智慧城市清洁路线管理方法、物联网系统及存储介质与流程

1.本说明书涉及城市清洁技术领域，特别涉及一种智慧城市清洁路线管理方法、物联网系统及存储介质。


背景技术：

2.随着科技的发展和智慧城市的推进，越来越多的公共服务装置实现了智能化。但是在城市道路清洁方面，仍然是路政部门雇佣清洁工人以划片区的方式完成城市道路清洁。这种方式需要雇佣很多的环卫工人，提高环卫成本，并且划片区清洁的方式导致环卫工作劳动强度大、工作时间长和清洁效率低等问题。因此，有必要提供一种智慧城市清洁路线管理方法和系统。


技术实现要素：

3.本说明书一个或多个实施例提供一种智慧城市清洁路线管理方法。所述方法基于智慧城市清洁路线管理物联网系统实现，所述慧城市清洁路线管理物联网系统包括管理平台、传感网络平台和对象平台；所述方法包括：基于所述对象平台获取目标区域在预设时间段的目标信息，所述目标信息包括道路监控信息、天气信息、行道树信息中至少一种；通过所述传感网络平台将所述目标区域的目标信息发送到所述管理平台；基于所述管理平台处理所述目标区域的目标信息，确定所述目标区域的清扫路线，包括：根据所述目标信息，确定所述目标区域内每段道路的预估落叶量；根据所述目标信息、所述预估落叶量，确定所述目标区域内每段道路的落叶的预估飘落范围；基于所述每段道路的预估落叶量和预估飘落范围，确定所述每段道路的清扫难度评估值；以及基于所述每段道路的清扫难度评估值确定清扫路线。
4.本说明书实施例之一提供一种智慧城市清洁路线管理物联网系统，所述慧城市清洁路线管理物联网系统包括管理平台、传感网络平台和对象平台；所述对象平台用于基于所述对象平台获取目标区域在预设时间段的目标信息，所述目标信息包括道路监控信息、天气信息、行道树信息中至少一种；所述传感网络平台用于将所述目标区域的目标信息发送到所述管理平台；所述管理平台用于处理所述目标区域的目标信息，确定所述目标区域的清扫路线，其中，所述管理平台进一步用于：根据所述目标信息，确定所述目标区域内每段道路的预估落叶量；根据所述目标信息、所述预估落叶量，确定所述目标区域内每段道路的落叶的预估飘落范围；基于所述每段道路的预估落叶量和预估飘落范围，确定所述每段道路的清扫难度评估值；以及基于所述每段道路的清扫难度评估值确定清扫路线。
5.本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现前述智慧城市清洁路线管理方法。
附图说明
6.本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进
行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
7.图1是根据本说明书一些实施例所示的智慧城市清洁路线管理物联网系统的示例性结构图；
8.图2是根据本说明书一些实施例所示的智慧城市清洁路线管理方法的示例性流程图；
9.图3是根据本说明书一些实施例所示的基于多目标区域的清扫路线确定方法的示例性流程图；
10.图4是根据本说明书一些实施例所示的图像识别模型的示例性示意图；
11.图5是根据本说明书一些实施例所示的落叶量预估模型及范围预估模型的示例性示意图；
12.图6是根据本说明书一些实施例所示的确定清扫路线的示例性流程图。
具体实施方式
13.为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
14.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
15.如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
16.本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
17.图1是根据本说明书一些实施例所示的智慧城市清洁路线管理物联网系统的示例性结构图。
18.如图1所示，智慧城市清洁路线管理物联网系统100可以包括用户平台110、服务平台120、管理平台130、传感网络平台140、对象平台150。
19.在一些实施例中，智慧城市清洁路线管理物联网系统100可以应用于城市的市容管理(如规划清洁路线)等多种应用场景。例如，智慧城市清洁路线管理物联网系统100可以应用于城市(如芝加哥市、纽约市等市级行政单位)的每日清洁路线规划。在一些实施例中，城市可以包括多个目标区域，智慧城市清洁路线管理物联网系统100可以获取目标区域在预设时间段的目标信息，并基于目标信息的处理确定目标区域的清扫路线。
20.需要说明的是以上场景仅为示例，并不对智慧城市清洁路线管理物联网系统100的具体应用场景起限制作用，本领域技术人员可以在本实施例公开的内容基础上，将智慧城市清洁路线管理物联网系统100应用于其他合适的任何场景。
21.以下将对智慧城市清洁路线管理物联网系统100进行具体说明。
22.用户平台110可以是面向用户的服务接口，被配置为终端设备。在一些实施例中，用户平台110可以接收来自用户的信息。例如，用户平台110可以接收来自用户的清洁路线查询指令。在一些实施例中，用户平台110可以将道城市的清洁路线反馈给用户。
23.在一些实施例中，用户平台110可以和服务平台120进行交互。例如，用户平台110可以发送清洁路线查询指令至服务平台120；又例如，用户平台110可以接收服务平台120上传的城市清洁路线。
24.服务平台120可以是为用户提供输入和输出服务的平台，被配置为第一服务器。在一些实施例中，服务平台120可以存储由用于与用户交互的数据(如清洁路线)。
25.在一些实施例中，服务平台120可以和用户平台110以及管理平台130交互。例如，服务平台120可以集中存储管理平台130生成的清洁路线，并通过用户平台110反馈给用户。
