近红外图像生成模型的训练方法、设备及存储介质与流程

1.本技术涉及深度学习模型训练的技术领域，尤其涉及一种近红外图像生成模型的训练方法、设备及计算机可读存储介质。


背景技术：

2.多光谱遥感图像的近红外(nir)光谱范围为土地覆盖分类提供了重要信息，例如在植被评估方面，通过近红外光谱能够较好的对植被以及相似颜色的建筑物进行区分。但在一些情况下，在多光谱遥感图像中无法直接得到近红外光谱对应的近红外图像，导致在通过多光谱遥感图像分析植被覆盖时，存在分析结果不够准确的问题。


技术实现要素：

3.本技术的主要目的在于提供一种近红外图像生成模型的训练方法、装置、设备及计算机可读存储介质，旨在对近红外图像生成模型进行训练，从而使得遥感图像能够基于训练好的近红外图像生成模型得到近红外图像，从而提升通过遥感图像进行植被分析的准确性。
4.第一方面，本技术提供一种近红外图像生成模型的训练方法，所述近红外图像生成模型的训练方法包括以下步骤：
5.获取训练样本图像，所述训练样本图像包括样本rgb图像和所述样本rgb图像对应的样本近红外图像；
6.将所述样本rgb图像输入至近红外图像生成模型，得到所述近红外图像生成模型输出的目标样本近红外图像；
7.基于近红外图像判别模型，根据所述样本rgb图像对所述目标样本近红外图像和所述样本近红外图像进行判别，得到所述目标样本近红外图像的真实性判定结果；
8.基于预设的损失函数和所述真实性判定结果，对所述样本近红外图像和所述目标样本近红外图像进行损失计算，得到损失值；
9.根据所述损失值对所述近红外图像生成模型的参数进行调整，得到训练好的近红外图像生成模型。
10.第二方面，本技术还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述的近红外图像生成模型的训练方法的步骤。
11.第三方面，本技术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上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上述的近红外图像生成模型的训练方法的步骤。
12.本技术提供一种近红外图像生成模型的训练方法、计算机设备及计算机可读存储介质，本技术通过对近红外图像生成模型进行训练，以得到损失值，并根据损失值对近红外图像生成模型的参数进行调整，可以提高近红外图像生成模型的图像生成的清晰度，从而
提高通过遥感图像进行环境分析时的准确性和精确度。
附图说明
13.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，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他的附图。
14.图1为本技术实施例提供的一种近红外图像生成模型的训练方法的流程示意图；
15.图2为近红外图像生成模型以及近红外图像判别模型的工作场景示意图；
16.图3为本技术一实施例涉及的计算机设备的结构示意框图。
具体实施方式
17.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，都属于本技术保护的范围。
18.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
19.本技术实施例提供一种近红外图像生成模型的训练方法、计算机设备及计算机可读存储介质。其中，该近红外图像生成模型的训练方法可应用于终端设备中，该终端设备可以是平板电脑、笔记本电脑、台式电脑等电子设备。也可以应用于服务器中，该服务器可以是单独的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
20.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
21.请参照图1，图1为本技术的实施例提供的一种近红外图像生成模型的训练方法的流程示意图。
22.如图1所示，该近红外图像生成模型的训练方法包括步骤s101至步骤s105。
23.步骤s101、获取训练样本图像，所述训练样本图像包括样本rgb图像和所述样本rgb图像对应的样本近红外图像。
24.示例性的，获取训练样本图像，以通过训练样本图像对近红外图像生成模型进行训练，从而提升近红外图像生成模型生成近红外图像的准确性。
25.可以理解的，训练样本图像包括样本rgb图像和样本rgb图像对应的样本近红外图像，其中，rgb图像对应的样本近红外图像可以是通过将样本rgb图像输入至其他训练好模型得到的近红外图像，以得到样本rgb图像对应的样本近红外图像。
