空调器内部空气质量检测方法、装置、存储介质及空调器与流程

测量装置的制造及其应用技术1.本技术涉及用电器技术领域，特别地涉及一种空调器内部空气质量检测方法、装置、计算机可读存储介质、电子设备以及空调器。背景技术：2.现如今空调已经成为居家和办公的必用电器，尤其在夏、冬两个季节，空调更是被长时间的使用。3.随着时代的发展以及科技的进步，人们对空气中所蕴含的细菌越来越重视，在追求舒适的同时也希望可以拥有洁净的空气。4.近年来，经常出现因为空调细菌超标引起的一系列呼吸道疾病的报道，而人们也迫切想知道空调内部的细菌是否超标、空调内部的空气质量是否达标，以便能够根据超标报警提醒进行及时的清洗。5.因此，亟需一种能够智能检测空调内部细菌是否超标、空气质量是否达标，并能在细菌超标或空气质量较差的情况下及时对用户进行报警提醒的方法。技术实现要素：6.针对上述问题，本技术提出一种空调器内部空气质量检测方法、装置、计算机可读存储介质、电子设备以及空调器，至少解决了目前人们无法得知空调内部细菌是否超标的问题，可以实时监测空调内部的细菌是否超标和/或空气质量是否达标，并能够在细菌超标和/或空气质量等级不达标的情况下对用户进行报警提醒。7.本技术的第一个方面，提供了一种空调器内部空气质量检测方法，所述方法包括：8.获取目标空调器内部的空气质量数据；9.根据所述空气质量数据生成空气质量检测模型；10.通过预设神经网络模型对所述空气质量检测模型进行检测，获得所述目标空调器内部的空气质量等级；11.根据所述空气质量等级进行空气质量等级提醒。12.在一些实施例中，所述空气质量数据包括空气流量数据、空气阻力数据、空气细菌数量、不同粉尘数量、细菌图像中的至少一个。13.在一些实施例中，所述空气质量数据包括空气流量数据和空气阻力数据，所述根据所述空气质量数据生成空气质量检测模型，包括：14.将所述空气流量数据映射到空气流量向量三维坐标上，得到空气流量向量三维坐标数据；15.将所述空气阻力数据映射到空气阻力向量三维坐标上，得到空气阻力向量三维坐标数据；16.根据所述空气流量向量三维坐标数据和所述空气阻力向量三维坐标数据，生成所述空气质量检测模型。17.在一些实施例中，构建所述预设神经网络模型的步骤，包括：18.获取预设训练数据，所述预设训练数据包括多种已知空气质量等级的训练数据；19.通过所述预设训练数据对神经网络进行训练，得到所述预设神经网络模型。20.在一些实施例中，所述预设神经网络模型还记录有空气质量映射关系，所述空气质量映射关系包括空气质量等级和指示灯颜色之间的映射关系。21.在一些实施例中，所述根据所述空气质量等级进行空气质量等级提醒，包括：22.根据所述空气质量等级及空气质量等级与指示灯颜色之间的映射关系，确定所述空气质量等级对应的指示灯颜色，控制指示灯以所确定的颜色进行显示，以提醒空气质量等级。23.本技术的第二个方面，提供了一种空调器内部空气质量检测装置，所述装置包括：24.获取模块，用于获取目标空调器内部的空气质量数据；25.生成模块，用于根据所述空气质量数据生成空气质量检测模型；26.检测模块，用于通过预设神经网络模型对所述空气质量检测模型进行检测，获得所述目标空调器内部的空气质量等级；27.提醒模块，用于根据所述空气质量等级进行空气质量等级提醒。28.本技术的第三个方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储的计算机程序，可被一个或多个处理器执行，用以实现如上所述的方法。29.本技术的第四个方面，提供了一种电子设备，包括存储器和一个或多个处理器，所述存储器上存储有计算机程序，所述存储器和所述一个或多个处理器之间互相通信连接，该计算机程序被所述一个或多个处理器执行时，实现如上所述的方法。30.本技术的第五个方面，提供了一种空调器，包括：31.数据采集装置，用于采集空调器内部的空气质量数据；32.显示装置，用于显示与空调器内部的空气质量等级相对应的颜色；33.如上所述的电子设备。34.在一些实施例中，所述数据采集装置包括：35.空气流量传感器，用于采集空调器内部的空气流量数据和空气阻力数据。36.