一种电力设备检测方法、装置及移动终端与流程

1.本发明涉及电力设备巡检领域，具体涉及一种电力设备检测方法、装置及移动终端。


背景技术：

2.电力安全是人们日常生活和国家工业生产的前提和保障，为了掌握电力设备的运行状况，及时发现电力设备隐患，确保电力设备的安全运行，通常需要对电力设备进行巡检。相关巡检方式，如人工巡检、直升机巡检、无人机巡检、机器人巡视、摄像头监控等，需要将采集的电力设备的图像通过人工校验的方式进行故障排查，降低了对电力设备的故障检测效率。


技术实现要素：

3.因此，本发明要解决的技术问题在于克服相关技术中通过人工校验的方式进行电力设备的故障排查，降低了电力设备的故障检测效率的缺陷，从而提供一种电力设备检测方法、装置及移动终端。
4.根据第一方面，本发明实施例提供了一种电力设备检测方法，包括：获取待检测电力设备图像；将所述待检测电力设备图像输入到电力设备分析模型，所述电力设备分析模型预先根据多个电力设备的图像样本以及所述电力设备对应的故障图像样本训练得到；根据所述电力设备分析模型，得到所述待检测电力设备图像的识别结果；判断所述识别结果是否需要进行云端识别；当所述识别结果需要进行所述云端识别时，将所述待检测电力设备图像发送至云端；接收所述云端的云端识别结果以及故障分析结果。
5.结合第一方面，在第一方面第一实施方式中，所述将所述待检测电力设备图像输入到电力设备分析模型，包括：根据预设处理条件，对所述待检测电力设备图像进行预处理；将预处理之后的所述待检测电力设备图像输入到所述电力设备分析模型。
6.结合第一方面，在第一方面第二实施方式中，所述根据所述电力设备分析模型，得到所述待检测电力设备图像的识别结果，包括：基于目标滑动窗口，利用所述电力设备分析模型对任一所述目标滑动窗口对应的所述待检测电力设备图像区域进行目标识别；根据所述目标识别，生成所述待检测电力设备图像的识别结果。
7.结合第一方面，在第一方面第三实施方式中，所述判断所述识别结果是否需要进行云端识别，包括：基于所述识别结果，确定所述识别结果对应的目标可信度；判断所述目标可信度是否超过预设阈值；当所述目标可信度超过预设阈值时，判定所述识别结果需要进行云端识别。
8.结合第一方面或第一方面第一实施方式或第二实施方式或第三实施方式，在第一方面第四实施方式中，在所述接收所述云端的云端识别结果以及故障分析结果之后，所述方法还包括：对所述待检测电力设备图像进行故障标记；获取待检测电力设备的位置信息；将进行故障标记的所述待检测电力设备图像、所述识别结果、所述故障分析结果以及所述
位置信息传输至电力设备管理平台。
9.结合第一方面第四实施方式，在第一方面第五实施方式中，所述根据所述电力设备分析模型，得到所述待检测电力设备图像的识别结果之后，所述方法还包括：生成所述待检测电力设备图像的识别结果以及故障分析结果的提示信息。
10.结合第一方面，在第一方面第六实施方式中，所述方法还包括：当所述识别结果不需要进行所述云端识别时，根据所述待检测电力设备图像的识别结果进行故障分析，得到故障分析结果；基于所述故障分析结果确定待检测电力设备的位置信息；将所述待检测电力设备图像、所述识别结果、所述故障分析结果以及所述位置信息传输至电力设备管理平台。
11.根据第二方面，本发明实施例提供了一种电力设备检测装置，包括：图像获取模块，用于获取待检测电力设备图像；图像输入模块，用于将所述待检测电力设备图像输入到电力设备分析模型，所述电力设备分析模型预先根据多个电力设备的图像样本以及所述电力设备对应的故障图像样本训练得到；图像识别模块，用于根据所述电力设备分析模型，得到所述待检测电力设备图像的识别结果；判断模块，用于判断所述识别结果是否需要进行云端识别；发送模块，用于当所述识别结果需要进行所述云端识别时，将所述待检测电力设备图像发送至云端；接收模块，用于接收所述云端的云端识别结果以及故障分析结果。
12.根据第三方面，本发明实施例提供了一种移动终端，包括：图像采集模块，用于采集电力设备图像；定位模块，用于确定所述电力设备的位置信息；存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或第一方面任一实施方式中所述电力设备检测方法；提示模块，用于提示处理结果。
