类型，B类型为安全辅助类型，C类型为运输辅助类型，D类型为施工内容辅助类型，例如：反光衣可以为施工人员带来安全，属于A类型，人员辅助类型；安全警示牌可以为过往车辆提示该处有施工行为，属于B类型，安全辅助类型；运输施工设备的车辆，属于C类型，运输辅助类型；抑制尘土洒水系统可以降低施工区域的尘土飞扬，属于D类型，施工内容辅助类型。辅助特征提取模型可以是对目标图像中的目标辅助物体进行特征提取，该模型对应施工辅助分类也有四个模型，分别是A类型为人员辅助特征提取模型，B类型为安全辅助特征提取模型，C类型为运输辅助特征提取模型，D类型为施工内容辅助特征提取模型，同时辅助特征提取模型是一个通过大量该类型图片所训练的人工智能模型。

具体的，把提取出来的各种目标辅助物体进行按照施工辅助的类型进行分类，从图像提取出来的目标辅助物体可以是不同类型，然后选择相应的辅助特征提取模型，对不同类型的的辅助特征提取模型。

在一个实施例中，从目标图像中提取出来该施工区域内具有安全警示牌，根据施工辅助分类的方法，安全警示牌属于B类型，是安全辅助类型，因此将采用B类型，安全辅助特征提取模型对安全警示牌进行特征提取。

步骤S208，将目标图像输入到辅助特征提取模型中进行特征提取，得到目标辅助物体对应的物体提取特征；

其中，物体提取特征可以是通过辅助特征提取模型提取出来目标图像中的目标辅助物体所具有的特征。

具体的，把采集终端采集到的图像输入到已经通过分类而选择的辅助特征提取模型中，该模型通过特征提取，得到该目标辅助物体的物体提取特征。辅助特征提取模型具有特征提取层，服务器从终端处获得目标图像，服务器里面内置已经训练好的具有人工智能的辅助特征提取模型，通过特征提取层对输入的图片进行特征提取。辅助特征提取模型可以是卷积神经网络(Convolutional Neural Networks，简称CNN)模型，是专用于提取该类型的辅助物体的人工智能模型，即对于不同类型的辅助物体，采用不同的模型进行特征的提取，从而使得特征提取更加准确。

在一个实施例中，辅助特征提取模型采用B类型，安全辅助特征提取模型，可以用于提取安全警示牌、安全警示灯以及安全警示围栏等多种与安全警示有关的目标辅助物体，将目标图像输入安全辅助特征提取模型，安全辅助特征提取模型输出该图像的辅助设备的特征为安全警示灯的特征值，故提取得到的目标辅助物体的特征是安全警示灯的特征。

步骤S210，将目标图像集合中各个目标图像对应的物体提取特征进行组合，得到提取特征集合；

具体的，地铁保护区中有多个区域，每个区域都会不间断的拍摄该区域的图像，而且是不同区域的图像是从时间上是同一时刻或者是同一时间段得到目标图像，并且把多个区域目标图像汇聚成一个目标图像集合，将各个区域所拍摄到的目标图像集合中的每一个区域目标图像所提取的特征集合起来，形成一个包含所有区域的特征的提取特征集合，该提取特征集合具有多个提取所得到的特征。

在一个实施例中，同一时刻不同区域的拍摄终端拍摄到的目标图像具有不同的施工辅助物体，通过辅助特征提取模型提取得到了多个反光衣的特征，多个警示牌的特征以及3辆运输车辆的特征，把这些辅助特征汇聚到一起，形成提取特征集合。

步骤S212，基于提取特征集合识别得到地铁保护区对应的目标施工行为。

其中，目标施工行为可以是通过提取特征集合所识别出来具有危险性的施工行为。

具体的，将各个区域中的目标图像提取出来的特征形成的提取特征集合输入到施工行为识别模型中，通过该识别模型的分类层，识别出提取特征集合中的目标施工行为，并判定为危险施工行为，例如：打桩、钻探以及挖掘。

