隧道爆破效果的评估改善方法及系统发明专利

专利名称：隧道爆破效果的评估改善方法及系统

专利类型：发明专利

专利申请号：CN202410884731.0

专利申请（专利权）人：辽宁安达爆破工程有限公司
权利人地址：辽宁省本溪市南芬区下马塘街道镇爱国村三组

专利发明（设计）人：依长斌,石爽

专利摘要：本发明涉及隧道爆破效果评估技术领域，具体涉及隧道爆破效果的评估改善方法及系统。该方法包括：对爆破后的隧道进行三维扫描，得到若干个隧道超欠挖目标点，并获取隧道结构断面轮廓参数，基于隧道结构断面轮廓参数得到隧道超欠挖目标点与隧道结构断面轮廓之间的相对位置参数；基于相对位置参数构建隧道超欠挖目标点、隧道对应的位置网格图；对位置网格图进行图特征提取和K‑means算法聚类处理后，得到隧道第一爆破图像；对隧道第一爆破图像进行评估，得到爆破效果对应的评估结果，基于评估结果生成改善措施。本发明在对隧道爆破效果进行评估时能够提高评估结果准确性、提高评估效率。

主权利要求：
1.隧道爆破效果的评估改善方法，其特征在于，方法包括：对爆破后的隧道进行三维扫描，得到若干个隧道超欠挖目标点，并获取隧道结构断面轮廓参数，基于隧道结构断面轮廓参数得到隧道超欠挖目标点与隧道结构断面轮廓之间的相对位置参数；
基于相对位置参数构建隧道超欠挖目标点、隧道对应的位置网格图，其中，通过RANSAC算法基于相对位置参数构建隧道超欠挖目标点、隧道对应的位置网格图；
对位置网格图进行图特征提取和K‑means算法聚类处理后，得到隧道第一爆破图像：按照主成分分析方法找到位置网格图中选定数据子集，基于最小二乘法得到一个最小化目标函数，通过一个最小化目标函数将数据子集中的与其每个近邻点所构成的向量与法向量的点积为0的点作为特征点，并基于该特征点进行图特征提取；
对进行图特征提取后的样本进行K‑means算法聚类处理：根据数据子集的大小、形状设置k值；
随机选取预处理后的数据中的一个数据点作为初始质心；
当初始质心的数量小于k时，设Xi(i＝1,2…n)为预处理后的数据的数据集，μj(j＝1,
2…k)为初始质心；
基于目标函数 计算数据集中每一个数据点距离已有
的初始质心的距离D(x)，其中，j＝1,2…k；
将D(x)中最大值对应的数据点作为下一个初始质心；
依次得到k个初始质心，并基于k个初始质心对数据集进行聚类，得到隧道第一爆破图像；
对隧道第一爆破图像进行评估，得到爆破效果对应的评估结果，基于评估结果生成改善措施。
2.根据权利要求1所述的隧道爆破效果的评估改善方法，其特征在于，基于隧道结构断面轮廓参数得到隧道超欠挖目标点与隧道结构断面轮廓之间的相对位置参数包括以下过程：以隧道超欠挖目标点所在断面轮廓线的中心点为坐标原点，建立直角坐标系，对隧道超欠挖目标点所在断面进行投影，得到断面投影平面，获取隧道超欠挖目标点在断面投影平面的投影点位置，计算投影点位置距离断面轮廓线的最小距离d，将最小距离d作为相对位置参数。
3.根据权利要求1所述的隧道爆破效果的评估改善方法，其特征在于，对隧道第一爆破图像进行评估，得到爆破效果对应的评估结果包括以下过程：步骤一：数据收集与标注：通过专家评估或者基于工程标准的量化指标对收集到的隧道第一爆破图像进行标注，明确每一张隧道第一爆破图像对应的爆破效果；
步骤二：图像预处理：去除模糊、重复或质量不佳的隧道第一爆破图像；调整隧道第一爆破图像的大小、分辨率和色彩空间，使其适合深度学习模型的输入；
步骤三：选择卷积神经网络作为评估模型；
步骤四：划分数据集：将标注好的隧道第一爆破图像划分为训练集、验证集和测试集；
设置损失函数和优化器：选择损失函数和优化器来训练模型；
训练模型：使用训练集对模型进行训练，通过反向传播算法更新模型参数；
监控与调优：在验证集上监控模型的性能，通过调整超参数来优化模型性能；
步骤五：输出爆破效果等级以及标记超挖和欠挖的点。
