一种目标检测模型训练方法、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，特别是涉及一种目标检测模型训练方法、装置、设备及存储介质。


背景技术：

2.随着人工智能技术的发展，使用神经网络通过深度学习来进行目标检测越来越受到关注。
3.目前，基于卷积神经网络构建的深度学习的目标检测已经成为当前检测技术领域的主流方法，以yolo(you only look once)为代表的基于回归问题的单阶段网络应运而生。其中，yolov3相对于yolov1和yolov2在保持速度优势的同时，提升了检测精度，得到了普遍应用。yolov3算法使用一个单独神经网络作用在图像上，将图像划分多个区域并且预测边界框和每个区域的概率，采用darknet-53骨干网络作为特征提取网络，包含53个卷积层，没有池化层。然而，yolov3在避免了由于池化层导致的低层级特征损失的同时，由于需要利用残差神经网络resnet使网络层不断加深来提高深度学习后的检测准确率，也存在着因网络层加深导致的过拟合问题，使得模型训练速度较慢、检测精度较低。
4.此外，在例如银行内的监控记录的画面中，以画面内捕捉到的人作为目标，由于目标与监控摄像头的距离不定，在距监控摄像头较远处可能存在众多的小目标，不同目标姿态各异且可能存在相互之间的遮挡，对于目标检测的速度和精度也存在着更高的需求。
5.由此，如何加快模型训练以及目标检测的速度、提高目标检测的精度，成为目前亟待解决的问题。


技术实现要素：

6.基于上述问题，本技术提供了一种目标检测模型训练方法、装置、设备及存储介质，加快了模型训练以及目标检测的速度、提高了目标检测的精度。
7.本技术实施例公开了如下技术方案：
8.第一方面，本技术提供了一种目标检测模型训练方法，所述方法包括：
9.获取检测算法采用的骨干网络的每个卷积层的敏感值；
10.将全部的卷积层按所述敏感值由低到高排序，得到排序结果；
11.根据所述排序结果，依次去除敏感值最低的卷积层直至影响所述骨干网络的模型性能，得到完成去除部分卷积层的骨干网络；
12.根据所述完成去除部分卷积层的骨干网络以及训练数据集进行训练，得到目标检测模型，所述训练数据集为包括目标对象的图片。
13.可选地，在所述根据所述完成去除部分卷积层的骨干网络以及训练数据集进行训练，得到目标检测模型之前，所述方法还包括：
14.根据所述完成去除部分卷积层的骨干网络，通过上采样，将所述完成去除部分卷积层的骨干网络的原输出特征层与相对于原输出特征层的浅层输出特征层进行融合。
15.可选地，在所述根据所述完成去除部分卷积层的骨干网络以及训练数据集进行训练，得到目标检测模型之前，所述方法还包括：
16.根据所述完成去除部分卷积层的骨干网络以及非极大值抑制算法soft-nms，去除所述完成去除部分卷积层的骨干网络在检测目标时产生的冗余预测框。
17.可选地，在所述根据所述完成去除部分卷积层的骨干网络以及训练数据集进行训练，得到目标检测模型之前，所述方法还包括：
18.根据损失函数diou loss，以及预测框坐标损失、置信度损失，得到第一损失函数；
19.根据所述完成去除部分卷积层的骨干网络以及所述第一损失函数，对所述预测框的选择和提取进行调整。
20.可选地，在所述根据所述完成去除部分卷积层的骨干网络以及训练数据集进行训练，得到目标检测模型之后，所述方法还包括：
21.根据所述目标检测模型，以及输入的待检测图像，得到目标检测结果。
22.第二方面，本技术提供了一种目标检测模型训练装置，所述装置包括：获取模块，排序模块，精简模块以及训练模块；
23.所述获取模块，用于获取检测算法采用的骨干网络的每个卷积层的敏感值；
24.所述排序模块，用于将全部的卷积层按所述敏感值由低到高排序，得到排序结果；
25.所述精简模块，用于根据所述排序结果，依次去除敏感值最低的卷积层直至影响所述骨干网络的模型性能，得到完成去除部分卷积层的骨干网络；
