一种基于神经网络的算法效率提升方法与流程

1.本发明属于神经网络技术领域，尤其涉及一种基于神经网络的算法效率提升方法。


背景技术：

2.深度学习(dl,deep learning)是机器学习(ml,machine learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(ai,artificial intelligence)。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。目前深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。作为深度学习的基础，即神经网络算法，在应用到室内垃圾检测识别场景时，因为室内垃圾种类较多，样子更是不相同，种类也会有很多不同，需要用于训练的图像数据集就会非常多，使得深度学习耗费的计算资源就会非常庞大，学习效率也会很低。


技术实现要素：

3.有鉴于此，本发明实施例提供一种基于神经网络的算法效率提升方法，用于解决现有室内垃圾检测识别神经网络算法，耗费计算资源庞大，导致学习、训练效率差的问题。本发明能够对室内部分垃圾图像进行训练，之后在进行分批训练，有效地减少了训练层数，提升了训练效率。
4.本发明实施例提供一种基于神经网络的算法效率提升方法，包括：
5.采集预设数量的室内垃圾图像，得到训练样本集；
6.以所述训练样本集对预设的室内垃圾检测神经网络进行训练；
7.采集指定种类的垃圾在室内的若干图像，得到指定种类的垃圾对应的图像集合，并为所述指定种类的垃圾在室内的图像添加垃圾种类标签；
8.基于训练好的所述室内垃圾检测神经网络对每个种类的垃圾对应的图像集合进行深度学习，得到每个种类的垃圾的特征数据。
9.在一可选实施例中，所述采集预设数量的室内垃圾图像，包括：
10.通过预设控制电路采集预设数量的室内垃圾图像；
11.其中，所述预设控制电路包括电源、按键、继电器、自锁开关、图像采集装置和cpu；所述电源的输出端依次串联所述自锁开关、图像采集装置；所述电源的正极输出端还依次串联所述按键、继电器；所述继电器的输出端与所述自锁开关的开关触发端连接；所述图像采集装置的输出端连接所述cpu，所述cpu具有第一io引脚和第二io引脚，所述第一io引脚与所述继电器的开关触发端连接，所述第二io引脚通过所述按键与所述电源的正极输出端连接。
12.在一可选实施例中，所述通过预设控制电路采集预设数量的室内垃圾图像，包括：
13.控制所述控制电路处于初始状态；所述初始状态为：所述按键处于断开状态，所述继电器处于闭合状态，所述自锁开关处于断开状态，所述第一io引脚为低电平，所述第二io引脚为低电平；
14.通过所述继电器将由于所述按键被点击而形成的第一脉冲信号发送到所述自锁开关的开关触发端；
15.所述自锁开关根据所述第一脉冲信号自锁闭合，从而使所述图像采集装置得到供电；
16.通过所述图像采集装置采集室内垃圾图像；
17.当所述图像采集装置采集的室内垃圾图像满足预设供电条件时，通过所述图像采集装置向所述cpu供电；
18.控制所述第一io引脚为高电平，从而使所述继电器根据所述第一io引脚的高电平而转为断开状态；
19.通过所述图像采集装置实时采集室内垃圾图像并发送给所述cpu，以使所述cpu得到训练样本集后执行所述以所述训练样本集作为训练样本对预设的室内垃圾检测神经网络进行训练的步骤。
20.在一可选实施例中，所述方法还包括：
21.实时检测所述图像采集装置和cpu的供电状态；
22.根据所述图像采集装置和cpu的供电状态，控制所述按键处预设的指示灯状态，以提醒用户当前室内垃圾检测状态；其中，所述室内垃圾检测状态包括：当前正在进行室内垃圾检测，当前图像采集装置已启动但还未进行室内垃圾检测，当前图像采集装置未启动及室内垃圾检测未进行。
23.在一可选实施例中，所述当所述图像采集装置采集的室内垃圾图像满足预设供电条件时，通过所述图像采集装置向所述cpu供电，包括：
24.根据当前时刻所述图像采集装置采集的室内垃圾图像，基于第一公式计算当前时刻所述cpu的供电控制值；
25.判断当前时刻所述cpu的供电控制值是否等于1；
26.若当前时刻所述cpu的供电控制值等于1，则确定所述图像采集装置采集的室内垃圾图像满足预设供电条件，通过所述图像采集装置向所述cpu供电；
27.其中，所述第一公式为：
[0028][0029]
