目标情绪分类模型的确定方法及装置与流程

1.本技术涉及语音识别领域，具体而言，涉及一种目标情绪分类模型的确定方法及装置。


背景技术：

2.客服人员语音情绪反映了客服人员的服务水平，因此情绪识别是对客服人员语音服务质量检测的重要组成部分，但即使在当前语音识别技术已经广泛落地应用的时代，语音情绪识别也并不是简单的事情，尤其是针对特定人群的识别。在语音识别应用中，对说话者情绪的判断遇到的主要困难是可用于情绪识别模型训练的标注数据不足。这主要是因为情绪识别的标注数据获取很困难，主要体现在：对于标注既有语音的情况，感情是主观的：不同人对于同一段语音，情绪标注很容易带有主观性。对于生成语音的情况，按照指定的情绪来发言对于非表演专业的客服人员很困难。以上的问题造成了标注数据的不足，从而导致了情绪识别的准确率较低。
3.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本技术实施例提供了一种目标情绪分类模型的确定方法及装置，以至少解决由于标注数据不足造成的情绪识别的准确率低的技术问题。
5.根据本技术实施例的一个方面，提供了一种目标情绪分类模型的确定方法，包括：获取第一模板数据和第一模板数据对应的目标情绪类型；以第一模板数据为样本数据，目标情绪类型为样本数据分类标签训练得到模板情绪分类模型；将目标对象的语音输入模板情绪分类模型，得到目标情绪类型；将目标对象的语音加入到第一模板数据中组成第二模板数据，以第二模板数据为样本数据，目标情绪类型为样本数据分类标签确定目标情绪分类模型。
6.可选地，第一模板数据，包括：第一模板语音数据和第一模板文本数据。
7.可选地，在将目标对象的语音输入模板情绪分类模型，得到目标情绪类型之前，方法还包括：将目标对象的语音转化为与第一模板语音数据中的语音特征相同的目标对象模板语音；并将目标对象的语音转化为目标对象文本信息。
8.可选地，在将目标对象的语音转化为目标对象文本信息之后，方法还包括：将目标对象模板语音输入模板情绪分类模型，确定目标对象语音属于第一目标情绪类型的概率，其中，模板情绪分类模型的样本数据集为第一模板语音数据；将目标对象文本信息输入模板情绪分类模型，确定目标对象语音属于第二目标情绪类型的概率，其中，情绪分类模型的样本数据集为第一模板文本数据；在第一目标情绪类型的概率大于第二目标情绪类型的概率情况下，将第一目标情绪类型作为目标情绪类型。
9.可选地，将目标对象的语音加入到第一模板数据中组成第二模板数据，包括：将目标对象的语音加入第一模板语音数据组成第二模板语音数据；将目标对象文本信息加入第
一模板文本数据中组成第二模板文本数据；将第二模板语音数据和第二模板文本数据组合得到第二模板数据。
10.可选地，将目标对象的语音转化为与第一模板语音数据中的语音特征相同的目标对象模板语音，包括：将目标对象的语音进行滤波处理以过滤噪音；将处理后的目标对象的语音的语音特征进行调整以与第一模板语音数据中的语音特征一致，其中，语音特征包括：音色、音量和音调。
11.可选地，第一模板文本数据对应的第二目标情绪类型确定方法，包括：提取第一模板文本数据中的关键词，根据关键词的语音确定第一模板文本数据对应的第二目标情绪类型。
12.根据本技术实施例的另一方面，还提供了一种目标情绪分类模型的确定装置，包括：获取模块，用于获取第一模板数据和第一模板数据对应的目标情绪类型；模板模块，用于以第一模板数据为样本数据，目标情绪类型为样本数据分类标签训练得到模板情绪分类模型；训练模块，用于将目标对象的语音输入模板情绪分类模型，得到目标情绪类型；生成模块，用于将目标对象的语音加入到第一模板数据中组成第二模板数据，以第二模板数据为样本数据，目标情绪类型为样本数据分类标签确定目标情绪分类模型。
13.根据本技术实施例的另一方面，还提供了一种非易失性存储介质，包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行上目标情绪分类模型的确定方法。
14.根据本技术实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述目标情绪分类模型的确定。
