深度学习模型的在线训练方法、装置、设备及存储介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种深度学习模型的在线训练方法、装置、设备及存储介质。


背景技术：

2.智能机器人的功能实现依赖于resnet、yolo等深度神经网络，深度神经网络需要庞大的标注数据集进行训练，以使模型胜任真实场景下的任务。目前，在数据集的标注过程中，由于目标类别易混淆、标注人员认知差异等不可控因素，导致样本类别被错误标注，所以不可避免的引入标签噪声，从而导致模型性能降低。


技术实现要素：

3.本技术提供了一种深度学习模型的在线训练方法、装置、设备及存储介质，以解决数据集样本质量差导致模型性能降低的技术问题。
4.为了解决上述技术问题，第一方面，本技术提供了一种深度学习模型的在线训练方法，包括：
5.获取原始图像数据集，原始图像数据集包括多个图像数据；
6.利用预设的不确定性量化模块，对原始图像数据集进行数据筛选，得到预设数量的第一高质量样本；
7.基于对第一高质量样本进行标注后的第一标注样本，对深度学习模型进行训练，直至深度学习模型达到收敛，得到目标深度学习模型；
8.若目标深度学习模型的模型性能参数达到目标性能参数，则判定深度学习模型在线训练完成。
9.作为优选，利用预设的不确定性量化模块，对原始图像数据集进行数据筛选，得到预设数量的第一高质量样本，包括：
10.利用预设的后验概率分布公式，将图像数据作为输入值，计算图像数据在预设超参数和目标预测值时的后验概率分布值，目标预测值为图像数据在预设超参数时预测的输出值；
11.根据后验概率分布值，计算图像数据对应的预测熵和互信息，预测熵用于表征目标预测值所包含的信息量，互信息用于表征目标预测值的置信度；
12.若目标图像数据的预测熵和互信息满足预设的第一高质量样本条件，则目标图像数据作为第一高质量样本。
13.作为优选，后验概率分布公式为：
[0014][0015]
表示后验概率分布，为目标预测值，为图像数据，d
1:t
为原始图像数据集，θ为预设超参数。
[0016]
作为优选，根据后验概率分布值，计算图像数据对应的预测熵和互信息，包括：
[0017]
利用预设的预测熵公式和互信息公式，根据后验概率分布值，计算图像数据对应的预测熵和互信息，预测熵公式为：
[0018][0019]
互信息公式为：
[0020][0021]
其中，为预测熵，用于表征目标预测值所包含的信息量；c为图像数据的类别；为互信息，用于表征目标预测值的置信度；表示条件熵。
[0022]
作为优选，若目标图像数据的预测熵和互信息满足预设的第一高质量样本条件，则将目标图像数据作为第一高质量样本，包括：
[0023]
将预测熵与预设熵进行对比，以及将互信息与预设互信息进行对比；
[0024]
若预测熵大于预设熵，以及互信息大于预设互信息，则判定目标图像数据的预测熵和互信息满足第一高质量样本条件，并将目标图像数据作为第一高质量样本。
[0025]
作为优选，基于对第一高质量样本进行标注后的第一标注样本，对深度学习模型进行训练，直至深度学习模型达到收敛，得到目标深度学习模型之后，还包括：
[0026]
若目标深度学习模型的模型性能参数未达到目标性能参数，则执行数据筛选步骤，数据筛选步骤包括利用不确定性量化模块，继续对原始图像数据集进行数据筛选，得到预设数量的第二高质量样本；
[0027]
基于对第二高质量样本进行标注后的第二标注样本，继续对深度学习模型进行训练，直至深度学习模型再次达到收敛，得到新的目标深度学习模型；
[0028]
若新的目标深度学习模型的模型性能参数未达到目标性能参数，则返回数据筛选步骤，直至新的目标深度学习模型的模型性能参数达到目标性能参数，或返回数据筛选步骤的次数达到预设次数，则判定完成深度学习模型在线训练完成。
[0029]
作为优选，获取机器人设备采集的原始图像数据集，包括：
[0030]
向机器人设备发送目标控制参数，目标控制参数用于调整机器人设备上的相机单元的位姿参数，并通过相机单元采集原始图像数据集；
[0031]
接收机器人设备采集的原始图像数据集。
[0032]
第二方面，本技术还提供一种深度学习模型的在线训练装置，包括：
[0033]
获取模块，用于获取原始图像数据集，原始图像数据集包括多个图像数据；
[0034]
不确定性量化模块，用于对原始图像数据集进行数据筛选，得到预设数量的第一高质量样本；
[0035]
训练模块，用于基于对第一高质量样本进行标注后的第一标注样本，对深度学习模型进行训练，直至深度学习模型达到收敛，得到目标深度学习模型；
[0036]
判定模块，用于若目标深度学习模型的模型性能参数达到目标性能参数，则判定深度学习模型在线训练完成。
[0037]
第三方面，本技术还提供一种计算机设备，包括处理器和存储器，存储器用于存储