所述第一公式中，e(t_cpu)表示当前时刻所述cpu的供电控制值；t为当前时刻；e(t_d)表示当前时刻所述图像采集装置的供电值，若所述图像采集装置已得到供电则e(t_d)＝1，反之e(t_d)＝0；h(i,j)表示当前时刻所述图像采集装置采集的室内垃圾图像中第i行第j列像素点的像素值；u[]表示归一化函数，若括号内的值不为0则函数值为1，反之函数值为0；j＝1,2,
…
,m；m表示当前时刻所述图像采集装置采集的室内垃圾图像中每一行的像素点总数；i＝1,2,
…
n；n表示当前时刻所述图像采集装置采集的室内垃圾图像中每一列的像素点总数；f{}表示负数检验函数，若括号内的值为负数则函数值为1，反之函数值为0；
[0030]
所述根据所述图像采集装置和cpu的供电状态，控制所述按键处预设的指示灯状
态，包括：
[0031]
根据第二公式计算所述指示灯的当前状态控制值；
[0032]
根据预设的状态控制值与指示灯状态之间的对应关系，控制所述指示灯的状态为所述当前状态控制值对应的状态；
[0033]
其中，所述第二公式为：
[0034][0035]
所述第二公式中，r(t)表示当前时刻所述指示灯的当前状态控制值；∧表示逻辑关系与。
[0036]
在一可选实施例中，在通过所述图像采集装置实时采集室内垃圾图像并发送给所述cpu，以使所述cpu得到训练样本集之后，还包括：
[0037]
当所述按键被长按的时长达预定时长时，控制所述第一io引脚由高电平转为低电平，从而使所述继电器根据所述第一io引脚的低电平而转为关闭状态；
[0038]
当所述按键被长按结束时，通过所述继电器将由于所述按键被长按结束而形成的第二脉冲信号发送到所述自锁开关的开关触发端，同时所述第二io引脚转为低电平；
[0039]
所述自锁开关根据所述第二脉冲信号转为断开状态，并关断所述图像采集装置对所述cpu的供电，以使所述控制电路回复初始状态。
[0040]
在一可选实施例中，所述预定时长为5s；
[0041]
所述当所述按键被长按的时长达预定时长时，控制所述第一io引脚由高电平转为低电平，包括：
[0042]
接收所述按键被按下的操作，并持续检测所述按键被按下时刻开始起各个时刻所述第二io引脚的电平状态；
[0043]
根据第三公式计算当前时刻所述第一io引脚的电平控制值；
[0044]
判断当前时刻所述第一io引脚的电平控制值是否等于0；
[0045]
若当前时刻所述第一io引脚的电平控制值等于0，则控制所述第一io引脚由高电平转为低电平；
[0046]
其中，所述第三公式为：
[0047][0048]
所述第三公式中，c
io1
(t)表示当前时刻所述第一io引脚的电平控制值；s
io2
(t)表示当前时刻所述第二io引脚的电平接收值，若所述第二io引脚接收到高电平则电平接收值为1，反之电平接收值为0；a表示整数变量，取值范围为[1,5]；||表示求取绝对值。
[0049]
在一可选实施例中，所述采集指定种类的垃圾在室内的若干图像，包括：
[0050]
将指定种类的垃圾置于室内；
[0051]
通过所述控制电路采集指定种类的垃圾在室内的若干图像。
[0052]
本发明提供的一种基于神经网络的算法效率提升方法，首先采集室内预设数量的垃圾图像进行训练，得到训练好的神经网络；接着采集不同种类的室内垃圾图片，并按照垃圾所属的种类分批给到所述训练好的神经网络进行深度学习，得到每个种类的垃圾的特征数据。本发明能够对室内部分垃圾图像进行训练，之后再进行分批训练，有效地减少了训练层数，提升了训练效率。
附图说明
[0053]
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一些实施例，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，还可以根据这些附图获得其它的附图。
[0054]
图1为本发明实施例提供的一种基于神经网络的算法效率提升方法实施例一流程图；
[0055]
图2为预设控制电路结构示意图；
[0056]
图3为本发明实施例提供的一种基于神经网络的算法效率提升方法实施例二流程图。
具体实施方式
[0057]
下面结合附图对本发明实施例进行详细描述。
[0058]
应当明确，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。
[0059]
图1为本发明实施例提供的一种基于神经网络的算法效率提升方法实施例一流程图。参见图1，该方法包括如下步骤s101-s104：
[0060]
s101：采集预设数量的室内垃圾图像，得到训练样本集。
[0061]
本实施例中，采集室内部门垃圾图像作为训练样本集，便于后续提供给室内垃圾检测神经网络进行训练。
[0062]
s102：以所述训练样本集对预设的室内垃圾检测神经网络进行训练。
