一种预标注方法、装置、计算机可读存储介质及终端设备

技术领域

本申请属于图像处理技术领域，尤其涉及一种预标注方法、装置、计算机可读存储介质及终端设备。

背景技术

深度学习模型的训练需要大量的带标签的数据，而获取这些标签数据往往耗时耗力。预标注方法是一种缓解数据标注时的人力消耗的简便快捷的策略，在现有的预标注方法中，一般会利用少量的标注数据训练出一个预标注模型，使用该模型对尚未标注的数据进行预标注，并根据置信度从中筛选出合格的数据构造出训练所需的数据集。由于在筛选过程中仅仅只对置信度进行考虑，导致最终所得数据集中可能会混杂质量较差的数据，对深度学习模型的训练会产生一定程度的不利影响。

发明内容

有鉴于此，本申请实施例提供了一种预标注方法、装置、计算机可读存储介质及终端设备，以解决现有的预标注方法最终所得数据集中可能会混杂质量较差的数据，对深度学习模型的训练会产生一定程度的不利影响的问题。

本申请实施例的第一方面提供了一种预标注方法，可以包括：

获取待标注的目标图像；

对所述目标图像进行预标注，得到所述目标图像的预标注结果和对应的置信度；

对所述目标图像进行图像质量评估，得到所述目标图像的图像质量评分；

根据所述图像质量评分和所述置信度判断所述预标注结果是否合格；

若所述预标注结果合格，则将所述目标图像和所述预标注结果添加入预设的合格预标注数据集中。

在第一方面的一种具体实现方式中，所述对所述目标图像进行预标注，得到所述目标图像的预标注结果和对应的置信度，可以包括：

使用预标注模型对所述目标图像进行预标注，得到所述预标注结果和所述置信度；

其中，所述预标注模型为预先训练得到的用于进行图像预标注的神经网络模型。

在第一方面的一种具体实现方式中，所述对所述目标图像进行预标注，得到所述目标图像的预标注结果和对应的置信度，可以包括：

使用预标注模型库对所述目标图像进行预标注，得到所述预标注结果和所述置信度；

其中，所述预标注模型库中包括至少两个不同的预标注模型，每个预标注模型为预先训练得到的用于进行图像预标注的神经网络模型。

在第一方面的一种具体实现方式中，所述使用预标注模型库对所述目标图像进行预标注，得到所述预标注结果和所述置信度，可以包括：

分别使用所述预标注模型库中的各个预标注模型对所述目标图像进行预标注，得到各个预标注模型的模型输出；

根据各个预标注模型的模型输出确定所述预标注结果和所述置信度。

在第一方面的一种具体实现方式中，所述根据各个预标注模型的模型输出确定所述预标注结果和所述置信度，可以包括：

对各个预标注模型的模型输出进行求平均计算，得到所述预标注结果和所述置信度。

在第一方面的一种具体实现方式中，所述对所述目标图像进行图像质量评估，得到所述目标图像的图像质量评分，可以包括：

使用质量评估模型对所述目标图像进行图像质量评估，得到所述图像质量评分；

其中，所述质量评估模型为预先训练得到的用于进行图像质量评估的神经网络模型。

在第一方面的一种具体实现方式中，所述根据所述图像质量评分和所述置信度判断所述预标注结果是否合格，可以包括：

计算所述图像质量评分和所述置信度的乘积；

若所述图像质量评分和所述置信度的乘积大于预设的阈值，则判定所述预标注结果合格；

若所述图像质量评分和所述置信度的乘积小于或等于所述阈值，则判定所述预标注结果不合格。

本申请实施例的第二方面提供了一种预标注装置，可以包括：

目标图像获取模块，用于获取待标注的目标图像；

预标注模块，用于对所述目标图像进行预标注，得到所述目标图像的预标注结果和对应的置信度；

质量评估模块，用于对所述目标图像进行图像质量评估，得到所述目标图像的图像质量评分；

合格判断模块，用于根据所述图像质量评分和所述置信度判断所述预标注结果是否合格；

数据集添加模块，用于若所述预标注结果合格，则将所述目标图像和所述预标注结果添加入预设的合格预标注数据集中。

在第二方面的一种具体实现方式中，所述预标注模块可以包括：

模型标注子模块，用于使用预标注模型对所述目标图像进行预标注，得到所述预标注结果和所述置信度；

其中，所述预标注模型为预先训练得到的用于进行图像预标注的神经网络模型。

在第二方面的一种具体实现方式中，所述预标注模块可以包括：

模型库标注子模块，用于使用预标注模型库对所述目标图像进行预标注，得到所述预标注结果和所述置信度；

其中，所述预标注模型库中包括至少两个不同的预标注模型，每个预标注模型为预先训练得到的用于进行图像预标注的神经网络模型。

在第二方面的一种具体实现方式中，所述模型库标注子模块可以包括：

预标注单元，单元分别使用所述预标注模型库中的各个预标注模型对所述目标图像进行预标注，得到各个预标注模型的模型输出；

结果确定单元，用于根据各个预标注模型的模型输出确定所述预标注结果和所述置信度。

在第二方面的一种具体实现方式中，所述结果确定单元可以具体用于：对各个预标注模型的模型输出进行求平均计算，得到所述预标注结果和所述置信度。