26.管理平台130可以是指统筹、协调各功能平台之间的联系和协作，提供感知管理和控制管理的物联网平台。在一些实施例中，管理平台130可以被配置为第二服务器。在一些实施例中，管理平台130可以是智慧城市道路清洁路线管理方法的主要执行设备。例如，管理平台130可以对各个目标区域的目标信息进行处理，确定目标区域的清洁路线。
27.在一些实施例中，管理平台130可以和服务平台120以及传感网络平台140交互。例如，管理平台130可以通过传感网络平台140接收目标信息，基于目标信息确定清扫路线并发送到服务平台140。
28.传感网络平台140可以是管理平台和对象平台之间实现交互的衔接的平台。在一些实施例中，传感网络平台140被配置为通信网络和网关，各传感网络分平台可以配置独立的网关。
29.在一些实施例中，传感网络平台140可以和管理平台130以及对象平台150交互。例如，传感网络平台140可以向对象平台150下发目标信息获取指令以获取目标信息，再将目标信息转发到管理平台130。
30.对象平台150可以是感知信息生成和控制信息最终执行的功能平台。在一些实施例中，对象平台150可以被配置为由至少一个相关监控设备(如摄像设备等)组成的功能平台。相关监控设备可以包括摄像头，用于获取道路监控信息。
31.在一些实施例中，对象平台150可以和传感网络平台140进行交互。例如，对象平台150可以获取目标信息并通过传感网络分平台140向外发送。
32.在一些实施例中，考虑到智慧城市清洁路线管理方法的执行对象(如各个城市)可能具有较大的面积。为方便信息处理，可以将执行对象划分为多个目标区域，并根据目标区域构建分布式智慧城市清洁路线管理物联网系统。即智慧城市清洁路线管理物联网系统中的多个平台可以包括与目标区域对应的分平台。
33.在一些实施例中，服务平台120可以采用前分式布置。服务平台120所采用的前分式布置是指服务平台120设置有一个即总数据库和多个分平台(包括自有数据库)，多个分平台分别存储和处理各个目标区域的相关信息，总数据库可以用于对服务分平台的数据进
行汇总处理。其中，各个服务分平台可以与总数据库以及对应目标区域所对应的其他分平台(如管理分平台)交互。
34.在一些实施例中，管理平台130可以采用独立式布置。管理平台130所采用的独立式布置是指管理平台130对各个目标区域采用不同的管理分平台进行数据存储、数据处理和/或数据传输。其中，管理分平台根据目标区域进行划分，管理分平台可以与对应目标区域所对应的其他分平台(如传感网络分平台)交互。
35.在一些实施例中，传感网络平台140可以采用独立式布置。传感网络平台140所采用的独立式布置可以指将各个目标区域的网络、网关等网络设备视为该目标区域的传感网络分平台。
36.在一些实施例中，对于各个目标区域，同一目标区域对应的多个分平台可以进行交互。例如，目标区域对应的传感网络分平台可以将目标信息发送到该目标区域对应的管理分平台。该目标区域对应的管理分平台可以将计算好的目标区域的清扫路线发送到该目标区域对应的服务分平台。
37.图2是根据本说明书一些实施例所示的智慧城市清洁路线管理方法的示例性流程图。在一些实施例中，流程200可以基于智慧城市清洁路线管理物联网系统100实现。
38.如图2所示，流程200包括如下步骤：
39.步骤210，基于对象平台获取目标区域在预设时间段的目标信息。其中，目标信息包括道路监控信息、天气信息、行道树信息中至少一种。在一些实施例中，步骤210可以由对象平台150执行，关于对象平台150的更多内容可以参见图1及其相关描述。
40.目标区域可以是智慧城市清洁路线管理方法的至少部分执行对象。例如，当对城市进行市容管理(如规划清洁路线时)时，目标区域可以为该城市所管辖的各个行政区划(如芝加哥市的乔利埃特、内珀维尔等区域)。在一些实施例中，目标区域还可以根据用户的实际需要确定。例如，用户可以在地图中划定目标区域。
41.需要说明的是，流程200主要涉及目标区域的清洁路线确定，关于城市清洁路线的相关内容可以参见图3及其相关描述。
42.预设时间段可以是对象平台进行数据采集的时间段。在一些实施例中，预设时间段可以与智慧城市清洁路线管理方法的执行时间有关，预设时间段可以是执行本次智慧城市清洁路线管理方法前的一段时间(如1小时、2小时等)。例如，城市在每天6、11、18点执行城市清扫，则预设时间段可以是每次城市清扫前的一段时间(如1小时、2小时等)。再例如，预设时间段可以是上次执行智慧城市清洁路线管理方法的历史时刻至当前时刻的时间段。
43.目标信息可以是能直接或间接反映目标区域清洁程度(如落叶量、落叶的飘落范围等)的信息。例如，目标信息可以包括道路监控信息、天气信息、行道树信息中至少一种。
44.道路监控信息可以是目标区域内各段道路的监控信息，可以反映各段道路路面的清洁程度(如路面的落叶量)。在一些实施例中，道路监控信息可以通过对象平台中设置在各段道路的对象平台中的监控设备获取。
45.天气信息可以时反映目标区域内天气情况的相关信息。例如，天气信息可以包括气温、风力、风向、空气湿度等相关信息。在一些实施例中，天气信息可以通过天气数据库(如气象局的相关数据库)获取。在一些实施例中，对象平台还可以包括气象传感器(如气象气球、气象卫星等)，天气信息可以通过气象传感器获取。
46.行道树信息可以反映目标区域内各段道路中行道树情况。其中，行道树可以指种植在道路两侧的树木。行道树信息可以包括各个行道树的种类、树龄、叶片茂密程度等信息。在一些实施例中，行道树信息可以通过城市数据库(如城市规划局、环保局的相关数据库)获取。
