一种公路地质灾害高风险区域监测预警方法及装置与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及地质灾害预警技术领域，特别涉及一种公路地质灾害高风险区域监测预警方法及装置。背景技术：2.在很多以山地为主的地区，地质灾害分布广、危害大，是地质灾害频发的区域。干线公路受地质结构的影响，在气候作用下，同样面临着地质灾害频发的问题。目前，我国部分山地区域的地质灾害监测防治主要依靠人工定期记录，逐级上报监测数据，不仅效率低、工作量大、实时性差，而且准确性也差。虽然以往的防灾减灾中也应用了监测仪器，但是监测仪器的费用高，安装难度大，很难进行大范围的安装使用，难以实现公路沿线地质灾害全方位的监测。3.公路是山地区域交通运输的主要方式，区域内通车里程长，一旦发生山体坍塌、滑坡等地质灾害将会给行驶车辆造成较大的人员伤亡和财产损失，严重影响当地的社会安定和经济建设。因此，公路沿线地质灾害的监测预警，对公路的地质灾害防治工作具有重要意义。技术实现要素：4.本发明提供一种公路地质灾害高风险区域监测预警方法及装置，用于解决地质灾害传统监测技术工作量大，难以进行大范围监测的问题。5.根据本发明的一个方面，提供了一种公路地质灾害高风险区域监测预警方法，包括以下步骤：6.获取监测区域的遥感监测数据并进行数据预处理，得到遥感数据；7.根据公路地质灾害发生的地质因素及外部因素，结合所述遥感数据的光谱和空间特征，建立地质灾害易发性关键控制因子作为致灾因子；8.基于所述致灾因子，采用随机森林模型选择同等数量的已发生地质灾害样本和未发生地质灾害记录作为样本，训练并构建基于高分遥感数据的地质灾害易发性风险评估自适应模型；9.根据地质灾害易发性风险评估自适应模型，对获取的公路高分遥感数据进行监测处理，得到公路地质灾害高风险区域监测预警信息。10.所述监测区域的遥感监测数据，包括：11.高分遥感数据的覆盖情况、地质灾害发生的历史数据、路网数据信息；区域地质、地形、气象、降水、土壤含水量、地表温度、地表植被覆盖数据、野外监测点采集数据、边坡加固施工信息及公路地质灾害历史调查数据；所述公路地质灾害历史调查数据包括：地质灾害的时间、位置、灾害规模信息、位移量、土壤含水量、地质、地貌、气象信息。12.所述数据预处理，包括：13.采用基于遥感集群数据处理的快速处理方法，利用高性能计算技术和海量存储管理技术，以高性能计算为依托的遥感图像集群数据、海量遥感图像数据的处理能力；具体包括：14.收集海量遥感图像数据；对所述遥感图像数据进行卫星影像正射校正得到正射影像；对所述正射影像进行分辨率融合，并进行正射影像的拼接和镶嵌；根据处理后的所述正射影像进行研究区域的高分影像集合处理；对集合处理的高分影像进行辐射校正、大气校正和图像融合，得到预处理后的遥感数据。15.所述致灾因子的关键控制因子，包括：地形地貌、地质条件、水文条件、地表覆被、大气降雨因素。16.所述致灾因子的遥感定量表达实现步骤包括：17.结合地质灾害历史调查数据，获取历史灾害的同期各类型遥感数据；18.利用研究区的高分遥感影像提取表征土壤湿度指数因子、日累计降水量、植被指数、地表温度及土地利用类型信息；19.利用研究区的地质图数据提取地层岩性和构造信息；20.利用研究区的数字高程模型dem数据提取表征地形地貌信息的坡度、坡向和斜坡形态信息；21.利用研究区的水系和路网数据计算研究区的水系距离以及路网距离；22.对上述指数进行统计分析，得到区域道路及周边缓冲区的各指数概率分布函数；23.将不同指数的分布函数作为高斯模糊隶属度函数，计算得到公路区域各指数的模糊隶属度；24.将计算得到各指数模糊隶属度图层作为致灾因子评价图层，完成致灾因子的遥感定量表达。25.所述对上述指数进行统计分析，得到区域道路及周边缓冲区的各指数概率分布函数，包括：26.