[0063]
本实施例中，以部分垃圾图像作为训练样本集，随着训练样本集中图像数量的减少，将有效地提高室内垃圾检测神经网络训练的效率，并能快速地获得比较通用的垃圾特征数据，训练出来的神经网络可以快速的识别室内物品是否为垃圾。
[0064]
s103：采集指定种类的垃圾在室内的若干图像，得到指定种类的垃圾对应的图像集合，并为所述指定种类的垃圾在室内的图像添加垃圾种类标签。
[0065]
本实施例中，目前垃圾种类主要包括：可回收垃圾、厨余垃圾、有害垃圾和其他垃圾4类，同时也可以再次进行细分，如可回收垃圾可以再次细分为废纸、塑料、玻璃、金属和布料五大类。此处将室内的若干图像按照垃圾种类进行分类，便于后续提供给训练出来的神经网络进行进一步训练，提高神经网络检测垃圾的准确性和检测结果信息的全面性。
[0066]
s104：基于训练好的所述室内垃圾检测神经网络对每个种类的垃圾对应的图像集
合进行深度学习，得到每个种类的垃圾的特征数据。
[0067]
本实施例中，训练好的所述室内垃圾检测神经网络已经获得了通用的垃圾特征数据，进一步的对每个种类的垃圾对应的图像集合进行深度学习，将得到每个种类的垃圾的特征数据。通过再次的训练，神经网络不仅能识别出室内垃圾，进一步的识别出垃圾的种类。分批次的训练，不仅提高了训练效率，同时也提高了神经网络的性能。
[0068]
作为一可选实施例，步骤s101中可以通过预设控制电路采集预设数量的室内垃圾图像。如图2所示，所述预设控制电路包括电源21、按键22、继电器23、自锁开关24、图像采集装置25和cpu26；所述电源21的输出端依次串联自锁开关24、图像采集装置25；电源21的正极输出端还依次串联按键22、继电器23；继电器23的输出端与自锁开关24的开关触发端连接；图像采集装置25的输出端连接所述cpu26，所述cpu26具有第一io引脚27和第二io引脚28，第一io引脚27与继电器23的开关触发端连接，第二io引脚28通过按键22与电源的21正极输出端连接。
[0069]
本实施例中，cpu用于对神经网络的计算，图像采集装置用于采集室内照片。此处提供的预设控制电路将有助于本发明提供的一种基于神经网络的算法效率提升方法的实现。
[0070]
本发明实施例提供的一种基于神经网络的算法效率提升方法，首先采集室内预设数量的垃圾图像进行训练，得到训练好的神经网络；接着采集不同种类的室内垃圾图片，并按照垃圾所属的种类，分批给到所述训练好的神经网络进行深度学习，得到每个种类的垃圾的特征数据。本发明能够对室内部分垃圾图像进行训练，之后再进行分批训练，有效地减少了训练层数，提升了训练效率和训练出的神经网络的准确度。
[0071]
图3为本发明实施例提供的一种基于神经网络的算法效率提升方法实施例二流程图。参见图3，该方法包括如下步骤s201-s211：
[0072]
s201：控制所述控制电路处于初始状态。
[0073]
所述控制电路的初始状态为：按键22处于断开状态，继电器23处于闭合状态，自锁开关24处于断开状态，第一io引脚27为低电平，第二io引脚28为低电平。在初始状态时，自锁开关24处于断开状态，cpu26未得到供电，因此cpu的第一io引脚27和第二io引脚28均为低电平。
[0074]
s202：通过继电器23将由于按键22被点击而形成的第一脉冲信号发送到自锁开关24的开关触发端。
[0075]
本步骤中，当需要进行室内垃圾检测时，用户需要点按按键22，则由于该点击按键22的操作，会形成一个第一脉冲信号(上升沿脉冲信号)，继电器23将第一脉冲信号发送给自锁开关24。
[0076]
s203：自锁开关24根据所述第一脉冲信号自锁闭合，从而使图像采集装置25得到供电。
[0077]
本实施例中，预先设定第一脉冲信号为自锁开关24的闭合触发信号，第二脉冲信号为自锁开关24的断开触发信号。当需要进行室内垃圾检测时，用户需要点按按键22，继电器23将第一脉冲信号发送给自锁开关24，此时自锁开关24根据所述第一脉冲信号自锁闭合，则图像采集装置25和电源21之间的线路被接通，图像采集装置25得到供电。
[0078]
s204：通过图像采集装置25采集室内垃圾图像。
[0079]
本步骤中，图像采集装置25的电源接通后，开始采集室内垃圾的图像。
[0080]
s205：当图像采集装置25采集的室内垃圾图像满足预设供电条件时，通过图像采集装置25向cpu26供电。
[0081]
本实施例中，在图像采集装置采集室内垃圾图像积累到一定量的时候，才会给cpu供电，让cpu开始根据采集到的室内垃圾图像，进行所述神经网络的计算，保证在垃圾图像未积累到一定程度时，可以关闭cpu的电源，从而有效地的节省了cpu的功耗。