13.根据第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行实现第一方面或第一方面任一实施方式中电力设备检测方法。
14.本发明技术方案，具有如下优点：
15.本发明提供的电力设备检测方法，获取待检测电力设备图像，将待检测电力设备图像输入到电力设备分析模型，根据电力设备分析模型，得到待检测电力设备图像的识别结果，判断识别结果是否需要进行云端识别，当识别结果需要进行云端识别时，将待检测电力设备图像发送至云端，接收云端的云端识别结果以及故障分析结果。此种方法使得电力设备检测更加全面，实现了自动分析电力设备缺陷，可以对电力设备的故障进行实时处理，提高了电力设备故障的检测效率。
16.本发明提供的电力设备检测方法，通过基于识别结果确定识别结果对应的目标可信度，判断目标可信度是否超过预设阈值，当目标可信度超过预设阈值时，判定识别结果需要进行云端识别，实现了移动终端与云端的实时交互。
附图说明
17.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
18.图1为本发明实施例提出的一种电力设备检测方法的流程图；
19.图2为本发明实施例提出的一种电力设备检测方法的另一流程图；
20.图3为本发明实施例提出的一种电力设备检测方法的另一流程图；
21.图4为本发明实施例提出的一种电力设备检测装置的框图；
22.图5为本发明实施例提出的一种移动终端的结构示意图。
具体实施方式
23.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
24.此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
25.本实施例提供一种电力设备检测方法，可用于移动终端中，如图1所示，该电力设备检测方法包括：
26.s11：获取待检测电力设备图像。
27.示例性地，待检测电力设备图像可以通过移动终端的内置或外置摄像头通过拍摄待检测电力设备得到。通过调用摄像头拍照功能获取待检测图像后，可以采用预览方式在移动终端显示该图像，根据接收到对拍摄得到的图像的选择操作，确定待检测电力设备图像；也可以将移动终端调用摄像头拍摄得到的图像直接作为待检测电力设备图像；也可以是将接收到的其他拍摄设备拍摄得到的电力设备的图像作为待检测电力设备图像。本申请实施例对待检测电力设备图像的获取方式不作限定，本领域技术人员可以根据实际使用需要确定。
28.s12：将待检测电力设备图像输入到电力设备分析模型，电力设备分析模型预先根据多个电力设备的图像样本以及电力设备对应的故障图像样本训练得到。
29.示例性地，该电力设备分析模型根据预先得到的多个电力设备图像样本和电力设备对应的故障图像样本训练得到。通过多个电力设备图像样本对电力设备分析模型进行训练可以使得训练得到的电力设备分析模型可以准确识别出输入的待检测电力设备图像中的电力设备；通过多个电力设备对应的故障图像样本可以使得训练得到的电力设备分析模型可以准确识别出输入的待检测电力设备图像中的电力设备是否出现故障。电力设备分析模型的识别准确率可以根据实际使用需要确定，本申请实施例对此不作限定。
30.s13：根据电力设备分析模型，得到待检测电力设备图像的识别结果。
31.示例性地，将待检测电力设备图像输入到电力设备分析模型，根据电力设备分析模型，得到待检测电力设备图像的识别结果。在一待检测电力设备图像上可能存在一处或多处缺陷或故障，通过对待检测电力设备图像进行识别后，可以得到多个对应于待检测电力设备图像的识别结果，并根据识别结果输出故障分析结果以供电力设备维护使用。
32.s14，判断识别结果是否需要进行云端识别。
33.识别结果中包含与待检测电力设备图像对应的目标可信度以及对应待检测电力设备图像的类别。根据对应待检测电力设备图像的类别以及目标可信度判断识别结果是否
需要进行云端识别。当确定识别结果需要进行云端识别时，执行步骤s14，否则，执行其他操作，其他操作可以为输出待检测电力设备图像的识别结果，也可以为对待检测电力设备图像的识别结果进行故障分析等，此处不作具体限定。