计算机程序，计算机程序被处理器执行时实现如第一方面的深度学习模型的在线训练方法。
[0038]
第四方面，本技术还提供一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现如第一方面的深度学习模型的在线训练方法。
[0039]
与现有技术相比，本技术具备以下有益效果：
[0040]
通过获取原始图像数据集，并利用预设的不确定性量化模块，对原始图像数据集进行数据筛选，得到预设数量的第一高质量样本，从而提高待标注样本的质量，以有效减少因样本质量差而导致出现目标类别易混淆和标注人员认知差异等情况，同时每次筛选预设数量的高质量样本，以减少样本标注量；再基于对第一高质量样本进行标注后的第一标注样本，对深度学习模型进行训练，直至深度学习模型达到收敛，得到目标深度学习模型，从而利用高质量样本提高模型性能；最后，对模型性能参数进行验证，若目标深度学习模型的模型性能参数达到目标性能参数，则判定深度学习模型在线训练完成，从而保证模型性能在有限样本量的前提下能够达标。
附图说明
[0041]
图1为本技术实施例示出的一种深度学习模型的在线训练方法的流程示意图；
[0042]
图2为本技术实施例示出的另一种深度学习模型的在线训练方法的流程示意图；
[0043]
图3为本技术实施例示出的步骤s102的流程示意图；
[0044]
图4为本技术实施例示出的深度学习模型的在线训练装置的结构示意图；
[0045]
图5为本技术实施例示出的计算机设备的结构示意图。
具体实施方式
[0046]
下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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他实施例，都属于本技术保护的范围。
[0047]
如相关技术记载，数据集的制作主要划分为三个步骤：1)数据采集人员在真实场景下使用专业相机对目标进行拍摄，得到原始数据；2)数据筛选人员对原始数据进行筛选，剔除曝光异常、目标模糊的原始数据；3)数据标注人员使用专业软件按照既定规则对原始数据进行标注。如果应用场景或者模型对数据集有更严苛的要求，需要在数据标注以后额外添加质检环节。其中，在数据集的标注过程中会不可避免的引入标签噪声，标签噪声是指因图像数据的类别易混淆，而标注人员存在认知差异，从而导致样本类别被错误标注，标签噪声会导致模型性能降低。
[0048]
为此，本技术实施例通过获取原始图像数据集，并利用预设的不确定性量化模块，对原始图像数据集进行数据筛选，得到预设数量的第一高质量样本，从而提高待标注样本的质量，以有效减少因样本质量差而导致出现目标类别易混淆和标注人员认知差异等情况，同时每次筛选预设数量的高质量样本，以减少样本标注量；再基于对第一高质量样本进行标注后的第一标注样本，对深度学习模型进行训练，直至深度学习模型达到收敛，得到目标深度学习模型，从而利用高质量样本提高模型性能；最后，对模型性能参数进行验证，若
目标深度学习模型的模型性能参数达到目标性能参数，则判定深度学习模型在线训练完成，从而保证模型性能在有限样本量的前提下能够达标。
[0049]
请参照图1，图1为本技术实施例提供的一种深度学习模型的在线训练方法的流程示意图。本技术实施例的深度学习模型的在线训练方法可应用于计算机设备，该计算机设备包括但不限于智能机器人、智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。如图1所示，本实施例的深度学习模型的在线训练方法包括步骤s101至步骤s104，详述如下：
[0050]
步骤s101，获取原始图像数据集，所述原始图像数据集包括多个图像数据。
[0051]
在本步骤中，原始图像数据集为通过摄像设备采集到的图像数据集合，摄像设备可以为计算机设备上的相机等，也可以为其他计算机设备上的相机。优选为本计算机设备上的相机，以保证采集原始图像数据训练模型的设备与应用模型的设备相同，有效避免因设备差异而对模型性能造型不利影响，从而提高模型性能。
[0052]
在一实施例中，所述步骤s101，包括：向所述机器人设备发送目标控制参数，所述目标控制参数用于控制所述机器人设备调整相机单元的位姿参数，并通过所述相机单元采集原始图像数据集；接收所述机器人设备采集的原始图像数据集。
[0053]
在本实施例中，由于不同机器人设备的相机高度和角度存在较大差异，例如扫地机器人的相机高度较低和迎宾机器人的相机高度较高，不同高度导致采集的原始图像质量存在较大差异，所以本实施例通过调整对应的机器人设备上的相机的高度和角度等位姿参数，并采集原始图像数据，以降低机器人设备不同而导致图像质量存在较大差异的问题。
[0054]