施工行为识别模型具有行为分类层，服务器里面内置已经训练好的具有人工智能的施工行为识别模型，通过输入提取特征集合，得到的图像特征将进一步给到上述行为分类层，行为分类层基于该提取特征得到该图像为各种施工行为对应的概率，从中选取概率最大且大于概率阈值的施工行为，作为目标施工行为。

在一个实施例中，施工行为识别模型可以用于识别钻探、挖掘以及打桩等多种行为，将提取特征集合输入到施工行为识别模型，施工行为识别模型输出该提取特征集合的行为分别为钻探、挖掘以及打桩的概率，假设钻探、挖掘以及打桩分别对应的概率为0.8、0.15以及0.05，假设预设阈值是0.6，则由于0.8大于0.6，故识别得到的目标施工行为是钻探。

上述地铁施工行为识别方法中，获取对地铁保护区进行采集得到的目标图像集合，目标图像集合包括地铁保护区中各个区域对应的目标图像，目标图像集合包括多个目标图像；分别对目标图像进行施工辅助物体识别，识别得到目标图像中的目标辅助物体；确定各个目标辅助物体对应的施工辅助类型，基于施工辅助类型确定辅助特征提取模型；将目标图像输入到辅助特征提取模型中进行特征提取，得到目标辅助物体对应的物体提取特征；将目标图像集合中各个目标图像对应的物体提取特征进行组合，得到提取特征集合；基于提取特征集合识别得到地铁保护区对应的目标施工行为。通过对地铁保护区的各个区域的图像进行采集，因此能够得到地铁保护区中不同区域的图像，形成目标图像集合，因此能够识别得到不同区域中用于辅助施工的的辅助物体，并根据辅助物体的类型选择对应模型进行特征的提取，并在提取之后，结合提取特征集合进行施工行为的识别，因此能够结合不同区域的图像对应的辅助物体共同识别得到施工行为，因此提高了识别的效率以及准确度。

在一个实施例中，如图3所示，基于提取特征集合识别得到地铁保护区对应的目标施工行为包括：

步骤S302，将提取特征集合中的物体提取特征同时输入施工行为识别模型，施工行为识别模型中的特征提取层对提取特征集合进行融合特征提取，得到融合提取特征。

其中，施工行为识别模型可以是对地铁保护区的不同区域中的提取特征集合进一步提取特征，并且具有分类功能的人工智能模型，是一个通过大量该类型图片训练出来得人工智能模型，例如：反光衣可以提取反光衣特征并识别为反光衣，运输车辆可以提取运输车辆特征并识别为运输车辆，安全警示牌可以提取安全警示牌特征并识别为安全警示牌；融合提取特征可以是通过施工行为识别模型的特征提取层进一步对提取特征集合的特征进行提取所得到的特征，即将包括多个提取特征的提取特征集合融合得到一个特征。

具体的，将地铁保护区中各个区域所得到的提取所得到的特征以集合的形式输入到施工行为识别模型，该模型具有特征提取层，是通过大量该类图片所训练出来的人工智能模型，基于这些特征使用特征提取层进一步进行特征提取，得到融合提取特征。例如：危险警示牌特征、危险围栏特征以及危险警示灯特征得到的融合提取特征为安全辅助设备特征。

在一个实施例中，提取特征集合里面具有安全帽的特征、反光衣的特征以及劳保鞋的特征，施工行为识别模型将对这些人员辅助物品的特征进一步进行提取，得到了人员辅助物品融合提取特征。

步骤S304，施工行为识别模型中的行为分类层基于融合提取特征进行行为分类，得到目标施工行为。

其中，分类层可以是基于该图像的提取特征得到该图像所包含的信息对应的概率，从中选取概率最大且大于概率阈值的信息作为结果进行输出。

具体的，施工行为识别模型中的得到融合提取特征，进一步给到行为分类层，行为分类层会根据接收到的融合提取特征进行分类，分类得到不同施工行为的概率，把概率最大值且大于最低概率设定值的结果输出，得到该目标施工行为。

在一个实施例中，施工行为识别模型可以用于识别钻探、挖掘以及打桩等多种施工行为，通过融合提取特征识别出钻探、挖掘以及打桩分别对应的概率为0.7、0.2以及0.1，假设预设阈值是0.6，则由于0.7大于0.6，故识别得到的目标施工行为是钻探。