在第二方面的一种具体实现方式中，所述质量评估模块可以具体用于：使用质量评估模型对所述目标图像进行图像质量评估，得到所述图像质量评分；其中，所述质量评估模型为预先训练得到的用于进行图像质量评估的神经网络模型。

在第二方面的一种具体实现方式中，所述合格判断模块可以具体用于：计算所述图像质量评分和所述置信度的乘积；若所述图像质量评分和所述置信度的乘积大于预设的阈值，则判定所述预标注结果合格；若所述图像质量评分和所述置信度的乘积小于或等于所述阈值，则判定所述预标注结果不合格。

本申请实施例的第三方面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一种预标注方法的步骤。

本申请实施例的第四方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一种预标注方法的步骤。

本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述任一种预标注方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：本申请实施例获取待标注的目标图像；对所述目标图像进行预标注，得到所述目标图像的预标注结果和对应的置信度；对所述目标图像进行图像质量评估，得到所述目标图像的图像质量评分；根据所述图像质量评分和所述置信度判断所述预标注结果是否合格；若所述预标注结果合格，则将所述目标图像和所述预标注结果添加入预设的合格预标注数据集中。通过本申请实施例，可以综合考虑图像质量和置信度来筛选合格的预标注结果，有效提高了最终所得数据集中的数据质量，有利于改善深度学习模型的训练效果。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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它的附图。

图1为本申请实施例中一种预标注方法的一个实施例流程图；

图2为本申请实施例的一种具体实现方式的示意流程图；

图3为本申请实施例的另一种具体实现方式的示意流程图；

图4为本申请实施例中一种预标注装置的一个实施例结构图；

图5为本申请实施例中一种终端设备的示意框图。

具体实施方式

为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请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申请。如在本申请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。

还应当进一步理解，在本申请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。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

深度学习模型的训练需要大量的带标签的数据，而获取这些标签数据往往耗时耗力。预标注方法是一种缓解数据标注时的人力消耗的简便快捷的策略，在现有的预标注方法中，一般会利用少量的标注数据训练出一个预标注模型，使用该模型对尚未标注的数据进行预标注，并根据置信度从中筛选出合格的数据构造出训练所需的数据集。由于在筛选过程中仅仅只对置信度进行考虑，导致最终所得数据集中可能会混杂质量较差的数据，对深度学习模型的训练会产生一定程度的不利影响。

在本申请实施例中，可以综合考虑图像质量和置信度来筛选合格的预标注结果，从而可以有效提高最终所得数据集中的数据质量，有利于改善深度学习模型的训练效果。

本申请实施例的执行主体可以为终端设备，具体地，可以包括但不限于手机、平板电脑、桌上型计算机、笔记本、掌上电脑及机器人等计算设备。

请参阅图1，本申请实施例中一种预标注方法的一个实施例可以包括：

步骤S101、获取待标注的目标图像。

其中，目标图像可以为进行人脸识别、行人重识别或者其它视觉类识别任务的图像。

在本申请实施例的一种具体实现方式中，可以直接从预设的图像数据库中获取目标图像。

在本申请实施例的另一种具体实现方式中，可以通过预设的图像采集装置采集目标图像。例如，可以通过安装在预设位置的摄像头拍摄图像，并将其作为目标图像。

在采集到目标图像后，还可以将其存储在预设的位置，在需要进行预标注时便可以及时获取到目标图像。例如，目标图像可以存储在终端设备的内存模块，在需要进行预标注时，可以直接从终端设备的内存模块直接获取到该目标图像。又例如，为了实现数据安全备份，终端设备可以定时向云端服务器上传内存数据，目标图像可以存储在云端服务器中，在需要进行预标注时，可以向云端服务器发送目标图像获取请求，通过解析云端服务器返回的响应报文即可获取到该目标图像。