[0082]
s206：控制第一io引脚27为高电平，从而使继电器23根据第一io引脚27的高电平而转为断开状态。
[0083]
本实施例中，当cpu26得到供电后，控制第一io引脚27由低电平转为高电平，则所述继电器23开关收到高电平信号后断开，则用户再点按按键22无效果，避免了用户在cpu进行神经网络算法时误触按键22造成错误的情况发生。
[0084]
s207：通过图像采集装置25实时采集室内垃圾图像并发送给cpu26，以使cpu26得到训练样本集。
[0085]
s208：cpu26得到训练样本集后，以所述训练样本集作为训练样本对预设的室内垃圾检测神经网络进行训练。
[0086]
s209：将指定种类的垃圾置于室内。
[0087]
s210：通过所述控制电路采集指定种类的垃圾在室内的若干图像，得到指定种类的垃圾对应的图像集合，并为所述指定种类的垃圾在室内的图像添加垃圾种类标签。
[0088]
本步骤中，通过所述控制电路采集指定种类的垃圾在室内的若干图像的具体方法类似于上述步骤s201-s207，此处不再赘述。
[0089]
s211：基于训练好的所述室内垃圾检测神经网络对每个种类的垃圾对应的图像集合进行深度学习，得到每个种类的垃圾的特征数据。
[0090]
本实施例二，需要进行室内垃圾检测时，可以通过所述控制电路的按键触发图像采集装置开始工作，并在室内垃圾量积累到一定量的时候再接通cpu进行所述神经网络的计算，这样既可以保证cpu在运算时的工作量效率高，又能保证在垃圾积累时可以关闭cpu的电源来节省功耗。
[0091]
作为一可选实施例，本发明提供的一种基于神经网络的算法效率提升方法，还可以包括以下步骤：
[0092]
s212：实时检测图像采集装置25和cpu26的供电状态。
[0093]
s213：根据图像采集装置25和cpu26的供电状态，控制按键22处预设的指示灯状态，以提醒用户当前室内垃圾检测状态。
[0094]
其中，所述室内垃圾检测状态包括：当前正在进行室内垃圾检测，当前图像采集装置已启动但还未进行室内垃圾检测，当前图像采集装置未启动及室内垃圾检测未进行。
[0095]
本实施例中，可以预想在控制按键22处或者人机交互界面上设置指示灯，根据图像采集装置和cpu的供电状态控制按键的指示灯状态，进而提醒用户对按键的后续控制操作，方便用户的使用。
[0096]
作为一可选实施例，上述步骤s205，可以包括以下步骤s2051-s2053：
[0097]
s2051：根据当前时刻所述图像采集装置采集的室内垃圾图像，基于第一公式计算当前时刻所述cpu的供电控制值。
[0098]
优选地，所述第一公式为：
[0099][0100]
所述第一公式中，e(t_cpu)表示当前时刻所述cpu的供电控制值；t为当前时刻；e(t_d)表示当前时刻所述图像采集装置的供电值，若所述图像采集装置已得到供电则e(t_d)＝1，反之e(t_d)＝0；h(i,j)表示当前时刻所述图像采集装置采集的室内垃圾图像中第i行第j列像素点的像素值；u[]表示归一化函数，若括号内的值不为0则函数值为1，反之函数值为0；j＝1,2,
…
,m；m表示当前时刻所述图像采集装置采集的室内垃圾图像中每一行的像素点总数；i＝1,2,
…
n；n表示当前时刻所述图像采集装置采集的室内垃圾图像中每一列的像素点总数；f{}表示负数检验函数，若括号内的值为负数则函数值为1，反之函数值为0。
[0101]
s2052：判断当前时刻所述cpu的供电控制值是否等于1，是则执行s2053。
[0102]
本实施例中，若e(t_cpu)＝1，表示需要控制将电压流入cpu；若e(t_cpu)＝0，表示不需要控制将电压流入cpu，即达到必须要满足一定条件后，cpu才有电压流入，从而有效地降低了cpu工作的压力，有助于提升cpu的使用寿命。
[0103]
s2053：确定图像采集装置25采集的室内垃圾图像满足预设供电条件，通过图像采集装置25向cpu26供电。
[0104]
本实施例中，根据所述图像采集装置采集的图像控制cpu的供电，使得室内垃圾图像积累到一定量的时再进行所述神经网络计算，既可以保证cpu在运算时的工作效率高，又能保证在垃圾图像积累时，可以关闭cpu的电源来节省功耗。
[0105]
作为一可选实施例，步骤s213，可以包括以下步骤s2131-s2132：
[0106]
s2131：根据第二公式计算所述指示灯的当前状态控制值。
[0107]
优选地，所述第二公式为：
[0108][0109]
所述第二公式中，r(t)表示当前时刻所述指示灯的当前状态控制值；∧表示逻辑关系与。