15.在本技术实施例中，采用获取第一模板数据和第一模板数据对应的目标情绪类型；以第一模板数据为样本数据，目标情绪类型为样本数据分类标签训练得到模板情绪分类模型；将目标对象的语音输入模板情绪分类模型，得到目标情绪类型；将目标对象的语音加入到第一模板数据中组成第二模板数据，以第二模板数据为样本数据，目标情绪类型为样本数据分类标签确定目标情绪分类模型的方式，通过对基础的模板数据进行情绪分类，然后对目标对象的语音进行训练，最后将训练完成的目标对象的语音加入模板样本数据库，达到了扩充情绪标注数据的目的，从而实现了提高情绪识别正确率的技术效果，进而解决了由于标注数据不足造成的情绪识别的准确率低技术问题。
附图说明
16.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
17.图1是根据本技术实施例的一种用于目标情绪分类模型的确定方法的计算机终端(或移动设备)的硬件结构框图；
18.图2是根据本技术实施例的一种可选的目标情绪分类模型的确定方法的示意图；
19.图3是根据本技术实施例的一种可选的目标情绪分类模型的确定方法的模型架构示意图；
20.图4是根据本技术实施例的另一种可选的目标情绪分类模型的确定方法的示意图；
21.图5是根据本技术实施例的一种可选的目标情绪分类模型的确定装置的示意图。
具体实施方式
22.为了使本技术领域的人员更好地理解本技术方案，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的实施例，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，都应当属于本技术保护的范围。
23.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
24.根据本技术实施例，还提供了一种目标情绪分类模型的确定方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
25.本技术实施例1所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现目标情绪分类模型的确定方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，
……
，102n来示出)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
26.应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本技术实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
27.存储器104可用于存储应用软件的软件程序以及模块，如本技术实施例中的目标情绪分类模型的确定方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的漏洞检测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可
进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。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。
28.传输模块106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输模块106包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块106可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
29.显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
30.根据本技术实施例，提供了一种目标情绪分类模型的确定方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
31.图2是根据本技术实施例的目标情绪分类模型的确定方法的流程图，如图2所示，该方法包括如下步骤：
32.步骤s202，获取第一模板数据和第一模板数据对应的目标情绪类型；
33.步骤s204，以第一模板数据为样本数据，目标情绪类型为样本数据分类标签训练得到模板情绪分类模型；
34.步骤s206，将目标对象的语音输入模板情绪分类模型，得到目标情绪类型；
