一种飞行器系统及其方法、具有计算机程序的产品与流程

本发明涉及一种在飞行路线中实时学习和检测边界的飞行器系统及其方法、具有计算机程序的产品。

背景技术：

人工收割农作物是一项劳动密集型活动，特别是农药/肥料的喷洒。由于公众对化学品排放到环境和人体暴露于化学品方面的关注，无人驾驶飞行器（UAV）的使用已成为喷洒农药/肥料的新兴趋势。然而，雇用操作员来远程控制无人驾驶飞行器仍然是劳动密集型的工作，并且需要注意力长时间的高度集中。因此，利用自动无人驾驶飞行器来执行农药/肥料的喷洒消除了对操作员的高度警觉性和劳动力的要求。自动无人驾驶飞行器能够按照指定的路线飞行，而无需由控制无人驾驶飞行器的人员进行手动操作，从而增加了减少劳动力的可能性，同时提高了效率和效能。

自动无人驾驶飞行器通常配备有定位系统，例如提供无人驾驶飞行器位置的全球定位系统（GPS）；接收指定路线的通信模块；和指示无人驾驶飞行器自动跟随指定路线的控制模块。通常，此类路线是根据操作员或用户定义的地块生成的。例如，操作员可以通过在地图上定位地块的边界来定义地块; 路线生成软件程序从地图中提取边界信息并规划覆盖给定地块的路线。然后将规划的路线传送到自动无人驾驶飞行器，从而使自动无人驾驶飞行器沿着路线给整个地块喷洒农药。

农药/肥料喷洒的一个关键要求是确保农药/肥料均匀地和完全地喷洒在给定的地块上，这需要覆盖整个特定的地块而不会错过任何角落、裂缝或有界区域（例如，边界区域）。此外，农药/肥料不得喷洒在地块的给定参数之外，因为在指定的地块附近可能有其他作物、水道或道路。然而，上述通过在地图中定位地块的边界来定义地块的方法对于替代的改进方法而言仍然还有许多待改进之处。地图提供的边界信息可以容易地出现三到六米的位置误差，并且这种误差直接传输到规划的路线。因此，无人驾驶飞行器可能无法覆盖距离地块边界3至6米范围内的区域或覆盖边界以外3至6米的区域。这两种情况都不能满足农药/施肥喷洒的关键要求，因此应予以避免或排除。

一种可能的矫正方法是利用测量技术来准确地测量该地块的边界。精确的测量技术可以将位置误差降低到厘米，大大减少了地块的边界信息中的位置误差。因此，所规划的覆盖整个地块的路线具有相同的厘米级精度。然而，这种识别给定地块的边界的方式需要时间效率低且劳动密集的测量机制，要求操作员实地到每个地块进行测量。而且，无人驾驶飞行器上的定位系统也存在位置误差。结果是，当无人驾驶飞行器仍远离边界或已经越过边界时，机载定位系统可能指示无人驾驶飞行器已经到达边界。虽然可以在无人驾驶飞行器上使用高端定位系统来获得准确的位置，但是此类系统通常很昂贵并且该过程通常是劳动密集型的，因此进一步增加了自动无人驾驶飞行器喷洒农药/肥料的成本。此外，这种高端定位系统仍然容易受到障碍物和多路径等干扰。

技术实现要素：

本发明目的是提供一种飞行器系统及其方法、具有计算机程序的产品。

为达到上述目的，本发明采用的飞行器系统技术方案是：一种飞行器系统，包括：

一图像传感器；

一位置传感器，被配置为检测所述飞行器的当前位置；和

一处理器，被配置为：

接收有界区域的预期边界的规格；

使用距离所述预期边界至少阈值距离的至少部分有界区域的一个或多个图像生成有界区域的一模型；和

使用飞行器的当前位置来确定飞行器距离预期边界的距离在阈值距离内，并且作为响应，使用所生成的有界区域的模型和由所述图像传感器获取的预期边界的至少部分边界图像来确定更新的预期边界。

上述飞行器系统还有以下变化方案：

1、上述方案中，所述处理器还可以配置为在导航所述飞行器时使用所述更新的预期边界。

2、上述方案中，确定更新的预期边界包括确定多个边界假设并使用所述模型评估多个边界假设的每个边界假设以选择多个边界假设中的一个边界假设作为所选边界假设。

再一步，优选确定更新的预期边界包括将所选边界假设与所述预期边界结合以生成更新的预期边界。

优选的，多个边界假设至少部分地随机确定。

优选的，评估每个边界假设包括对于每个边界假设，使用有界区域的模型评估在对应边界假设的第一侧上获取的边界图像的第一部分，并且使用有界区域的模型评估在相应边界假设的第二侧所获取的边界图像的第二部分。

