一种采集设备工作控制方法、装置、设备及存储介质与流程

1.本发明涉及设备管理技术领域，特别涉及一种采集设备工作控制方法、装置、设备及存储介质。


背景技术：

2.目前，工厂和仓库为了进行环境监控，会使用包含多个传感器等采集设备的监管系统，监管系统内各类传感器可以感知周围环境或者特殊物质，比如气体感知、光线感知、温湿度感知、人体感知等等，把模拟信号转化成数字信号，给中央处理器处理，最终结果形成气体浓度参数、光线强度参数、范围内是否有人探测、温度湿度数据等结果。但是，目前很多传感器功耗高耗电快，若是配置传感器高频率工作会导致功耗过高，若配置传感器低频率工作会造成监测不及时的问题；并且，传感器很多情况无法充分利用其能力，无法将各种关键数据关联进行综合分析，降低了环境监控的能力。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种采集设备工作控制方法、装置、设备及介质，能够实现采集设备性能与功耗的平衡，提高监管系统稳定性、准确性。其具体方案如下：
4.第一方面，本技术公开了一种采集设备工作控制方法，包括：
5.获取监管系统内各个采集设备采集的环境数据信息；
6.将所述环境数据信息输入至深度学习网络，并获取所述深度学习网络输出的控制参数；所述深度学习网络为训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络；
7.根据所述控制参数控制对应的所述采集设备的工作状态，以实现对所述监管系统内各个采集设备的功耗控制。
8.可选的，所述获取所述深度学习网络输出的控制参数之后，还包括：
9.将所述控制参数与预设的判定规则进行对比，并根据对比结果判断所述控制参数是否需要调整；
10.若需要调整，则根据所述判定规则对所述控制参数进行调整，得到调整后的控制参数。
11.可选的，所述采集设备工作控制方法，还包括：
12.通过网络模块接收用户配置的判定规则更新信息，并根据所述判定规则更新信息更新所述判定规则。
13.可选的，所述根据所述判定规则对所述控制参数进行调整之后，还包括：
14.根据所述控制参数与所述调整后的控制参数之间的误差，对所述深度学习网络进行训练调节。
15.可选的，所述获取所述深度学习网络输出的控制参数，包括：
16.获取所述深度学习网络输出的针对采集设备的控制参数，以及针对系统内不同处
理器的控制参数；
17.利用所述针对系统内不同处理器的控制参数，对系统内对应的处理器进行工作频率控制；
18.所述系统内处理器包括用于获取监管系统内各个采集设备采集的环境数据信息的数据处理器、深度学习处理器和用于根据判定规则调整所述控制参数的判定规则处理器。
19.可选的，所述采集设备工作控制方法，还包括：
20.获取所述深度学习网络根据所述环境数据信息判定当前环境异常后输出的环境报警信号；
21.根据所述环境报警信号控制采集设备的工作状态。
22.可选的，所述深度学习网络的训练过程，包括：
23.基于bp神经网络正向传播算法和bp神经网络反向传播算法构建初始化网络；
24.基于历史不同环境情况下的环境数据信息生成训练集；所述环境数据信息包括光强数据、声强数据、温度数据和图像特征数据；
25.利用所述训练集对所述初始化网络进行训练，以得到训练后的所述深度学习网络。
26.第二方面，本技术公开了一种采集设备工作控制装置，包括：
27.数据获取模块，用于获取监管系统内各个采集设备采集的环境数据信息；
28.控制参数获取模块，用于将所述环境数据信息输入至深度学习网络，并获取所述深度学习网络输出的控制参数；所述深度学习网络为训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络；
29.工作状态控制模块，用于根据所述控制参数控制对应的所述采集设备的工作状态，以实现对所述监管系统内各个采集设备的功耗控制。
30.第三方面，本技术公开了一种电子设备，包括：
31.存储器，用于保存计算机程序；
32.处理器，用于执行所述计算机程序，以实现前述的采集设备工作控制方法。
33.第四方面，本技术公开了一种计算机可读存储介质，用于存储计算机程序；其中计算机程序被处理器执行时实现前述的采集设备工作控制方法。
34.第五方面，本技术公开了一种计算机程序产品，该产品在计算机上运行时能够实现前述的多维数据分析方法。
35.本技术中，获取监管系统内各个采集设备采集的环境数据信息；将所述环境数据信息输入至深度学习网络，并获取所述深度学习网络输出的控制参数；所述深度学习网络为训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络；根据所述控制参数控制对应的所述采集设备的工作状态，以实现对所述监管系统内各个采集设备的功耗控制。可见，利用训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络，根据当前监管系统内各个采集设备采集的环境数据信息，输出针对各个采集设备的控制参数，再利用该控制参数控制采集设备的工作频率，由此通过深度学习感知，自适应控制传感器工作频率及工作时间，实现采集设备性能与功耗的平衡，同时能够提高监管系统稳定性、准确性，避免误判情况；并