步骤S102、对目标图像进行预标注，得到目标图像的预标注结果和对应的置信度。

在本申请实施例的一种具体实现方式中，可以使用单个预标注模型(记为F

具体地，可以预先通过人工标注的方式得到少量的标注数据(记为D

需要说明的是，由于训练所用的标注数据较少，若预标注模型的模型参数量过大，则可能会出现模型欠拟合问题。因此，预标注模型的模型参数量小于最终模型(记为F

在训练得到预标注模型F

在本申请实施例的另一种具体实现方式中，可以使用预标注模型库(记为F)对目标图像进行预标注，从而得到预标注结果和置信度。其中，预标注模型库中包括至少两个不同的预标注模型，即：

预标注模型库中的各个预标注模型的训练过程均与前述单个预标注模型的训练过程类似，具体过程可以参见先前的详细描述，此处不再赘述。

在完成训练之后，可以分别使用预标注模型库中的各个预标注模型对目标图像进行预标注，得到各个预标注模型的模型输出。将预标注模型库中的第k个预标注模型的模型输出记为：

根据各个预标注模型的模型输出可以确定预标注模型库整体的模型输出L

需要说明的是，上述的求平均计算仅为示例，在实际应用中可以根据具体情况对各个预标注模型的模型输出采取其它的融合方式，本申请实施例对此不作具体限定。

步骤S103、对目标图像进行图像质量评估，得到目标图像的图像质量评分。

在本申请实施例中，可以根据实际情况采用现有技术中的任意一种图像质量评估方法，本申请实施例对此不作具体限定。

在本申请实施例的一种具体实现方式中，可以使用质量评估模型对目标图像进行图像质量评估，从而得到图像质量评分。其中，质量评估模型为预先训练得到的用于进行图像质量评估的神经网络模型，可以根据实际情况采用现有技术中的任意一种神经网络模型，例如，质量感知网络(Quality Aware Network，QAN)等，本申请实施例对此不作具体限定。

使用质量评估模型对目标图像进行图像质量评估的过程可以表示如下：

s

其中，f为质量评估模型，W为其模型参数，I

步骤S104、根据图像质量评分和置信度判断预标注结果是否合格。

在本申请实施例的一种具体实现方式中，可以计算图像质量评分和置信度的乘积，若图像质量评分和置信度的乘积大于预设的阈值(记为β)，则可以判定预标注结果合格，反之，若图像质量评分和置信度的乘积小于或等于该阈值，则可以判定预标注结果不合格。其中，阈值β的具体取值可以根据实际情况进行设置，本申请实施例对此不作具体限定。

在本申请实施例的另一种具体实现方式中，可以对图像质量评分和置信度分别进行判断，若图像质量评分大于预设的评分阈值(记为β

若预标注结果不合格，则不再执行步骤S105，当前的目标图像和预标注结果将不会用于后续对深度学习模型的训练过程；若预标注结果合格，则继续执行步骤S105。

步骤S105、将目标图像和预标注结果添加入预设的合格预标注数据集中。

图2所示为本申请实施例的一种具体实现方式的示意流程图，如图所示，可以使用单个预标注模型对目标图像进行预标注，得到目标图像的预标注结果和对应的置信度，并可以使用质量评估模型对目标图像进行图像质量评估，得到目标图像的图像质量评分。然后，可以根据图像质量评分和置信度判断预标注结果是否合格，若预标注结果合格，则可以将目标图像和预标注结果添加入合格预标注数据集中。

图3所示为本申请实施例的另一种具体实现方式的示意流程图，如图所示，可以分别使用预标注模型库中的各个预标注模型对目标图像进行预标注，得到各个预标注模型输出的预标注结果和对应的置信度，然后可以根据各个预标注模型的模型输出确定整体的预标注结果和置信度。可以使用质量评估模型对目标图像进行图像质量评估，得到目标图像的图像质量评分。然后，可以根据图像质量评分和置信度判断预标注结果是否合格，若预标注结果合格，则可以将目标图像和预标注结果添加入合格预标注数据集中。