26.所述训练模块，用于根据所述完成去除部分卷积层的骨干网络以及训练数据集进行训练，得到目标检测模型，所述训练数据集为包括目标对象的图片。
27.可选地，所述装置还包括：融合模块；
28.所述融合模块，用于根据所述完成去除部分卷积层的骨干网络，通过上采样，将所述完成去除部分卷积层的骨干网络的原输出特征层与相对于原输出特征层的浅层输出特征层进行融合。
29.可选地，所述装置还包括：冗余去除模块；
30.所述冗余去除模块，用于根据所述完成去除部分卷积层的骨干网络以及非极大值抑制算法soft-nms，去除所述完成去除部分卷积层的骨干网络在检测目标时产生的冗余预测框。
31.第三方面，本技术提供了一种目标检测模型训练设备，所述设备包括：存储器和处理器；
32.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
33.所述处理器用于根据所述程序代码中的指令执行上述第一方面中任一项所述的目标检测模型训练方法的步骤。
34.第四方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机指令，当所述计算机指令在目标检测模型训练设备上运行时，所述目标检测模型训练设备执行上述第一方面中任一项所述的目标检测模型训练方法的步骤。
35.相较于现有技术，本技术具有以下有益效果：
36.本技术提供了一种目标检测模型训练方法，该方法中，首先获取检测算法采用的骨干网络的每个卷积层的敏感值；然后将全部的卷积层按所述敏感值由低到高排序，得到
排序结果；再根据所述排序结果，依次去除敏感值最低的卷积层直至影响所述骨干网络的模型性能，得到完成去除部分卷积层的骨干网络，由此，在不影响骨干网络的模型性能的前提下，减少了骨干网络中的卷积层数量，降低了过拟合问题出现的可能，提高了检测速率；接着，根据所述完成去除部分卷积层的骨干网络以及训练数据集进行训练，得到目标检测模型。由此，通过去除敏感值较低的卷积层，在不影响骨干网络的模型性能的前提下，加快了模型训练以及目标检测的速度，降低了过拟合问题出现的可能，提高了目标检测的精度。
附图说明
37.为了更清楚地说明本技术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性的前提下，还可以根据这些附图获得其他的附图。
38.图1为本技术实施例提供的一种目标检测模型训练方法流程图；
39.图2a为本技术实施例提供的yolov3检测算法采用的darknet-53骨干网络示意图；
40.图2b为本技术实施例提供的一种改进后的完成去除部分卷积层的骨干网络示意图；
41.图3为本技术实施例提供的另一种目标检测模型训练方法流程图；
42.图4为本技术实施例提供的一种进行融合后的完成去除部分卷积层的骨干网络的运行过程示意图；
43.图5为本技术实施例提供的一种目标检测模型训练装置示意图；
44.图6为本技术实施例提供的另一种目标检测模型训练装置示意图；
45.图7为本技术实施例提供的一种目标检测模型训练设备结构图。
具体实施方式
46.本发明提供的一种目标检测模型训练方法、装置、设备及存储介质可用于人工智能领域。上述仅为示例，并不对本发明提供的一种目标检测模型训练方法、装置、设备及存储介质的应用领域进行限定。
47.本技术说明书和权利要求书及附图说明中的术语“第一”、“第二”“第三”、和“第四”等是用于区别不同对象，而不是用于限定特定顺序。
48.在本技术实施例中，“作为示例”或者“例如”等词用于表示作例子、例证或说明。本技术实施例中被描述为“作为示例”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“作为示例”或者“例如”等词旨在以具体方式呈现相关概念。
49.本技术的实施方式部分使用的术语仅用于对本技术的具体实施例进行解释，而非旨在限定本技术。