在一些实施例中，所述数据采集装置还包括：空气细菌检测传感器、红外粉尘传感器、光学粉尘传感器以及摄像装置中的一个或多个；37.所述空气细菌检测传感器用于采集空调器内部的空气细菌数量；38.所述红外粉尘传感器用于采集空调器内部的红外粉尘数量；39.所述光学粉尘传感器用于采集空调器内部的光学粉尘数量；40.所述摄像装置用于采集空调器内部的细菌图像。41.与现有技术相比，本技术的技术方案具有以下优点或有益效果：42.通过建立空气质量检测模型，使神经网络训练出的模型更接近空气质量的真实状况，从而使得对未知状况空气的空气质量级别检测更加准确、误差更小，填补了市场上通过智能指示灯报警提醒的空白。附图说明43.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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技术的实施例，对于所属领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。44.图1为本技术实施例提供的一种空调器内部空气质量检测方法的流程图；45.图2为本技术实施例提供的一种bp神经网络训练流程图；46.图3为本技术实施例提供的一种空调器内部空气质量检测装置的结构示意图；47.图4为本技术实施例提供的一种电子设备的连接框图。具体实施方式48.以下将结合附图及实施例来详细说明本技术的实施方式，借此对本技术如何应用技术手段来解决技术问题，并达到相应技术效果的实现过程能充分理解并据以实施。本技术实施例以及实施例中的各个特征，在不相冲突的前提下可以相互结合，所形成的技术方案均在本技术的保护范围之内。49.实施例一50.本实施例提供一种空调器内部空气质量检测方法，图1为本技术实施例提供的一种空调器内部空气质量检测方法的流程图，如图1所示，本实施例的方法包括：51.s110、获取目标空调器内部的空气质量数据。52.在一些实施例中，所述空气质量数据包括空气流量数据、空气阻力数据、空气细菌数量、不同粉尘数量、细菌图像中的至少一个。53.可选的，通过空气流量传感器获取目标空调器内部的空气流量数据和空气阻力数据，通过空气细菌检测传感器获取目标空调器内部的空气细菌数量，通过红外粉尘传感器获取目标空调器内部的红外粉尘数量，通过光学粉尘传感器获取目标空调器内部的光学粉尘数量，通过摄像头获取采集目标空调器内部的细菌图像。54.s120、根据所述空气质量数据生成空气质量检测模型。55.在一些实施例中，所述空气质量数据包括空气流量数据和空气阻力数据，所述根据所述空气质量数据生成空气质量检测模型，包括：56.将所述空气流量数据映射到空气流量向量三维坐标上，得到空气流量向量三维坐标数据；57.将所述空气阻力数据映射到空气阻力向量三维坐标上，得到空气阻力向量三维坐标数据；58.根据所述空气流量向量三维坐标数据和所述空气阻力向量三维坐标数据，生成所述空气质量检测模型。59.可选的，将获取到的空调内部空气流量值抽取成为空调内部空气流量动态向量集m[a1,a2,...an]，其中，an代表采集到空调内部空气流量动态的第n个空调内部空气流量动态向量，这些空调内部空气流量动态向量集m[a1,a2,...an]映射到三维坐标上，获得空调内部空气流量动态向量三维坐标数据(xm，ym，zm)；将获取到的空调内部空气阻力数据抽取成为空调内部空气阻力信息向量集k[b1,b2,...bn]，其中，bn代表采集到空调内部空气阻力信息的第n个空调内部空气阻力信息向量，这些空调内部空气阻力信息向量集k[b1,b2,...bn]映射到三维坐标上，获得空调内部空气阻力动态向量三维坐标数据(xk，yk，zk)；进而再根据空调内部空气流量动态向量三维坐标数据(xm，ym，zm)和空调内部空气阻力动态向量三维坐标数据(xk，yk，zk)这些数据，建立三维的空气质量检测模型。[0060]需要说明的是，通过空气细菌检测传感器、红外粉尘传感器、光学粉尘传感器、压力传感器、摄像头采集到空调内部的空气流量数据和空气阻力数据，利用这些数据建立三维空气质量检测模型，可以使采集到的数据更准确，误差更小，从而使训练出的神经网络模型更接近空调内部空气质量的真实情况。