26.示例性的，可以将样本rgb图像输入至待训练的近红外图像生成模型，以得到待训练的近红外图像生成模型输出的样本rgb图像对应的目标样本近红外图像，从而可以通过目标样本近红外图像、样本rgb图像以及样本近红外图像进行待训练的近红外图像生成模
型的损失值的计算，并根据计算得到的损失值对待训练的近红外图像生成模型的参数进行调整，从而得到训练好的近红外图像生成模型。
27.步骤s102、将所述样本rgb图像输入至近红外图像生成模型，得到所述近红外图像生成模型输出的目标样本近红外图像。
28.示例性的，将样本rgb图像输入至近红外图像生成模型，以在近红外图像生成模型中对样本rgb图像进行图像处理，得到目标样本近红外图像。从而能够通过目标样本近红外图像以及样本近红外图像对待训练的近红外图像生成模型进行训练。
29.示例性的，近红外图像生成模型可以是pix2pix，pix2pix基于条件gan(cgan)实现图像翻译，由于cgan可以通过添加条件信息来图像生成，因此在图像翻译在中可以将输入图像作为条件，从而使得近红外图像生成模型能够学习输入图像与输出凸显之间的映射，从而可以得到指定的输出图像。也即，在训练的时候，可以设置对应的图像作为条件，从而能够提升生成的图像的精度。
30.在一些实施例中，所述将所述样本rgb图像输入近红外图像生成模型，得到所述样本rgb图像对应的目标样本近红外图像，包括：对所述样本rgb图像进行多次降采样处理后得到采样rgb图像，以及对采样rgb图像进行反卷积和拼接得到目标样本近红外图像，其中，在每次降采样处理之后都进行标准化处理和通过线性整流函数进行线性处理。
31.示例性的，近红外图像生成模型中包括u型网络(u-net)，是一种全卷积结构，u型网络具有压缩路径(contracting path)和扩展路径(expansive path)，其中，压缩路径(contracting path)和扩展路径(expansive path)至少包括4个处理层且一一对应。
32.在压缩路径(contracting path)中，每一个处理层对输入的样本rgb图像进行降采样处理，且每一个处理层均接入批标准化层(batch normalization)和线性整流函数(relu)，其中，批标准化层(batch normalization)将样本rgb图像规整为均值为0，方差为1的正态分布状态，线性整流函数(relu)简化计算过程和避免了梯度爆炸和梯度消失问题。
33.在降采样处理完成后，得到样本rgb图像对应的采样rgb图像。
34.在扩展路径(expansive path)中，每一个处理层对采样rgb图像进行反卷积操作，具体的，每一个处理层对输入的采样rgb图像进行尺寸翻倍，同时将个数去除一半，以及与对应的压缩路径(contracting path)中处理层的样本rgb图像进行拼接，由于压缩路径(contracting path)中处理层的样本rgb图像与对应的扩展路径(expansive path)处理层的采样rgb图像的尺寸不一样，先对压缩路径(contracting path)中处理层的样本rgb图像进行裁剪，然后进行拼接，经过与降采样次数相同次数的反卷积以及拼接后，得到并输出目标样本近红外图像。
35.示例性的，扩展路径(expansive path)中每个处理层均接入批标准化层(batch normalization)和带泄露线性整流函数(leaky relu)，可以理解的，批标准化层(batch normalization)规整处理层生成的采样rgb图像，带泄露线性整流函数(leaky relu)避免了梯度消失，从而使生成的目标样本近红外图像更接近真实。
36.通过u型网络可以生成样本rgb图像对应的目标样本近红外图像，从而能够基于近红外图像判别模型，对目标样本近红外图像和样本近红外图像进行判别，并根据真实性判定结果计算损失值，再对近红外图像生成模型进行调整。
37.步骤s103、基于近红外图像判别模型，根据样本rgb图像对所述目标样本近红外图
像和所述样本近红外图像进行判别，得到所述目标样本近红外图像的真实性判定结果。
38.示例性的，将样本rgb图像、目标样本近红外图像以及样本近红外图像输入至近红外图像判别模型，使得近红外图像判别模型对目标样本近红外图像和样本近红外图像的真实性进行判别，从而确定目标样本近红外图像的真实性判定结果。
39.在具体的实施过程中，如图2所示，将样本rgb图像以及样本rgb图像对应的样本近红外图像作为一对输入，输入至近红外图像判别模型中，同时，将样本rgb图像以及rgb图像对应的目标样本近红外图像作为另一对输入，输入至近红外图像判别模型中；使得近红外图像判别模型能够对样本近红外图像和目标近红外图像进行真实性的判别，而在多次训练以及参数调整后，若近红外图像判别模型对目标近红外图像的真实性判定结果为真，则可以认为训练完成。
