基于目标建议框增量的小样本目标检测方法

1.本发明属于数据处理技术领域，具体涉及基于目标建议框增量的小样本目标检测方法。


背景技术：

2.目标检测的任务就是确定图像中是否有感兴趣的目标存在，即目标检测和识别，接着对感兴趣的目标进行精准定位，目标检测和识别作为基本的计算机视觉问题，广泛应用于自动驾驶，医学成像、图像分类、图像检测，图像分割和工业检测等领域，且各领域均需要非常高的检测精度和定位精度。
3.目前，用于目标检测的方法通常属于基于机器学习的方法或基于深度学习的方法。随着深度学习的兴起，卷积神经网络cnn的研究得到进一步的发展，其作为人工智能的代表性技术之一，取得了前所未有的突破和成就，展现了卷积神经网络在模式识别算法中的主导地位。深度学习一般都需要大量的标记数据进行训练。
4.2014年的rcnn是使用深度学习实现物体检测的经典之作，从此拉开了深度学习做目标检测的序幕。2015年的fast rcnn，在rcnn基础上，实现了端到端的检测与卷积共享，faster rcnn提出了锚框这一划时代的思想，将物体检测推向了第一个高峰。在目标检测算法中，目标边框从无到有，边框变化的过程在一定程度上体现了检测是一阶的还是两阶的。两阶的算法通常在第一阶段专注于找出物体出现的位置，得到建议框，保证足够的准召率，然后在第二个阶段专注于对建议框进行分类，寻找更精确的位置，典型算法如faster rcnn。
5.传统的两阶段的微调方法采用faster rcnn作为小样本目标检测的基本框架，采用两阶段的训练方法——第一阶段的训练集是大量标注的基本类别数据，第二阶段采用少量的基础类别和新类别进行微调。tfa方法在小样本目标检测上有着比较大的潜力，tfa方法是简单地冻结在基础类别数据上学习到的网络参数，然后在新类别数据上对最后两个全连接层进行微调，即分类和边框回归，其他的结构全部是冻结的。后续发现不用冻结模型结构，采用合适的训练也能取得较好的结果。
6.通过实验观察到：对于小样本目标检测识别来说，微调阶段的正样本的建议框数量只有基础训练时的1/4，许多包含新类别的建议框的置信度很低，会被nms过滤掉，导致前景建议框的数量也随之减少，网络学习新类别的机会变少。
7.综上，目前两阶段的微调方法已经在目标检测和识别领域得到了初步应用，但是尚未很好地用于解决小样本目标检测识别中由于前景建议框数量太少导致的识别精度低的问题，提高小样本目标检测识别精度是亟待解决的重要问题。


技术实现要素：

8.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于目标建议框增量的小样本目标检测方法，其结构简单、设计合理，优化了小样本目标检测网络模
型，提升了对小样本数据集的整体适用性，并充分考虑了未被筛选正样本与一次聚类得到的h1个类和二次聚类得到的h2个类之间的相似度，筛选得到补充建议框，从而增加建议框的数量，提高了小样本目标检测网络模型的泛化效果。
9.为解决上述技术问题，本发明采用的技术方案是：基于目标建议框增量的小样本目标检测方法，其特征在于：包括以下步骤：步骤一、构建目标检测深度网络模型，并利用基础类别数据集训练目标检测深度网络模型；
10.步骤二、利用训练好的目标检测深度网络模型进行特征提取和聚类：
11.步骤201、对基本类别数据样本进行特征向量提取并聚类，聚类为h1个类；
12.步骤202、对基本类别数据样本进行随机裁剪得到基类数据块，对得到的基类数据块进行特征提取并聚类，聚类为h2个类；
13.步骤三、利用新类别数据集优化目标检测深度网络模型中分类器和回归器模块的参数，获得优化的目标检测深度网络模型；
14.步骤四：利用优化的目标检测深度网络模型进行目标建议框筛选：
15.获取采样数据集，将采样数据集输入优化的目标检测深度网络模型，获得k个正样本，利用非极大抑制方法对k个正样本的目标建议框进行筛选，选取置信度高的k1个正样本目标建议框作为目标建议框，剩余k2个未被筛选的正样本，k1+k2＝k；
16.步骤五、对未被筛选的正样本进行增强与筛选，获取补充建议框：
17.步骤501、分别计算第j个未被筛选正样本与h1个类的相似性p
j1
，p
j1
表示第j个未被筛选正样本的第一前景分数，1≤j≤k2；
18.步骤502、分别计算第j个未被筛选正样本与h2个类的相似性p
j2
，p
j2
表示第j个未被筛选正样本的第二前景分数；
19.步骤503、计算机按照公式pj＝ω1·
p
j1
+ω2·
p
j2
对第j个未被筛选正样本的第一前景分数和第二前景分数进行加权求和，pj表示综合前景分数，ω1表示第一权重，ω2表示第二权重，ω1+ω2＝1；