[0061]s130、通过预设神经网络模型对所述空气质量检测模型进行检测，获得所述目标空调器内部的空气质量等级。[0062]在一些实施例中，构建所述预设神经网络模型的步骤，包括：[0063]获取预设训练数据，所述预设训练数据包括多种已知空气质量等级的训练数据；[0064]通过所述预设训练数据对神经网络进行训练，得到所述预设神经网络模型。[0065]可选的，预设训练数据可包括：针对多个清洁状况良好的空调、多个一般清洁状况的空调以及多个清洁状况非常差的空调，根据检测到的每个空调内部的空气质量数据以及在对应的每个空调中所获得的细菌数量、粉尘数量、细菌图像数据生成空气质量检测模型，再利用这些预设训练数据对神经网络反复进行训练，得到训练好的预设神经网络模型。其中，神经网络包括bp(back propagation)神经网络，预设神经网络模型包括bp神经网络模型。[0066]可选的，首先bp神经网络利用三维空气质量检测模型中的数据进行训练，得到bp神经网络模型；然后在待检测空调内部未知空气质量的情况下，通过训练好的bp神经网络模型对待检测空调内部未知的空气质量进行检测，并输出检测结果，得到待检测空调内部未知空气的空气质量等级。[0067]bp神经网络的训练过程也可参考图2，图2为本技术实施例提供的一种bp神经网络训练流程图。[0068]在一些实施例中，所述预设神经网络模型还记录有空气质量映射关系，所述空气质量映射关系包括空气质量等级和指示灯颜色之间的映射关系。[0069]可选的，在得到的预设神经网络模型中记录有空气质量映射关系，该映射关系包含的是空气质量等级和指示灯颜色之间的映射关系。[0070]s140、根据所述空气质量等级进行空气质量等级提醒。[0071]在一些实施例中，所述根据所述空气质量等级进行空气质量等级提醒，包括：[0072]根据所述空气质量等级及空气质量等级与指示灯颜色之间的映射关系，确定所述空气质量等级对应的指示灯颜色，控制指示灯以所确定的颜色进行显示，以提醒空气质量等级。[0073]可选的，在未知空调内部空气质量的情况下，通过训练好的bp神经网络模型对空调内部未知空气质量进行检测，并得到检测结果集s＝{r1,r2,...rn}，其中保存的是空调内部未知空气质量等级数据，其中，r1,r2,...rn为结果集s中的第1至第n个具体结果数据。[0074]若检测结果集s中的检测结果r属于正常级别的空气质量等级数据，则根据空气质量等级和指示灯颜色之间的映射关系，获得指示灯颜色为绿灯，代表空调内部空气质量等级属于正常级别，细菌数量较少，无需对空调进行清洗。[0075]若检测结果集s中的检测结果r属于非正常级别的空气质量等级数据，则根据空气质量等级和指示灯颜色之间的映射关系，获得指示灯颜色为橙灯，代表空调内部空气较差、细菌数量较多，空气质量等级属于非正常级别(空气质量较差)，可以对空调进行清洗。[0076]若检测结果集s中的检测结果r属于非正常级别的空气质量等级数据，则根据空气质量等级和指示灯颜色之间的映射关系，获得指示灯颜色为红灯，代表空调内部空气污染严重、细菌数量很多，空气质量等级属于非正常级别(污染严重、空气质量很差)，空调必须进行清洗。[0077]可选的，在非正常级别的空气质量等级下，还可通过控制指示灯的闪烁和/或进行相应的语音播报等方式向用户发出提醒。[0078]本实施例公开的空调器内部空气质量检测方法，通过建立空气质量检测模型，使神经网络训练出的模型更接近空气质量的真实状况，从而使得对未知空气状况的空气质量级别的检测更加准确、误差更小，填补了市场上通过智能指示灯报警提醒的空白。具体的：首先，获取目标空调器内部的空气质量数据；然后，根据空气质量数据生成空气质量检测模型，以对采集到的数据进行清洗，通过空气质量检测模型的清洗能把脏数据清洗掉，得到的更准确、误差更小的数据；通过预设神经网络模型对所述空气质量检测模型进行检测，以此对清洗后的数据再通过神经网络的反复清洗，获得所述目标空调器内部的空气质量等级；最后，根据空气质量等级确定所述空气质量等级对应的指示灯颜色，控制指示灯以所确定的颜色进行显示，以向用户提示目标空调器内部的空气质量等级，进而在目标空调器内部的空气质量等级较差的情况下对用户进行提醒。