40.在一些实施例中，所述基于近红外图像判别模型，根据所述样本rgb图像对所述目标样本近红外图像和所述样本近红外图像进行判别，得到所述目标样本近红外图像的真实性判定结果，包括：基于所述近红外图像判别模型的图像分割网络，将所述目标样本近红外图像和所述样本近红外图像分割成若干子图像；基于所述近红外图像判别模型的真实性判别网络，对每一个子图像进行真实性判断；根据所述目标样本近红外图像的每一个所述子图像的真实性判定结果确定所述目标样本近红外图像的真实性判定结果，以及根据所述样本近红外图像对应每一个所述子图像的真实性判定结果确定所述样本近红外图像的真实性判定结果。
41.示例性的，将近红外图像生成模型生成的目标样本近红外图像、样本rgb图像以及样本近红外图像输入近红外图像判别模型，近红外图像判别模型对各图像映射成大小为n
×
n的矩阵x，即将各图像分成大小相同的若干块，对每一块图像单独进行真假判断，得到判断结果x
ij
，其中，x
ij
表征在矩阵x中对应图像块为真实的概率，通过对x
ij
求平均值，从而确定目标样本近红外图像是真实性判定结果。
42.在具体的实施过程中，将样本rgb图像及对应的目标样本近红外图像作为一组输入至近红外图像判别模型，以及将样本rgb图像及对应的样本近红外图像作为另一组输入至近红外图像判别模型中，而近红外图像判别模型需要基于这两组输入，判别出真实图像和假图像，可以理解的，在近红外图像生成模型未完成训练时，近红外图像判别模型一般能将样本rgb图像及对应的目标样本近红外图像判定为假。
43.在一些实施例中，所述根据每一个所述子图像的真实性判定结果确定所述目标样本近红外图像的真实性判定结果，包括：根据所述子图像的个数以及每个所述子图像的真实性判定结果确定所述目标样本近红外图像为真实图像的概率；在所述概率大于或等于预设概率阈值时，确定所述目标样本近红外图像的真实性判定结果为真。
44.示例性的，在对目标样本近红外图像进行分割，得到多个子图像后，对每一个子图像进行真实性的判断，可以得到子图像判定为真或假的结果，且根据子图像的个数以及每个子图像对应的判定结果，确定目标样本近红外图像为真实图像的概率，例如，分割得到50个子图像，其中20个子图像的判定结果为真，30个子图像的判定结果为假，也即目标样本近红外图像为真实图像的概率为40％，且在预设概率阈值设定为60％时，目标样本近红外图像的真实性判定结果为假；可以理解的，在目标样本近红外图像为真实图像的概率为大于或等于60％时，近红外图像判别模型则会认为目标样本近红外图像的真实性判定结果为
真。
45.需要说明的是，上述分割得到的子图像的个数、子图像判定的结果以及预设概率阈值均为示例性说明，并不对本技术所提供的方法予以限定。
46.示例性的，可以通过近红外图像判别模型输出的真实性判别结果计算损失值，从而根据损失值对近红外图像生成模型进行调整。
47.步骤s104、基于预设的损失函数和所述真实性判定结果，对所述样本近红外图像和所述目标样本近红外图像进行损失计算，得到损失值。
48.示例性的，可以通过预设的损失函数和真实性判定结果，对样本近红外图像以及目标样本近红外图像进行损失计算，从而得到损失值。
49.在一些实施例中，所述基于预设的损失函数，对所述样本近红外图像和所述目标样本近红外图像进行损失计算，得到损失值，包括：基于下述损失函数对所述样本近红外图像和所述目标样本近红外图像进行损失计算：
50.l＝argmax
d log d(x，y) arg minglog(1-d(x，g(x))) ||y-g(x)||
51.其中，l用于指示损失值，x用于指示输入的样本rgb图像，y用于指示样本rgb图像对应的样本近红外图像；g(x)用于指示目标近红外图像。
52.可以理解的，通过上述损失函数进行计算后，可以得到损失值，并基于损失值对近红外图像生成模型进行调整。其中，对近红外图像生成模型的优化目标是使得log d(x，y)的值越大越好，而对近红外判别模型的优化目标是使得log(1-d(x，g(x)))越小越好，也即，近红外图像生成模型会想要近红外判别模型认为在近红外图像生成模型输出的目标样本近红外图像的真实性为真；而近红外判别模型则会想将近红外图像生成模型生成的目标样本近红外图像的真实性判定为假，从而实现对抗训练的目的。
53.步骤s105、根据所述损失值对所述近红外图像生成模型的参数进行调整，得到训练好的近红外图像生成模型。
54.示例性的，得到损失值之后，可以基于损失值对近红外图像生成模型的参数进行调整，从而对近红外图像生成模型进行优化，并最终能够使得近红外图像判别模型对近红外图像生成模型生成的目标样本近红外图像的真实性判定为真，则可认为近红外图像生成模型完成训练，可以将rgb图像输入至训练好的近红外图像生成模型中，以得到对应的目标近红外图像。