利用研究区的道路矢量，生成设定范围的道路缓冲区，并从各指数图层中提取缓冲区范围内的全部有效像元信息；27.绘制并分析缓冲区内不同指数的分布曲线，根据曲线特征确定各指数的分布函数类型，包括：高斯分布、线性分布和二值分布；28.计算不同指数的统计数值，包括：最大值、最小值、方差、平均值和中位数；29.利用不同指数的分布函数及统计数值，构建对应的分布函数的数学表达式。30.所述训练并构建基于高分遥感数据的地质灾害易发性风险评估自适应模型，包括：31.基于历史调查数据和所述致灾因子对应的遥感定量表达，得到全部公路地质灾害历史记录所对应时间的致灾因子评价图层；32.采用模糊叠加方法，融合各致灾因子评价图层，得到融合致灾因子评价图层；33.从所述致灾因子图层中，提取历史灾害发生位置的致灾因子结果，作为模型训练的正样本数据；34.随机从所述致灾因子图层中选择与历史灾害记录数量相同但不重叠的样本点，作为模型训练的负样本数据；35.采用7:3的分割比例，将模型训练数据集进一步分割得到训练集和测试集；36.将所述致灾因子作为输入，训练基于随机森林的公路地质灾害高风险区域评估模型；37.模型训练完成后，利用测试集对模型进行精度评测，完成地质灾害易发性评估模型的构建。38.所述根据地质灾害易发性风险评估自适应模型，对获取的公路高分遥感数据进行监测处理，得到公路地质灾害高风险区域监测预警信息，包括：39.首次完成地质灾害易发性评估模型的训练后，利用模型评估地质灾害风险概率，并采用模型默认的概率阈值进行风险区域的监测和预警；40.以月为修正周期，分析期间新增的地质灾害记录调查数据以及模型评估结果的统计分布情况，采用最大似然方法修正优化评估模型中的致灾因子计算权重；41.采集并分析灾害点位周边监测设备采集的连续数据，确定地质灾害风险预测的概率阈值，完成风险区域评估模型的修正周期的精度优化。42.根据本发明的另一个方面，提供了一种公路地质灾害高风险区域监测预警装置，包括：43.监测数据获取单元，用于获取监测区域的遥感监测数据并进行数据预处理，得到遥感数据；44.致灾因子建立单元，用于根据公路地质灾害发生的地质因素及外部因素，结合所述遥感数据的光谱和空间特征，建立地质灾害易发性关键控制因子作为致灾因子；45.模型训练单元，用于基于所述致灾因子，采用随机森林模型选择同等数量的已发生地质灾害样本和未发生地质灾害记录作为样本，训练并构建基于高分遥感数据的地质灾害易发性风险评估自适应模型；46.监测预警单元，用于根据地质灾害易发性风险评估自适应模型，对获取的公路高分遥感数据进行监测处理，得到公路地质灾害高风险区域监测预警信息。47.所述致灾因子建立单元，具体包括致灾因子的遥感定量表达实现过程：48.结合地质灾害历史调查数据，获取历史灾害的同期各类型遥感数据；利用研究区的高分遥感影像提取表征土壤湿度指数因子、日累计降水量、植被指数、地表温度及土地利用类型信息；利用研究区的地质图数据提取地层岩性和构造信息；利用研究区的数字高程模型dem数据提取表征地形地貌信息的坡度、坡向和斜坡形态信息；利用研究区的水系和路网数据计算研究区的水系距离以及路网距离；对上述指数进行统计分析，得到区域道路及周边缓冲区的各指数概率分布函数；将不同指数的分布函数作为高斯模糊隶属度函数，计算得到公路区域各指数的模糊隶属度；将计算得到各指数模糊隶属度图层作为致灾因子评价图层，完成致灾因子的遥感定量表达；49.所述对上述指数进行统计分析，得到区域道路及周边缓冲区的各指数概率分布函数，包括：50.利用研究区的道路矢量，生成设定范围的道路缓冲区，并从各指数图层中提取缓冲区范围内的全部有效像元信息；绘制并分析缓冲区内不同指数的分布曲线，根据曲线特征确定各指数的分布函数类型，包括：高斯分布、线性分布和二值分布；计算不同指数的统计数值，包括：最大值、最小值、方差、平均值和中位数；利用不同指数的分布函数及统计数值，构建对应的分布函数的数学表达式。