[0079]实施例二[0080]本实施例提供一种空调器内部空气质量检测装置，本装置实施例可以用于执行本技术方法实施例，对于本装置实施例中未披露的细节，请参照本技术方法实施例。图3为本技术实施例提供的一种空调器内部空气质量检测装置的结构示意图，如图3所示，本实施例提供的装置300包括：[0081]获取模块301，用于获取目标空调器内部的空气质量数据；[0082]生成模块302，用于根据所述空气质量数据生成空气质量检测模型；[0083]检测模块303，用于通过预设神经网络模型对所述空气质量检测模型进行检测，获得所述目标空调器内部的空气质量等级；[0084]提醒模块304，用于根据所述空气质量等级进行空气质量等级提醒。[0085]在一些实施例中，所述空气质量数据包括空气流量数据、空气阻力数据、空气细菌数量、不同粉尘数量、细菌图像中的至少一个。[0086]在一些实施例中，所述空气质量数据包括空气流量数据和空气阻力数据，生成模块302包括：第一映射单元，第二映射单元，生成单元；其中，[0087]第一映射单元，用于将所述空气流量数据映射到空气流量向量三维坐标上，得到空气流量向量三维坐标数据；[0088]第二映射单元，用于将所述空气阻力数据映射到空气阻力向量三维坐标上，得到空气阻力向量三维坐标数据；[0089]生成单元，用于根据所述空气流量向量三维坐标数据和所述空气阻力向量三维坐标数据，生成所述空气质量检测模型。[0090]在一些实施例中，还包括构建模块，用于构建所述预设神经网络模型，构建模块包括：获取单元，生成单元；其中，[0091]获取单元，用于获取预设训练数据，所述预设训练数据包括多种已知空气质量等级的训练数据；[0092]生成单元，用于通过所述预设训练数据对神经网络进行训练，得到所述预设神经网络模型。[0093]在一些实施例中，所述空气质量检测模型还记录有空气质量映射关系，所述空气质量映射关系包括空气质量等级和指示灯颜色之间的映射关系。[0094]在一些实施例中，提醒单元304用于根据所述空气质量等级及空气质量等级与指示灯颜色之间的映射关系，确定所述空气质量等级对应的指示灯颜色，控制指示灯以所确定的颜色进行显示，以提醒空气质量等级。[0095]所属领域技术人员可以理解，图3中示出的结构并不构成对本技术实施例装置的限定，可以包括比图示更多或更少的模块/单元，或者组合某些模块/单元，或者不同的模块/单元布置。[0096]需要说明的是，上述各个模块/单元可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块/单元而言，上述各个模块/单元可以位于同一处理器中；或者上述各个模块/单元还可以按照任意组合的形式分别位于不同的处理器中。[0097]本实施例提供的装置包括：获取模块301，用于获取目标空调器内部的空气质量数据；生成模块302，用于根据所述空气质量数据生成空气质量检测模型；检测模块303，用于通过预设神经网络模型对所述空气质量检测模型进行检测，获得所述目标空调器内部的空气质量等级；提醒模块304，用于根据所述空气质量等级进行空气质量等级提醒。通过建立空气质量检测模型，使神经网络训练出的模型更接近空气质量的真实状况，从而使得对未知空气状况的空气质量级别的检测更加准确、误差更小，填补了市场上通过智能指示灯报警提醒的空白。[0098]实施例三[0099]本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中存储有计算机程序，该计算机程序被处理器执行时可以实现如实施例一中的方法步骤，本实施例在此不再重复赘述。[0100]其中，计算机可读存储介质还可单独包括计算机程序、数据文件、数据结构等，或者包括其组合。计算机可读存储介质或计算机程序可被计算机软件领域的技术人员具体设计和理解，或计算机可读存储介质对计算机软件领域的技术人员而言可以是公知和可用的。存储介质的示例包括：磁性介质，例如硬盘、软盘和磁带；光学介质，例如，cdrom盘和dvd；磁光介质，例如，光盘；和硬件装置，具体被配置以存储和执行计算机程序，例如，只读存储器(rom)、随机存取存储器(ram)、闪存；或服务器、app应用商城等。