4.根据权利要求1所述的隧道爆破效果的评估改善方法，其特征在于，基于评估结果生成改善措施包括以下过程：优化爆破参数：根据爆破效果等级和超挖、欠挖点的分布情况，对爆破参数进行优化，爆破参数优化包括选择合适的炸药品种、装药量和装药结构，以及调整炮孔间距、炮孔深度和炮孔角度；
提高钻孔精度：基于标记超挖和欠挖的点的位置坐标调整自动定位钻孔的位置和激光导向位置，以提高钻孔的准确性和稳定性。 说明书 : 隧道爆破效果的评估改善方法及系统技术领域[0001] 本发明涉及隧道爆破效果评估技术领域，具体涉及隧道爆破效果的评估改善方法及系统。背景技术[0002] 在隧道工程中，爆破技术作为一种常见的开挖方法，广泛应用于各类隧道项目中。然而，爆破效果的好坏直接关系到隧道施工的效率、质量和安全。因此，对隧道爆破效果进行准确评估，成为隧道施工中不可或缺的一环。[0003] 传统的隧道爆破效果评估方法主要依赖于人工观察和经验判断，这种方法存在主观性强、误差大、效率低的缺点。[0004] 现有技术中，缺乏一种隧道爆破效果的评估改善方法及系统，能够自动化对隧道爆破效果进行评估，并生成改善措施来解决超欠挖测量不准确的问题。发明内容[0005] 本发明的目的在于提供隧道爆破效果的评估改善方法及系统：至少解决现有方案中对隧道爆破效果评估方法主要依赖于人工观察和经验判断，带来的主观性强、误差大、效率低的问题。[0006] 本发明的目的可以通过以下技术方案实现：[0007] 一方面，隧道爆破效果的评估改善方法，方法包括：[0008] 对爆破后的隧道进行三维扫描，得到若干个隧道超欠挖目标点，并获取隧道结构断面轮廓参数，基于隧道结构断面轮廓参数得到隧道超欠挖目标点与隧道结构断面轮廓之间的相对位置参数；[0009] 基于相对位置参数构建隧道超欠挖目标点、隧道对应的位置网格图；[0010] 对位置网格图进行图特征提取和K‑means算法聚类处理后，得到隧道第一爆破图像：[0011] 按照主成分分析方法找到位置网格图中选定数据子集，基于最小二乘法得到最小化一个目标函数，通过最小化一个目标函数将数据子集中的与其每个近邻点所构成的向量与法向量的点积为0的点作为特征点，并基于该特征点进行图特征提取；[0012] 对进行图特征提取后的样本进行K‑means算法聚类处理：[0013] 根据数据子集的大小、形状设置k值；[0014] 随机选取预处理后的数据中的一个数据点作为初始质心；[0015] 当初始质心的数量小于k时，设Xi(i＝1,2…n)为预处理后的数据的数据集，μj(j＝1,2…k)为初始质心；[0016] 基于目标函数 计算数据集中每一个数据点距离已有的初始质心的距离D(x)，其中，j＝1,2…k；[0017] 将D(x)中最大值对应的数据点作为下一个初始质心；[0018] 依次得到k个初始质心，并基于k个初始质心对数据集进行聚类，得到隧道第一爆破图像；[0019] 对隧道第一爆破图像进行评估，得到爆破效果对应的评估结果，基于评估结果生成改善措施。[0020] 进一步地，基于隧道结构断面轮廓参数得到隧道超欠挖目标点与隧道结构断面轮廓之间的相对位置参数包括以下过程：[0021] 以隧道超欠挖目标点所在断面轮廓线的中心点为坐标原点，建立直角坐标系，对隧道超欠挖目标点所在断面进行投影，得到断面投影平面，获取隧道超欠挖目标点在断面投影平面的投影点位置，计算投影点位置距离断面轮廓线的最小距离d，将最小距离d作为相对位置参数。[0022] 进一步地，基于相对位置参数构建隧道超欠挖目标点、隧道对应的位置网格图包括：[0023] 通过RANSAC算法基于相对位置参数构建隧道超欠挖目标点、隧道对应的位置网格图。