51.采用本发明的技术方案，提出了一种公路地质灾害高风险区域监测预警方案，获取监测区域的遥感监测数据并进行数据预处理，得到遥感数据；根据公路地质灾害发生的地质因素及外部因素，结合所述遥感数据的光谱和空间特征，建立地质灾害易发性关键控制因子作为致灾因子；基于所述致灾因子，采用随机森林模型选择同等数量的已发生地质灾害样本和未发生地质灾害记录作为样本，训练并构建基于高分遥感数据的地质灾害易发性风险评估自适应模型；根据地质灾害易发性风险评估自适应模型，对获取的公路高分遥感数据进行监测处理，得到公路地质灾害高风险区域监测预警信息。52.本发明方案建立一种基于遥感数据的公路地质灾害致灾因子定量表达方法，解决利用遥感数据量化分析地质灾害危险性评价的问题。提出了一种面向高分遥感数据的公路地质灾害易发性评估模型，实现公路地质灾害高风险区域的监测及预警，为公路的地质灾害防治工作提供了有力的技术手段。53.本发明方案充分考虑了不同致灾因子的数值分布特征，将致灾因子的分布差异与模糊隶属度进行了融合应用，能够在一定程度上突出地质灾害的小概率事件特征，减少地灾灾害的误报警率。构建了一种针对公路特征的地质灾害风险评估方法，克服了通用方法因关注大尺度上的泛化能力所忽视的区域小尺度特征，通过融合水文、气象、地质、降水等区域的动静态、长短时等多维度数据信息，深入挖掘地质灾害致灾特征，实现面向公路范围的地质灾害的高时效风险评估。提出了一种基于地质灾害调查数据的闭环模型优化方法，可实现风险评估模型的半监督迭代优化，有效提高了本发明方法的技术生命期。54.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。附图说明55.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：56.图1为本发明实施例中公路地质灾害高风险区域监测预警原理流程图；57.图2为本发明实施例中数据预处理过程示意图；58.图3为本发明实施例中公路地质灾害高风险区域监测预警装置结构示意图。具体实施方式59.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。60.遥感作为对地观测技术，因其观测范围广、信息全面真实、成本低、时效性强，且不受地面监测条件控制等特点，在公路交通领域得到了越来越广泛的应用。地质灾害破坏力强，对灾害发生前、中、后三个阶段的地质灾害信息进行大范围、全天候、全天时的动态采集、监测，对实现高效的防灾、减灾和应急救援等具有重要意义。61.目前，基于遥感数据的地质灾害监测应用主要集中在基于图像的灾害点、区域识别与提取以及融合多种数据的区域灾害风险评估等。但是，现有的研究方法中并未区分公路和其他区域类型，在对公路区域的独特性考虑上存在明显不足。例如，以山区公路为主的广西地区为例，地质灾害不仅与气象条件、区域地质等因素有关，还要考虑公路边坡加固、施工等因素的影响，而现有方法由于缺少对公路区域地质灾害的考虑，在工程应用中的效果达不到预期。62.由此可见，研究一种面向山区公路的地质灾害监测和预警方法可为大范围公路地质灾害监测预警提供数据支撑，并在结合多源监测数据基础上，提高公路区域的地质灾害发生的可预见性，为公路防灾和救灾工作提供准确、实时的数据资料，对公路工程建设、公路安全运行和人民生命安全具有重要意义。63.图1为本发明实施例中公路地质灾害高风险区域监测预警流程图。如图1所示，该公路地质灾害高风险区域监测预警流程包括以下步骤：64.步骤101、获取监测区域的遥感监测数据并进行数据预处理，得到遥感数据。65.本发明实施例中，包括“面向地质灾害的遥感数据自动化快速处理”、“基于高分遥感数据的地质灾害风险评估”、“高分遥感公路地质灾害高风险区域监测预警”三大部分.66.面向地质灾害的遥感数据采集与处理，包括数据采集与管理、高分遥感数据快速预处理两个部分。