47.在一些实施例中，行道树信息还可以通过各段道路的监控设备获取的道路监控信息确定。即可以先基于道路监控信息确定行道树图像；再基于图像识别模型对行道树图像进行处理，确定行道树信息。其中，行道树图像可以指道路监控信息中行道树部分的监控图像。图像识别模型可以是训练好的机器学习模型，关于图像识别模型的更多内容可以参见图4及其相关描述。
48.在一些实施例中，可以根据预设规则处理道路监控信息以确定行道树图像。例如，工作人员可以提前根据道路监控信息划定画面中的行道树所在的区域，在确定行道树图像时可以根据工作人员划定的区域，将该区域的监控信息提取作为行道树图像，再例如，可以以行道树为识别目标基于目标识别算法处理道路监控信息以确定行道树图像。
49.步骤220，通过传感网络平台将目标区域的目标信息发送到管理平台。在一些实施例中，步骤220可以通过传感网络平台140执行，关于传感网络平台140的更多内容可以参见图1及其相关描述。
50.在一些实施例中，对象平台获取的目标信息可以实时发送到传感网络平台，并经由传感网络平台实时转发到对应的管理平台。在一些实施例中，传感网络平台可以缓存对象平台获取的目标信息，以确定预设时间段的目标信息并发送到对应的管理平台。
51.步骤230，基于管理平台处理目标区域的目标信息，确定目标区域的清扫路线。在一些实施例中，步骤230可以由管理平台130执行，关于管理平台130的更多内容可以参见图1及其相关描述。
52.清扫路线可以指目标区域内各段道路在清洁时的清洁顺序。其中，目标区域可以包括多个清扫路线，沿各个清扫路线对各段道路进行清扫可以完成对目标区域的清洁。
53.在一些实施例中，清扫路线可以根据预设规则以及目标信息确定并根据实际情况进行调整。例如，可以根据预设规则确定目标区域内各段道路的优先级，在根据目标信息调整各个道路的清扫顺序，进而确定清扫路线。示例性地，当目标信息可以说明道路存在积雪、落叶等影响交通的情况时，可以优先清洁该路段(如提高该道路的优先级)。
54.本说明书一些实施例还提供了确定目标区域的清扫路线的相关方法。如图2所示，在一些实施例中，步骤230可以进一步包括如下步骤：
55.步骤231，根据目标信息，确定目标区域内每段道路的预估落叶量。
56.预估落叶量可以指每段道路两侧行道树可能产生的落叶量。例如，预估落叶量可以包括在上一次清洁后至下一次清洁前每段道路两侧行道树产生的总落叶量。再例如，预估落叶量可以包括在上一次清洁后至下一次清洁前各个时间段(如每小时)每段道路两侧行道树产生的落叶量。
57.在一些实施例中，预估落叶量可以基于预设公式根据目标信息(如行道树信息)确定。例如，预设公式可以为预估落叶量＝平均落叶量
×
预设时间段，即可以根据道路两侧行道树的相关信息(如行道树的类型、茂密程度等)确定平均落叶量，再根据平均落叶量以及预设时间段确定预估落叶量。示例性地，可以根据历史落叶情况构建目标信息与平均落叶
量的对照表，根据当前的目标信息从对照表中确定当前的平均落叶量，再根据平均落叶量以及预设时间段确定预估落叶量。
58.在一些实施例中，可以基于落叶量预估模型对目标信息进行处理，确定目标区域内每段道路的落叶量。其中，落叶量预估模型可以是训练好的机器学习模型。关于落叶量预估模型的更多内容可以参见图5及其相关描述。
59.步骤232，根据目标信息、预估落叶量，确定目标区域内每段道路的落叶的预估飘落范围。
60.落叶的预估飘落范围可以指各个行道树产生的落叶在道路上的覆盖范围。例如，对于各段道路，该段道路的预估飘落范围可以为该道路两侧行道树的总落叶范围(即各个行道树落叶范围的并集)中位于该段道路路面的部分。
61.在一些实施例中，可以基于预设规则处理目标信息以及预估落叶量，以确定预估飘落范围。例如，可以基于各个行道树的预估落叶量确定各个行道树的无外力作用下的直接落叶范围(如落叶直接落下时可以呈正态分布)，再基于目标信息确定落叶范围的偏移量，基于各个行道树的直接落叶范围以及落叶范围的偏移量确定预估飘落范围。示例性地，可以基于历史数据拟合直接落叶范围与落叶量的对应关系以及目标信息与落叶范围的偏移量的对应关系。
62.在一些实施例中，可以基于范围预估模型对目标信息以及预估落叶量进行处理，确定目标区域内每段道路的落叶的预估飘落范围。其中，范围预估模型可以是训练好的机器学习模型。关于范围预估模型的更多内容可以参见图5及其相关描述。
63.步骤233，基于每段道路的预估落叶量和预估飘落范围，确定每段道路的清扫难度评估值。
64.清扫难度评估值可以反映各个道路的清扫难度。例如，当道路堆积的落叶量越多，其清扫难度越高，对应的清扫难度评估值越高。
65.在一些实施例中，清扫难度评估值可以与预估落叶量和/或预估飘落范围正相关。即当预估落叶量越大和/或预估飘落范围越大时，清扫难度评估值越大。
66.在一些实施例中，清扫难度评估值可以通过预设公式计算。例如，预设公式可以为d＝az+bs，其中，d为清扫难度评估值，z为预估落叶量，s预估飘落范围面积，a、b为预设常数。
67.在一些实施例中，预设公式的相关参数(如预设常数a、b)可以基于历史数据确定。例如，可以根据历史数据中各个道路清扫落叶时的清扫时间、清扫车辆的类型等因素设定清扫难度评估值，再基于历史落叶量与历史飘落范围进行计算(如线性回归)确定预设公式的相关参数。
68.在一些实施例中，清扫难度评估值还可以通过清洁时的相关参数进行表征。例如，清扫难度评估值还可以为采用常规清洁工具时该段道路的预估清洁时间、清洁车辆的满载率、清洁往返次数等相关清洁参数进行表征。
69.步骤234，基于每段道路的清扫难度评估值确定清扫路线。
70.清扫路线可以指在执行道路清扫时，用于清扫的相关车辆(如垃圾车、扫路车、洗扫车等)的运行路线。其中，每条清扫路线可以包括多段道路以及各段道路的清扫顺序。例如，清扫路线可以包括道路ab、bc、cd，其清扫顺序为按ab、bc、cd的顺序执行清扫。