20.步骤504、按照综合前景分数阈值对综合前景分数pj进行筛选，将通过筛选的综合前景分数pj对应的第j个未被筛选正样本作为补充建议框，补充建议框和目标建议框构成预测建议框；
21.步骤六、将获得的预测建议框用于步骤三中优化的目标检测深度网络模型中分类器和回归器模块的参数更新，得到最终的小样本目标检测网络模型；
22.步骤七、获取待检测小样本图像；
23.步骤八、将所述待检测小样本图像输入最终的小样本目标检测网络模型，得到目标检测结果。
24.上述的基于目标建议框增量的小样本目标检测方法，其特征在于：步骤三的具体方法包括：
25.步骤301、删除步骤一中训练好的目标检测深度网络模型的分类器网络和回归器网络模块的参数，并重新随机初始化分类器网络和回归器网络模块的参数；
26.步骤302、获取新类别数据样本，新类别数据样本和基本类别数据样本构成平衡数据集；
27.步骤303、分别对平衡数据集中的各个样本进行数据增强，获得增强后的数据集；
28.步骤304、利用增强后的数据集优化目标检测深度网络模型中分类器和回归器模块的参数，获得优化的目标检测深度网络模型。
29.上述的基于目标建议框增量的小样本目标检测方法，其特征在于：步骤303中对平衡数据集中的各个样本进行数据增强的具体方法包括：将第q个样本和第p个样本按照随机生成的线性组合系数进行随机线性组合，得到第一输入图片，循环执行多次随机线性组合，得到多个第一输入图片，1≤q≤k，1≤p≤k，p≠q；多个第一输入图片构成增强后的数据集。
30.上述的基于目标建议框增量的小样本目标检测方法，其特征在于：步骤303中对平衡数据集中的各个样本进行数据增强的具体方法包括：在第q个样本上随机裁剪一个数据块，将该数据块随机叠加到第p个样本上，得到第二输入图片，循环执行多次随机叠加，得到多个第二输入图片，1≤q≤k，1≤p≤k，p≠q；多个第二输入图片构成增强后的数据集。
31.上述的基于目标建议框增量的小样本目标检测方法，其特征在于：步骤303中对平衡数据集中的各个样本进行数据增强的具体方法包括：
32.步骤3031、将第q个样本和第p个样本按照随机生成的线性组合系数进行随机线性组合，得到第一输入图片，循环执行多次随机线性组合，得到多个第一输入图片，1≤q≤k，1≤p≤k，p≠q；
33.步骤3032、在第q个样本上随机裁剪一个数据块，将该数据块随机叠加到第p个样本上，得到第二输入图片，循环执行多次随机叠加，得到多个第二输入图片；
34.步骤3033、多个第一输入图片和多个第二输入图片构成增强后的数据集。
35.上述的基于目标建议框增量的小样本目标检测方法，其特征在于：步骤201的具体方法包括：
36.步骤2011、将n个基本类别数据样本输入到训练好的目标检测深度网络模型，进行特征向量提取，得到各个基本类别数据样本的特征向量；
37.步骤2012、使用k-means聚类算法对基本类别数据样本的特征向量进行聚类操作，聚类为h1个类。
38.上述的基于目标建议框增量的小样本目标检测方法，其特征在于：步骤202的具体方法包括：
39.步骤2021、将n个基础类别数据样本分别进行l次随机裁剪，得到n
×
l个基类数据块，将n
×
l个基类数据块分别输入到训练好的目标检测深度网络模型进行特征提取，获得n
×
l个特征向量；
40.步骤2022、利用k-means聚类算法对n
×
l个特征向量进行聚类操作，聚类为h2个类。
41.本发明与现有技术相比具有以下优点：
42.1、本发明的结构简单、设计合理，实现及使用操作方便。
43.2、本发明利用新类别数据集优化目标检测深度网络模型中分类器和回归器模块的参数，获得优化的目标检测深度网络模型，从而提升优化的目标检测深度网络模型整体对小样本数据集的适用性，在少量可标注样本的情况下提高目标的识别精度，并且为后续的样本筛选提供基础。
44.3、本发明充分考虑了未被筛选正样本与一次聚类得到的h1个类和二次聚类得到的h2个类之间的相似度，加权求和计算综合前景分数，通过综合前景分数的筛选，得到补充
建议框，从而增加建议框的数量，提高了小样本目标检测网络模型的泛化效果。
45.综上所述，本发明结构简单、设计合理，优化了小样本目标检测网络模型，提升了对小样本数据集的整体适用性，并充分考虑了未被筛选正样本与一次聚类得到的h1个类和二次聚类得到的h2个类之间的相似度，筛选得到补充建议框，从而增加建议框的数量，提高了小样本目标检测网络模型的泛化效果。
