一种皮肤科智能激光祛斑控制系统

技术领域

本发明属于智能控制系统技术领域，具体涉及一种皮肤科智能激光祛斑控制系统。

背景技术

祛斑是一种美容和皮肤护理方法，旨在减轻或去除皮肤表面的斑点、色素沉着或其他色素问题，这些斑点可能是由多种原因引起的，包括日晒、年龄、遗传、激素变化、药物反应或疾病等，祛斑的主要目标是改善皮肤的外观，让皮肤看起来更均匀、更年轻和更清晰，祛斑方法的选择通常取决于斑点的类型、颜色、面积和个体的肤质。

目前，采用最多的祛斑方法是激光祛斑，疗效好，见效快，由于祛斑是一个工作量巨大的过程，现有技术针对这一问题提出了利用激光智能控制进行祛斑，但是目前激光祛斑的控制系统往往在对于过多斑点的皮肤进行处理时，由于肤质不同，斑点数量多种类多，且斑点过近，导致难以对斑点进行有效分割，需要过多的人工介入，在对患者祛斑过程中需要频繁手动移动光源，并调整激光参数，这一过程需要耗费大量的人力物力，智能化程度低，并最终导致祛斑过程安全性差。

发明内容

为了解决现有技术存在的目前激光祛斑的控制系统往往在对于过多斑点的皮肤进行处理时，由于肤质不同，斑点数量多种类多，且斑点过近，导致难以对斑点进行有效分割，需要过多的人工介入，在对患者祛斑过程中需要频繁手动移动光源，并调整激光参数，这一过程需要耗费大量的人力物力，智能化程度低，并最终导致祛斑过程安全性差的技术问题，本发明提供一种皮肤科智能激光祛斑控制系统。

本发明提供了一种皮肤科智能激光祛斑控制系统，皮肤科智能激光祛斑控制系统包括：

采集模块，用于采集皮肤图像；

矫正模块，用于对皮肤图像进行倾斜矫正；

提取模块，用于对矫正后的皮肤图像进行基于多特征融合算法的边缘分割，提取斑点图像和正常图像；

识别模块，用于利用训练后的深度学习模型对斑点图像进行斑点种类识别；

规划模块，用于对类型相同的斑点进行路径规划，形成虚拟处理路径；

建立模块，用于建立斑点类别与激光属性的哈希表，其中，激光属性包括波长、脉冲宽度、能量和释放时长；

检索模块，用于根据斑点类别，检索哈希表释放相应激光属性的激光，按照虚拟处理路径对斑点图像中的斑点依次进行祛斑；

计算模块，用于设置正常图像的结构相似性阈值，间隔预设时长计算正常图像在当前时刻与前一时刻之间的结构相似性指数，在结构相似性指数小于结构相似性阈值的情况下，停止释放激光。

与现有技术相比，本发明至少具有以下有益技术效果：

(1)在本发明中，通过对控制系统采集到的皮肤图像进行倾斜矫正，解决图像采集过程导致的斑点形变。之后利用基于多特征融合算法的边缘分割算法提取出含有斑点的斑点图像和不含有斑点的正常图像，避开皮肤肤质多重复杂线条对斑点提取过程的的干扰，最大程度的确保斑点提取的完整性和一致性，进而提升斑点识别的准确性，以便根据斑点种类设置激光参数，提升祛斑效果，避免人工主观判断导致的误差。

(2)在本发明中，通过对类型相同的斑点进行路径规划，形成虚拟处理路径，并建立斑点类别与激光属性的哈希表，激光属性包括波长、脉冲宽度、能量和释放时长，哈希表是一种高效快速的检索方式，提升祛斑控制系统的反应速度，缩短祛斑流程时长，控制激光光源按预设路径和预置参数进行有序处理，避免频繁的无规律的控制激光光源和激光光源参数，降低祛斑资源消耗，可以有效避免斑点遗漏，对同类的斑点进行一次性祛除，提升祛斑效果的一致性，进而降低祛斑不均匀导致的皮肤肤质受损。