71.目标区域的清扫路线可以是指能完成目标区域清扫任务的路线。例如，目标区域的清扫路线可以包括多条路线，每条路线的所包含的道路可以覆盖目标区域中需要清扫的各段道路。
72.在一些实施例中，需要清扫的各段道路可以根据实际需要确定。例如，需要清扫的各段道路可以是目标区域内的各段道路。再例如，需要清扫的各段道路可以是目标区域内的各段道路中清扫难度评估值大于预设阈值的道路。
73.在一些实施例中，可以基于预设算法处理每段道路的清扫难度评估值以确定清扫路线。例如，可以以清扫路线中各段道路的总清扫难度评估值最低为优化目标，基于路径规划算法(如dijkstra算法、a*算法等)对每段道路的清扫难度评估值进行处理，确定总清扫难度评估值最低的清扫路线。
74.在一些实施例中，可以根据每段道路的清扫难度评估值构建图结构数据，再基于预设算法(如基于预设公式的迭代算法、almeida-pineda算法等)对图结构数据进行处理，根据处理后的图结构数据确定清扫路线。在一些实施例中，基于预设公式的迭代算法处理图结构数据的更多内容可以参考图6及其相关描述。
75.基于本说明书一些实施例提供的智慧城市清洁路线管理方法，可以预估目标区域的落叶情况并规划清扫路线，提高对目标区域的清洁能力。此外，本说明书中的落叶也可以通过迁移学习替换为积雪等其他待清洁对象，从而适应不同的清扫需求。
76.图3是根据本说明书一些实施例所示的基于多目标区域的清扫路线确定方法的示例性流程图。在流程300中，可以基于多个目标区域确定清扫路线。在一些实施例中，流程300可以基于智慧城市清洁路线管理物联网系统100实现。
77.如图3所示，对于城市中各个目标区域，流程300包括如下步骤：
78.步骤310，通过目标区域对应的传感网络分平台下发目标区域的目标信息获取指令。在一些实施例中，步骤310可以由与目标区域对应的传感网络分平台执行，关于传感网络分平台的更多内容可以参见图1及其相关描述。
79.目标信息获取指令可以用于控制对象平台中的各个传感器，获取对应的目标信息。
80.在一些实施例中，目标信息获取指令可以响应于用户操作和/或方法的周期性执行而生成。例如，可以在每次清扫前执行，传感网络分平台可以生成目标信息获取指令可并下发。
81.步骤320，基于对象平台响应于目标信息获取指令，获取目标区域在预设时间段的目标信息，并发送至所述传感网络分平台。在一些实施例中，步骤320可以由对象平台执行。其中，该对象平台可以是与目标区域对应的传感网络分平台连接的部分对象平台。
82.关于获取目标区域在预设时间段的目标信息的更多内容可以参见步骤210的相关描述，在此不做赘述。
83.步骤330，通过传感网络分平台将目标区域的目标信息发送到目标区域对应的管理分平台。其中，管理平台包括对应的于城市中各个目标区域的多个管理分平台。
84.在一些实施例中，步骤330可以由目标区域对应的传感网络分平台执行。于传感网络分平台转发目标区域在预设时间段的目标信息的更多内容可以参见步骤220的相关描述，在此不做赘述。
85.步骤340，基于管理分平台处理目标区域的目标信息，确定目标区域的清扫路线。
86.在一些实施例中，步骤340可以由目标区域对应的管理分平台执行，关于管理分平台的更多内容可以参见图1及其相关描述。关于管理分平台确定目标区域的清扫路线的更多内容可以参见步骤230的相关描述，在此不做赘述。
87.在一些实施例中，智慧城市清洁路线管理物联网系统还包括服务平台以及用户平台。其中，服务平台可以用于存储相关数据，用户平台可以用于与用户交互。关于服务平台、用户平台的更多内容可以参见图2及其相关描述。
88.在一些实施例中，在确定各个目标区域的清扫路线后，管理分平台可以将相关数据发送到服务平台，以通过服务平台以及用户平台将清扫路线呈现在用户面前。在一些实施例中，服务平台可以对各个目标区域的清扫路线进行汇总，确定城市的清扫路线再呈现给用户。
89.由此，如图3所示，流程300还可以包括如下步骤：
90.步骤350，通过目标区域对应的管理分平台将目标区域的清扫路线发送到管理分平台对应的服务分平台。在一些实施例中，步骤350可以由目标区域对应的管理分平台执行。
91.在一些实施例中，当各个管理分平台确定对应目标区域的清扫路线后，可以将该清扫路线发送到对应的服务分平台。在一些实施例中，管理分平台发送清扫路线时，可以将计算过程中的相关数据一同发送。例如，管理分平台可以将目标区域内每段道路的目标信息、预估落叶量、预估飘落范围以及清扫难度评估值打包发送到对应的服务分平台，以实现对中间数据的备份。
92.步骤360，通过服务分平台接收目标区域的清扫路线，并汇总至总数据库。在一些实施例中，步骤360可以由目标区域对应的服务分平台执行，关于服务分平台的更多内容可以参见图1及其相关描述。
93.在一些实施例中，各个服务分平台可以与总数据库通信连接。当服务分平台接收到对应的管理分平台发送的目标区域的清扫路线后，可以将该目标区域的清扫路线转发至总数据库，以完成步骤360。
94.步骤370，基于总数据库将城市中各个目标区域的清扫路线进行汇总，得到城市的清扫路线，并发送到用户平台。在一些实施例中，步骤370可以由总数据库执行，关于总数据库的更多内容可以参见图1及其相关描述。
95.目标区域的清扫路线进行汇总可以指将各个目标区域的清扫路线进行汇集统计。
96.在一些实施例中，总数据库在进行汇总时还可以对各个目标区域的清扫路线进行简单的统计处理。例如，可以判断各个目标区域的清扫路线中是否存在重复，并除去重复的清扫路线。
97.基于本说明书一些实施例提供的智慧城市清洁路线管理方法，可以通过对各个目标区域的清扫路线确定城市的清扫路线。由此，可以使本说明书提供的智慧城市清洁路线管理物联网系统进行分布式布置，提高智慧城市清洁路线管理方法的扩展性。