且利用深度学习网络综合学习各类传感器工作规律，避免单一判断，可全面分析当前环境并做出调整；同时，利用深度学习自动确定控制参数，解决人工调整的问题，助力仓储无人化安全监控管理。
附图说明
36.为了更清楚地说明本发明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发明的实施例，对于本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。
37.图1为本技术提供的一种采集设备工作控制方法流程图；
38.图2为本技术提供的一种具体的采集设备工作控制方法流程图；
39.图3为本技术提供的一种具体的采集设备工作控制系统结构示意图；
40.图4为本技术提供的采集设备工作控制方案所适用的系统框架示意图；
41.图5为本技术提供的一种采集设备工作控制装置结构示意图；
42.图6为本技术提供的一种电子设备结构图。
具体实施方式
43.为使本发明实施例的目的、技术方案和优点更加清楚，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.现有技术中，很多传感器功耗高耗电快，若是配置传感器高频率工作会导致功耗过高，若配置传感器低频率工作会造成监测不及时的问题；并且，传感器很多情况无法充分利用其能力，无法将各种关键数据关联进行综合分析，降低了环境监控的能力。为了克服上述技术问题，本技术提出一种采集设备工作控制方法，能够实现采集设备性能与功耗的平衡，提高监管系统稳定性、准确性。
45.本技术实施例公开了一种采集设备工作控制方法，参见图1所示，该方法可以包括以下步骤：
46.步骤s11：获取监管系统内各个采集设备采集的环境数据信息。
47.本实施例中，首先获取监管系统内各个采集设备采集的环境数据信息，所述采集设备包括传感器，具体可以包括光传感器、声传感器、温度传感器和摄像头等。具体的，可以通过预先设置的功耗管理与数据处理器接收上述环境数据信息，功耗管理与数据处理器通过内部软件算法进行低功耗系统任务调度优化，同时接收低功耗摄像头与其他低功耗传感器接收到的信息数据，提取整合。
48.步骤s12：将所述环境数据信息输入至深度学习网络，并获取所述深度学习网络输出的控制参数；所述深度学习网络为训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络。
49.本实施例中，获取环境数据信息后，将环境数据信息输入至深度学习网络，该深度学习网络为经过训练的、以不同采集设备的环境数据信息为输入，以采集设备对应的控制
参数为输出的深度学习网络，然后获取深度学习网络根据上述环境数据信息输出的控制参数。具体的，上述功耗管理与数据处理器通过系统内部总线，将相关图像数据、传感器特征数据，如光、声、温度等环境数据信息传输至包含深度学习网络的深度学习处理器。控制参数可以为工作频率。
50.本实施例中，所述获取所述深度学习网络输出的控制参数，可以包括：获取所述深度学习网络输出的针对采集设备的控制参数，以及针对系统内不同处理器的控制参数；利用所述针对系统内不同处理器的控制参数，对系统内对应的处理器进行工作频率控制；所述系统内处理器包括用于获取监管系统内各个采集设备采集的环境数据信息的数据处理器、深度学习处理器和用于根据判定规则调整所述控制参数的判定规则处理器。可以理解的是，本实施例中除了对传感器等采集设备的工作频率进行调整控制外，还可以对参与采集设备工作控制相关的处理器的工作频率进行调整，提高这些处理器的功耗与性能的平衡。
51.本实施例中，所述采集设备工作控制方法，还可以包括：获取所述深度学习网络根据所述环境数据信息判定当前环境异常后输出的环境报警信号；根据所述环境报警信号控制采集设备的工作状态。即上述深度学习网络还可以通过历史报警事件的训练后，根据当前环境数据信息判断当前环境是否存在异常，若存在异常输出环境报警信号，具体可以根据异常类型输出不同类型的报警信号，以便系统相关控制器根据环境报警信息控制采集设备和/或其他处理器停止运行。即深度学习处理器的输出参数，包括各处理器的工作频率、各个传感器的工作频率与模式控制以及警报类型等。
52.深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助，它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。本实施例中深度学习处理器可使用先前通过人工神经网络存储的数据进行深度学习，输出控制参数、环境报警信号等；输出的控制参数是指用于系统功耗控制，如各传感器以及各处理器的工作频率、模式等，以及网络模块数据上报时间。环境异常报警信号如火灾、非法闯入警告等。其中，深度学习处理器可在初始阶段预先设定深度学习架构，并设定基于深度学习的输出控制参数。深度学习架构的设定是包括设定隐层的数量、卷积神经网络的数量等。