(3)在本发明中，通过划分斑点图像和正常图像，对正常图像进行前后结构性指数的实时计算，在完成祛斑范围之外的监测的同时，避免全局监测导致的激光治疗过程正常的肤质变化导致的频繁停机，在结构相似性指数小于结构相似性阈值时，立即停止释放激光，避免在激光祛斑过程中出现激光误触正常皮肤导致的医疗事故，在确保祛斑安全性、可控性的同时，提升祛斑过程的自动化程度，减少人工介入，提升祛斑效果。

附图说明

下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。

图1是本发明提供的一种皮肤科智能激光祛斑控制系统的结构示意图。

具体实施方式

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，下面将对照附图说明本发明的具体实施方式。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他的附图，并获得其他的实施方式。

在一个实施例中，参照图1，示出了本发明提供的一种皮肤科智能激光祛斑控制系统的结构示意图。

本发明提供的一种皮肤科智能激光祛斑控制系统，皮肤科智能激光祛斑控制系统包括：

采集模块，用于采集皮肤图像。

需要说明的时，采集到的皮肤图像是患者具有斑点的皮肤图像，这些图像将作为后续皮肤祛斑治疗的基础，系统将使用这些图像来识别、分析和治疗患者的皮肤问题。在采集皮肤图像的过程中，可以使用一些专门的医疗设备，如皮肤扫描仪或皮肤摄影仪，或者用于高分辨率和高精度的图像采集的专业相机。至于图像格式，最常见的图像格式包括JPEG、PNG、BMP、GIF等。对于皮肤图像采集，建议选用JPEG格式，因为它可以在图像质量和文件大小之间提供很好的平衡。

矫正模块，用于对皮肤图像进行倾斜矫正。

需要说明的是，进行倾斜矫正是为了纠正皮肤图像中可能存在的倾斜或角度偏移，以确保后续的图像处理和分析过程能够准确地进行，倾斜或角度偏移可能会导致斑点的位置和形状不准确，因此矫正可以使图像在水平和垂直方向上对齐，以便医生或系统能够更精确地分析斑点、制定治疗计划或进行其他相关操作，从而提高了皮肤问题的诊断和治疗的准确性和效果。

在一种可能的实施方式中，矫正模块具体用于：

S1021：对皮肤图像进行边缘检测，得到皮肤图像的边缘像素点集合；

S1022：根据边缘像素点集合，通过霍夫变换法获取皮肤图像的倾斜角度；

S1023：通过仿射变换法对边缘像素点集合中的各个像素点进行倾斜矫正：

其中，(x`,y`)表示矫正后的新像素点坐标，(x,y)表示边缘像素点集合中的像素点坐标，θ表示倾斜角度。

具体地，通过边缘检测技术找到图像中的边缘像素点，这些点标识了图像中的主要边界和结构，接下来，使用霍夫变换法确定图像中皮肤区域的倾斜角度，这个倾斜角度反映了图像中皮肤纹理的倾斜方向，最后，采用仿射变换方法对边缘像素点集合中的每个像素点进行倾斜校正，将它们调整到新的位置(x'，y')，以纠正图像中的倾斜，使后续的图像处理更准确，这个过程有助于确保后续处理步骤在校正后的皮肤图像上进行，提高了识别和分割斑点的准确性。

提取模块，用于对矫正后的皮肤图像进行基于多特征融合算法的边缘分割，提取斑点图像和正常图像。

其中，多特征融合算法是指将来自不同特征或信息源的数据结合起来，以提高图像分析或识别任务的性能，将多个特征被结合起来，以更全面地描述图像中的信息。边缘分割是图像处理的一项任务，旨在找到图像中不同对象或区域之间的边界。

斑点图像是含有斑点的图像，而正常图像是将皮肤图像分割处斑点图像后留下的图像，正常图像的获取是为了避免激光治疗过程对非治疗区域进行监测，避免激光打到正常皮肤，确保祛斑过程的安全性和可控性。