98.应当注意的是，上述有关流程300、400的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300、400进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
99.图4是根据本说明书一些实施例所示的图像识别模型的示例性示意图。
100.如图4所示，图像识别模型400可以对目标信息进行处理，以确定行道树信息。其中，目标信息可以包括行道树图像。则对应的，图像识别模型400可以输入行道树图像，经处理输出对应行道树的行道树信息。
101.在一些实施例中，行道树信息可以包括叶片茂密程度。其中，叶片茂密程度可以用于反映行道树的树叶生长情况，进而反映树叶掉落的可能性。在一些实施例中，叶片茂密程度可以通过叶片茂密程度评分表征，其中，叶片茂密程度评分越高则说明树叶越茂密。
102.在一些实施例中，叶片茂密程度评分可以基于平均茂密程度确定，例如，可以根据历史数据确定各类行道树在各个时期的平均树叶特征(如平均树冠大小、平均树叶颜色、平均树叶密度等指标)，再将当前行道树的树叶特征与平均树叶特征进行对比，以确定叶片茂密程度评分。例如，若当前行道树的树冠大小大于平均树冠大小时，则当前叶片茂密程度评分可以大于预设平均评分(如5分)。在一些实施例中，叶片茂密程度评分也可以由工作人员人工设定。
103.在一些实施例中，图像识别模型400可以包括特征提取层410、融合层420和识别层430。行道树图像依次经特征提取层410、融合层420和识别层430处理，以确定叶片茂密程度。
104.在一些实施例中，可以将行道树图像输入特征提取层410，经特征提取层410卷积处理确定多个图像特征。然后可以将多个图像特征输入融合层420，经融合层420进行融合处理确定融合特征。最后将融合特征输入识别层430，经识别层430处理确定叶片茂密程度。
105.特征提取层410可以是训练好的卷积神经网络，可以用于提取行道树图像中的特征。其中，特征提取层410可以包括多个卷积核，当行道树图像输入特征提取层410时，可以经各个卷积核处理输出多个尺寸不同的图像特征。
106.在一些实施例中，特征提取层410可以通过特征图金字塔网络(feature pyramid networks，fpn)实现，即特征提取层410可以包括多个尺寸不同的卷积核，当行道树图像输入特征提取层410时，可以先依次经过各个尺寸不同的卷积核处理，输出多个中间图像特征，其中，中间图像特征的尺寸随卷积核的处理逐渐减少。然后基于尺寸最小的中间图像特征与其他中间图像特征进行融合(如将小尺寸的中间图像特征拓展然后将对应位置的像素进行相加)，从而确定多个不同尺寸的图像特征。
107.融合层420可以用于融合不同尺寸的图像特征，得到融合特征。在一些实施例中，融合层420可以包括尺寸归一化模块以及叠加模块。其中，尺寸归一化模块可以通过比例扩展、插值、池化等方式将不同尺寸的图像特征同一为相同尺寸。叠加模块可以对多个相同尺寸的图像特征进行叠加(如加权求和)，得到融合特征。
108.在一些实施例中，为提高融合特征的表征能力，在融合层420还可以输入其他相关数据，以使融合特征包含对应的信息。例如，融合层420还可以输入天气情况(例如阴天还是晴天、是否有雾或霾等)、图像参数(例如图像尺寸、分辨率)、图像拍摄时摄像头距离树木的距离等其他相关数据。
109.在一些实施例中，融合层420在将其他相关数据融入图像特征时，可以在基于图像特征的融合特征外构建特征向量，将其他相关数据填充在该特征向量中。在一些实施例中，融合层420还可以处理其他相关数据以确定调整参数(如对比度)，并基于调整参数调整对
应的图像特征，以使融合特征包含其他相关数据。例如，当天气是阴天时，在融合层420确定融合特征时，可以调高画面的对比度。
110.识别层430可以用于处理融合特征，以确定叶片茂密程度。在一些实施例中，识别层430可以通过分类器实现，其中，分类器处理可以融合特征得到叶片茂密程度的评分。
111.在一些实施例中，可以基于历史数据构建图像识别模型400的训练数据，基于训练数据对初始图像识别模型进行训练，直到完成训练目标。其中，训练目标可以包括迭代次数超过阈值、误差收敛等。初始图像识别模型可以是未设置参数的图像识别模型400。
112.在一些实施例中，训练数据可以包括多个训练样本以及对应的训练标签，其中，训练样本可以是历史数据中的历史目标信息(如历史行道树图像)，训练标签可以是基于历史目标信息确定(如手工标注)的行道树信息(如历史叶片茂密程度)。当将训练样本输入初始图像识别模型时，训练样本经初始图像识别模型处理确定模型输出，可以根据模型输出与对应的样本标签基于损失函数迭代初始图像识别模型中的各个参数。
113.在一些实施例中，初始图像识别模型可以包括初始特征提取层、初始融合层以及初始识别层。其中，初始特征提取层可以是未设置参数的特征提取层410、初始融合层可以是未设置参数的融合层420、初始识别层可以是未设置参数的识别层430。对应的，当将训练样本输入初始图像识别模型时，训练样本依次经初始特征提取层、初始融合层以及初始识别层处理确定模型输出。初始特征提取层、初始融合层以及初始识别层的参数可以随初始图像识别模型的参数迭代而更新，当初始图像识别模型训练完成时，可以将训练好的初始特征提取层、初始融合层以及初始识别层作为对应的特征提取层410、融合层420和识别层430。
114.基于本说明书一些实施例提供的图像识别模型，可以通过多尺寸的特征图像充分解析目标信息中的特征，提高行道树信息的精确度。此外，还可以将其他相关信息引入行道树信息的计算，进一步提高行道树信息的精确度。