[0024] 进一步地，对位置网格图进行图特征提取和K‑means算法聚类处理后，得到隧道第一爆破图像包括以下过程：[0025] 按照主成份分析方法点找到位置网格图中选定数据子集，基于最小二乘法得到一个最小化目标函数，通过一个最小化目标函数将数据子集中的与其每个近邻点所构成的向量与法向量的点积为0的点作为特征点，并基于该特征点进行图特征提取；[0026] 对进行图特征提取后的样本进行K‑means算法聚类处理：[0027] 根据数据子集的大小、形状设置k值；[0028] 随机选取预处理后的数据中的一个数据点作为初始质心；[0029] 当初始质心的数量小于k时，设Xi(i＝1,2…n)为预处理后的数据的数据集，μj(j＝1,2…k)为初始质心；[0030] 基于目标函数 计算数据集中每一个数据点距离已有的初始质心的距离D(x)，其中，j＝1,2…k；[0031] 将D(x)中最大值对应的数据点作为下一个初始质心；[0032] 依次得到k个初始质心，并基于k个初始质心对数据集进行聚类，得到得到隧道第一爆破图像。[0033] 进一步地，对隧道第一爆破图像进行评估，得到爆破效果对应的评估结果包括以下过程：[0034] 步骤一：数据收集与标注：通过专家评估或者基于工程标准的量化指标对收集到的隧道第一爆破图像进行标注，明确每一张隧道第一爆破图像对应的爆破效果；[0035] 步骤二：图像预处理：去除模糊、重复或质量不佳的隧道第一爆破图像；调整隧道第一爆破图像的大小、分辨率和色彩空间，使其适合深度学习模型的输入；[0036] 步骤三：选择卷积神经网络作为评估模型；[0037] 步骤四：划分数据集：将标注好的隧道第一爆破图像划分为训练集、验证集和测试集；[0038] 设置损失函数和优化器：选择合适的损失函数和优化器来训练模型；[0039] 训练模型：使用训练集对模型进行训练，通过反向传播算法更新模型参数；[0040] 监控与调优：在验证集上监控模型的性能，通过调整超参数来优化模型性能；[0041] 步骤五：输出爆破效果等级以及标记超挖和欠挖的点。[0042] 进一步地，基于评估结果生成改善措施包括以下过程：[0043] 优化爆破参数：根据爆破效果等级和超挖、欠挖点的分布情况，对爆破参数进行优化，爆破参数优化包括选择合适的炸药品种、装药量和装药结构，以及调整炮孔间距、炮孔深度和炮孔角度；[0044] 提高钻孔精度：基于标记超挖和欠挖的点的位置坐标调整自动定位钻孔的位置和激光导向位置，以提高钻孔的准确性和稳定性。[0045] 另一方面，本发明提供隧道爆破效果的评估改善系统，系统包括扫描模块、位置网格图构建模块、图像形成模块以及评估改善模块；[0046] 扫描模块用于对爆破后的隧道进行三维扫描，得到若干个隧道超欠挖目标点，并获取隧道结构断面轮廓参数，基于隧道结构断面轮廓参数得到待隧道超欠挖目标点与隧道结构断面轮廓之间的相对位置参数；[0047] 位置网格图构建模块用于基于相对位置参数构建隧道超欠挖目标点与隧道对应的位置网格图；[0048] 图像形成模块用于对位置网格图进行图特征提取和K‑means算法聚类处理后，得到隧道第一爆破图像；[0049] 评估改善模块用于对隧道第一爆破图像进行评估，得到爆破效果对应的评估结果，基于评估结果生成改善措施。[0050] 相比于现有方案，本发明实现的有益效果：[0051] 一方面，本发明通过基于相对位置参数构建隧道超欠挖目标点与隧道对应的位置网格图；对位置网格图进行图特征提取和K‑means算法聚类处理后，得到隧道第一爆破图像；对隧道第一爆破图像进行评估，进而对隧道爆破效果评估时得到的评价结果更加准确。[0052] 另一方面，本发明基于评价结果生成改善措施来解决超欠挖测量不准确的问题，提高超欠挖测量精度。附图说明[0053] 为了更清楚地说明本申请实施例或现有技术中的技术方案，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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。