在一种可能的实施方式中，提取模块具体用于：

S1031：设置分割梯度值，将皮肤图像划分为斑点区域和正常区域。

S1032：提取皮肤图像的梯度矩阵，计算斑点区域的第一梯度阈值和正常区域的第二梯度阈值，构建扩散函数，对斑点区域和正常区域进行分区域扩散，得到扩散皮肤图像。

在一种可能的实施方式中，S1032具体包括：

S1032A：梯度矩阵为大小为M×N的皮肤图像，梯度值集合为G

其中，n

S1032B：确定概率范围：

其中，

S1032C：对概率范围内的梯度取均值，得到第一梯度阈值K

计算梯度值范围内，指定梯度级与其他梯度级之间的相关量，并在相关量为最大值的情况下，计算正常区域的第二梯度阈值：

其中，TC

S1032D：根据分割梯度值、第一梯度阈值和第二梯度阈值，构建正常区域和斑点区域的扩散函数：

其中，

S1032E：利用扩散函数对斑点区域和正常区域进行分区域扩散，得到扩散皮肤图像。

具体地，通过对皮肤图像进行分区域的梯度分析，可以更好地区分斑点区域和正常区域，首先，它计算了皮肤图像中各个像素点的梯度值，并统计了大于零的梯度值出现的概率，然后，通过确定概率范围和调整因子，确定了斑点区域的第一梯度阈值和正常区域的第二梯度阈值，接下来，构建了一个扩散函数，该函数根据这些阈值，能够将梯度值较大的像素点划分到斑点区域，梯度值较小的像素点划分到正常区域，从而得到扩散皮肤图像，实现了对斑点和正常皮肤的精确分割，这个步骤的结果有助于后续的斑点特征提取和识别。

S1033：将扩散皮肤图像均分为多个图像块，计算各图像块特征值的均值，选取最大均值和最小均值，提取扩散皮肤图像的灰度特征图、局部熵特征图和相关性特征图，并对其进行归一化，计算各特征图的特征图权重。

在一种可能的实施方式中，S1033具体包括：

S1033A：基于第二梯度阈值，设置图像块的调整阈值：

T＝min{K

其中，T表示调整阈值，μ

S1033B：引入局部二值算法，结合调整阈值，提取扩散皮肤图像的灰度特征值，得到灰度特征图：

其中，

S1033C：计算扩散皮肤图像的局部熵值，得到局部熵特征图：

其中，H表示局部熵值，p

S1033D：计算扩散皮肤图像各个像素点之间的相关性值，得到相关性特征图：

其中，C表示相关性值，f(i,j)表示像素点处的灰度特征值，μ

S1033E：对灰度特征值、局部熵值和相关性值进行归一化，以各特征图中的峰值区域特征值和非峰值区域特征值之和的比值作为对应的各个特征图的权重，计算各特征图的特征图权重：

其中，G

具体地，通过提取出扩散皮肤图像中的不同特征，以用于后续的斑点识别和分类，将扩散皮肤图像均匀分成多个图像块，并计算每个图像块中的灰度特征值的均值，根据第二梯度阈值设置图像块的调整阈值，引入局部二值算法，结合调整阈值，提取灰度特征值，得到灰度特征图，计算扩散皮肤图像的局部熵值，得到局部熵特征图，这反映了图像的纹理信息，之后计算各个像素点之间的相关性值，得到相关性特征图，用于表征图像中不同区域的像素之间的关联程度，这些特征图的权重是通过归一化和峰值区域特征值计算得出的，用于后续的斑点分析和识别，以提高准确性和可靠性，使得系统更好地理解图像的特征，以便更精确地分析斑点。

S1034：根据特征图权重，计算各个特征图对应的融合系数，将各个特征图和对应的融合系数相乘，得到重构特征图，定位重构特征图中的斑点区域所在的图像分块，通过区域生长分割算法提取斑点边缘和斑点整体形态，得到斑点分割区域，并将斑点分割区域输出。

在一种可能的实施方式中，S1034具体包括：

S1034A：基于特征图权重，计算各特征图的融合系数，将各个特征图和对应的融合系数相乘，得到重构特征图：

F＝W

其中，W

S1034B：定位重构特征图中的斑点区域所在的图像分块，通过区域生长分割算法提取斑点边缘和斑点整体形态，得到斑点分割区域，并将斑点分割区域输出。

具体地，基于特征图权重计算每个特征图的融合系数，然后将各特征图与其对应的融合系数相乘，生成重构特征图，使用这个重构特征图来定位图像中的斑点区域所在的图像块，使用区域生长分割算法提取斑点的边缘和整体形状，得到了斑点分割区域，即成功将斑点从周围的皮肤背景分离出来，并可以将这些分割区域进行输出，输出时可以采用二值化输出，以便进行后续的斑点分析和识别，这个步骤有助于系统准确地识别和分割斑点，为后续的斑点处理提供了关键信息。