计算机程序的示例包括机器代码(例如，由编译器产生的代码)和包含高级代码的文件，可由计算机通过使用解释器来执行高级代码。所描述的硬件装置可被配置为用作一个或多个软件模块，以执行以上描述的操作和方法，反之亦然。另外，计算机可读存储介质可分布在联网的计算机系统中，可以分散的方式存储和执行程序代码或计算机程序。[0101]实施例四[0102]图4为本技术实施例提供的一种电子设备的连接框图，如图4所示，该电子设备400可以包括：一个或多个处理器401，存储器402，多媒体组件403，输入/输出(i/o)接口404，以及通信组件405。[0103]其中，一个或多个处理器401用于执行如实施例一方法中的全部或部分步骤。存储器402用于存储各种类型的数据，这些数据例如可以包括电子设备中的任何应用程序或方法的指令，以及应用程序相关的数据。[0104]一个或多个处理器401可以是专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例一中的方法。[0105]存储器402可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。[0106]多媒体组件403可以包括屏幕和音频组件，该屏幕可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或通过通信组件发送。音频组件还包括至少一个扬声器，用于输出音频信号。[0107]i/o接口404为一个或多个处理器401和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。[0108]通信组件405用于该电子设备400与其他设备之间进行有线或无线通信。有线通信包括通过网口、串口等进行通信；无线通信包括：wi-fi、蓝牙、近场通信(near field communication，简称nfc)、2g、3g、4g、5g，或它们中的一种或几种的组合。因此相应的该通信组件405可以包括：wi-fi模块，蓝牙模块，nfc模块。[0109]实施例五[0110]本实施例提供一种空调器，包括数据采集装置，用于采集空调器内部的空气质量数据；显示装置，用于显示与空调器内部的空气质量等级相对应的颜色；如实施例四所述的电子设备。[0111]在一些实施例中，所述数据采集装置包括：[0112]空气流量传感器，用于采集空调器内部的空气流量数据和空气阻力数据。[0113]在一些实施例中，所述数据采集装置还包括：空气细菌检测传感器、红外粉尘传感器、光学粉尘传感器以及摄像装置中的一个或多个；[0114]所述空气细菌检测传感器用于采集空调器内部的空气细菌数量；[0115]所述红外粉尘传感器用于采集空调器内部的红外粉尘数量；[0116]所述光学粉尘传感器用于采集空调器内部的光学粉尘数量；[0117]所述摄像装置用于采集空调器内部的细菌图像。[0118]数据采集装置包括空气细菌检测传感器、红外粉尘传感器、光学粉尘传感器以及摄像装置中的一个或多个的情况下，预设训练数据也相应包含这些数据采集装置所采集的空气质量数据及对应的已知空气质量等级，基于这些预设训练数据对神经网络进行训练得到预设神经网络模型，进而根据新采集到的空气流量数据、空气阻力数据、空气流量数据、空气阻力数据、空气细菌数量、不同粉尘数量、细菌图像，检测得到准确的空气质量等级结果。[0119]在一些实施例中，所述显示装置，包括指示灯。[0120]可选的，当根据空气质量等级及空气质量等级与指示灯颜色之间的映射关系，确定空气质量等级对应的指示灯颜色，通过指示灯显示所确定的颜色。[0121]其中，可选的一种空气质量等级与指示灯颜色之间的映射关系包括：正常级别的空气质量等级与绿色相对应，第一非正常级别的空气质量等级(空气质量较差)与橙色对应，第二非正常级别的空气质量等级(污染严重、空气质量很差)与红色对应。[0122]在一些实施例中，所述显示装置，还包括显示面板。[0123]可选的，显示面板可以实时显示空调器内部的空气质量数据，可显示的数据包括：空气流量数据、空气阻力数据、空气细菌数量、红外粉尘数量、光学粉尘数量以及空调器内部的细菌图像等。