35.步骤s208，将目标对象的语音加入到第一模板数据中组成第二模板数据，以第二模板数据为样本数据，目标情绪类型为样本数据分类标签确定目标情绪分类模型。
36.通过上述步骤，可以实现对基础的模板数据进行情绪分类，然后对目标对象的语音进行训练，最后将训练完成的目标对象的语音加入模板样本数据库，达到了扩充情绪标注数据的目的，从而实现了提高情绪识别正确率的技术效果，进而解决了由于标注数据不足造成的情绪识别的准确率低技术问题。
37.根据本技术的一个可选的实施例，第一模板数据可以包括：第一模板语音数据；在可选的方式中第一模板语音数据包含带有情绪表达的基础情绪语料，具体地可以通过收集通用情景中的带有情绪表达的对话，例如通过网络爬取，也可以通过特定情景的通用对话，然后由专业情绪模拟人员进行演绎。并用目标情绪类型中不同类型的情绪对每段对话的情绪类型进行标注。
38.在本技术的一些实施例中，第一模板数据还包括：第一模板文本数据；在可选的方式中，第一模板文本数据可以包含通用客服语料文本集合。
39.在本技术的一些实施例中，在将目标对象的语音输入模板情绪分类模型，得到目标情绪类型之前，上述方法还包括：将目标对象的语音转化为与第一模板语音数据中的语音特征相同的目标对象模板语音；并将目标对象的语音转化为目标对象文本信息。
40.由于语音特征不一致会降低模型的识别准确率通过将目标对象的语音的语音特征转化成与模板语音的语音特征一致，有利于提高语音模型的识别准确率；同时将目标对象的语音转化为文本信息，用转化的文本信息与语料库更丰富的文本信息进行识别进一步
的提高了识别的准确率。
41.需要进行说明的是，模板情绪分类模型包括，语音情绪分类模型mser；文本情绪分类模型mter；用于专业情绪模拟人员与目标对象之间语音转换的生成模型gsp；目标对象通用的。
42.一种可选的方式中，具体的模型架构如图3所示，语音情绪分类模型mser是由专业情绪模拟人员作为初始模板人物集合。整理出的基础情绪语料，由专业情绪模拟人员(即模板人员)进行指定情绪的演绎，从而得到标注情绪语音，对每个专业情绪模拟人员训练一个语言情绪分类模型，对专业情绪模拟人员的语音情绪进行准确分类，利用专业人物进行演绎，提高了已经标记情绪类型的准确性；文本情绪分类模型mter，是以常见的带有情绪的语料库为样本，通常一些语音背后的语义就带有情绪的特征，例如：你大点声、我说过一遍了等等。对常见通用语料进行整理，通过关键词识别以及其他自然语言理解技术，训练出一个文本情绪分类模型mter，用于判断语音表达的文本所蕴含的潜在情绪；把文本情绪分类模型和多个语言情绪分类模型的预测输出用随机森林算法进行结合得到模型magg，作为初始基线模型。用于专业情绪模拟人员与目标对象之间语音转换的生成模型gsp是基于语音转换技术中的说话人转换来实现专业人员语音和客服人员语音之间的转换得到的；目标对象通用的语音到文本的转换模型mst是通过目标对象念读的大量常见通用语料，利用通用的stt(speech to test)语音到文本的转换得到的。
43.在本技术的一些实施例中，在将目标对象的语音转化为目标对象文本信息之后，上述方法还包括：将目标对象模板语音输入模板情绪分类模型，确定目标对象语音属于第一目标情绪类型的概率，其中，模板情绪分类模型的样本数据集为第一模板语音数据；将目标对象文本信息输入模板情绪分类模型，确定目标对象语音属于第二目标情绪类型的概率，其中，情绪分类模型的样本数据集为第一模板文本数据；在第一目标情绪类型的概率大于第二目标情绪类型的概率情况下，将第一目标情绪类型作为目标情绪类型。
44.具体的，如图4所示，以目标对象为客服人员为例，将客服人员的一段语音，首先通过专业情绪模拟人员与客服人员之间语音转换的生成模型gsp转化成所有模板人物的语音；同时通过客服人员通用的语音到文本的转换模型mst把客服人员的语音转换成文本。生成模型gsp和转换模型mst的输出作为输入接入magg，得到最终的情绪分类。最终情绪分类也可以作为监督数据，也就是当前输入的客服人员的语音的情绪输出标签，由客服人员的语音和这个标签去训练一个随机初始化的情绪识别模型。
45.通过将目标对象的语音转化为与模板人员语音特征一致的的语音同时将目标对象的语音转化为文本从两方面进行识别提高了识别的准确率。