46.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
47.图1为本发明的方法流程图。
具体实施方式
48.下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
49.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
50.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
51.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方式例如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。
52.为了便于描述，在这里可以使用空间相对术语，如“在
……
之上”、“在
……
上方”、“在
……
上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在
……
上方”可以包括“在
……
上方”和“在
……
下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
53.实施例一
54.如图1所示，本发明的基于目标建议框增量的小样本目标检测方法，包括以下步骤:
55.步骤一、构建目标检测深度网络模型，并利用基础类别数据集训练目标检测深度网络模型。
56.为了提高小样本目标检测网络模型的表征能力，减少训练时间，小样本目标检测
网络模型使用深度学习中的通用的两阶段目标检测算法，构建并训练目标检测深度网络模型属于两阶段目标检测算法的第一阶段。本实施例中，目标检测深度网络模型选用faster r-cnn网络模型，基础类别数据集包括n个基本类别数据样本，利用n个基本类别数据样本对faster r-cnn网络模型进行训练。faster r-cnn是一种快速区域卷积神经网络，可采用现有技术中的faster r-cnn结构搭建faster r-cnn网络模型，faster r-cnn网络模型包括：特征提取网络、区域建议网络、区域特征图生成网络、分类器网络和回归器网络。
57.步骤二、利用训练好的目标检测深度网络模型进行特征提取和聚类：
58.步骤201、对基本类别数据样本进行特征向量提取并聚类，聚类为h1个类。
59.实际使用时，步骤201包括：
60.步骤2011、将n个基本类别数据样本输入到训练好的目标检测深度网络模型，进行特征向量提取，得到各个基本类别数据样本的特征向量；
61.步骤2012、使用k-means聚类算法对基本类别数据样本的特征向量进行聚类操作，聚类为h1个类。
62.实际使用时，faster r-cnn网络通过卷积层对图片进行提取，得到特征图，通过rpn网络对特征图进行目标检测及精确定位，得到候选框，并通过faster r-cnn网络中roi池化层对候选框进行最大池化操作，输出一组包括多个特征向量的特征集，从而完成特征向量提取，得到各个基本类别数据样本的特征向量。图像像素聚类的基本思路是将相似的像素分组为集群，同一集群中的特征是相似的，不同集群的特征是不同的，根据聚类结果对正样本进行分类，得到h1个类。
63.步骤202、对基本类别数据样本进行随机裁剪得到基类数据块，对得到的基类数据块进行特征提取并聚类，聚类为h2个类。
64.步骤2021、将n个基础类别数据样本分别进行l次随机裁剪，得到n
×
l个基类数据块，将n
×
l个基类数据块分别输入到训练好的目标检测深度网络模型进行特征提取，获得n
×
l个特征向量。
65.实际使用时，随机裁剪能够满足现实场景的分割需求，随机裁剪数据增强算法，通过随机位置、尺寸的方式对基本类别数据样本进行裁剪，令基本类别数据样本的分布更加均匀，同时缓解了深度学习对标签数据的依赖性，对真实场景下图像具有更好的泛化能力。因此增加随机裁剪的步骤，在进行聚类。
66.步骤2022、利用k-means聚类算法对n
×
l个特征向量进行聚类操作，聚类为h2个类。
67.第一阶段，在步骤一构建目标检测深度网络模型后，先使用基础类别数据集对目标检测深度网络模型进行训练，得到训练好的目标检测深度网络模型，然后使用步骤二的聚类算法对根据基础类别数据集中的样本提取到的特征向量分别进行两次聚类操作，两次聚类操作分别得到h1个类和h2个类。
68.步骤三、利用新类别数据集优化目标检测深度网络模型中分类器和回归器模块的参数，获得优化的目标检测深度网络模型：