本实施例中，通过采用人工智能模型进行特征提取和施工行为识别，能够避免使用人工导致错误和遗漏的识别，同时也能够对对大量的图片进行快速识别，使得工作效率高，是地铁保护区得到及时的保护。

在一个实施例中，如图4所示，方法还包括：

步骤S402，当确定目标施工行为危险施工行为时，将提取特征集合的提取特征对应的目标图像进行组合，得到范围图像集合。

其中，危险施工行为可以是钻探、挖掘以及打桩；范围图像集合是具有提取特征的目标图像的集合。

具体的，当施工行为识别模型确定并输出危险施工行为时，因为提取特征集合中的所得到的所有特征来自于同一时刻，这些图片能够反映当时整个地铁保护区的情况，因此把这些提取特征所对应的目标图像进行组合，形成范围图像集合。

在一个实施例中，当施工行为模型从提取特征集合中识别出来该危险施工行为是挖掘，立即把提取特征集合里面的所有提取特征所对应的目标图像收集起来，形成一个集合。

步骤S404，确定范围图像集合所对应的地理位置范围，将地理位置范围所对应的面积作为危险施工面积。

其中，地理位置范围可以是地铁保护区上方进行危险施工行为的边界所围成的区域；危险施工面积可以是从该地理位置范围中通过计算所得到地铁保护区上方的进行危险施工的面积。

具体的，把范围图像集合中同一时刻不同区域所拍摄下来的图像进行危险施工行为区域的提取，所有提取结果结合到一起形成了地理位置范围，根据图片所提供的地理位置范围，使用面积计算的方法，把地铁保护区中的危险施工行为的面积计算出来。

在一个实施例中，已经确定该地铁保护区上方正在进行打桩危险施工行为，所有同一时刻具有提取特征的区域目标图像通过图像提取把里面所拍摄到的危险施工范围提取出来，根据所有提取的危险施工范围所形成的地理位置范围来估算该打桩危险施工行为的面积。

步骤S406，基于危险施工面积确定危险施工行为的施工规模。

其中，施工规模可以是危险施工行为的规模的大小，根据不同的施工性质，有不同的量度，一般分大型、中型或者小型三种规模。不同的规模对应不同的施工面积范围。

具体的，通过估算得到的危险施工面积，去评估该危险施工行为属于大型、中型或者小型。

本实施例中，通过采集到的目标图像提取出地理位置范围，进一步估算危险施工面积而初步的到施工规模，能够有助于评估地铁保护区受到破坏的范围以及修复的所需要的人力、财力以及物力。

在一个实施例中，如图5所示，方法还包括：

步骤S502，将各个时刻施工行为识别模型识别得到的目标施工行为按照时间顺序进行排列，得到施工行为序列。

其中，施工行为按照时间顺序进行排列指的是把不同时刻所识别出来的施工行为按照时间由先到后的顺序进行排列，施工行为序列指的是通过时间由先到后进行排列的施工行为的一个序列。

具体的，从不同的时候拍摄到的图像输入施工行为识别模型得到的施工行为，根据时间的先后顺序对识别到的施工行为进行排列，排列得到的序列是每一个施工行为的集合，不是施工行为不参与排列。

在一个实施例中，挖掘机进行挖掘先需要打孔，然后进行挖掘，最后把挖掘到的土壤送到一定的位置进行堆放。这些步骤就根据时间的先后顺序进行排列，得到的顺序是打孔、挖掘和堆放。

步骤S504，获取危险施工对应的标准行为序列。

其中，标准行为序列指的是根据标准施工行为由时间从先到后而得到的一个序列。

具体的，按照时间从先到后的标准的施工顺序所得到的序列输入到服务器中，得到一个标准的行为序列。该标准行为序列是预先设置的标准的行为序列，代表的是危险的施工行为顺序。