46.针对为少数人群在某类语料上构建个人专有语音情绪识别模型的问题，采用本技术提出的方法可以有效地改善模型的搭建效率，提升模型预测性能。其中最核心的实现是基于深度学习的语音情绪分类模型、语音转换模型、用于语音到文本转换的stt模型。
47.待训练的初始语音情绪识别模型可以使用hsf-crnn模型。结合了cnn和rnn的crnn模型，目前被广泛用于语音情感识别，而结合了hsf手工特征的hsf-crnn模型，可以学习更好的情感特征
48.cyclegan-vc及其变体(cyclegan-vc2和stargan-vcs)仅使用声学数据就可以完成语音转换的任务，在一些研究中已被广泛用作基准方法。本技术就采用cyclegan-vc3的
生成对抗训练方法为模板话者和目标对象两两之间的语音转换模型。
49.目前已经有很多语音到文本转录的模型，在背景良好的环境下，已经达到了很高的准确率。例如语音识别系统deep speech，使用了端到端的深度学习技术，它的预训练模型已经达到非常高的转换准确率。本技术实施例中可以采用deep speech 2预训练模型作为语音转化的基线模型，为每个目标对象微调出各自的stt模型。
50.在语音转换步骤中，从任务最终的目标出发，可以不选择使用常见的声码器vocoder，只采用编码器decoder得到转换后的特征，后者对于情绪分类模型已经足够，decoder技术相较vocoder技术则更加成熟。
51.在本技术的一些实施例中，将目标对象的语音加入到第一模板数据中组成第二模板数据，包括：将目标对象的语音加入第一模板语音数据组成第二模板语音数据；将目标对象文本信息加入第一模板文本数据中组成第二模板文本数据；将第二模板语音数据和第二模板文本数据组合得到第二模板数据。
52.具体的，以目标对象的语音和语音转化来的文本为样本数据，以目标对象的语音对应的情绪类型为样本标签训练得到新的语音情绪识别模型，将该模型的参数全部冻结，并将其放入模板人物集合，得到新的模板人物集合，达到扩充标注数据的目的。目标对象文本信息对应着目标语音信息，也就是目标对象的文本信息是用文字表达目标对象的语音。
53.在本技术的一些实施例中，可以利用上述方法不断加入新的目标对象的语音进入模板人物集合stp。
54.在本技术的一些实施例中，将目标对象的语音转化为与第一模板语音数据中的语音特征相同的目标对象模板语音，包括：将目标对象的语音进行滤波处理以过滤噪音；将处理后的目标对象的语音的语音特征进行调整以与第一模板语音数据中的语音特征一致，其中，语音特征包括：音色、音量和音调。
55.不同的音色、音调甚至音量会降低对语音识别的准确率，进行语音识别前，先对语音特征进行转化，使语音特征与模板样本中的语音的特征一致，包括但不限于音色、音量和音调一致能够提高语音识别的准确率，进而提高情绪分类的准确性。
56.在本技术的一些实施例中，第一模板文本数据对应的第二目标情绪类型确定方法，包括：提取第一模板文本数据中的关键词，根据关键词的语音确定第一模板文本数据对应的第二目标情绪类型。
57.需要进行说明的是，上述文本中的关键词主要包括能够表现情绪类型的关键词，例如：烦不烦、想怎么样就怎么样等。
58.本技术实施例中主要通过同一目标对象语音分类模型的自学习，目标对象模型加入模板人员的连续学习。具体的，利用语音转化技术实现待训练话者到多模板话者的语音特征转换，而模板人员已经有训好的情绪识别模型，从而得到一个情绪类别输出，通过语音到文本的转录，结合文本理解又可以得到情绪类别输出，两个输出通过随机森林集成得到的伪标签就可以用来训练新的情绪识别模型。
59.同时，通过同一话者的自学习和多个话者的连续学习，伪标签的效果能逐步提升。自学习指的是由模板人员语音训练出的模型和模板人员模型、文本分析模型集成后再训练直到收敛；连续学习指的是训练好的话者模型持续加入模板人员，增加标注数据的数量，从而避免少量模板话者可能带来的过拟合问题，也就解决了识别准确率较低的问题。
60.本技术实施例的另一方面，还提供一种目标情绪分类模型的确定装置，如图5所示，包括：
61.获取模块50，用于获取第一模板数据和第一模板数据对应的目标情绪类型；模板模块52，用于以第一模板数据为样本数据，目标情绪类型为样本数据分类标签训练得到模板情绪分类模型；训练模块54，用于将目标对象的语音输入模板情绪分类模型，得到目标情绪类型；生成模块56，用于将目标对象的语音加入到第一模板数据中组成第二模板数据，以第二模板数据为样本数据，目标情绪类型为样本数据分类标签确定目标情绪分类模型。