115.图5是根据本说明书一些实施例所示的落叶量预估模型及范围预估模型的示例性示意图。
116.如图5所示，落叶量预估模型510可以对目标信息进行处理，确定目标区域内每段道路的落叶量。范围预估模型520可以对目标信息以及预估落叶量进行处理，确定目标区域内每段道路的落叶的预估飘落范围。其中，落叶量预估模型510的输出(目标区域内每段道路的落叶)可以作为范围预估模型520的输入。前述图像识别模型400的输出(叶片茂密程度评分)可以作为目标信息的一个参数输入落叶量预估模型510以及范围预估模型520。
117.在一些实施例中，落叶量预估模型510包括天气特征层511、树况特征层512和预估层513。其中，天气特征层511用于处理目标信息中预设时间段的天气信息，得到天气特征向量。树况特征层512用于处理目标信息中行道树的信息，得到树况特征向量。预估层513用于基于天气特征向量以及树况特征向量，预测目标区域内每段道路的落叶量。
118.天气特征层511的输入可以是目标信息中预设时间段的天气信息，输出可以是天气特征向量。在一些实施例中，天气特征层511可以通过深度神经网络(deep neural network，dnn)实现，其中，可以将天气信息输入天气特征层的输入层，经隐藏层处理，从输出层输出天气特征向量。
119.在一些实施例中，天气信息可以包括不同类型的天气信息，则对应的天气特征层
511可以通过不同的天气特征层实现，天气特征向量可以包括不同类型的特征向量。
120.在一些实施例中，天气特征向量可以包括多个元素，其中，天气特征向量每一个元素可以与预设时间段的不同时间点对应，对应的元素值可以反映该每个时间点的天气情况。
121.在一些实施例中，天气信息可以包括气温信息、风力信息、风向信息以及空气湿度信息。则对应的天气特征层可以包括气温特征层、风力特征层、湿度特征层、风向特征层。其中，气温特征层用于基于气温信息得到气温特征向量；风力特征层用于基于风力信息得到风力特征向量；湿度特征层用于基于空气湿度信息得到湿度特征向量；风向特征层用于基于风向信息得到风向特征向量。
122.在一些实施例中，天气特征向量的每个元素值可以以向量形式呈现，则对应的各类天气特征(如气温特征向量、风力特征向量、湿度特征向量、风向特征向量等)可以是天气特征向量的每个元素值中某一元素构成的向量。对应的，在获取气温特征向量、风力特征向量、湿度特征向量、风向特征向量后，可以根据时间点确定天气特征向量的每个元素值，从而确定天气特征向量。
123.树况特征层512的输入可以是目标信息中行道树信息，输出可以是树况特征向量。在一些实施例中，树况特征层512可以通过深度神经网络(deep neural network，dnn)实现，其中，可以将行道树信息输入树况特征层的输入层，经隐藏层处理，从输出层输出树况特征向量。
124.在一些实施例中，行道树信息可以包括叶片茂密程度评分、行道树种类、树龄、距离路面距离以及与相邻树木的种植间距等相关信息。行道树种类、树龄、距离路面距离以及与相邻树木的种植间距等信息可以通过预设数据库(如城市绿化相关机构的数据库)确定，叶片茂密程度评分可以通过前述图像识别模型400确定。
125.树况特征向量可以反映各个行道树的树况。其中，树况特征向量可以包括多个元素，每个元素可以反映该行道树的部分树况。例如，树况特征向量可以包括反映落叶率的元素，该元素的元素值可以描述该行道树的落叶率的具体数值。
126.预估层513的输入可以是天气特征向量以及每段道路中各个行道树的树况特征向量，输出可以是目标区域内每段道路的落叶量。在一些实施例中，当存在降水天气时，可以将降水总量也作为预估层513的输入。
127.在一些实施例中，预估层513可以通过深度神经网络(deep neural network，dnn)实现。其中，可以将天气特征向量、树况特征向量以及降水总量输入树况特征层的输入层，经隐藏层处理，从输出层输出该行道树的落叶量。
128.在一些实施例中，树况特征向量可以逐一输入预估层513，以使预估层513预估该行道树的落叶量，在基于每段道路的各个行道树的落叶量确定每段道路的落叶量。在一些实施例中，还可以直接将每条道路的各个树况特征向量输入预估层513，直接确定该段道路的落叶量。
129.降水总量可以反映目标区域在预设时间内的降水情况。其中，降水总量可以包括目标区域的各段道路当前积水量、当前降水速度等。
130.范围预估模型520的输入可以为目标信息以及预估落叶量，确定目标区域内每段道路的落叶的预估飘落范围。在一些实施例中，考虑到目标信息的部分信息已经通过落叶
量预估模型510处理，为减少计算量，则可以将落叶量预估模型510的输出以及中间结果作为范围预估模型520的输入。例如，可以将预估落叶量、风力特征向量、风速特征向量作为范围预估模型520的输入。
131.在一些实施例中，范围预估模型520可以通过深度神经网络(deep neural network，dnn)实现。其中，可以将预估落叶量、风力特征向量、风速特征向量输入范围预估模型520的输入层，经隐藏层处理，从输出层输出该行道树的预估飘落范围。
132.在一些实施例中，落叶量预估模型510可以与范围预估模型520联合训练，即可以基于落叶量预估模型以及范围预估模型构建训练模型，其中，训练模型可以包括互相连接的初始落叶量预估模型以及初始范围预估模型，初始落叶量预估模型以及初始范围预估模型可以是未设置参数的落叶量预估模型510与范围预估模型520。在训练模型中，可以将初始落叶量预估模型的输出(如预估落叶量)以及部分中间结果(如风力特征向量、风速特征向量)输入初始范围预估模型。
133.在一些实施例中，可以基于历史数据构建训练样本以及对应的样本标签。其中，训练样本可以是历史时间段内的目标信息(如历史行道树信息、历史天气信息以及历史降水总量等)，样本标签可以是对应的历史飘落范围。历史飘落范围可以由清扫人员在历史清扫过程中进行测量计算并标注。