需要说明的是，结合多特征融合算法和区域生长分割技术，通过梯度分割和特征权重计算，能够更准确地分割出皮肤图像中的斑点区域和正常区域，不仅能够捕获斑点的形态特征，还能够区分出斑点与周围皮肤的差异，这种精确的斑点分割为后续的斑点种类识别和激光祛斑提供了更可靠的基础，可以提高激光祛斑的效率和准确性，减少了对人工干预的需求，使整个过程更加智能化和可靠。

识别模块，用于利用训练后的深度学习模型对斑点图像进行斑点种类识别。

其中，深度学习模型包括CNN模型、ResNet模型和VGG模型。

具体地，在利用训练后的深度学习模型对斑点图像进行斑点种类识别的过程中，首先，需要准备一个包含多种斑点种类的训练数据集，与医疗机构、研究机构或大学合作，以获取访问其数据集的权限，每个斑点图像都要与其对应的斑点种类标签关联，这个数据集将用于训练深度学习模型。然后选择使用CNN、ResNet或者VGG等深度学习模型，在实际应用中，可以选择一个或多个模型来进行比较或融合。选定模型后，将训练数据集输入到模型中进行训练，训练的目标是使模型能够学会从斑点图像中提取有关斑点特征的信息，以便进行分类。训练完成后，需要使用一个独立的验证数据集来评估模型的性能，这有助于检查模型是否具有足够的泛化能力，即是否能够对新的、未见过的斑点进行准确分类。一旦模型通过验证，就可以将其应用于实际的斑点图像。在实际的斑点图像识别过程中，将待分类的斑点图像输入到深度学习模型中。模型将图像中的特征与其已学习的知识相结合，进行分类预测。模型输出一个或多个可能的斑点类别，以及每个类别的置信度分数。根据模型的输出，选择置信度最高的类别作为最终的识别结果，可以确定斑点的类别，在实际应用中，需要不断地反馈模型性能信息，以便对模型进行改进和优化，以适应更多斑点种类和不同的皮肤情况。利用深度学习模型对斑点图像进行分类，帮助系统或医生快速识别不同斑点的种类，以便采取适当的治疗措施。，这种方法具有高度的自动化和准确性，有助于提高皮肤问题的诊断和治疗效率，许多深度学习模型完全可以完成这种任务，本发明对斑点图像的准确提取，提高了深度学习模型的分类准确性。

规划模块，用于对类型相同的斑点进行路径规划，形成虚拟处理路径。

需要说明的是，对类型相同的斑点进行路径规划可以帮助提高处理效率，如果不进行路径规划，系统可能会随机或按照图像中斑点的出现顺序来处理，这可能导致在处理过程中来回移动，浪费时间和资源，通过路径规划，可以确定一个更有效的处理顺序，从而减少处理时间。通过路径规划，可以确保对同一类型的斑点进行一致的处理。虚拟处理路径的生成可以自动完成，减少了需要人工干预的机会，这可以提高系统的智能化程度，降低了操作的复杂性。路径规划可以避免在处理过程中不必要的激光释放，从而减少了能源和激光资源的浪费和祛斑过程的安全性。

在一种可能的实施方式中，规划模块具体用于：

S1051：构建关于类型相同的各个斑点的路径模型：

其中，M表示皮肤图像，{N

S1052：以所有节点连接得到的路径代价最小为目标，采用启发式算法对路径模型进行路径扩展，直至得到虚拟处理路径，其中，启发式算法为蚁群算法或者遗传算法：

其中，W

具体地，在这个模型中，M代表了皮肤图像，其中包括了各种类型的斑点。节点集合，边界定位点集合，节点所属路径集合，左侧节点集合，右侧节点集合，节点属性，路径长度，路径定位点集合，上侧节点集合，下侧节点集合，第二节点属性，起始点和终止点都是模型中的关键元素。系统采用了启发式算法，可能是蚁群算法或遗传算法通过寻优选择一条路径，以最小的代价连接所有的节点，即构建一条代价最小的虚拟处理路径，有效地搜索路径，以最小化代价之和，其中代价之和包括从起始点到当前节点的累积代价以及基于欧氏距离的节点间路径估计代价。该路径能够连接相同类型的斑点，并以最小的代价构建虚拟处理路径，以便在后续步骤中处理这些斑点，这个步骤有助于系统更有效地处理和识别相同类型的斑点。