69.步骤301、删除步骤一中训练好的目标检测深度网络模型的分类器网络和回归器网络模块的参数，并重新随机初始化分类器网络和回归器网络模块的参数。
70.实际使用时，对faster r-cnn网络模型的最后一层进行微调，并保持其他层参数
不变，即利用新类别数据样本对分类器网络和回归器网络的参数进行微调。
71.步骤302、获取新类别数据样本，新类别数据样本和基本类别数据样本构成平衡数据集；
72.实际使用时，收集新类别数据样本，并为收集到的新类别数据样本进行标注。通过加入新类别数据样本扩充了平衡数据集的数据和类别，在平衡数据集的基础上优化目标检测深度网络模型，将新类别数据样本对小样本数据集的泛化能力与faster r-cnn网络模型能够用少量样本数据实现特征提取的能力结合，使得目标检测深度网络模型可以识别平衡数据集中未出现的数据样本，极大地提高了目标检测深度网络模型对小样本数据的识别能力。从而提升目标检测深度网络模型整体对小样本数据集的适用性，并且为后续的样本筛选提供基础。
73.步骤303、分别对平衡数据集中的各个样本进行数据增强，获得增强后的数据集:
74.步骤3031、将第q个样本和第p个样本按照随机生成的线性组合系数进行随机线性组合，得到第一输入图片，循环执行多次随机线性组合，得到多个第一输入图片，1≤q≤k，1≤p≤k，p≠q。mixup是一种简单且有效的数据增强方法，mixup是对两个样本-标签对应数据按照设定的比例加权后生成新的样本-标签对应数据，即第一输入图片。
75.步骤3032、在第q个样本上随机裁剪一个数据块，将该数据块随机叠加到第p个样本上，得到第二输入图片，循环执行多次随机叠加，得到多个第二输入图片。cutmix表示把数据增强当作正样本，即第二输入图片与原图相似性高。
76.步骤3033、多个第一输入图片和多个第二输入图片构成增强后的数据集。
77.通过数据增强的方法解决数据量不足的问题，数据增强实际上是让增强后的数据与原数据形成差异，以便于模拟异常数据。使用多种数据增强方法要优于单种数据增强方法，因此增加了步骤3031使用的mixup的数据增强方法和步骤3032使用的cutmix的数据增强方法，使得数据增强方式更多，提高模型的泛化能力。
78.步骤304、利用增强后的数据集优化目标检测深度网络模型中分类器和回归器模块的参数，获得优化的目标检测深度网络模型。
79.mixup在第一输入图片上优化目标检测深度网络模型中分类器和回归器模块的参数，能够减少对错误标签的记忆，增加对抗样本的鲁棒性，并能够稳定目标检测深度网络模型的训练过程。第二输入图片具有两种不同图像信息，使得目标检测深度网络模型在第二输入图片中从局部视角上识别出两个目标，提高了训练效率，具有更好的分类性能和目标定位功能。实际使用时，若随机初始化分类器网络和回归器网络模块的参数与步骤一训练好的目标检测深度网络模型的参数相差不大，则采用mixup数据增强和cutmix数据增强组合的数据增强方式，为目标检测深度网络模型训练提供更多的训练信息，增加负样本的数量，同时提高目标检测深度网络模型的鲁棒性，使得优化的目标检测深度网络模型更加稳定，且具有更好的分类性能。
80.第二阶段，首先，使用步骤三的新类别数据集进行目标检测深度网络模型微调操作，采用两阶段训练方式的小样本目标检测网络模型作为优化的目标检测深度网络模型。其中基础类别数据集具有大量带标签样本，而新类别数据集仅有少量的带标签样本，在微调更新目标检测深度网络模型的参数时，只改变目标检测深度网络模型中分类器和回归器模块的参数，将通过基础类别数据集训练得到的目标检测深度网络模型的特征提取能力，
传递到仅有少量训练样本的新类别数据集中，使得新类别数据集在训练数据不足的情况下，仍能具有较好的表达能力，提高新类别数据的识别正确率。
81.步骤四：利用优化的目标检测深度网络模型进行目标建议框筛选：
82.获取采样数据集，将采样数据集输入优化的目标检测深度网络模型，获得k个正样本，利用非极大抑制方法对k个正样本的目标建议框进行筛选，选取置信度高的k1个正样本目标建议框作为目标建议框，其余为k2个未被筛选的正样本，k1+k2＝k。
83.本实施例中，获取采样数据集，将采样数据集作为优化的目标检测深度网络模型的输入，优化的目标检测深度网络模型输出筛选得到的k个正样本和k个正样本置信度。实际使用时，优化的目标检测深度网络模型利用特征提取网络提取采样数据集的特征图，并将特征图输入给候选区域提取网络和分类回归网络，在候选区域提取网络中对特征图作进一步处理，并将进一步处理的特征图发送给分类回归网络，将图像进行分类，输出候选区域对应各类别的置信度，将置信度大于类别置信度阈值的样本作为正样本。