[0110]
s2132：根据预设的状态控制值与指示灯状态之间的对应关系，控制所述指示灯的状态为所述当前状态控制值对应的状态。
[0111]
本实施例中，若r(t)＝1，则可以控制所述按键的指示灯状态为常亮，即提醒用户当前已经开始进行室内垃圾检测了，需要进行长按按键才能停止室内垃圾检测；若r(t)＝-1，则可以控制所述按键的指示灯状态为闪烁，即提醒用户当前图像采集装置已启动但还未进行室内垃圾检测，可以通过点按按键停止图像采集装置以及后续的操作；若r(t)＝0，则可以控制所述按键的指示灯状态为熄灭，即提醒用户当前图像采集装置以及室内垃圾检测还未进行，则可以通过点按按键开启图像采集装置以及后续的室内垃圾检测。根据图像采集装置和cpu的供电状态控制按键的指示灯状态，进而提醒用户对按键的后续控制操作，方便用户的使用。
[0112]
作为一可选实施例，图2中的步骤s207之后，还可以包括以下步骤s2071-s2073：
[0113]
s2071：当按键22被长按的时长达预定时长时，控制第一io引脚27由高电平转为低电平，从而使继电器23根据第一io引脚27的低电平而转为关闭状态。
[0114]
本实施例中，由于s206中在cpu26得到供电后，第一io引脚27转为高电平使得继电器23断开，在s207中cpu26采集到合适数量的室内垃圾图像后，若需要停止室内垃圾检测，则用户可以长按按键22，若用户按下按键22的时间超过预定时长时，控制第一io引脚27由高电平转为低电平，则继电器23根据第一io引脚27的低电平而转为关闭状态。
[0115]
s2072：当按键22被长按结束时，通过继电器23将由于按键22被长按结束而形成的第二脉冲信号发送到自锁开关24的开关触发端，同时第二io引脚28转为低电平。
[0116]
s2073：自锁开关24根据所述第二脉冲信号转为断开状态，并关断图像采集装置25对cpu26的供电，以使所述控制电路回复初始状态。
[0117]
优选地，所述预定时长为5s，步骤s2071中所述当按键22被长按的时长达预定时长时，控制第一io引脚27由高电平转为低电平的方法，可以包括：
[0118]
s20711：接收按键22被按下的操作，并持续检测按键22被按下时刻开始起各个时刻第二io引脚28的电平状态。
[0119]
s20712：根据第三公式计算当前时刻第一io引脚27的电平控制值。
[0120]
其中，所述第三公式为：
[0121][0122]
所述第三公式中，c
io1
(t)表示当前时刻所述第一io引脚的电平控制值；s
io2
(t)表示当前时刻所述第二io引脚的电平接收值，若所述第二io引脚接收到高电平则电平接收值为1，反之电平接收值为0；a表示整数变量，取值范围为[1,5]；||表示求取绝对值。
[0123]
s20713：判断当前时刻第一io引脚27的电平控制值是否等于0；是则执行s20714。
[0124]
s20714:控制第一io引脚27由高电平转为低电平。
[0125]
本实施例中，根据所述按键的按下时间即所述io2引脚接收到的高电平的时间，控制io1的引脚电平，从而避免了用户在cpu进行神经网络算法时的误触，保证系统的安全性。在用户按下按键时间超过5s即按键闭合时间超过5s，也就是io2引脚接收到的高电平时间超过5s，则确定用户需要停止室内垃圾检测，则控制io1口的引脚为低电平进而使得继电器重新闭合，当用户离开按键时自锁开关会收到下降沿信号进行断开进而关断图像采集装置和cpu的供电，既可以保证cpu在运算时的工作量效率高，又能保证在垃圾积累时可以关闭cpu的电源来节省功耗。
[0126]
本发明实施例提供的一种基于神经网络的算法效率提升方法，在室内垃圾图片积累到一定程度时，才启动cpu开始进行室内垃圾检测神经网络的训练，这样既可以保证cpu在运算时的工作量效率高，又能保证在垃圾图片积累时可以关闭cpu的电源来节省功耗。
[0127]
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。
[0128]
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。
[0129]
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。
[0130]
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。以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。