53.本实施例中，所述深度学习网络的训练过程，可以包括：基于bp神经网络正向传播算法和bp神经网络反向传播算法构建初始化网络；基于历史不同环境情况下的环境数据信息生成训练集；所述环境数据信息包括光强数据、声强数据、温度数据和图像特征数据，以及不同采集频率下的单位能耗；利用所述训练集对所述初始化网络进行训练，以得到训练后的所述深度学习网络。即本实施例中，使用粒子群bp(back propagation)算法，分别由bp神经网络正向传播与bp神经网络反向传播两种算法模型构成。bp神经网络正向传播确定输出后，通过反向传播，修正隐层与输入层的权值，达到最优效果。
54.本实施例中，bp神经网络模型有三层结构，输入层、隐层、输出层，输入层(i)到隐藏层(h)的权值为ω
ih
，输出层的第h个神经元的阈值为γh，隐藏层到输出层(j)的权值为ω
hj
，设输入神经元有d个，并且有q个隐层神经元，l个输出神经元。激活函数可以使用sigmod函数，首先采用随机初始化去初始化粒子群个体，第q个隐层神经元的输入为:
55.其中v
ih
表示输入层初始输出，xi表示粒子群内的个体；
56.其中第j个输出神经元表示为其中bh＝f(α
h-γh)。
57.本实施例中的神经网络模型输出的控制参数具体可以包括：传感器采样频率cap_freq、控制器工作频率work_freq和异常上报err_upload等。
58.其中，数据特征包括光强数据cd_param、声强数据sil_param、温度数据tmp_param，图像信息数据可以通过lbf(local binary feature)局部二值算法在不同异常环境下提取出6维图像特征数据并且与上述特征数组组成训练集：d＝(x1,y1),(x2,y2)...(xn,yn)，异常环境可以包括火灾、无人状态、非法闯入状态等。其中，xn∈rd表示输入示例由d个属性组成；yn∈r
l
。因此本发明神经网络包括d个优化参数，其中d＝(d+l+1)*q+1，粒子群中每个个体由d维向量表示:xi＝(x
i1
,x
i2
,...,x
id
),个体中的元素代表神经网络的权值。最后构造如下适应性函数进行误差调整使得神经网络输出与实际值最小。
59.步骤s13：根据所述控制参数控制对应的所述采集设备的工作状态，以实现对所述监管系统内各个采集设备的功耗控制。
60.本实施例中，根据控制参数控制对应的采集设备的工作状态，即控制各个采集设备的采集频率，以实现对所述监管系统内各个采集设备的功耗控制。
61.由上可见，本实施例中获取监管系统内各个采集设备采集的环境数据信息；将所述环境数据信息输入至深度学习网络，并获取所述深度学习网络输出的控制参数；所述深度学习网络为训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络；根据所述控制参数控制对应的所述采集设备的工作状态，以实现对所述监管系统内各个采集设备的功耗控制。可见，利用训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络，根据当前监管系统内各个采集设备采集的环境数据信息，输出针对各个采集设备的控制参数，再利用该控制参数控制采集设备的工作频率，由此通过深度学习感知，自适应控制传感器工作频率及工作时间，实现采集设备性能与功耗的平衡，同时能够提高系统稳定性、准确性，避免误判情况；并且利用深度学习网络综合学习各类传感器工作规律，避免单一判断，可全面分析当前环境并做出调整；同时，利用深度学习自动确定控制参数，解决人工调整的问题，助力仓储无人化安全监控管理。
62.本技术实施例公开了一种具体的采集设备工作控制方法，参见图2所示，该方法可以包括以下步骤：
63.步骤s21：获取监管系统内各个采集设备采集的环境数据信息。
64.步骤s22：将所述环境数据信息输入至深度学习网络，并获取所述深度学习网络输出的控制参数；所述深度学习网络为训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络。
65.步骤s23：将所述控制参数与预设的判定规则进行对比，并根据对比结果判断所述控制参数是否需要调整。
66.本实施例中，获取到网络输出的控制参数后，先利用预设的判定规则对控制参数
进行判断，预设判定规则可以包括各个传感器对应的控制参数的范围，若判断输出的控制参数超过范围，则可以根据预设范围进行调整。具体可以将控制参数输入至预先设置好的判定规则处理器，该处理器内部有非易失性存储单元，预先设置好的系统专用判断规则存储在非易失性存储单元。