67.充足的数据源是进行遥感监测的前提，本发明实施例方法根据高分遥感数据的覆盖情况、地质灾害发生的历史数据、路网数据等信息，采集数据包括：区域地质、地形、气象、路网、降水、土壤含水量、地表温度、地表植被覆盖数据、野外监测点采集数据、边坡加固施工信息以及公路地质灾害历史调查数据；针对采集得到的数据，利用qgis平台实现数据的可视化管理，为后续的研究提供数据支撑。其中，公路地质灾害历史调查数据包括：地质灾害的时间、位置、灾害规模信息、位移量、土壤含水量、地质、地貌、气象信息。qgis(原称quantum gis)是一个自由软件的桌面gis软件。它提供数据的显示、编辑和分析功能。68.以广西地区为例，广西公路网公路里程长、覆盖范围大，涉及到的高分遥感影像来源形式多样，数据量巨大，单机作业处理占用大量的人力物力，因此本发明实施例采用基于遥感集群数据处理的快速处理方法，充分利用高性能计算技术和海量存储管理技术，实现以高性能计算为依托的遥感图像集群数据处理方案，提高海量遥感图像数据的处理能力。本发明实施例所采用的数据处理流程如图2所示，其中，gf-2、pleiade、spot、worldview均为卫星的英文名称或缩写；dem为数字高程模型，dom为数字正射影像。69.数据预处理具体包括：70.收集海量遥感图像数据；对所述遥感图像数据进行卫星影像正射校正得到正射影像；对所述正射影像进行分辨率融合，并进行正射影像的拼接和镶嵌；根据处理后的所述正射影像进行研究区域的高分影像集合处理；对集合处理的高分影像进行辐射校正、大气校正和图像融合，得到预处理后的遥感数据。71.步骤102，根据公路地质灾害发生的地质因素及外部因素，结合所述遥感数据的光谱和空间特征，建立地质灾害易发性关键控制因子作为致灾因子。72.本发明实施例中，地质灾害的发生受一系列地质因素和外界因素的影响，各种因素的组合作用影响地质的稳定程度。滑坡、崩塌等公路地质灾害的致灾环境复杂，致灾因素众多，合理选择地质灾害危险性评估因子，对公路地质灾害危险评估尤为关键。73.本发明实施例通过研究公路地质灾害发生的地质因素及外部因素，结合遥感数据光谱和空间特征，选择地形地貌、地质条件、水文条件、地表覆被、大气降雨等因素作为地质灾害易发性关键控制因子，并在此基础上建立致灾因子的遥感定量表达方法，实现地质灾害影响因素的遥感定量表示及定量分析。74.致灾因子的遥感定量表达实现步骤包括：75.结合地质灾害历史调查数据，获取历史灾害的同期各类型遥感数据；76.利用研究区的高分遥感影像提取表征土壤湿度指数因子、日累计降水量、植被指数、地表温度以及土地利用类型信息；77.利用研究区的地质图数据提取地层岩性和构造信息；78.利用研究区的dem数据提取表征地形地貌信息的坡度、坡向和斜坡形态信息；79.利用研究区的水系和路网数据计算研究区的水系距离以及路网距离；80.对上述多种指数进行统计分析，得到区域道路及周边设定范围(例如可以取1公里范围内)缓冲区的各指数概率分布函数；统计分析主要是计算数据的标准差、均值、最大最小值等，都是数学公式，分布函数是通过观察数据的分布曲线，判断服从的分布，然后用替换分布函数公式里边的参数项，一般就是统计分析的数值结果。81.利用研究区的道路矢量，生成道路缓冲区，并从各指数图层中提取缓冲区范围内的全部有效像元信息；82.绘制并分析缓冲区内不同指数的分布曲线，根据曲线特征确定各指数的分布函数类型，如高斯分布、线性分布、二值分布等；83.计算不同指数的统计数值如最大值、最小值、方差、平均值、中位数等；84.利用不同指数的分布函数及统计数值，构建其分布函数的数学表达式；85.将不同指数的分布函数作为高斯模糊隶属度函数，计算得到公路区域各指数的模糊隶属度；86.将计算得到各指数模糊隶属度图层作为致灾因子评价图层，完成致灾因子的遥感定量表达。87.