134.在训练时，可以将训练样本输入训练模型。其中，训练样本可以通过初始落叶量预估模型进行训练模型进行处理，经初始落叶量预估模型处理，其输出以及部分中间结果(如预估落叶量、风力特征向量、风速特征向量)输入初始范围预估模型，经初始范围预估模型确定模型输出。再基于初始范围预估模型的模型输出和样本标签构建损失函数迭代训练模型的参数，直到训练完成。其中，训练完成可以包括迭代次数超过阈值、误差收敛等。随着对训练模型的参数迭代，初始落叶量预估模型以及初始范围预估模型的参数也随之更新，可以将训练好的初始落叶量预估模型以及初始范围预估模型作为落叶量预估模型510以及范围预估模型520。
135.在一些实施例中，样本标签还可以包括历史落叶量，其中，历史落叶量可以由清扫人员在历史清扫过程中收集的落叶计算并标注。在进行联合训练时，在基于初始范围预估模型的模型输出和样本标签构建损失函数迭代参数后，可以基于初始落叶量预估模型的输出以及历史落叶量构建初始落叶量预估模型的损失函数，对初始落叶量预估模型进行进一步训练。
136.在一些实施例中，初始范围预估模型可以包括初始天气特征层、初始树况特征层和初始预估层。初始天气特征层、初始树况特征层和初始预估层的参数可以随初始落叶量预估模型和/或训练模型的迭代而更新，当初始落叶量预估模型训练完成时，可以将训练好的初始天气特征层、初始树况特征层和初始预估层分别作为天气特征层511、树况特征层512和预估层513。
137.基于本说明书一些实施例提供的落叶量预估模型及范围预估模型可以充分利用目标信息，提高了落叶量与飘落范围的准确度。此外，将落叶量预估模型的输出以及部分中间结果输入范围预估模型，省去了范围预估模型对目标信息的再处理，减少了冗余运算量，提高了计算效率。在训练时，将落叶量预估模型及范围预估模型进行联合训练，提高了落叶量预估模型及范围预估模型的整体性，进而提高了落叶量与飘落范围的准确度。
138.图6是根据本说明书一些实施例所示的确定清扫路线的示例性流程图。在一些实施例中，流程600可以由管理平台或对应的管理分平台执行。
139.如图6所示，流程600可以包括如下步骤：
140.步骤610，基于每段道路的清扫难度评估值，确定初步规划路线。
141.初步规划路线可以指初步确定的目标区域的清扫路线。例如，初步规划路线可以包括目标区域内可能存在的所有清扫路线，即可以根据各个路段之间的连接关系，确定连续路段并作为初步规划路线。其中，连续路段可以指公用一个路口的两个路段。例如，路段ab与路段ac公用路口a，则可以从路段ab经路口a驾驶到路段ac，此时路段ab与路段ac连续。
142.在一些实施例中，初步规划路线以及后续目标区域的清扫路线可以基于区域规划图确定。其中，区域规划图是基于每段道路的清扫难度评估值以及道路的实际交通情况构建的图结构数据。
143.图结构数据可以是一种有向的结构数据。其中，图结构数据包括多个节点以及节点之间的边。在一些实施例中，图结构数据节点与边的实际含义可以根据应用场景确定。对于本说明书中的区域规划图，区域规划图中的节点可以表征各个路段，则边可以反映是否将对应的两个路段划归到同一路线中，即当两个节点之间存在边时，可以反映清扫路线中存在一条连续途径两个节点的路线。
144.在一些实施例中，可以基于目标区域内的各个连续路段构建区域规划图，再基于每段道路的清扫难度评估值确定节点属性与边数据。
145.在一些实施例中，为判断是否将连续路段划归到一条路线中，可以将统一清扫分值作为连续道路之间的边属性。当统一清扫分值满足预设条件(如大于阈值)时，对应的连续路段划归到同一路线中。
146.在一些实施例中，在确定目标区域的区域规划图时，可以先根据每段道路之间的交通情况以及每段道路的清扫难度评估值，确定每段道路之间的统一清扫分值；然后，根据每段道路的路段基本信息、清扫难度评估值以及每段道路之间的统一清扫分值构建区域规划图，以确定初步规划路线。
147.在一些实施例中，可以根据每段道路的路段基本信息以及清扫难度评估值确定区域规划图的各个节点；可以根据每段道路之间的连接关系构建区域规划图中对应的节点之间的边；可以根据每段道路之间的统一清扫分值，作为对应的边的边分数；可以根据区域规划图中边以及对应的边的分数确定初步规划路线。
148.在一些实施例中，在构建区域规划图时，各个路段之间的统一清扫分值可以根据是否连续进行初始化设置。即可以对目标区域中连续路段设置统一的初始统一清扫分值。其中，初始统一清扫分值可以是预设值(如100)，在后续步骤中，可以基于清扫难度评估值以及相关数据对统一清扫分值进行迭代，当统一清扫分值迭代后满足预设条件(如小于阈值)时，可以取消对应节点之间的边，即对应的两个路段不应当规划为一条路线。
149.在一些实施例中，为方便对统一清扫分值进行迭代，区域规划图的各个节点的节点属性可以包括用于迭代统一清扫分值的相关参数。例如，节点属性可以包括对应路段的清扫难度分(可以记为d)、路段的长度(可以记为l)。同理，区域规划图的各个边的边属性可以包括用于迭代统一清扫分值及其相关参数。例如，边属性可以包括所连接的两个路段间的交通成本(可以记作c)、当前统一清扫路线分值(可以f)。
150.交通成本可以指两个连续道路之间的通行成本。在一些实施例中，交通成本可基于清扫车行驶时间、红绿灯时间、掉头次数等确定。例如，当两个路段之间的红绿灯时间较长，则清扫车通过该路口的时间成本就高，对应的交通成本增加。
151.步骤620，基于预设优化算法对初步规划路线进行优化，得到优化后清扫路线。