建立模块，用于建立斑点类别与激光属性的哈希表。

其中，激光属性包括波长、脉冲宽度、能量和释放时长。

其中，哈希表是一种数据结构，用于将键(Key)映射到值(Value)，它通过使用哈希函数将键转换成数组中的索引，以便快速查找值，哈希表的优点在于可以以常数时间复杂度(O(1))进行插入、查找和删除操作，使其成为高效的数据结构。将斑点类别与激光属性建成哈希表可以提升祛斑过程中，操作员不需要手动选择每个斑点的激光参数，相反，系统可以根据哈希表中的匹配，自动选择适当的参数，减少了人工干预的需求，提高系统的检索效率，并且可以使激光祛斑系统更加智能化和自动化，以提高治疗效果并减少操作的复杂性。

在一种可能的实施方式中，建立模块具体用于：

S1061：将斑点类别作为哈希键的唯一标识符；

S1062：建立哈希函数，将哈希键映射至哈希表的索引，哈希函数具体为：

hash(key)＝(a*key+b)％M

其中，hash()表示哈希函数，key表示哈希键，a和b表示调整常数，M表示哈希表的大小，符号“％”表示取模运算；

S1063：将波长、脉冲宽度、能量和释放时长作为键，将斑点类别及相对应的激光属性作为值插入至哈希表中，得到哈希表。

检索模块，用于根据斑点类别，检索哈希表释放相应激光属性的激光，按照虚拟处理路径对斑点图像中的斑点依次进行祛斑。

可以理解的是，在识别模块中，已经对斑点图像进行了分割和识别，确定了每个斑点的类别，检索模块将根据斑点的类别在哈希表中查找相应的激光属性，每个斑点类别在哈希表中对应着特定的激光参数，这些参数是根据医学标准和治疗需要预先确定的，一旦匹配成功，检索模块将获取到适用于当前斑点的激光属性，这些属性通常包括激光波长、脉冲宽度、能量和释放时长等参数，通过路径规划模块创建的虚拟处理路径，系统知道了处理斑点的顺序，检索模块根据这个顺序依次对斑点进行处理，对于每个斑点，它使用匹配到的激光属性进行激光祛斑操作，这意味着系统会在斑点上释放预设的激光，按照医学标准和激光属性来祛除或改善斑点。总之，检索模块通过哈希表将斑点类别和相应的激光属性关联起来，然后根据虚拟处理路径的顺序对斑点进行逐一处理，确保每个斑点都得到了合适的激光治疗，从而实现了智能激光祛斑的操作，这个模块的目标是根据患者的具体情况自动选择激光参数，提高治疗的精确性和效率。

计算模块，用于设置正常图像的结构相似性阈值，间隔预设时长计算正常图像在当前时刻与前一时刻之间的结构相似性指数，在结构相似性指数小于结构相似性阈值的情况下，停止释放激光。

其中，结构相似性指数是一种用于比较两幅图像相似性的指标，它是一种广泛用于图像质量评估和图像处理领域的指标，用于衡量两幅图像之间的结构和内容相似性。在皮肤科智能激光祛斑控制系统中，结构相似性指数用于监测正常皮肤图像在激光处理过程中的变化，以确保激光祛斑过程对正常皮肤的影响控制在合理范围内。结构相似性指数允许系统量化地评估两幅图像之间的相似性，而不仅仅是像素级的比较，这意味着它可以检测到更细微的图像差异，包括对比度、亮度和结构上的变化，而不仅仅是像素值的差异。通过在结构相似性指数低于阈值时停止释放激光，系统可以避免在不需要的情况下对皮肤进行处理，这有助于减少不必要的医疗干预，提高治疗的效率和安全性，同时减少患者的不适感。