当完成了对于当前的目标图像的处理之后，可以继续获取其它待标注的图像，将其作为新的目标图像，并对其重复执行图1所示的预标注过程，直至完成对所有的待标注的图像的处理为止。此时，符合要求的各个图像以及对应的预标注结果均已添加入合格预标注数据集(记为D

综上所述，本申请实施例获取待标注的目标图像；对目标图像进行预标注，得到目标图像的预标注结果和对应的置信度；对目标图像进行图像质量评估，得到目标图像的图像质量评分；根据图像质量评分和置信度判断预标注结果是否合格；若预标注结果合格，则将目标图像和预标注结果添加入预设的合格预标注数据集中。通过本申请实施例，可以综合考虑图像质量和置信度来筛选合格的预标注结果，有效提高了最终所得数据集中的数据质量，有利于改善深度学习模型的训练效果。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

对应于上文实施例所述的一种预标注方法，图4示出了本申请实施例提供的一种预标注装置的一个实施例结构图。

本实施例中，一种预标注装置可以包括：

目标图像获取模块401，用于获取待标注的目标图像；

预标注模块402，用于对所述目标图像进行预标注，得到所述目标图像的预标注结果和对应的置信度；

质量评估模块403，用于对所述目标图像进行图像质量评估，得到所述目标图像的图像质量评分；

合格判断模块404，用于根据所述图像质量评分和所述置信度判断所述预标注结果是否合格；

数据集添加模块405，用于若所述预标注结果合格，则将所述目标图像和所述预标注结果添加入预设的合格预标注数据集中。

在本申请实施例的一种具体实现方式中，所述预标注模块可以包括：

模型标注子模块，用于使用预标注模型对所述目标图像进行预标注，得到所述预标注结果和所述置信度；

其中，所述预标注模型为预先训练得到的用于进行图像预标注的神经网络模型。

在本申请实施例的一种具体实现方式中，所述预标注模块可以包括：

模型库标注子模块，用于使用预标注模型库对所述目标图像进行预标注，得到所述预标注结果和所述置信度；

其中，所述预标注模型库中包括至少两个不同的预标注模型，每个预标注模型为预先训练得到的用于进行图像预标注的神经网络模型。

在本申请实施例的一种具体实现方式中，所述模型库标注子模块可以包括：

预标注单元，单元分别使用所述预标注模型库中的各个预标注模型对所述目标图像进行预标注，得到各个预标注模型的模型输出；

结果确定单元，用于根据各个预标注模型的模型输出确定所述预标注结果和所述置信度。

在本申请实施例的一种具体实现方式中，所述结果确定单元可以具体用于：对各个预标注模型的模型输出进行求平均计算，得到所述预标注结果和所述置信度。

在本申请实施例的一种具体实现方式中，所述质量评估模块可以具体用于：使用质量评估模型对所述目标图像进行图像质量评估，得到所述图像质量评分；其中，所述质量评估模型为预先训练得到的用于进行图像质量评估的神经网络模型。

在本申请实施例的一种具体实现方式中，所述合格判断模块可以具体用于：计算所述图像质量评分和所述置信度的乘积；若所述图像质量评分和所述置信度的乘积大于预设的阈值，则判定所述预标注结果合格；若所述图像质量评分和所述置信度的乘积小于或等于所述阈值，则判定所述预标注结果不合格。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

图5示出了本申请实施例提供的一种终端设备的示意框图，为了便于说明，仅示出了与本申请实施例相关的部分。

如图5所示，该实施例的终端设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器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时实现上述各个预标注方法实施例中的步骤，例如图1所示的步骤S101至步骤S105。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至模块405的功能。

示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述终端设备5中的执行过程。

所述终端设备5可以是手机、平板电脑、桌上型计算机、笔记本、掌上电脑及机器人等计算设备。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备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，例如所述终端设备5还可以包括输入输出设备、网络接入设备、总线等。

所述处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、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)或者其它可编程逻辑器件、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。

所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备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还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备5所需的其它程序和数据。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。

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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述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单元来实现本实施例方案的目的。

另外，在本申请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。

所述集成的模块/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存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。