在一个实施例中，挖掘机进行挖掘的标准顺序是打孔、挖掘和堆放，把该顺序输入到服务器中。

步骤S506，将施工行为序列与标准行为序列进行对比，若对比一致，则输出行为提示信息。

其中，施工行为序列指的是实际上施工的行为按照时间顺序由先到后的一个施工序列。

具体的，把施工行为识别模型所识别到的施工行为按照时间顺序由先到后进行排列，得到了该施工的施工行为序列。将该序列和标准的施工行为序列进行对比，如果对比一致，则表明该施工是存在危险的施工。

在一个实施例中，挖掘机进行挖掘，施工行为识别模型识别出了打孔，挖掘和堆放的行为，按照时间的顺序先后排列得到了打孔，挖掘和堆放，然后跟标准的施工行为序列进行对比，发现是一致的，输出行为提示信息。

本实施例中，通过施工行为序列和标准行为序列进行对比，能够从施工顺序中识别出不标准的施工，并可以向对应的终端输出提示信息，以提示该行为顺序进行存在危险。

在一个实施例中，如图6所示，方法还包括：

步骤S602，将目标图像输入到施工设备识别模型中进行处理，以使得施工设备对图像进行特征提取，提取得到施工设备图像特征，根据施工设备图像特征识别得到目标施工设备。

其中，施工设备识别模型是可以对施工设备对应的图像进行特征提取，同时也可以根据提取得到的施工设备特征而识别该施工设备。施工设备识别模型是通过大量的该类型的图片对其进行训练得到的一个人工智能模型。施工行为指的是对地铁保护区进行施工的行为，例如施工设备可以包括钻探机、挖掘机或者打桩机中的至少一种行为。特征提取是提取图像里面的施工设备的一些特有性质的表现，该模型是神经网络模型。

具体的，施工设备识别模型可以包括特征提取层以及设备分类层，服务器从终端处获得目标图像，服务器里面内置已经训练好的具有人工智能的施工设备识别模型，通过特征提取层对输入的图片进行特征提取，得到的图像特征将进一步给到上述设备分类层，设备分类层基于该提取特征得到该图像为各种施工设备对应的概率，从中选取概率最大且大于概率阈值的施工设备，作为目标施工设备。

例如，施工设备识别模型可以用于识别钻探机、挖掘机以及打桩机等多种设备，将目标图像输入到施工设备识别模型，施工设备识别模型输出该图像的行为分别为钻探机、挖掘机以及打桩机的概率，假设钻探机、挖掘机以及打桩机分别对应的概率为0.4、0.2以及0.4，假设预设阈值是0.6，则由于0.4小于0.6，故不能识别得到的目标施工设备。

在一个实施例中，可以预先获取施工设备图像，并利用人工对该图像对应的施工设备进行标注，将标注的施工设备作为施工设备图像的设备标签。可以将施工设备图像输入到待训练的施工设备识别模型中，待训练的施工设备识别模型对施工设备图像进行识别，得到设备标签对应的概率，基于设备标签对应的概率的大小确定模型损失值，其中概率越大，损失值越小，可以朝着损失值变小的方向调整模型的参数，得到已训练的施工设备识别模型。

步骤S604，基于目标施工行为以及目标施工设备确定地铁保护区对应的危险施工识别结果。

其中，危险施工识别结果是指目标施工行为以及目标施工设备是否对地铁保护区造成危险的识别结果，危险识别结果可以为存在危险或者不存在危险。例如：挖掘机在上方挖掘那就存在危险施工。

目标施工行为指的是地铁保护区上方的可以并不局限于钻探、挖掘、打桩的行为，该施工行为可根据保护需要有不同行为定义。目标施工设备指的是地铁保护区上方的可以并不局限于钻探机、挖掘机、打桩机的设备，该施工设备可根据保护需要有不同的设备定义。识别结果表示该施工行为或者该施工设备对地铁隧道的影响。

具体的，目标施工行为与危险施工行为进行对比，以及目标施工设备与危险施工设备进行对比，可以是单独施工行为或者单独的施工设备的对比，也可以同时对比两者，如果为一致，则为存在危险。如果不一致，则为不存在危险。如果存在危险，给出施工行为、施工设备、具体地点、破坏程度等信息，如果没有发现有危险源，则继续识别。