34.s15，将待检测电力设备图像发送至云端。
35.云端服务器中设置有高精度的电力设备分析模型，对电力设备的缺陷或故障有较高的识别准确率。当确定识别结果需要进行云端识别时，将待检测电力设备图像发送至云端进行缺陷或故障识别。
36.s16，接收云端的云端识别结果以及故障分析结果。
37.当云端服务器将待检测电力设备图像输入至高精度的电力设备分析模型后可以得到对应于待检测电力设备的云端识别结果以及故障分析结果，云端可以将云端识别结果以及故障分析结果发送至移动终端。
38.本实施例提供的电力设备检测方法，通过获取待检测电力设备图像，将待检测电力设备图像输入到电力设备分析模型，根据电力设备分析模型，得到待检测电力设备图像的识别结果，判断识别结果是否需要进行云端识别，当识别结果需要进行云端识别时，将待检测电力设备图像发送至云端，接收云端的云端识别结果以及故障分析结果。此种方法使得电力设备检测更加全面，实现了自动分析电力设备缺陷，实现了手机与云端的实时交互，以便对电力设备的故障进行实时处理，提高了电力设备故障的检测效率。
39.本实施例提供一种电力设备检测方法，可用于移动终端中，如图2所示，该电力设备检测方法包括：
40.s21：获取待检测电力设备图像。详细说明参见上述实施例对应步骤s11的相关描述，此处不再赘述。
41.s22：将待检测电力设备图像输入到电力设备分析模型，电力设备分析模型预先根据多个电力设备的图像样本以及电力设备对应的故障图像样本训练得到。
42.具体地，上述步骤s22可以包括如下步骤：
43.s221：根据预设处理条件，对待检测电力设备图像进行预处理。
44.示例性地，对待检测电力设备图像进行预处理的方式可以包括对待检测电力设备图像根据预设处理条件进行图像缩放、图像翻转、图像增强以及图像特征提取。本申请实施例对图像预处理方式不作限定，本领域技术人员可以根据实际使用需要确定。该预设处理条件可以根据用于训练的图像样本中的图像确定，通过进行预处理操作使待检测电力设备图像的图像参数与用于训练电力设备分析模型的图像样本的图像参数相同。比如，图像翻转的过程可以是以图像的目标位置为旋转中心，对图像进行旋转操作；图像特征提取的过程可以是将所拍摄图像进行解码，将图像压缩为目标格式，如位图格式；图像缩放的过程可以是将所拍摄图像的尺寸进行重置；图像增强，对所拍摄图像的维度进行重排以凸显图像特征。通过上述预处理操作可以使图像与预先用于训练的电力设备分析模型的图像样本参数相对应。
45.s222：将预处理之后的待检测电力设备图像输入到电力设备分析模型。
46.示例性地，电力设备分析模型可以包括输入缓冲区、识别区和输出缓冲区，但不限于以上一种或多种分区，由输入缓冲区不断接收预处理操作之后的待检测电力设备图像，识别区从输入缓冲区读取一张待检测电力设备图像后，对该电力设备图像中的电力设备以
及电力设备存在的缺陷或故障进行识别，将识别结果传输到输出缓冲区，再由输出缓冲区将结果反馈给其他设备进行后续处理。
47.s23：根据电力设备分析模型，得到待检测电力设备图像的识别结果。
48.具体地，上述步骤s23可以包括如下步骤：
49.s231，基于目标滑动窗口，利用电力设备分析模型对任一目标滑动窗口对应的待检测电力设备图像区域进行目标识别。
50.示例性地，该目标滑动窗口可以是矩形，也可以使圆形，本申请实施例对目标滑动窗口的形状和尺寸不作限定，本领域技术人员可以根据实际使用需要确定。当目标滑动窗口为矩形，可以基于最小矩形原理，采用宽为w，高为h的矩形框对待检测电力设备图像进行遍历，使得电力设备分析模型对矩形框对应的图像进行故障识别。通过设置目标滑动窗口对待检测电力设备图像进行遍历，使得电力设备分析模型可以对目标滑动窗口遍历待检测电力图像对应的多个子图像进行目标识别，提高了电力设备分析模型的对电力设备故障检测的准确性。
51.s232，根据目标识别，生成待检测电力设备图像的识别结果。
52.示例性地，对目标滑动窗口对应的每一个图像进行目标识别生成的识别结果可利用一组识别集合记录，如[c,p,x
c
,y
c,
w,h]，该识别集合中“c”代表故障类别，“p”代表目标可信度，“x
c