示例性地，对于应用于迎宾机器人的第一行人识别模型，则通过迎宾机器人采集原始图像数据集，以用于第一行人识别模型的训练；对于应用于扫地机器人的第二行人识别模型，则通过扫地机器人采集原始图像数据集，以用于第二行人识别模型的训练。
[0055]
步骤s102，利用预设的不确定性量化模块，对所述原始图像数据集进行数据筛选，得到预设数量的第一高质量样本。
[0056]
在本步骤中，不确定性量化(uncertainty quantification，uq)模块为用于有效量化原始图像数据质量的不确定性的算法模块，通过uq模块量化原始图像数据的质量，以筛选出高质量样本，减少图像本身存在类别易混淆等情况的原始图像，从而有效避免因标注人员的认知差异而对易混淆图像进行错误标注，提高图像样本质量。
[0057]
可选地，uq模块可以为偶然不确定性(aleatory uncertainty，au)模块或认知不确定性(epistemic uncertainty，eu)模块，对于au模块，其可以基于广义多项式插值法、随机galerkin法、摄动法、稀疏插值法或beyesian估计法等算法实现，对于eu模块，其可以d－s证据理论、区间分析法或模糊集理论等算法实现。
[0058]
步骤s103，基于对所述第一高质量样本进行标注后的第一标注样本，对深度学习模型进行训练，直至所述深度学习模型达到收敛，得到目标深度学习模型。
[0059]
在本步骤中，对筛选出第一高质量样本后进行标注，标注方式可以为机器标注，也可以为人工标注。由于步骤s102筛选出来的是少量第一高质量样本，所以本实施例采用人工标注方式。可以理解的是，经过筛选后得到的第一高质量样本类别不易混淆，所以人工标注方式也不会出现标注人员因认知差异而错误标注的情况。
[0060]
深度学习模型包括但不限于resnet或yolo等深度神经网络，其训练过程可以为深
度学习模型的常规训练过程，在此不再赘述。
[0061]
步骤s104，若所述目标深度学习模型的模型性能参数达到目标性能参数，则判定所述深度学习模型在线训练完成。
[0062]
在本步骤中，模型性能参数包括但不限于准确率、精确率、灵敏度、特异度、阴性预测值、错误遗漏率、威胁分数、阳性似然比和召回率等。可选地，利用目标深度学习模型对原始图像数据进行图像处理，得到处理结果，基于相应性能参数的计算公式，对处理结果进行运算，得到相应的模型性能参数。
[0063]
在一实施例中，在图1所示实施例的基础上，图2示出了另一种深度学习模型的在线训练方法的流程示意图。与图1相同的步骤，在此不再赘述，如图2所示，上述步骤s103之后，还包括：
[0064]
步骤s201，若所述目标深度学习模型的模型性能参数未达到目标性能参数，则执行数据筛选步骤，所述数据筛选步骤包括利用所述不确定性量化模块，继续对所述原始图像数据集进行数据筛选，得到预设数量的第二高质量样本；
[0065]
步骤s202，基于对所述第二高质量样本进行标注后的第二标注样本，继续对所述深度学习模型进行训练，直至所述深度学习模型再次达到收敛，得到新的目标深度学习模型；
[0066]
步骤s203，若所述新的目标深度学习模型的模型性能参数未达到目标性能参数，则返回所述数据筛选步骤，直至所述新的目标深度学习模型的模型性能参数达到目标性能参数，或返回所述数据筛选步骤的次数达到预设次数，则判定完成深度学习模型在线训练完成。
[0067]
在本实施例中，第二高质量样本为从除第一高质量样本之外的原始图像数据集中筛选得到的样本。本实施例通过每次筛选少量高质量样本，以降低样本标注量，从而节省人工成本和时间成本，同时通过在线验证模型性能，以保证在少量高质量样本的前提下使深度学习模块的模型性能满足模型要求。可以理解的是，不确定性量化模块和深度学习模型的训练过程类似于图1实施例或图3实施例，在此不再赘述。
[0068]
在一实施例中，在图1所示实施例的基础上，图3示出了步骤s102的具体流程示意图。与图1相同的步骤，在此不再赘述。如图3所示，上述步骤s102，包括：
[0069]
步骤s301，利用预设的后验概率分布公式，将所述图像数据作为输入值，计算所述图像数据在预设超参数和目标预测值时的后验概率分布值，所述目标预测为所述图像数据在所述预设超参数时预测的输出值。
[0070]
在本步骤中，后验概率分布表示利用概率论求算在已知原始图像数据集的条件下，超参数θ的条件分布的过程，后验概率分布值作为判断样本质量的重要依据。
[0071]
可选地，所述后验概率分布公式为：
[0072][0073]
表示所述后验概率分布，为所述目标预测值，为所述图像数据，d
1:t
为所述原始图像数据集，θ为所述预设超参数。
[0074]
在本可选实施例中，基于给定的图像数据和预设超参数θ，输出目标预测值
并返回一个后验概率分布值；其中上述公式通过引入后验概率对超参数θ的函数关系，再进行后验概率的边缘化概率变换，最后积分消去θ能够达到简化计算的目的。
[0075]