50.正如前文描述，目前得到了普遍应用的yolov3算法使用一个单独神经网络作用在图像上，将图像划分多个区域并且预测边界框和每个区域的概率，采用darknet-53骨干网络作为特征提取网络，包含53个卷积层，没有池化层，在避免了由于池化层导致的低层级特征损失的同时，由于需要利用残差神经网络resnet使网络层不断加深来提高深度学习后的
检测准确率，也存在着因网络层加深导致的过拟合问题，使得模型训练速度较慢、检测精度较低。此外，在例如银行内的监控记录的画面中，以画面内捕捉到的人作为目标，由于目标与监控摄像头的距离不定，在距监控摄像头较远处可能存在众多的小目标，不同目标姿态各异且可能存在相互之间的遮挡，对于目标检测的速度和精度也存在着更高的需求。
51.由此，本技术提供了一种目标检测模型训练方法，在该方法中，首先获取检测算法采用的骨干网络的每个卷积层的敏感值；然后将全部的卷积层按所述敏感值由低到高排序，得到排序结果；再根据所述排序结果，依次去除敏感值最低的卷积层直至影响所述骨干网络的模型性能，得到完成去除部分卷积层的骨干网络；接着，根据所述完成去除部分卷积层的骨干网络以及训练数据集进行训练，得到目标检测模型。由此，在不影响骨干网络的模型性能的前提下，去除了骨干网络中敏感值较低的卷积层，减少了骨干网络中的卷积层数量，加快了模型训练以及目标检测的速度，降低了过拟合问题出现的可能，提高了目标检测的精度。
52.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。
53.参见图1，该图为本技术实施例提供的一种目标检测模型训练方法流程图，应用于yolov3检测算法，该目标检测模型训练方法包括：
54.s101：获取检测算法采用的骨干网络的每个卷积层的敏感值。
55.作为示例，骨干网络的每个卷积层的敏感值可以通过敏感值检测工具获取。
56.s102：将全部的卷积层按敏感值由低到高排序，得到排序结果。
57.卷积层的敏感值代表卷积层对参数的敏感程度。
58.s103：根据排序结果，依次去除敏感值最低的卷积层直至影响骨干网络的模型性能，得到完成去除部分卷积层的骨干网络。
59.可以先去除敏感值最低的一层卷积层，对比去除卷积层前后的骨干网络的模型性能，若去除卷积层前后的骨干网络的模型性能没有差异，则继续重复上述步骤，若去除卷积层后相对应去除卷积层前的骨干网络的模型性能出现下降，则保留该卷积层，不再继续去除其他卷积层，保留的这些卷积层就是完成去除部分卷积层的骨干网络。
60.作为示例，参见图2a，该图为yolov3检测算法采用的darknet-53骨干网络示意图，该骨干网络共有53层卷积层。在分别获取53层卷积层的敏感值并对其进行排序后，可以依次去除敏感值最低的卷积层，若去除第13层卷积层后，darknet-53骨干网络的模型性能受到了影响，性能降低，则保留第13层卷积层，去除前12层卷积层，此时，骨干网络剩余如图2b所示的41层卷积层，即darknet-41骨干网络。通过这种方式，既保证了模型性能不会降低，又减少了卷积层，随着卷积层的减少，卷积深度也相应降低，减少了因网络层加深而出现过拟合问题的情况。过拟合即指为了得到一致假设而使假设变得过度严格，会导致模型训练速率慢、检测精度低。减少出现过拟合问题，可以使得模型训练速率和检测精度得到相应提高，同时，卷积层的减少也使得计算速度得到了提高，无论是模型训练过程还是训练后进行实际目标检测的使用过程，都能得到速度的提升。
61.s104：根据完成去除部分卷积层的骨干网络以及训练数据集进行训练，得到目标
检测模型。
62.以训练用于检测行人的目标检测模型为例，可以编写python程序，将行人数据集标注文件转换为yolo标注文件，并进行数据预处理，清洗不满足要求的数据，使用预处理后的数据集训练上一步骤中得到的完成去除部分卷积层的骨干网络，也即改进的yolov3模型，根据需求选择终止条件。训练高精度的yolov3模型时，需要迭代100000次以满足精度需求，作为示例，训练数据集可以是大量带有边界框的图片，图片中所有的目标对象都已经用边界框框出来，也可以是大量的所有的目标已被分割出来的图片。