、y
c”代表矩形框的中心坐标，“w、h”代表矩形框的尺寸。
[0053]
s24，判断识别结果是否需要进行云端识别。
[0054]
具体地，上述步骤s24可以包括如下步骤：
[0055]
s241，基于识别结果，确定识别结果对应的目标可信度。
[0056]
示例性地，目标可信度为待检测电力设备图像中出现缺陷或故障的概率。根据识别结果可以生成与待检测电力设备图像对应的识别集合，其中，识别结果中包含有目标可信度。例如识别集合[c,p,x
c
,y
c,
w,h]，其中，“p”为识别结果对应的目标可信度。
[0057]
s242，判断目标可信度是否超过预设阈值。
[0058]
示例性地，预设阈值为待检测电力设备图像中出现缺陷或故障的概率值。预设阈值可以根据经验值设置为50％，也可以设置为60％，还可以设置为70％，当然也可以设置为其他概率值，本申请对此不作具体限定。将目标可信度与预设阈值进行比较，确定目标可信度是否超过预设阈值。当目标可信度超过预设阈值，执行步骤s243，否则执行步骤s27。
[0059]
s243，判定识别结果需要进行云端识别。
[0060]
示例性地，当目标可信度超过预设阈值时，表示对应待检测电力设备图像的类别为缺陷类别或故障类别，目标可信度大于等于预设阈值。此时，可以判定别结果需要进行云端识别。
[0061]
s25，将待检测电力设备图像发送至云端。详细说明参见上述实施例对应步骤s15的相关叙述，此处不再赘述。
[0062]
s26，接收云端的云端识别结果以及故障分析结果。详细说明参见上述实施例对应步骤s16的相关叙述，此处不再赘述。
[0063]
s27，根据待检测电力设备图像的识别结果进行故障分析，得到故障分析结果。
[0064]
示例性地，当目标可信度未超过预设阈值时，表示识别结果不需要进行云端识别，此时可以将识别结果组成的识别集合与故障描述信息进行结合得到故障分析结果。本申请
实施例对该故障分析结果的表达形式以及该故障识别集合中包含的参数类别不作限定，本领域技术人员可以根据实际使用需要确定。
[0065]
s28，基于故障分析结果确定待检测电力设备的位置信息。
[0066]
示例性地，对应于故障分析结果的待检测电力设备的位置信息可以通过移动终端的定位模块得到，也可以通过移动终端的输入模块，通过该输入模块输入待检测电力设备的位置信息。本申请实施例对待检测电力设备的位置信息的获取方式不作限定，本领域技术人员可以根据实际使用需要确定。
[0067]
s29，将待检测电力设备图像、识别结果、故障分析结果以及位置信息传输至电力设备管理平台。
[0068]
示例性地，将待检测电力设备的图像和位置信息、对应图像的识别结果以及对应图像的故障分析结果传输到电力设备管理平台进行存储，便于后续进一步进行故障分析和校验。
[0069]
本实施例提供的电力设备检测方法，通过对待检测电力设备图像进行预处理，使得待检测电力设备图像与用于训练的图像样本的图像参数相同，将经过预处理之后的待检测电力设备图像输入到电力设备分析模型，可提高电力设备分析模型的识别结果及故障检测效率。通过对待检测电力设备图像进行故障标记，并获取其位置信息，将图像的位置信息以及对应的识别分析结果传输到电力设备管理平台，便于技术人员确定出现故障的电力设备的位置并对出现故障的电力设备及时进行维修。移动终端与云端实时交互，融合待检测电力设备图像的视觉信息和后台信息，实时展示识别结果以及故障分析结果。
[0070]
本实施例提供一种电力设备检测方法，可用于移动终端中，如图3所示，该电力设备检测方法包括：
[0071]
s30：获取待检测电力设备图像。详细说明参见上述实施例对应步骤s21的相关描述，此处不再赘述。
[0072]
s31：将待检测电力设备图像输入到电力设备分析模型，电力设备分析模型预先根据多个电力设备的图像样本以及电力设备对应的故障图像样本训练得到。详细说明参见上述实施例对应步骤s22的相关描述，此处不再赘述。
[0073]
s32：根据电力设备分析模型，得到待检测电力设备图像的识别结果。详细说明参见上述实施例对应步骤s23的相关描述，此处不再赘述。
[0074]
s33，判断识别结果是否需要进行云端识别。详细说明参见上述实施例对应步骤s24的相关描述，此处不再赘述。