需要说明的是，在激光祛斑过程中，正常皮肤的状态会随时间发生变化，可能会受到激光处理的影响，结构相似性指数被用来比较当前时刻与前一时刻的正常皮肤图像，以检测变化的程度。如果结构相似性指数小于预先设定的结构相似性阈值，表示正常皮肤发生了较大的变化，可能是由于激光处理引起的，在这种情况下，系统会停止释放激光，以避免对正常皮肤造成进一步损伤。通过设定结构相似性阈值和定期计算结构相似性指数，系统可以实时监测正常皮肤的状态变化，有助于避免在激光祛斑过程中过度处理正常皮肤，提高了治疗的安全性和精确性，当正常皮肤状态变化较大时，系统会自动停止激光释放，保护了患者的健康皮肤，减少了潜在的不良效应，这一步骤的实施有助于智能化激光祛斑控制系统更好地适应患者的个体差异和治疗需求。

需要说明的是，本领域技术人员可以根据实际需要设置预设时长和结构相似性阈值的大小，本发明在此不做限定。

在一种可能的实施方式中，结构相似性指数的计算方式为：

其中，SSIM(x,y)∈[-1，1]表示结构相似性指数，SSIM值越接近1表示两幅图像越相似，SSIM值接近0表示两幅图像的结构相似程度较低，x,y分别表示当前时刻与前一时刻的正常图像，μ

在一种可能的实施方式中，皮肤科智能激光祛斑控制系统还包括：

预处理模块，用于对皮肤图像进行预处理。

其中，预处理包括图像去噪和图像增强。

需要说明的是，预处理模块的作用是在采集到皮肤图像后对其进行预处理，以图像去噪来减少或消除图像中的噪声，使得图像更加清晰和可靠，图像噪声可能由于各种因素引起，比如采集设备的电子干扰、传输过程中的干扰等，去噪可以帮助系统在后续处理中更准确地分析和处理图像。图像增强提升图像的视觉质量，使得图像更容易识别和分析，图像增强可以包括调整对比度、亮度，以及应用滤波等技术来突出图像中的特定特征或细节。

在实际使用过程中，预处理模块通过去噪和图像增强，对皮肤图像进行优化，确保后续的处理步骤可以在更高质量的图像基础上进行，从而提高了系统的整体性能和准确性。这样做的好处是可以提高斑点识别和处理的准确性，为后续的操作提供更可靠的数据基础。

与现有技术相比，本发明至少具有以下有益技术效果：

(1)在本发明中，通过对控制系统采集到的皮肤图像进行倾斜矫正，解决图像采集过程导致的斑点形变。之后利用基于多特征融合算法的边缘分割算法提取出含有斑点的斑点图像和不含有斑点的正常图像，避开皮肤肤质多重复杂线条对斑点提取过程的的干扰，最大程度的确保斑点提取的完整性和一致性，进而提升斑点识别的准确性，以便根据斑点种类设置激光参数，提升祛斑效果，避免人工主观判断导致的误差。

(2)在本发明中，通过对类型相同的斑点进行路径规划，形成虚拟处理路径，并建立斑点类别与激光属性的哈希表，激光属性包括波长、脉冲宽度、能量和释放时长，哈希表是一种高效快速的检索方式，提升祛斑控制系统的反应速度，缩短祛斑流程时长，控制激光光源按预设路径和预置参数进行有序处理，避免频繁的无规律的控制激光光源和激光光源参数，降低祛斑资源消耗，可以有效避免斑点遗漏，对同类的斑点进行一次性祛除，提升祛斑效果的一致性，进而降低祛斑不均匀导致的皮肤肤质受损。

(3)在本发明中，通过划分斑点图像和正常图像，对正常图像进行前后结构性指数的实时计算，在完成祛斑范围之外的监测的同时，避免全局监测导致的激光治疗过程正常的肤质变化导致的频繁停机，在结构相似性指数小于结构相似性阈值时，立即停止释放激光，避免在激光祛斑过程中出现激光误触正常皮肤导致的医疗事故，在确保祛斑安全性、可控性的同时，提升祛斑过程的自动化程度，减少人工介入，提升祛斑效果。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。