67.本实施例中，所述采集设备工作控制方法，还可以包括：通过网络模块接收用户配置的判定规则更新信息，并根据所述判定规则更新信息更新所述判定规则。即当需要修改判定规则时，可以通过网络模块对判定规则处理器内部存储的规则进行更新同步，保持系统可靠性，降低误差性。其中，网络模块包括但不限于无线网络与有线网络，如5g、4g、wifi、wlan网线通信等。
68.步骤s24：若需要调整，则根据所述判定规则对所述控制参数进行调整，得到调整后的控制参数。
69.即深度学习处理器的输出与预先设置的专用判定规则进行规则对比，由系统控制模块根据专用判定规则对控制参数进行调整。
70.本实施例中，所述根据所述判定规则对所述控制参数进行调整之后，还可以包括：根据所述控制参数与所述调整后的控制参数之间的误差，对所述深度学习网络进行训练调节。即根据调整前后的差异值，对深度学习网络进行进一步微调，以提高网络输出的准确性。另外，上述误差还可以通过上述网络模块上传到云端服务进行进一步分析。
71.步骤s25：根据所述调整后的控制参数控制对应的所述采集设备的工作状态，以实现对所述监管系统内各个采集设备的功耗控制。
72.相应的，例如图3所示，公开了一种具体的采集设备工作控制系统结构示意图，其中，功耗管理与数据处理器，用于获取监管系统内各个采集设备采集的环境数据信息，并获取监管系统内各个采集设备采集的环境数据信息；深度学习处理器，用于根据输入的环境数据信息输出对应的控制参数；专用判断规则处理器，用于将控制参数与预设的判定规则进行对比，并根据对比结果判断控制参数是否需要调整；系统控制模块，用于根据控制参数控制对应的采集设备的工作状态，以实现对监管系统内各个采集设备的功耗控制，还用于根据判定规则对控制参数进行调整，得到调整后的控制参数；网络模块，用于通过云端接收用户配置的判定规则更新信息，并根据判定规则更新信息更新判定规则进。
73.其中，关于上述步骤s21、步骤s22、步骤s25的具体过程可以参考前述实施例公开的相应内容，在此不再进行赘述。
74.由上可见，本实施例中获取监管系统内各个采集设备采集的环境数据信息；将所述环境数据信息输入至深度学习网络，并获取所述深度学习网络输出的控制参数；所述深度学习网络为训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络；将所述控制参数与预设的判定规则进行对比，并根据对比结果判断所述控制参数是否需要调整；若需要调整，则根据所述判定规则对所述控制参数进行调整，得到调整后的控制参数；根据所述调整后的控制参数控制对应的所述采集设备的工作状态，以实现对所述监管系统内各个采集设备的功耗控制。通过预设的判定规则对控制参数进行进一步微调，进一步提高对传感器工作控制的精确性。
75.本技术的采集设备工作控制方案中，采用的系统框架具体可以参见图4所示，具体可以包括：服务器和与服务器建立通信连接的若干监管系统设备。服务器可以用于获取监
管系统内各个采集设备采集的环境数据信息；将所述环境数据信息输入至深度学习网络，并获取所述深度学习网络输出的控制参数；所述深度学习网络为训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络；监管系统设备可以用于根据控制参数控制对应的所述采集设备的工作状态，以实现对所述监管系统内各个采集设备的功耗控制。当然，也可以将深度学习网络模块部署在监管系统设备本地，直接在本地输出控制参数。由此，利用训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络，根据当前监管系统内各个采集设备采集的环境数据信息，输出针对各个采集设备的控制参数，再利用该控制参数控制采集设备的工作频率，由此通过深度学习感知，自适应控制传感器工作频率及工作时间，实现采集设备性能与功耗的平衡。
76.相应的，本技术实施例还公开了一种采集设备工作控制装置，参见图5所示，该装置包括：
77.数据获取模块11，用于获取监管系统内各个采集设备采集的环境数据信息；
78.控制参数获取模块12，用于将所述环境数据信息输入至深度学习网络，并获取所述深度学习网络输出的控制参数；所述深度学习网络为训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络；
79.工作状态控制模块13，用于根据所述控制参数控制对应的所述采集设备的工作状态，以实现对所述监管系统内各个采集设备的功耗控制。