[0075]
s34，将待检测电力设备图像发送至云端。详细说明参见上述实施例对应步骤s25的相关描述，此处不再赘述。
[0076]
s35，接收云端的云端识别结果以及故障分析结果。详细说明参见上述实施例对应步骤s26的相关描述，此处不再赘述。
[0077]
s36：对待检测电力设备图像进行故障标记。
[0078]
示例性地，对待检测电力设备图像进行故障标记的方式可以是利用框图，将识别出的故障位置进行标记，该框图的形状可以是矩形框或者圆形框。本申请实施例对框图的形状不作限定，本领域技术人员可以根据实际使用需要确定；对待检测电力设备图像进行故障标记的方式也可以是在故障位置添加标号或文字。本申请实施例对故障标记的方式不
作限定，本领域技术人员可以根据实际使用需要确定。
[0079]
s37：获取待检测电力设备的位置信息。
[0080]
示例性地，待检测电力设备的位置信息可以通过移动终端的定位模块得到，也可以通过移动终端的输入模块，通过该输入模块输入待检测电力设备的位置信息。本申请实施例对待检测电力设备的位置信息的获取方式不作限定，本领域技术人员可以根据实际使用需要确定。
[0081]
s38：将进行故障标记的待检测电力设备图像、识别结果、故障分析结果以及位置信息传输至电力设备管理平台。
[0082]
示例性地，将待检测电力设备的图像和位置信息、对应图像的识别结果以及对应图像的故障分析结果传输到电力设备管理平台进行存储，便于后续进一步进行故障分析和校验。
[0083]
s39：生成待检测电力设备图像的识别结果以及故障分析结果的提示信息。
[0084]
示例性地，该提示信息可以是以文字或视频形式在移动终端上显示在识别结果和故障分析结果；也可以是以语音形式向用户播报识别结果以及故障分析结果。本申请实施例对该提示信息的提示方式不作限定，本领域技术人员可以根据实际使用需要确定。
[0085]
本实施例提供的电力设备检测方法，通过生成待检测电力设备图像的识别结果以及故障分析结果的提示信息显示在移动设备上，提示技术人员出现故障的电力设备并该故障进行分析提示故障分析结果，便于技术人员及时获知电力设备的运行状态，实现移动端设备办公，易于携带以及故障的实时处理，以满足电力设备故障检测的不同需求。
[0086]
本实施例提供一种电力设备检测装置，如图4所示，该电力设备检测装置，包括：
[0087]
图像获取模块41，用于获取待检测电力设备图像。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
[0088]
图像输入模块42，用于将待检测电力设备图像输入到电力设备分析模型，电力设备分析模型预先根据多个电力设备的图像样本以及电力设备对应的故障图像样本训练得到。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
[0089]
图像识别模块43，用于根据电力设备分析模型，得到待检测电力设备图像的识别结果。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
[0090]
判断模块44，用于判断识别结果是否需要进行云端识别。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
[0091]
发送模块45，用于当识别结果需要进行云端识别时，将待检测电力设备图像发送至云端。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
[0092]
接收模块46，用于接收云端的云端识别结果以及故障分析结果。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
[0093]
本实施例提供的电力设备检测装置，通过获取待检测电力设备图像，将待检测电力设备图像输入到电力设备分析模型，根据电力设备分析模型，得到待检测电力设备图像的识别结果，判断识别结果是否需要进行云端识别，当识别结果需要进行云端识别时，将待检测电力设备图像发送至云端，接收云端的云端识别结果以及故障分析结果。该装置使得电力设备检测更加全面，实现了自动分析电力设备缺陷，实现了手机与云端的实时交互，以便对电力设备的故障进行实时处理，提高了电力设备故障的检测效率。