步骤103，基于所述致灾因子，采用随机森林模型选择同等数量的已发生地质灾害样本和未发生地质灾害记录作为样本，训练并构建基于高分遥感数据的地质灾害易发性风险评估自适应模型。88.本发明实施例中，基于获取的地质灾害致灾因子数据，采用随机森林模型(random forest，rf)，选择同等数量的已发生地质灾害样本和未发生地质灾害记录作为样本，训练并构建基于高分遥感数据的地质灾害易发性风险评估自适应模型，并利用新的样本数据对模型进行优化。在此基础上，进一步结合实时气象信息，生成研究区的灾害易发性风险评估结果图，最后结合相应的监测数据，确定地质灾害的高风险区域。具体步骤如下：89.基于历史调查数据和本发明提出的致灾因子的遥感定量表达方法，计算得到全部公路地质灾害历史记录所对应时间的致灾因子评价图层；90.采用模糊叠加方法，融合各致灾因子评价图层，得到融合致灾因子评价图层；91.从计算得到的致灾因子图层中，提取历史灾害发生位置(经纬度)的致灾因子结果，作为模型训练的正样本数据；92.随机从得到的各致灾因子图层中选择与历史灾害记录数量相同但不重叠的样本点，作为模型训练的负样本数据；93.采用7:3的分割比例，将模型训练数据集进一步分割得到训练集和测试集；94.将各致灾因子作为输入，训练基于随机森林的公路地质灾害高风险区域评估模型；95.模型训练完成后，利用测试集对模型进行精度评测，完成地质灾害易发性评估模型的构建。96.步骤104，根据地质灾害易发性风险评估自适应模型，对获取的公路高分遥感数据进行监测处理，得到公路地质灾害高风险区域监测预警信息。97.本发明实施例中，首次完成地质灾害易发性评估模型的训练后，利用模型评估地质灾害风险概率，并采用模型默认的概率阈值(超过阈值即被认定为高风险)进行风险区域的监测和预警。98.以月为修正周期，分析期间新增的地质灾害记录调查数据以及模型评估结果的统计分布情况，采用最大似然方法修正优化评估模型中的致灾因子计算权重。99.采集并分析灾害点位周边监测设备采集的连续数据，确定地质灾害风险预测的概率阈值，完成风险区域评估模型的修正周期的精度优化。100.本发明实施例的方案，充分考虑了不同致灾因子的数值分布特征，将致灾因子的分布差异与模糊隶属度进行了融合应用，能够在一定程度上突出地质灾害的小概率事件特征，减少地灾灾害的误报警率。101.构建了一种针对公路特征的地质灾害风险评估方法，克服了通用方法因关注大尺度上的泛化能力所忽视的区域小尺度特征，通过融合水文、气象、地质、降水等区域的动静态、长短时等多维度数据信息，深入挖掘地质灾害孕灾致灾特征，实现面向公路范围的地质灾害的高时效风险评估。102.提出了一种基于地质灾害调查数据的闭环模型优化方法，可实现风险评估模型的半监督迭代优化，有效提高了技术生命期。103.为了实现上述流程，本发明技术方案还提供公路地质灾害高风险区域监测预警装置，如图3所示，该公路地质灾害高风险区域监测预警装置包括：104.监测数据获取单元21，用于获取监测区域的遥感监测数据并进行数据预处理，得到遥感数据；105.致灾因子建立单元22，用于根据公路地质灾害发生的地质因素及外部因素，结合所述遥感数据的光谱和空间特征，建立地质灾害易发性关键控制因子作为致灾因子；106.模型训练单元23，用于基于所述致灾因子，采用随机森林模型选择同等数量的已发生地质灾害样本和未发生地质灾害记录作为样本，训练并构建基于高分遥感数据的地质灾害易发性风险评估自适应模型；107.监测预警单元24，用于根据地质灾害易发性风险评估自适应模型，对获取的公路高分遥感数据进行监测处理，得到公路地质灾害高风险区域监测预警信息。108.所述致灾因子建立单元22，具体包括致灾因子的遥感定量表达实现过程：109.