152.在一些实施例中，预设优化算法可以是统一清扫路线分值的更新算法，即在基于预设优化算法对规划线路进行优化时，可以通过对统一清扫路线分值进行迭代而实现。进一步地，可以先根据预设规则更新各个边信息中的边分数(即统一清扫路线分值)；然后去除区域规划图中更新后边分数小于预设阈值的边；最后根据更新后的区域规划图中边以及对应的边的分数确定优化后清扫路线。
153.在一些实施例中，预设优化算法可以能迭代统一清扫路线分值的算法。例如，对于节点1、节点2以及节点之间的边12，边12迭代后的统一清扫路线分值可以为f’＝f-ac
12-r[c(d1+d2)-d
平均
]/(l1+l2)，其中，f’为边12迭代后的统一清扫路线分值，f为边12迭代前的统一清扫路线分值，c
12
可以指边12的交通成本，d1可以是节点1的清扫难度分，d2可以是节点2的清扫难度分，d
平均
可以是目标区域内各个节点的平均清扫难度分，l1可以是节点1的路段长度，l2可以是节点2的路段长度。
[0154]
在一些实施例中，当更新后的统一清扫路线分值小于预设阈值时可以删除该边，以使该边连接的两个节点不划分为的路线。基于对边分数的更新，区域规划图的边也随之更新，由此，可以基于更新后的区域规划图确定优化后清扫路线。其中，优化后清扫路线可以是更新后的区域规划图中的各个连续节点序列。
[0155]
在一些实施例中，预设优化算法还可以是图结构数据的更新算法。例如，预设优化算发可以是训练好的基于知识图谱的图神经网络(graph neural networks,gnn)。在进行更新时，可以将区域规划图输入gnn模型，经gnn模型处理，输出更新后的区域规划图。例如，gnn模型可以基于节点属性以及边属性采用运筹学算法计算各个路线的清扫成本，并经过迭代确定成本最低的路线集，并取消该路线集之外的各个边，以作为更新后的区域规划图。
[0156]
步骤630，判断优化后清扫路线是否满足预设要求。
[0157]
预设要求可以是预设的对清扫路线的限制条件。例如，预设要求可以包括清扫路线的数量要求，清扫路线的长度要求等。在一些实施例中，预设要求可以根据实际情况确定。例如，可以根据目标区域内清扫车的数量确定清扫路线的数量要求。示例性地，清扫路线的数量要求可以包括清扫路线的总数量不得大于目标区域内清扫车的数量。
[0158]
在一些实施例中，对于区域规划图，预设要求可以表征为对区域规划图中路线的限制和/或对边的限制。例如，预设要求可以包括路线的数量小于第一预设阈值和/或边的数量小于第二预设阈值。即在判断优化后清扫路线是否满足预设要求，可以先确定优化后清扫路线中的路线的数量，再判断路线的数量是否小于第一预设阈值。其中，若路线的数量小于第一预设阈值，则优化后清扫路线满足预设要求。还可以判断边的数量是否小于第二预设阈值。其中，若边的数量小于第二预设阈值，则优化后清扫路线满足预设要求。
[0159]
区域规划图中的路线可以指区域规划图中能从某一节点开始沿边连接各个节点的节点序列。例如，节点a、b、c、d通过边顺序连接则节点a、b、c、d构成一条路线。在一些实施例中，当节点同时与三个以上节点连接时，则可以重复计算路线数量。例如，前述节点a还与节点e、f顺序连接，则节点a、e、f也可以构成一条路线。
[0160]
第一预设阈值与第二预设阈值可以是根据实际情况确定的数值。例如，第一预设阈值可以根据目标区域内的清扫车数量确定。示例性地，第一预设阈值可以小于等于目标区域内的清扫车数量。再例如，第二预设阈值可以根据目标区域内的道路数量确定。示例性地，第二预设阈值可以为2n-1，其中，n为目标区域内的道路数量。
[0161]
步骤640，若优化后清扫路线满足预设要求，则将优化后清扫路线作为最终的清扫路线。
[0162]
基于前述步骤630的判断结果，当优化后清扫路线满足预设要求时，可以将该优化后清扫路线作为目标区域的清扫路线。
[0163]
步骤650，若优化后清扫路线不满足预设要求，重新基于预设优化算法对优化后清扫路线进行优化。
[0164]
基于前述步骤630的判断结果，当优化后清扫路线满足预设要求时，可以基于优化后的清扫路线重新执行步骤620，以对清扫路线进行再次优化，直到优化后清扫路线满足预设要求。
[0165]
基于本说明书一些实施例提供的清扫路线确定方法，可以通过构建区域规划图，将路段作为节点，通过边表征路段是否在同一路线，将清扫路线直观的呈现，并通过统一清扫路线分值对区域规划图进行定量迭代，提高了清扫路线的合理性，降低了清扫路线的清扫成本。此外，可以判断区域规划图是否满足预设要求，量化了清扫过程中的要求，进而进一步地提高了清扫路线的合理性。
[0166]
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
[0167]
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
[0168]
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
[0169]
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
[0170]
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例
描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有
±
20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
[0171]
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
[0172]
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。