在一个实施例中，施工行为识别模型发现有钻探行为，并与预设危险施工行为进行对比，对比结果相同的情况下立即发送信号到报警中心，报警中心通过跟巡检人员手上的终端链接，并发送施工行为、施工设备、具体地点、破坏程度等信息，通知巡检人员及时处理。

本实施例中，通过图像以及对应的模型分别识别得到该图像所对应的施工行为以及施工设备，基于识别得到的施工行为以及施工设备进行危险源识别，因此能够快速以及准确的确定危险施工源，提高了识别效率。

在一个实施例中，如图7所示，基于目标施工行为以及目标施工设备确定地铁保护区对应的危险施工识别结果包括：

步骤S702，确定目标施工行为对应的行为程度识别模型。

其中，目标施工行为是由目标施工设备所做出来的施工行为，行为程度识别模型可以对图像进行特征提取，得到能够体现施工程度的施工行为特征，同时也可以根据提取得到的施工行为特征而识别该施工行为的程度，例如：挖掘机对应的挖掘程度有高、中以及低。行为程度识别模型是通过大量的该施工行为对应的图片以及对应的行为程度标签对其进行训练得到的一个人工智能模型。

具体的，行为程度识别模型具有行为程度分类层，服务器从获得目标图像，服务器里面内置已经训练好的具有人工智能的行为程度识别模型，得到的图像特征将进一步给到上述行为程度分类层，设备分类层基于该图像为各种行为程度得出对应的概率，从中选取概率最大且大于概率阈值的施工行为程度，作为目标行为程度。

例如，不同的施工行为对应不同的行为程度模型，例如行为程度识别模型可以包括用于识别钻探机钻探的程度的模型、挖掘机挖掘的的程度的模型以及打桩机打桩的的程度的模型等多种模型，将目标图像输入到目标施工行为对应的行为程度识别模型，行为程度识别模型输出该图像的行为对应的各种程度的概率，假设钻探机钻探的高、中、低程度的概率分别为0.9、0.05以及0.05，故识别得到的目标施工行为程度是高。

步骤S704，将目标图像输入行为程度识别模型中进行程度识别，识别出目标施工行为对应的施工行为程度。

其中，施工行为程度指的设备的行为所达到的一个程度，该程度可以分高、中、低三个等级，相应的破坏性也是从大到小。例如程度高的施工行为一般来说对应高的破坏性。

具体的，把目标图像输入到行为程度识别模型，行为程度识别模型将根据图像进行对施工行为的程度进行判别，得出高、中、低三种程度对应的概率，例如，行为程度模型识别出来挖掘机施工程度是高、中、低概率分别是0.1、0.1、0.8，则判别该施工程度为低。

在一个实施例中，地铁保护区上方具有复杂的施工，进场施工的机器包括了打桩机，该识别模型就对拍摄到的图像进行施工程度识别。如果该设备进行施工，则给出相应的施工程度，如果该设备没进行施工，则继续监测。

步骤S706，基于施工行为程度、目标施工行为以及目标施工设备确定施工破坏等级。

其中，破坏等级根据施工设备对地铁保护区的破坏性进行划分，该破坏性分三个等级，分别为高、中、低，体现施工设备对保护区的破坏程度以及对地铁运行的危害程度。

预先设置了每个施工破坏等级所分别对应的施工行为程度、施工行为以及施工设备，也即每个破坏等级是根据行为程度、施工行为以及施工设备联合确定的，例如设置了行为程度为低，施工行为为钻探以及施工设备为钻探设备时所对应的等级。

具体的，根据该施工区域中的施工行为程度、目标施工行为以及目标施工设备的三个识别的结果，对该施工区域的破坏性进行判断。

在一个实施例中，拍摄到的图像分别输入到不同的模型中，得到施工行为程度、目标施工行为以及目标施工设备，然后系统将进行分析，对破坏性进行判断，单一破坏性和联合破坏性都会被输出。单一破坏性是指仅根据施工行为以及施工设备的其中一个判断的。