步骤s302，根据所述后验概率分布值，计算所述图像数据对应的预测熵和互信息，所述预测熵用于表征所述目标预测值所包含的信息量，所述互信息用于表征目标预测值的置信度。
[0076]
在本步骤中，可选地，利用预设的预测熵公式和互信息公式，所述根据所述后验概率分布值，计算所述图像数据对应的预测熵和互信息，所述预测熵公式为：
[0077][0078]
所述互信息公式为：
[0079][0080]
其中，为所述预测熵，用于表征所述目标预测值所包含的信息量；c为所述图像数据的类别；为所述互信息，用于表征目标预测值的置信度；表示条件熵。
[0081]
在本可选实施例中，计算预测熵h，以及基于图像数据预测的目标预测值与预设超参数θ之间的互信息i。其中预测熵h反映预测结果所包含的信息量，互信息i反映模型本身对自身预测结果的置信度。
[0082]
需要说明的是，上述预测熵公式表示在目标预测值为样本类别c时的预测熵。上述互信息公式表示预测熵与条件熵之间的差异，其中条件熵为s为所图像数据的个数。
[0083]
步骤s303，若目标图像数据的所述预测熵和所述互信息满足预设的第一高质量样本条件，则所述目标图像数据作为所述第一高质量样本。
[0084]
在本步骤中，将所述预测熵与预设熵进行对比，以及将所述互信息与预设互信息进行对比。可选地，若所述预测熵大于预设熵，以及所述互信息大于预设互信息，则判定所述目标图像数据的所述预测熵和所述互信息满足所述第一高质量样本条件，并将所述目标图像数据作为所述第一高质量样本；若预测熵不大于预设熵和/或互信息不大于预设互信息，则将目标图像数据从原始图像数据集剔除。
[0085]
需要说明的是，本技术实施例提供的深度学习模型的在线训练方法具备以下有益效果：(1)基于已有的机器人系统完成数据采集，确保训练模型的数据与使用模型的数据的获取条件是尽可能相似的，避免数据分布、质量差异等带来的性能损失。
[0086]
(2)将uq模块引入到数据标注过程，首先使用uq模块筛选少量高质量数据进行标注，接着使用标注好的数据训练模型，然后再使用该模块增加高质量数据样本，新增标注好的数据继续训练提升模型性能。循环往复上述过程，直至得到达到目标性能的训练模型，能够有效提高模型性能。
[0087]
(3)uq模块算法不会被部署在智能机器人上，不会直接参与智能机器人的任务，所以不需要庞大的数据集来训练。
[0088]
为了执行上述方法实施例对应的深度学习模型的在线训练方法，以实现相应的功能和技术效果。参见图4，图4示出了本技术实施例提供的一种深度学习模型的在线训练装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本技术实施例提供的深度学习模型的在线训练装置，包括：
[0089]
获取模块401，用于获取原始图像数据集，所述原始图像数据集包括多个图像数据；
[0090]
不确定性量化模块402，用于对所述原始图像数据集进行数据筛选，得到预设数量的第一高质量样本；
[0091]
训练模块403，用于基于对所述第一高质量样本进行标注后的第一标注样本，对深度学习模型进行训练，直至所述深度学习模型达到收敛，得到目标深度学习模型；
[0092]
判定模块404，用于若所述目标深度学习模型的模型性能参数达到目标性能参数，则判定所述深度学习模型在线训练完成。
[0093]
在一实施例中，所述不确定性量化模块402，包括：
[0094]
第一计算单元，用于利用预设的后验概率分布公式，将所述图像数据作为输入值，计算所述图像数据在预设超参数和目标预测值时的后验概率分布值，所述目标预测值为所述图像数据在所述预设超参数时预测的输出值；
[0095]
第二计算单元，用于根据所述后验概率分布值，计算所述图像数据对应的预测熵和互信息，所述预测熵用于表征所述目标预测值所包含的信息量，所述互信息用于表征目标预测值的置信度；
[0096]
作为单元，用于若目标图像数据的所述预测熵和所述互信息满足预设的第一高质量样本条件，则所述目标图像数据作为所述第一高质量样本。
[0097]
在一实施例中，所述后验概率分布公式为：
[0098][0099]
表示所述后验概率分布，为所述目标预测值，为所述图像数据，d
1:t
为所述原始图像数据集，θ为所述预设超参数。
[0100]
在一实施例中，所述根据所述后验概率分布值，计算所述图像数据对应的预测熵和互信息，包括：
[0101]
利用预设的预测熵公式和互信息公式，所述根据所述后验概率分布值，计算所述图像数据对应的预测熵和互信息，所述预测熵公式为：
[0102][0103]
所述互信息公式为：
[0104][0105]
其中，为所述预测熵，用于表征所述目标预测值所包含的信息量；c为所述图像数据的类别；为所述互信息，用于表征目标预测值的置信度；表示条件熵。
[0106]
在一实施例中，所述作为单元，具体用于：
[0107]
将所述预测熵与预设熵进行对比，以及将所述互信息与预设互信息进行对比；