55.示例性的，通过上述方法对近红外图像生成模型进行训练，可以有效提升近红外图像生成模型生成近红外图像的准确性，从而能够实现基于rgb图像生成近红外图像，从而提高通过遥感图像进行环境分析时的准确性和精确度。
56.在一些实施例中，所述方法还包括获取待处理的rgb图像；基于所述训练好的近红外图像生成模型，对所述待处理的rgb图像进行降采样、反卷积以及拼接处理，得到目标近红外图像。
57.示例性的，可以将待处理的rgb图像输入至训练好的近红外图像生成模型中，以在近红外图像生成模型中进行降采样、反卷积以及拼接处理后，输出目标近红外图像。
58.可以理解的，具体的实施过程可如上述训练的过程，在此不再撰述。
59.在一些实施例中，所述获取待处理的rgb图像，包括：获取目标地域的多光谱遥感图像以及环境数据；根据所述环境数据和所述多光谱遥感图像确定待处理的rgb图像。
60.示例性的，可以通过遥感技术获取目标地域的多光谱遥感图像，以及目标地域的环境数据，从而确定待处理的rgb图像。例如通过预设的rgb通道对多光谱遥感图像进行处理，以得到待处理的rgb图像。
61.在一些实施例中，所述根据所述环境数据和所述多光谱遥感图像确定待处理的rgb图像，包括：根据所述环境数据对所述多光谱遥感图像进行数据校正；根据数据校正后的多光谱遥感图像确定所述待处理的rgb图像。
62.示例性的，可以利用环境数据对多光谱遥感图像进行辐射定标和大气校正，以完成数据校正，并基于数据校正后的多光谱遥感图像确定待处理的rgb图像。
63.在对多光谱遥感图像完成数据校正后，可以通过预设的rgb通道对校正后的多光谱遥感图像进行处理，得到待处理的rgb图像。
64.可以理解的，将待处理的rgb图像输入至训练好的近红外图像生成模型，可以得到待处理的rgb图像对应的目标近红外图像，从而能够根据目标近红外图像对目标地域进行分析，从而提高通过遥感图像进行环境分析时的准确性和精确度。
65.上述实施例提供的近红外图像生成模型的训练方法，通过获取训练样本图像，所述训练样本图像包括样本rgb图像和所述样本rgb图像对应的样本近红外图像；将所述样本rgb图像输入至近红外图像生成模型，得到所述近红外图像生成模型输出的目标样本近红外图像；基于近红外图像判别模型，根据所述样本rgb图像对所述目标样本近红外图像和所述样本近红外图像进行判别，得到所述目标样本近红外图像的真实性判定结果；基于预设的损失函数和所述真实性判定结果，对所述样本近红外图像和所述目标样本近红外图像进行损失计算，得到损失值；根据所述损失值对所述近红外图像生成模型的参数进行调整，得到训练好的近红外图像生成模型。可以提升对近红外图像生成模型的训练效果，从而提高近红外图像生成模型生成的近红外图像的准确性和清晰度，从而提高通过遥感图像进行环境分析时的准确性和精确度。
66.请参阅图3，图3为本技术实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为服务器或终端。
67.如图3所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括存储介质和内存储器。
68.存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种近红外图像生成模型的训练方法。
69.处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
70.内存储器为存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种近红外图像生成模型的训练方法。
71.该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
72.应当理解的是，处理器可以是中央处理单元(central processing unit，cpu)，该处理器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。其中，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。
73.其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
74.获取训练样本图像，所述训练样本图像包括样本rgb图像和所述样本rgb图像对应的样本近红外图像；
75.将所述样本rgb图像输入至近红外图像生成模型，得到所述近红外图像生成模型输出的目标样本近红外图像；
76.基于近红外图像判别模型，根据所述样本rgb图像对所述目标样本近红外图像和所述样本近红外图像进行判别，得到所述目标样本近红外图像的真实性判定结果；