80.由上可见，本实施例中获取监管系统内各个采集设备采集的环境数据信息；将所述环境数据信息输入至深度学习网络，并获取所述深度学习网络输出的控制参数；所述深度学习网络为训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络；根据所述控制参数控制对应的所述采集设备的工作状态，以实现对所述监管系统内各个采集设备的功耗控制。可见，利用训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络，根据当前监管系统内各个采集设备采集的环境数据信息，输出针对各个采集设备的控制参数，再利用该控制参数控制采集设备的工作频率，由此通过深度学习感知，自适应控制传感器工作频率及工作时间，实现采集设备性能与功耗的平衡，同时能够提高系统稳定性、准确性，避免误判情况；并且利用深度学习网络综合学习各类传感器工作规律，避免单一判断，可全面分析当前环境并做出调整；同时，利用深度学习自动确定控制参数，解决人工调整的问题，助力仓储无人化安全监控管理。
81.在一些具体实施例中，所述采集设备工作控制装置具体还可以包括：
82.规则比对单元，用于将所述控制参数与预设的判定规则进行对比，并根据对比结果判断所述控制参数是否需要调整；
83.调整单元，用于若需要调整，则根据所述判定规则对所述控制参数进行调整，得到调整后的控制参数。
84.在一些具体实施例中，所述采集设备工作控制装置具体还可以包括：
85.判定规则更新单元，用于通过网络模块接收用户配置的判定规则更新信息，并根据所述判定规则更新信息更新所述判定规则。
86.在一些具体实施例中，所述采集设备工作控制装置具体还可以包括：
87.网络调节单元，用于根据所述控制参数与所述调整后的控制参数之间的误差，对所述深度学习网络进行训练调节。
88.在一些具体实施例中，所述控制参数获取模块12具体可以包括：
89.处理器控制参数获取单元，用于获取所述深度学习网络输出的针对采集设备的控制参数，以及针对系统内不同处理器的控制参数；
90.处理器工作控制单元，用于利用所述针对系统内不同处理器的控制参数，对系统内对应的处理器进行工作频率控制；所述系统内处理器包括用于获取监管系统内各个采集设备采集的环境数据信息的数据处理器、深度学习处理器和用于根据判定规则调整所述控制参数的判定规则处理器。
91.在一些具体实施例中，所述采集设备工作控制装置具体还可以包括：
92.环境报警单元，用于获取所述深度学习网络根据所述环境数据信息判定当前环境异常后输出的环境报警信号；
93.工作状态控制单元，用于根据所述环境报警信号控制采集设备的工作状态。
94.在一些具体实施例中，所述采集设备工作控制装置具体还可以包括：
95.网络构建单元，用于基于bp神经网络正向传播算法和bp神经网络反向传播算法构建初始化网络；
96.训练集生成单元，用于基于历史不同环境情况下的环境数据信息生成训练集；所述环境数据信息包括光强数据、声强数据、温度数据和图像特征数据；
97.网络训练单元，用于利用所述训练集对所述初始化网络进行训练，以得到训练后的所述深度学习网络。
98.进一步的，本技术实施例还公开了一种电子设备，参见图6所示，图中的内容不能被认为是对本技术的使用范围的任何限制。
99.图6为本技术实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的采集设备工作控制方法中的相关步骤。
100.本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
101.另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统221、计算机程序222及包括环境数据信息在内的数据223等，存储方式可以是短暂存储或者永久存储。
102.其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是windows server、netware、unix、linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的采集设备工作控制方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
103.进一步的，本技术实施例还公开了一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述任一实施例公开的采集设备工作控制方法步骤。
104.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
105.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
106.进一步的，本技术实施例还公开了一种计算机程序产品，该产品在计算机上运行时能够实现前述任一实施例公开的采集设备工作控制方法步骤。
107.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
108.以上对本发明所提供的一种采集设备工作控制方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。