84.步骤五、对未被筛选的正样本进行增强与筛选，获取补充建议框：
85.步骤501、分别计算第j个未被筛选正样本与h1个类的相似性p
j1
，p
j1
表示第j个未被筛选正样本的第一前景分数，1≤j≤k2；需要说明的是，相似度的计算方法包括夹角余弦法、皮尔森相关系数法、欧式距离和dtw动态时间规整算法。
86.步骤502、分别计算第j个未被筛选正样本与h2个类的相似性p
j2
，p
j2
表示第j个未被筛选正样本的第二前景分数。
87.步骤503、计算机按照公式pj＝ω1·
p
j1
+ω2·
p
j2
对第j个未被筛选正样本的第一前景分数和第二前景分数进行加权求和，pj表示综合前景分数，ω1表示第一权重，ω2表示第二权重，ω1+ω2＝1。
88.第一前景分数和第二前景分数进行加权求和，作为综合前景分数，此过程充分考虑了未被筛选正样本与一次聚类得到的h1个类和二次聚类得到的h2个类之间的相似度，提高了综合前景分数计算的精度，并且第一前景分数和第二前景分数的计算过程没有前后依赖关系，因此，第一前景分数和第二前景分数可以并行计算，计算速度快，使用效果好。
89.步骤504、按照综合前景分数阈值对综合前景分数pj进行筛选，将通过筛选的综合前景分数pj对应的第j个未被筛选正样本作为补充建议框，补充建议框和目标建议框构成预测建议框。未通过筛选的正样本重新进行筛选，以此得到补充建议框，从而增加建议框的数量。
90.第二阶段采用常规的两阶段微调，获得的目标建议框数量太少，即k1的数量太小，导致小样本目标检测网络模型泛化效果不好。
91.因此首先按步骤四利用优化的目标检测深度网络模型进行目标建议框筛选，得到一定数量的目标建议框。然后将第一阶段的基础类别数据集两次聚类得到的h1个类和h2个类作为标准，根据未被筛选的正样本与h1个类的相似性，得到第一前景分数，根据未被筛选的正样本与h2个类的相似性，得到第二前景分数。第一前景分数和第二前景分数分别乘以对应的权重的和就是综合前景分数。实际使用时，权重可随机生成。将综合前景分数高的未被筛选的正样本作为补充建议框，加上步骤四得到的目标建议框，构成预测建议框，因此预测建议框的数量就增加了。
92.步骤六、将获得的预测建议框用于优化的目标检测深度网络模型中分类器和回归
器模块的参数更新，得到最终的小样本目标检测网络模型。
93.步骤七、获取待检测小样本图像。
94.步骤八、将所述待检测小样本图像输入最终的小样本目标检测网络模型，得到目标检测结果。
95.实施例二
96.与实施例一不同的是，步骤303中对平衡数据集中的各个样本进行数据增强的具体方法包括：将第q个样本和第p个样本按照随机生成的线性组合系数进行随机线性组合，得到第一输入图片，循环执行多次随机线性组合，得到多个第一输入图片，1≤q≤k，1≤p≤k，p≠q；多个第一输入图片构成增强后的数据集。
97.实际使用时，在微调阶段，考虑重新随机初始化分类器网络和回归器网络模块的参数对小样本目标检测网络模型特征的影响，对应地选择数据增强的方式，不仅提高了模型的训练速度，而且减少了计算量，使用效果好。若随机初始化分类器网络和回归器网络模块的参数与步骤一训练好的小样本目标检测网络模型的参数相差较大，则采用mixup的数据增强方式，优化小样本目标检测网络模型中分类器和回归器模块的参数，使得优化的目标检测深度网络模型更加稳定，且具有更好的分类性能。
98.实施例三
99.与实施例一、二不同的是，步骤303中对平衡数据集中的各个样本进行数据增强的具体方法包括：在第q个样本上随机裁剪一个数据块，将该数据块随机叠加到第p个样本上，得到第二输入图片，循环执行多次随机叠加，得到多个第二输入图片，1≤q≤k，1≤p≤k，p≠q；多个第二输入图片构成增强后的数据集。
100.实际使用时，在微调阶段，考虑重新随机初始化分类器网络和回归器网络模块的参数对目标检测深度网络模型特征的影响，对应地选择数据增强的方式。若随机初始化分类器网络和回归器网络模块的参数与步骤一训练好的小样本目标检测网络模型的参数相差很大，则采用cutmix的数据增强方式，优化小样本目标检测网络模型中分类器和回归器模块的参数，使得优化的小样本目标检测网络模型更加稳定，且具有更好的分类性能。
101.应该理解的是，虽然图1中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
102.以上所述，仅是本发明的实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。