63.由此，通过首先获取检测算法采用的骨干网络的每个卷积层的敏感值；然后将全部的卷积层按所述敏感值由低到高排序，得到排序结果；再根据所述排序结果，依次去除敏感值最低的卷积层直至影响所述骨干网络的模型性能，得到完成去除部分卷积层的骨干网络；接着，根据所述完成去除部分卷积层的骨干网络以及训练数据集进行训练，得到目标检测模型。在不影响骨干网络的模型性能的前提下，去除了骨干网络中敏感值较低的卷积层，减少了骨干网络中的卷积层数量，加快了模型训练以及目标检测的速度，降低了过拟合问题出现的可能，提高了目标检测的精度。
64.参见图3，该图为本技术实施例提供的另一种目标检测模型训练方法流程图，该目标检测模型训练方法包括：
65.s201：获取检测算法采用的骨干网络的每个卷积层的敏感值。
66.作为示例，骨干网络的每个卷积层的敏感值可以通过敏感值检测工具获取。检测算法可以是yolov3算法，采用darknet-53骨干网络。
67.s202：将全部的卷积层按敏感值由低到高排序，得到排序结果。
68.卷积层的敏感值代表卷积层对参数的敏感程度，敏感值越高，对参数越敏感，对模型效果的影响也就越大。
69.s203：根据排序结果，依次去除敏感值最低的卷积层直至影响骨干网络的模型性能，得到完成去除部分卷积层的骨干网络。
70.可以先去除敏感值最低的一层卷积层，对比去除卷积层前后的骨干网络的模型性能，若去除卷积层前后的骨干网络的模型性能没有差异，则继续重复上述步骤，若去除卷积层后相对应去除卷积层前的骨干网络的模型性能出现下降，则保留该卷积层，不再继续去除其他卷积层，保留的这些卷积层就是完成去除部分卷积层的骨干网络。
71.s204：根据完成去除部分卷积层的骨干网络，通过上采样，将完成去除部分卷积层的骨干网络的原输出特征层与相对于原输出特征层的浅层输出特征层进行融合。
72.在目标检测过程中，浅层特征有利于小尺度目标的检测，而深层特征则更有利于大尺度目标检测，yolov3检索算法虽然利用52
×
52
×
256输出特征图来检测小尺度目标，但发明人发现其并没有充分利用浅层特征，对小目标的检测精度仍有提升空间，因此提出了通过上采样将原输出特征层与相对于原输出特征层的浅层输出特征层进行融合，以此提高对小目标的检测效果。
73.作为示例，可以将原输出特征层52
×
52
×
256通过上采样与浅层输出特征层104
×
104
×
256进行融合，并将104
×
104
×
256作为输出特征图。
74.示例性地，如图4所示，该图为本技术实施例提供的一种进行融合后的完成去除部分卷积层的骨干网络的运行过程示意图。图中，输入图片通过完成去除部分卷积层的骨干
网络得到具有高、宽、深三个尺度的特征图，即52
×
52
×
256、26
×
26
×
512以及13
×
13
×
1024三个尺度的特征图，这些特征图经过5层卷积，即conv block 5l后，分别进入不同的分支，一条分支进行卷积和上采样，得到的特征图与上层特征图进行通道合并，即concat，另一条分支通过两层卷积，即conv3
×
3和conv1
×
1后，直接输出预测结果。未进行融合的完成去除部分卷积层的骨干网络的运行过程中，52
×
52
×
256这一特征图经过5层卷积conv block 5l后，直接进行两层卷积，即conv3
×
3和conv1
×
1后，输出预测结果；而进行融合的完成去除部分卷积层的骨干网络的运行过程中，52
×
52
×
256这一特征图经过5层卷积conv block 5l后，进行卷积和上采样，得到的特征图与上层特征图104
×
104
×
128进行通道合并，即concat，并将104
×
104
×
256作为输出特征图，由此，保留了更多的细节特征，在检测小目标时的效果也就更好。
75.s205：根据完成去除部分卷积层的骨干网络以及非极大值抑制算法soft-nms，去除所述完成去除部分卷积层的骨干网络在检测目标时产生的冗余预测框。