结合地质灾害历史调查数据，获取历史灾害的同期各类型遥感数据；利用研究区的高分遥感影像提取表征土壤湿度指数因子、日累计降水量、植被指数、地表温度及土地利用类型信息；利用研究区的地质图数据提取地层岩性和构造信息；利用研究区的数字高程模型dem数据提取表征地形地貌信息的坡度、坡向和斜坡形态信息；利用研究区的水系和路网数据计算研究区的水系距离以及路网距离；对上述指数进行统计分析，得到区域道路及周边缓冲区的各指数概率分布函数；将不同指数的分布函数作为高斯模糊隶属度函数，计算得到公路区域各指数的模糊隶属度；将计算得到各指数模糊隶属度图层作为致灾因子评价图层，完成致灾因子的遥感定量表达；110.所述对上述指数进行统计分析，得到区域道路及周边缓冲区的各指数概率分布函数，包括：111.利用研究区的道路矢量，生成设定范围的道路缓冲区，并从各指数图层中提取缓冲区范围内的全部有效像元信息；绘制并分析缓冲区内不同指数的分布曲线，根据曲线特征确定各指数的分布函数类型，包括：高斯分布、线性分布和二值分布；计算不同指数的统计数值，包括：最大值、最小值、方差、平均值和中位数；利用不同指数的分布函数及统计数值，构建对应的分布函数的数学表达式。112.本发明实施例中，基于公路地质灾害的历史灾害记录，分析各致灾因子的分布特征，建立了基于模糊隶属度的致灾因子量化方法；将区域水文、地质等静态数据，与降水、地表温度、植被覆盖等动态、长时序数据信息融合用于地质灾害监测中，提出了一种针对高速公路特性的地质灾害监测和预警方法；设置了地质灾害风险评估模型的周期性修正方法，实现数据驱动的模型优化。113.综上所述，本发明的技术方案，一种公路地质灾害高风险区域监测预警方案，获取监测区域的遥感监测数据并进行数据预处理，得到遥感数据；根据公路地质灾害发生的地质因素及外部因素，结合所述遥感数据的光谱和空间特征，建立地质灾害易发性关键控制因子作为致灾因子；基于所述致灾因子，采用随机森林模型选择同等数量的已发生地质灾害样本和未发生地质灾害记录作为样本，训练并构建基于高分遥感数据的地质灾害易发性风险评估自适应模型；根据地质灾害易发性风险评估自适应模型，对获取的公路高分遥感数据进行监测处理，得到公路地质灾害高风险区域监测预警信息。114.本发明方案建立一种基于遥感数据的公路地质灾害致灾因子定量表达方法，解决利用遥感数据量化分析地质灾害危险性评价的问题。提出了一种面向高分遥感数据的公路地质灾害易发性评估模型，实现公路地质灾害高风险区域的监测及预警，为公路的地质灾害防治工作提供了有力的技术手段。115.本发明方案充分考虑了不同致灾因子的数值分布特征，将致灾因子的分布差异与模糊隶属度进行了融合应用，能够在一定程度上突出地质灾害的小概率事件特征，减少地灾灾害的误报警率。构建了一种针对公路特征的地质灾害风险评估方法，克服了通用方法因关注大尺度上的泛化能力所忽视的区域小尺度特征，通过融合水文、气象、地质、降水等区域的动静态、长短时等多维度数据信息，深入挖掘地质灾害致灾特征，实现面向公路范围的地质灾害的高时效风险评估。提出了一种基于地质灾害调查数据的闭环模型优化方法，可实现风险评估模型的半监督迭代优化，有效提高了本发明方法的技术生命期。116.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。117.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。118.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。119.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。120.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。









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!