[0108]
若所述预测熵大于预设熵，以及所述互信息大于预设互信息，则判定所述目标图像数据的所述预测熵和所述互信息满足所述第一高质量样本条件，并将所述目标图像数据作为所述第一高质量样本。
[0109]
在一实施例中，所述在线训练装置，还包括：
[0110]
执行模块，用于若所述目标深度学习模型的模型性能参数未达到目标性能参数，则执行数据筛选步骤，所述数据筛选步骤包括利用所述不确定性量化模块，继续对所述原始图像数据集进行数据筛选，得到预设数量的第二高质量样本；
[0111]
继续训练模块，用于基于对所述第二高质量样本进行标注后的第二标注样本，继续对所述深度学习模型进行训练，直至所述深度学习模型再次达到收敛，得到新的目标深度学习模型；
[0112]
第二判定模块，用于若所述新的目标深度学习模型的模型性能参数未达到目标性能参数，则返回所述数据筛选步骤，直至所述新的目标深度学习模型的模型性能参数达到目标性能参数，或返回所述数据筛选步骤的次数达到预设次数，则判定完成深度学习模型在线训练完成。
[0113]
在一实施例中，所述获取模块401，具体用于：
[0114]
向所述机器人设备发送目标控制参数，所述目标控制参数用于控制所述机器人设备调整相机单元的位姿参数，并通过所述相机单元采集原始图像数据集；
[0115]
接收所述机器人设备采集的原始图像数据集。
[0116]
上述的深度学习模型的在线训练装置可实施上述方法实施例的深度学习模型的在线训练方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本技术实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
[0117]
图5为本技术一实施例提供的计算机设备的结构示意图。如图5所示，该实施例的计算机设备5包括：至少一个处理器50(图5中仅示出一个)处理器、存储器51以及存储在所述存储器51中并可在所述至少一个处理器50上运行的计算机程序52，所述处理器50执行所述计算机程序52时实现上述任意方法实施例中的步骤。
[0118]
所述计算机设备5可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器50、存储器51。本领域技术人员可以理解，图5仅仅是计算机设备5的举例，并不构成对计算机设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0119]
所称处理器50可以是中央处理单元(central processing unit，cpu)，该处理器50还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0120]
所述存储器51在一些实施例中可以是所述计算机设备5的内部存储单元，例如计算机设备5的硬盘或内存。所述存储器51在另一些实施例中也可以是所述计算机设备5的外
部存储设备，例如所述计算机设备5上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
[0121]
另外，本技术实施例还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程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的步骤。
[0122]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现上述各个方法实施例中的步骤。
[0123]
在本技术所提供的几个实施例中，可以理解的是，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
[0124]
所述功能如果以软件功能模块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，本技术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执行本技术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(rom，read－only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0125]
以上所述的具体实施例，对本技术的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本技术的具体实施例而已，并不用于限定本技术的保护范围。特别指出，对于本领域技术人员来说，凡在本技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。