[0094]
本发明实施例还提供了一种移动终端，如图5所示，该移动终端包括图像采集模块51，处理器52、存储器53和提示模块54、定位模块55。
[0095]
图像采集模块51，用于采集电力设备图像。图像采集模块可以为终端摄像头，其他合理获取途径也可做此图像采集模块。
[0096]
处理器52可以为中央处理器(central processing unit，cpu)。处理器52还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、图形处理器(graphics processing unit，gpu)、嵌入式神经网络处理器(neural
‑
network processing unit，npu)或者其他专用的深度学习协处理器、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
[0097]
存储器53作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的电力设备检测方法对应的程序指令/模块(例如，图4所示的图像获取模块41、图像输入模块42、图像识别模块43、判断模块44、发送模块45和接收模块46)。处理器52通过运行存储在存储器53中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的电力设备检测方法。
[0098]
存储器53可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器52所创建的数据等。此外，存储器53可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器53可选包括相对于处理器52远程设置的存储器，这些远程存储器可以通过网络连接至处理器52。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0099]
提示模块54，用于提示处理结果。处理器52配合移动终端处理软件识别图像处理结果，处理软件可以包括tensorflow移动端库、人工智能引擎hiai sdk、神经网络引擎nnapi sdk以及神经网络机器学习软件arm nn，但不限于以上一种或多种处理软件。
[0100]
定位模块55，用于确定电力设备的位置信息，便于更加准确的定位于电力设备出现缺陷或者故障的位置，提高检测效率。
[0101]
所述一个或者多个模块存储在所述存储器53中，当被所述处理器52执行时，执行如图1
‑
3所示实施例中的电力设备检测方法。
[0102]
通过预先获取若干个图像样本以及故障图像样本，训练得到电力设备分析模型，通过将采集的待检测电力设备的图像输入到电力设备分析模型，得到待检测电力设备的识别结果以及待检测电力设备的缺陷或故障，实现了电力设备的实时检测及故障处理，能够满足各类巡检任务要求，克服了传统现场勘察拍照，后期人工分析导致电力设备故障的检测效率低的问题，此种方法能够实现自动分析电力设备缺陷，同时使得电力设备检测更加全面，实时处理电力设备存在的缺陷或故障，提高了电力设备识别以及故障的检测效率。
[0103]
上述移动终端具体细节可以对应参阅图1
‑
4所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
[0104]
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通
过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，hdd)或固态硬盘(solid
‑
state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
[0105]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。