在一个实施例中，可以联合多个目标图像分别对应的施工行为程度、目标施工行为以及目标施工设备确定施工破坏等级。例如，预先设置了每个破坏等级对应的行为序列，当目标图像识别得到的行为按照时间进行排序，与行为序列相同，则判断基于目标图像识别得到的行为对应的程度以及施工设备是否与行为序列对应的破坏等级的行为程度以及施工设备相同，如果相同，则确定为该破坏等级。

步骤S708，当施工破坏等级超过破坏等级阈值，则危险施工识别结果为存在危险施工。

其中，破坏等级阈值指的是施工破坏性的最低数值，高于该阈值的时候表示该施工存在破坏性，低于该阈值的时候表示该施工可能存在破坏，要加强监控。危险施工指的是对地铁保护区有破坏的施工，当高于破坏等级阈值，则属于危险施工。

具体的，当破坏等级超过了设定的阈值的时候，该施工就被认定为危险施工；当破坏等级没有超过阈值，但有施工行为，该施工就要被重点监测，一旦高于阈值，就被认定为危险施工。例如，可以将该施工行为所对应的区域作为重点检测区域，增加对重点检测区域的图像拍摄频率。或者是向无人机发送固定区域检测指令，指示无人机飞行到该重点检测区域进行拍摄，服务器基于拍摄得到的图像继续执行施工行为检测施工设备检测，从而能够提高检测的效率。

在一个实施例中，当地铁保护区上方具有道路平整施工，图像输入到模型中并没有识别出有目标施工设备，因此该施工不认为是危险施工。

本实施例中，通过采用施工程度识别模型来识别施工程度，能够快速判断该施工行为出于高、中或者低哪一种施工程度，为提供破坏程度以及修复提供重要的参考。

应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的地铁施工行为识别方法的地铁施工行为识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个地铁施工行为识别装置实施例中的具体限定可以参见上文中对于地铁施工行为识别方法的限定，在此不再赘述。

在一个实施例中，如图8所示，提供了一种地铁施工行为识别装置，包括：图像获取模块、辅助物体识别模块、辅助特征提取模型确定模块、特征提取模块、特征组合模块、和施工行为模块，其中：

图像获取模块802，用于获取对地铁保护区进行采集得到的目标图像集合，目标图像集合包括地铁保护区中各个区域对应的目标图像，目标图像集合包括多个目标图像；

辅助物体识别模块804，用于分别对目标图像进行施工辅助物体识别，识别得到目标图像中的目标辅助物体；

辅助特征提取模型确定模块806，用于确定各个目标辅助物体对应的施工辅助类型，基于施工辅助类型确定辅助特征提取模型；

特征提取模块808，用于将目标图像输入到辅助特征提取模型中进行特征提取，得到目标辅助物体对应的物体提取特征；

特征组合模块810，用于将目标图像集合中各个目标图像对应的物体提取特征进行组合，得到提取特征集合；

施工行为模块812，用于基于提取特征集合识别得到地铁保护区对应的目标施工行为。

在一个实施例中，施工行为模块，用于：将提取特征集合中的物体提取特征同时输入施工行为识别模型，施工行为识别模型中的特征提取层对提取特征集合进行融合特征提取，得到融合提取特征；施工行为识别模型中的行为分类层基于融合提取特征进行行为分类，得到目标施工行为。

在其中一个实施例中，装置还包括面积得到模块，用于：当确定目标施工行为危险施工行为时，将提取特征集合的提取特征对应的目标图像进行组合，得到范围图像集合；确定范围图像集合所对应的地理位置范围，将地理位置范围所对应的面积作为危险施工面积；基于危险施工面积确定危险施工行为的施工规模。

在其中一个实施例中，装置还包括施工序列排列模块，用于：将各个时刻所得到的目标施工行为按照时间顺序进行排列，得到施工行为序列；获取危险施工对应的标准行为序列；将施工行为序列与标准行为序列进行对比，若对比一致，则输出危险施工行为提示信息。

在其中一个实施例中，装置还包括危险施工识别结果确定模块，用于：将目标图像输入到施工设备识别模型中进行处理，以使得施工设备对图像进行特征提取，提取得到施工设备图像特征，根据施工设备图像特征识别得到目标施工设备；基于目标施工行为以及目标施工设备确定地铁保护区对应的危险施工识别结果。