[0054] 图1是本发明实施例的一种隧道爆破效果的评估改善方法的工作流程图；[0055] 图2是本发明实施例的一种隧道爆破效果的评估改善系统的系统框图。具体实施方式[0056] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。[0057] 此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多示例实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的示例实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、步骤等。在其它情况下，不详细示出或描述公知结构、方法、实现或者操作以避免喧宾夺主而使得本公开的各方面变得模糊。[0058] 本实施例提供了隧道爆破效果的评估改善方法，图1是本发明实施例的一种隧道爆破效果的评估改善方法的工作流程图，如图1所示，该方法包括以下步骤：[0059] 步骤S101：对爆破后的隧道进行三维扫描，得到若干个隧道超欠挖目标点，并获取隧道结构断面轮廓参数，基于隧道结构断面轮廓参数得到隧道超欠挖目标点与隧道结构断面轮廓之间的相对位置参数。[0060] 步骤S102：基于相对位置参数构建隧道超欠挖目标点、隧道对应的位置网格图。[0061] 步骤S103：对位置网格图进行图特征提取和K‑means算法聚类处理后，得到隧道第一爆破图像。[0062] 步骤S104：对隧道第一爆破图像进行评估，得到爆破效果对应的评估结果，基于评估结果生成改善措施。[0063] 综上，本发明对爆破后的隧道进行三维扫描，得到若干个隧道超欠挖目标点，并获取隧道结构断面轮廓参数，基于隧道结构断面轮廓参数得到待隧道超欠挖目标点与隧道结构断面轮廓之间的相对位置参数；基于相对位置参数构建隧道超欠挖目标点、隧道对应的位置网格图；对位置网格图进行图特征提取和算法聚类处理后，得到隧道第一爆破图像；对隧道第一爆破图像进行评估，得到爆破效果对应的评估结果，基于评估结果生成改善措施。能够避免依赖于人工观察和经验判断，带来的主观性强、误差大、效率低的问题，相应地，对隧道爆破效果评估时得到的评价结果更加准确，基于评价结果生成改善措施来解决超欠挖测量不准确的问题，提高超欠挖测量精度。[0064] 在一些实施例中，基于隧道结构断面轮廓参数得到隧道超欠挖目标点与隧道结构断面轮廓之间的相对位置参数包括以下过程：[0065] 以隧道超欠挖目标点所在断面轮廓线的中心点为坐标原点，建立直角坐标系，对隧道超欠挖目标点所在断面进行投影，得到断面投影平面，获取隧道超欠挖目标点在断面投影平面的投影点位置，计算投影点位置距离断面轮廓线的最小距离d，将最小距离d作为相对位置参数。[0066] 进一步地，基于相对位置参数构建隧道超欠挖目标点、隧道对应的位置网格图包括：[0067] 通过RANSAC算法基于相对位置参数构建构建隧道超欠挖目标点、隧道对应的位置网格图，具体地，RANSAC算法(RandomSampleConsensus)是一种用于从包含噪声的数据中估计数学模型参数的迭代方法。在隧道工程中，RANSAC可以应用于生成隧道超欠挖的目标点，这通常涉及到从点云数据中提取隧道轮廓或计算超欠挖的情况。[0068] 1.数据准备[0069] 收集隧道扫描数据，通常是点云数据(如通过激光雷达扫描获得)。[0070] 对数据进行预处理，如滤波、去噪、坐标转换等。[0071] 2.使用RANSAC提取隧道轮廓[0072] 选择RANSAC算法来从点云数据中提取隧道轮廓。[0073] 随机选择初始点集，拟合隧道横截面的数学模型(如圆或椭圆)。[0074] 通过迭代，不断优化模型参数，排除不符合模型的点。[0075] 最终得到隧道轮廓的估计。[0076] 3.计算超欠挖目标点[0077] 根据隧道设计轮廓和RANSAC提取的实际轮廓，计算超挖(超出设计轮廓的部分)和欠挖(未达到设计轮廓的部分)。