76.nms又称非极大值抑制算法，它是目标检测管道中的一个组成部分。初始时，非极大值抑制过程开始于一个检测框列表b、对应的置信度列表s、空的预测框列表d、阈值n
t
。首先，找到最高置信度对应的预测框m,将其从b中删除，并添加到最终预测框列表d中。然后，计算m与b中其他预测框的重叠程度iou，将iou大于阈值n
t
的目标预测框从b中删除。对于b中剩余的预测框，继续重复这个过程，直到b为空时结束。
77.而soft-nms是一种更加通用的非极大值抑制算法，应用soft-nms算法，则与m重叠度大于阈值的其他预测框不会直接从b中删除，而是采用一个函数来衰减这些预测框的置信度。衰减的一个原则是如果一个预测框与m有很高的重叠，那么它应该被衰减得严重一点，即置信度会变为一个很低的分数；相反，如果一个预测框与m有很低的重叠甚至没有重叠，那么它应该保持原来的置信度，不受影响。基于自适应nms阈值的定义nm：＝max(n
t
,dm)，以及soft-nms，可以得到临近预测框bi的得分ci，即：
[0078][0079]
其中，dm表示预测框m的拥挤度，ci表示临近检测框bi的得分，f＝1-iou或者f＝exp(-iou^2/σ)，f函数是在soft-nms中使用的惩罚函数，用以降低预测框的置信度，如果bi和m的iou越大，f(iou(m,bi))就应该越小，从而使得临近检测框bi的得分ci越小。
[0080]
由此，可以减少产生的预测框数量，从而减少骨干网络输出维度，降低计算量，提高计算速度，同时，也可以减少采用nms算法时由于相互遮挡的目标的预测框重叠程度因大于阈值而被删除导致的目标漏检的问题。
[0081]
s206：根据损失函数diou loss，以及预测框坐标损失、置信度损失，得到第一损失函数。
[0082]
损失函数是用来度量模型的预测值与真实值的差异程度的运算函数，它是一个非负实值函数，损失函数越小，模型的鲁棒性就越好。在模型的训练阶段，每个批次的训练数据送入模型后，通过前向传播输出预测值，然后损失函数会计算出预测值和真实值之间的差异值，也就是损失值。得到损失值之后，模型通过反向传播去更新各个参数，来降低真实值与预测值之间的损失，使得模型生成的预测值往真实值方向靠拢，从而达到学习的目的。
损失函数diou loss＝1-iou+d2/c2，式中，d表示两个矩形框之间的欧式距离，c表示两个矩形框的闭包区域的对角线的距离。在此基础上，加入预测框坐标损失与置信度损失，得到第一损失函数loss,即：
[0083][0084]
其中，表示参数置信度真实值，表示预测值，s2表示输出特征图的高宽乘积，即例如13
×
13、25
×
25等。
[0085]
由此，可以使去除部分卷积层的骨干网络在进行目标检测时预测类别、预测坐标更加准确。
[0086]
s207：根据完成去除部分卷积层的骨干网络以及第一损失函数，对预测框的选择和提取进行调整，去掉预测类别损失，使得去除部分卷积层的骨干网络在进行目标检测时预测类别、预测坐标更加准确。
[0087]
根据完成去除部分卷积层的骨干网络以及第一损失函数，可以实现对预测框的选择和提取工作进行自适应调整。
[0088]
s208：根据完成去除部分卷积层的骨干网络以及训练数据集进行训练，得到目标检测模型。
[0089]
以训练用于检测行人的目标检测模型为例，可以编写python程序，将行人数据集标注文件转换为yolo标注文件，并进行数据预处理，清洗不满足要求的数据，使用预处理后的数据集训练上一步骤中得到的完成去除部分卷积层的骨干网络，也即改进的yolov3模型，根据需求选择终止条件。训练高精度的yolov3模型时，需要迭代100000次以满足精度需求，作为示例，训练数据集可以是大量带有边界框的图片，图片中所有的目标对象都已经用边界框框出来，也可以是大量的所有的目标已被分割出来的图片。
[0090]
s209：根据目标检测模型，以及输入的待检测图像，得到目标检测结果。
[0091]
向训练好的目标检测模型中输入待检测的图像，可以得到目标检测结果。
[0092]