77.基于预设的损失函数和所述真实性判定结果，对所述样本近红外图像和所述目标样本近红外图像进行损失计算，得到损失值；
78.根据所述损失值对所述近红外图像生成模型的参数进行调整，得到训练好的近红外图像生成模型。
79.在一个实施例中，所述处理器在实现将所述样本rgb图像输入至近红外图像生成模型，得到所述近红外图像生成模型输出的目标样本近红外图像时，用于实现：
80.获取随机噪声图像；
81.将所述随机噪声图像和所述样本rgb图像输入近红外图像生成模型，得到所述样本rgb图像对应的目标样本近红外图像。
82.在一个实施例中，所述处理器在实现基于近红外图像判别模型，根据所述样本rgb图像对所述目标样本近红外图像和所述样本近红外图像进行判别，得到所述目标样本近红外图像的真实性判定结果时，用于实现：
83.基于所述近红外图像判别模型的图像分割网络，将所述待判别图像分割成若干子图像；
84.基于所述近红外图像判别模型的真实性判别网络，对每一个子图像进行真实性判断，以及根据每一个所述子图像的真实性判定结果确定所述目标样本近红外图像的真实性判定结果。
85.在一个实施例中，所述处理器在实现根据每一个所述子图像的真实性判定结果确定所述目标样本近红外图像的真实性判定结果时，用于实现：
86.根据所述子图像的个数以及每个所述子图像的真实性判定结果确定所述目标样本近红外图像为真实图像的概率；
87.在所述概率大于或等于预设概率阈值时，确定所述目标样本近红外图像的真实性判定结果为真。
88.在一个实施例中，所述处理器在实现基于预设的损失函数，对所述样本近红外图像和所述目标样本近红外图像进行损失计算，得到损失值时，用于实现：
89.基于下述损失函数对所述样本近红外图像和所述目标样本近红外图像进行损失计算：
90.l＝argmax
d log d(x，y) arg minglog(1-d(x，g(x))) ||y-g(x)||
91.其中，l用于指示损失值，x用于指示输入的样本rgb图像，y用于指示样本rgb图像对应的样本近红外图像；g(x)用于指示目标近红外图像。
92.在一个实施例中，所述处理器在实现将所述随机噪声图像和所述样本rgb图像输入近红外图像生成模型，得到所述样本rgb图像对应的目标样本近红外图像时，用于实现：
93.对所述随机噪声图像和所述样本rgb图像进行多次降采样处理后进行融合得到采样rgb图像，以及对采样rgb图像进行反卷积和拼接得到目标样本近红外图像，其中，在每次降采样处理之后都进行标准化处理和通过线性整流函数进行线性处理。
94.在一个实施例中，所述处理器在实现近红外图像生成模型的训练时，还用于实现：
95.获取待处理的rgb图像；
96.基于所述训练好的近红外图像生成模型，对所述待处理的rgb图像进行降采样、反卷积以及拼接处理，得到目标近红外图像。
97.在一个实施例中，所述处理器在实现获取待处理的rgb图像时，用于实现：
98.获取目标地域的多光谱遥感图像以及环境数据；
99.根据所述环境数据对所述多光谱遥感图像进行数据校正；
100.根据数据校正后的多光谱遥感图像确定所述待处理的rgb图像。
101.需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述近红外图像生成模型的训练的具体工作过程，可以参考前述近红外图像生成模型的训练控制方法实施例中的对应过程，在此不再赘述。
102.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上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可参照本技术近红外图像生成模型的训练方法的各个实施例。
103.其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备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。
104.应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
105.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
106.上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本技术的具体实施方式，但本技术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技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。