[0078] 标记超挖和欠挖的目标点。[0079] 4.生成位置网格图[0080] 创建隧道横截面的网格图。这可以通过将隧道横截面划分为一系列网格单元来实现。[0081] 将每个网格单元与点云数据中的点或RANSAC提取的轮廓进行关联。[0082] 使用颜色或其他视觉元素来表示每个网格单元的超挖或欠挖情况。例如，可以使用不同颜色来表示超挖和欠挖的程度。[0083] 5.可视化结果[0084] 使用可视化工具(如MATLAB、Python的matplotlib或Plotly等)将位置网格图呈现出来。[0085] 可以添加标签、比例尺和其他必要的注释，以便更好地理解超挖和欠挖的情况。[0086] 在一些实施例中，对位置网格图进行图特征提取和K‑means算法聚类处理后，得到隧道第一爆破图像包括以下过程：[0087] 按照主成分分析方法找到位置网格图中选定数据子集，基于最小二乘法得到一个最小化目标函数，通过一个最小化目标函数将数据子集中的与其每个近邻点所构成的向量与法向量的点积为0的点作为特征点，并基于该特征点进行图特征提取；[0088] 对进行图特征提取后的样本进行K‑means算法聚类处理：[0089] 根据数据子集的大小、形状设置k值；[0090] 随机选取预处理后的数据中的一个数据点作为初始质心；[0091] 当初始质心的数量小于k时，设Xi(i＝1,2…n)为预处理后的数据的数据集，μj(j＝1,2…k)为初始质心；[0092] 基于目标函数 计算数据集中每一个数据点距离已有的初始质心的距离D(x)，其中，j＝1,2…k；[0093] 将D(x)中最大值对应的数据点作为下一个初始质心；[0094] 依次得到k个初始质心，并基于k个初始质心对数据集进行聚类，得到隧道第一爆破图像。[0095] 进一步地，对隧道第一爆破图像进行评估，得到爆破效果对应的评估结果包括以下过程：[0096] 步骤一：数据收集与标注：通过专家评估或者基于工程标准的量化指标对收集到的隧道第一爆破图像进行标注，明确每一张隧道第一爆破图像对应的爆破效果；[0097] 步骤二：图像预处理：去除模糊、重复或质量不佳的隧道第一爆破图像；调整隧道第一爆破图像的大小、分辨率和色彩空间，使其适合深度学习模型的输入；[0098] 步骤三：选择卷积神经网络作为评估模型；[0099] 步骤四：划分数据集：将标注好的隧道第一爆破图像划分为训练集、验证集和测试集；[0100] 设置损失函数和优化器：选择合适的损失函数和优化器来训练模型；[0101] 训练模型：使用训练集对模型进行训练，通过反向传播算法更新模型参数。[0102] 监控与调优：在验证集上监控模型的性能，通过调整超参数来优化模型性能。[0103] 步骤五：输出爆破效果等级以及标记超挖和欠挖的点。[0104] 在一些实施例中，基于评估结果生成改善措施包括以下过程：[0105] 优化爆破参数：根据爆破效果等级和超挖、欠挖点的分布情况，对爆破参数进行优化，爆破参数优化包括选择合适的炸药品种、装药量和装药结构，以及调整炮孔间距、炮孔深度和炮孔角度：[0106] 首先，根据爆破效果的实际评估情况，将爆破效果划分为四个等级：“优秀”、“良好”、“一般”和“较差”。对这四个等级进行深入分析，理解不同等级下爆破效果的具体表现，特别是“一般”和“较差”等级，需要重点关注其中存在的问题和不足。[0107] 通过三维扫描技术获取隧道爆破后的点云数据，精确标记出超挖和欠挖的点。对这些点的分布情况进行详细分析，找出超挖和欠挖的集中区域，以及它们与爆破效果等级之间的关联。[0108] 基于上述分析，对爆破参数进行优化。具体的优化措施包括：[0109] 炸药品种和装药量的优化：根据爆破效果等级和超挖、欠挖点的分布情况，选择合适的炸药品种和装药量。对于爆破效果较差的区域，可以适当增加炸药量以提高爆破效果；对于超挖严重的区域，则可能需要减少炸药量或调整炸药品种，以减少超挖现象。