[0124]在一些实施例中，还包括语音提示装置，用于根据空调器内部的空气质量发出相应的语音提醒。[0125]可选的，语音提示装置包括蜂鸣器，当空调器内部的空气质量较差时，控制蜂鸣器向用户发出相应的语音提醒。[0126]综上，本技术提供了一种空调器内部空气质量检测方法、装置、存储介质、电子设备以及空调器。通过建立空气质量检测模型，使神经网络训练出的模型更接近空气质量的真实状况，从而使得对未知空气状况的空气质量级别的检测更加准确、误差更小，填补了市场上通过智能指示灯报警提醒的空白。具体的：首先，获取目标空调器内部的空气质量数据；然后，根据空气质量数据生成空气质量检测模型，以对采集到的数据进行清洗，通过空气质量检测模型的清洗能把脏数据清洗掉，得到的更准确、误差更小的数据；通过预设神经网络模型对所述空气质量检测模型进行检测，以此对清洗后的数据再通过神经网络的反复清洗，获得所述目标空调器内部的空气质量等级；最后，根据空气质量等级确定所述空气质量等级对应的指示灯颜色，控制指示灯以所确定的颜色进行显示，以向用户提示目标空调器内部的空气质量等级，进而在目标空调器内部的空气质量等级较差的情况下对用户进行提醒。[0127]另外应该理解到，在本技术所提供的实施例中所揭露的方法或系统，也可以通过其它的方式实现。以上所描述的方法或系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的方法和装置的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、计算机程序段或计算机程序的一部分，模块、计算机程序段或计算机程序的一部分包含一个或多个用于实现规定的逻辑功能的计算机程序。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生，实际上也可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机程序的组合来实现。[0128]在本技术中，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、装置或者设备中还存在另外的相同要素；如果有描述到“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系；在本技术的描述中，除非另有说明，术语“多个”、“多”的含义是指至少两个；如果有描述到服务器，需要说明的是，服务器可以是独立的物理服务器或终端，也可以是多个物理服务器构成的服务器集群，可以是能够提供云服务器、云数据库、云存储和cdn等基础云计算服务的云服务器；在本技术中如果有描述到智能终端或移动设备，需要说明的是，智能终端或移动设备可以是手机、平板电脑、智能手表、上网本、可穿戴电子设备、个人数字助理(personal digital assistant，pda)、增强现实技术设备(augmented reality，ar)、虚拟现实设备(virtual reality，vr)、智能电视、智能音响、个人计算机(personal computer，pc)等，但并不局限于此，本技术对智能终端或移动设备的具体形式不做特殊限定。[0129]最后需要说明的是，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“一个示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式进行结合。[0130]尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例都是示例性的，所述的内容只是为了便于理解本技术而采用的实施方式，并非用以限定本技术。任何本技术所属技术领域内的技术人员，在不脱离本技术所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本技术的保护范围，仍须以所附的权利要求书所界定的范围为准。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!