在其中一个实施例中，危险施工识别结果确定模块，用于：确定目标施工行为对应的行为程度识别模型；将目标图像输入行为程度识别模型中进行程度识别，识别出目标施工行为对应的施工行为程度；基于施工行为程度、目标施工行为以及目标施工设备确定施工破坏等级；当施工破坏等级超过破坏等级阈值，则危险施工识别结果为存在危险施工。

上述地铁施工行为识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储服务器数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种地铁施工行为识别方法。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种地铁施工行为识别方法，其特征在于，所述方法包括：

获取对地铁保护区进行采集得到的目标图像集合，所述目标图像集合包括所述地铁保护区中各个区域对应的目标图像，所述目标图像集合包括多个目标图像；

分别对所述目标图像进行施工辅助物体识别，识别得到所述目标图像中的目标辅助物体；

确定各个所述目标辅助物体对应的施工辅助类型，基于所述施工辅助类型确定辅助特征提取模型；

将所述目标图像输入到所述辅助特征提取模型中进行特征提取，得到所述目标辅助物体对应的物体提取特征；

将所述目标图像集合中各个所述目标图像对应的所述物体提取特征进行组合，得到提取特征集合；

基于所述提取特征集合识别得到所述地铁保护区对应的目标施工行为。

2.根据权利要求1所述的方法，其特征在于，所述基于所述提取特征集合识别得到所述地铁保护区对应的目标施工行为包括：

将所述提取特征集合中的物体提取特征同时输入施工行为识别模型，所述施工行为识别模型中的特征提取层对所述提取特征集合进行融合特征提取，得到融合提取特征；

所述施工行为识别模型中的行为分类层基于所述融合提取特征进行行为分类，得到所述目标施工行为。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

当确定所述目标施工行为危险施工行为时，将所述提取特征集合的提取特征对应的目标图像进行组合，得到范围图像集合；

确定所述范围图像集合所对应的地理位置范围，将所述地理位置范围所对应的面积作为危险施工面积；

基于所述危险施工面积确定所述危险施工行为的施工规模。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将各个时刻所得到的目标施工行为按照时间顺序进行排列，得到施工行为序列；

获取危险施工对应的标准行为序列；

将所述施工行为序列与所述标准行为序列进行对比，若对比一致，则输出危险施工行为提示信息。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述目标图像输入到施工设备识别模型中进行处理，以使得所述施工设备对所述图像进行特征提取，提取得到施工设备图像特征，根据所述施工设备图像特征识别得到目标施工设备；

基于所述目标施工行为以及所述目标施工设备确定所述地铁保护区对应的危险施工识别结果。

6.根据权利要求5所述的方法，其特征在于，所述基于所述目标施工行为以及所述目标施工设备确定所述地铁保护区对应的危险施工识别结果包括：

确定所述目标施工行为对应的行为程度识别模型；

将目标图像输入所述行为程度识别模型中进行程度识别，识别出所述目标施工行为对应的施工行为程度；

基于所述施工行为程度、所述目标施工行为以及所述目标施工设备确定施工破坏等级；

当所述施工破坏等级超过破坏等级阈值，则所述危险施工识别结果为存在危险施工。

7.一种地铁施工行为识别装置，其特征在于，所述装置包括：

图像获取模块，用于获取对地铁保护区进行采集得到的目标图像集合，所述目标图像集合包括所述地铁保护区中各个区域对应的目标图像，所述目标图像集合包括多个目标图像；

辅助物体识别模块，用于分别对所述目标图像进行施工辅助物体识别，识别得到所述目标图像中的目标辅助物体；

辅助特征提取模型确定模块，用于确定各个目标辅助物体对应的施工辅助类型，基于所述施工辅助类型确定辅助特征提取模型；

特征提取模块，用于将所述目标图像输入到所述辅助特征提取模型中进行特征提取，得到所述目标辅助物体对应的物体提取特征；

特征组合模块，用于将所述目标图像集合中各个目标图像对应的物体提取特征进行组合，得到提取特征集合；

施工行为模块，用于基于所述提取特征集合识别得到所述地铁保护区对应的目标施工行为。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

Images