由此，通过首先获取检测算法采用的骨干网络的每个卷积层的敏感值；然后将全部的卷积层按所述敏感值由低到高排序，得到排序结果；再根据所述排序结果，依次去除敏感值最低的卷积层直至影响所述骨干网络的模型性能，得到完成去除部分卷积层的骨干网络；接着，将完成去除部分卷积层的骨干网络的原输出特征层与相对于原输出特征层的浅层输出特征层进行融合、去除完成去除部分卷积层的骨干网络在检测目标时产生的冗余预测框以及根据第一损失函数对预测框的选择和提取进行调整；然后，根据完成去除部分卷积层的骨干网络以及训练数据集进行训练，得到目标检测模型；最后，根据目标检测模型，以及输入的待检测图像，得到目标检测结果。在不影响骨干网络的模型性能的前提下，去除了骨干网络中敏感值较低的卷积层，减少了骨干网络中的卷积层数量，加快了模型训练以及目标检测的速度，降低了过拟合问题出现的可能，提高了目标检测的精度。
[0093]
参见图5，该图本技术实施例提供的一种目标检测模型训练装置示意图，该目标检
测模型训练装置包括：获取模块501，排序模块502，精简模块503以及训练模块504。
[0094]
获取模块501，用于获取检测算法采用的骨干网络的每个卷积层的敏感值。
[0095]
排序模块502，用于将全部的卷积层按敏感值由低到高排序，得到排序结果。
[0096]
精简模块503，用于根据排序结果，依次去除敏感值最低的卷积层直至影响骨干网络的模型性能，得到完成去除部分卷积层的骨干网络。
[0097]
训练模块504，用于根据完成去除部分卷积层的骨干网络以及训练数据集进行训练，得到目标检测模型，数据集包括多个图片。
[0098]
参见图6，该图为本技术实施例提供的另一种目标检测模型训练装置示意图，该目标检测模型训练装置包括：获取模块601，排序模块602，精简模块603，训练模块604，融合模块605以及冗余去除模块606。
[0099]
获取模块601，用于获取检测算法采用的骨干网络的每个卷积层的敏感值。
[0100]
排序模块602，用于将全部的卷积层按敏感值由低到高排序，得到排序结果。
[0101]
精简模块603，用于根据排序结果，依次去除敏感值最低的卷积层直至影响骨干网络的模型性能，得到完成去除部分卷积层的骨干网络。
[0102]
训练模块604，用于根据完成去除部分卷积层的骨干网络以及训练数据集进行训练，得到目标检测模型，数据集包括多个图片。
[0103]
融合模块605，用于根据完成去除部分卷积层的骨干网络，通过上采样，将完成去除部分卷积层的骨干网络的原输出特征层与相对于原输出特征层的浅层输出特征层进行融合。
[0104]
冗余去除模块606，用于根据完成去除部分卷积层的骨干网络以及非极大值抑制算法soft-nms，去除完成去除部分卷积层的骨干网络在检测目标时产生的冗余预测框。
[0105]
参见图7，该图为本技术实施例提供的一种目标检测模型训练设备结构图，该目标检测模型训练设备包括：存储器701和处理器702。
[0106]
存储器701：用于存储程序代码，并将程序代码传输给处理器。
[0107]
处理器702：用于根据程序代码中的指令执行上述目标检测模型训练方法的步骤。
[0108]
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中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，作为单元提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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0109]
以上所述，仅为本技术的一种具体实施方式，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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。