[0110] 炮孔参数的优化：包括炮孔间距、炮孔深度和炮孔角度等。通过对这些参数的调整，可以控制爆破能量的分布和传递，从而改善爆破效果。例如，在超挖严重的区域，可以适当减小炮孔间距或增加炮孔深度，以减小爆破能量的分散；在欠挖区域，则可能需要调整炮孔角度，使爆破能量更好地作用于目标区域。[0111] 起爆顺序和延迟时间的优化：合理的起爆顺序和延迟时间可以控制爆破能量的叠加和分散，从而实现更加均匀的爆破效果。根据超挖和欠挖点的分布情况，对起爆顺序和延迟时间进行优化，可以减少超挖和欠挖现象的发生。[0112] 在优化后的爆破参数下进行实际爆破实验，通过对比实验前后的爆破效果等级和超挖、欠挖点的分布情况，验证优化措施的有效性。根据实验结果，对爆破参数进行进一步的调整和优化，直至达到理想的爆破效果。[0113] 提高钻孔精度：基于标记超挖和欠挖的点的位置坐标调整自动定位钻孔的位置和激光导向位置，以提高钻孔的准确性和稳定性。[0114] 本发明还提供了隧道爆破效果的评估改善系统，图2是本发明实施例的一种隧道爆破效果的评估改善系统的系统框图，如图2所示，系统包括扫描模块、位置网格图构建模块、图像形成模块以及评估改善模块；[0115] 扫描模块用于对爆破后的隧道进行三维扫描，得到若干个隧道超欠挖目标点，并获取隧道结构断面轮廓参数，基于隧道结构断面轮廓参数得到待隧道超欠挖目标点与隧道结构断面轮廓之间的相对位置参数；[0116] 位置网格图构建模块用于基于相对位置参数构建隧道超欠挖目标点与隧道对应的位置网格图；[0117] 图像形成模块用于对位置网格图进行图特征提取和K‑means算法聚类处理后，得到隧道第一爆破图像；[0118] 评估改善模块用于对隧道第一爆破图像进行评估，得到爆破效果对应的评估结果，基于评估结果生成改善措施。[0119] 综上，基于深度学习的隧道爆破效果评估方法可以通过训练模型来自动学习和提取爆破图像中的深层次特征，进而实现对爆破效果的准确评估。这种方法具有处理速度快、精度高、自动化程度高等优点。[0120] 上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。[0121] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。[0122] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0123] 在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一些逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。[0124] 所述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。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。[0125] 所述功能如果以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所述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(read‑onlymemory，ROM)、随机存取存储器(randomaccessmemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。[0126] 以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

专利地区：辽宁

专利申请日期：2024-07-03

专利公开日期：2024-10-25

专利公告号：CN118411616B