62.训练模块54包括：转化子模块和识别子模块；其中转化子模块用于将目标对象的语音转化为与第一模板语音数据中的语音特征相同的目标对象模板语音；并将目标对象的语音转化为目标对象文本信息；
63.识别子模块用于将目标对象模板语音输入模板情绪分类模型，确定目标对象语音属于第一目标情绪类型的概率，其中，模板情绪分类模型的样本数据集为第一模板语音数据；将目标对象文本信息输入模板情绪分类模型，确定目标对象语音属于第二目标情绪类型的概率，其中，情绪分类模型的样本数据集为第一模板文本数据；在第一目标情绪类型的概率大于第二目标情绪类型的概率情况下，将第一目标情绪类型作为目标情绪类型。
64.转化子模块包括：语音处理单元；其中，语音处理单元用于将目标对象的语音进行滤波处理以过滤噪音；将处理后的目标对象的语音的语音特征进行调整以与第一模板语音数据中的语音特征一致，其中，语音特征包括：音色、音量和音调。
65.识别子模块包括：文本情绪识别单元；其中，文本情绪识别单元用于提取第一模板文本数据中的关键词，根据关键词的语音确定第一模板文本数据对应的第二目标情绪类型。
66.生成模块56包括：模板生成子模块，其中模板生成子模块用于将目标对象的语音加入第一模板语音数据组成第二模板语音数据；将目标对象文本信息加入第一模板文本数据中组成第二模板文本数据；将第二模板语音数据和第二模板文本数据组合得到第二模板数据。
67.利用语音识别中相对成熟的文字转换技术和语音转换技术以及自然语言理解中的文本分析技术，实现对每位客服人员自有情绪识别模型的训练。与现有的情绪识别方案相比，本专利特别针对电信客服场景，充分利用了客服场景下语料可控、人员可控的特点，在不需要对语音数据进行复杂标注的情况下，就可以针对每个客服人员训练出情绪识别模型。
68.根据本技术实施例的另一方面，还提供了一种非易失性存储介质，包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行上目标情绪分类模型的确定方法。
69.上述非易失性存储介质用于存储执行以下功能的程序：获取第一模板数据和第一模板数据对应的目标情绪类型；以第一模板数据为样本数据，目标情绪类型为样本数据分类标签训练得到模板情绪分类模型；将目标对象的语音输入模板情绪分类模型，得到目标情绪类型；将目标对象的语音加入到第一模板数据中组成第二模板数据，以第二模板数据为样本数据，目标情绪类型为样本数据分类标签确定目标情绪分类模型。
70.根据本技术实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其
中，程序运行时执行上述目标情绪分类模型的确定。
71.上述处理器用于运行执行以下功能的程序：获取第一模板数据和第一模板数据对应的目标情绪类型；以第一模板数据为样本数据，目标情绪类型为样本数据分类标签训练得到模板情绪分类模型；将目标对象的语音输入模板情绪分类模型，得到目标情绪类型；将目标对象的语音加入到第一模板数据中组成第二模板数据，以第二模板数据为样本数据，目标情绪类型为样本数据分类标签确定目标情绪分类模型。
72.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。
73.在本技术的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
74.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
75.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
76.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
77.集成的单元如果以软件功能单元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全部或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(可为个人计算机、服务器或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
78.以上仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。