优选的，选择所选的边界假设包括确定所选边界假设的置信度度量并确定所述置信度度量大于置信度阈值。

3、上述方案中，有界区域的预期边界的规格至少部分地由用户规定的多边形的顶点来确定。

4、上述方案中，有界区域包括农田。

5、上述方案中，生成有界区域的模型包括分析至少所述部分有界区域的一个或多个图像的视觉特性，以统计地分析有界区域的特征。

6、上述方案中，有界区域的模型至少部分地使用由飞行器的处理器执行的机器学习来生成。

7、上述方案中，有界区域的模型至少部分地使用基础训练数据进行预训练。

8、上述方案中，生成有界区域的模型包括更新在飞行器的先前飞行期间预先训练过的模型。

9、上述方案中，确定更新的预期边界包括分析所述边界图像内的所选搜索区域，并且所述搜索区域对应于预期边界的不确定性。

10、上述方案中，所述处理器还配置为使用更新的预期边界来修改飞行器的飞行路线的航点。

11、上述方案中，所述飞行器包括喷雾器，并且使用喷雾器在有界区域上喷洒化学品是使用更新的预期边界进行控制的。

12、上述方案中，所述处理器还配置为检测在所述边界图像中获取的所述部分预期边界是侧向边界还是末端边界。

13、上述方案中，有界区域的模型至少部分地通过确定用于生成该模型的一个或多个图像之一中的所述预期边界的一侧向边界，并且仅对被识别为属于所述侧向边界的有界区域侧的一个图像的部分进行建模而生成。

本发明采用的方法技术方案是：一种方法，接收有界区域的预期边界的规格；

使用距离所述预期边界至少阈值距离的至少部分有界区域的一个或多个图像生成有界区域的一模型；和

使用一飞行器的一当前位置来确定飞行器距离预期边界的距离在阈值距离内，并且作为响应，使用所生成的有界区域的模型和由一图像传感器获取的预期边界的至少部分边界图像来确定更新的预期边界。

本发明采用的具有计算机程序的产品的技术方案是：一种具有计算机程序的产品，该具有计算机程序的产品包含有用于以下操作的计算机指令：

接收有界区域的预期边界的规格；

使用距离预期边界至少阈值距离的至少部分有界区域的一个或多个图像生成有界区域的一模型；和

使用一飞行器的一当前位置来确定飞行器在距离预期边界的阈值距离内，并且作为响应，使用所生成的有界区域的模型和由一图像传感器获取的预期边界的至少部分边界图像来确定更新的预期边界。

上述“具有计算机程序的产品”是指内存有计算机指令的产品，例如一个存储介质、一个程序模块、或者是一个装置、甚至一个设备（比如飞行器）。

附图说明

图1是显示了飞行器系统环境组件的实施例的框图；

图2是显示设定和检查有界飞行区域的示例界面的示意图；

图3是显示基于视觉的边界识别和动态路线规划系统的实施例的框图；

图4是用于边界识别学习和检测的过程的实施例的流程图；

图5A-5C是触发学习过程示例的示意图；

图6是预测边界的过程的实施例的流程图；

图7是显示具有已识别的投影边界位置的获取图像示例的示意图；

图8是显示图7所示的示例中候选点示例的示意图；

图9是显示获取图像已经经过分析识别图像中的搜索区域，边界假设和识别的预测边界部分的示例图；

图10是显示边界估计过程的实施例的流程图；

图11A-11B是显示在飞行器的有界区域的边界附近的飞行路线的示例图；

图12是显示根据检测到的边界类型而执行学习和检测边界的过程的实施例的流程图；

图13是显示学习过程如何识别作物区域的示例图；

图14是显示搜索区域和边界假设的示例图。

以上附图部分标号说明如下： 100、系统；102、移动站；104、机载系统；106、地图模块；108、图形用户界面；110、规划/监控模块；112、通信接口；114、通信接口；116、导航模块；118、定位和运动传感器模块；120、飞行控制模块；122、操作控制模块；202、视图；204、视图；302、成像装置；304、位置传感器；306、通信接口；308、边界识别模块； 310、边界估计模块；312、路线管理模块；314、数据处理器；502、无人驾驶飞行器；504、地块。

具体实施方式

本发明可以以多种方式实施，包括作为一种方法；一种装置；一个系统；一种物质组合物；在计算机可读存储介质上体现的一种计算机程序产品；和/或一种处理器，例如用于执行储存在处理器上的和/或由与处理器连接的存储器提供的指令的处理器。在本说明书中，这些实施方式或本发明可以采用的任何其他形式可以称为技术。通常，可以在本发明的范围内改变所公开过程的步骤的顺序。除非另有说明，文中所述的为执行任务而配置的部件例如处理器或存储器，可以是在指定时间临时配置执行任务的通用部件，或者为执行任务而制造的特定部件。本文所用的术语“处理器”是指被配置为处理数据，例如计算机程序指令的一个或多个设备、电路和/或处理核。

下面提供本发明的一个或多个实施例的详细描述以及说明本发明原理的附图。结合这些实施例描述了本发明，但是本发明不限于任何实施例。本发明的范围仅由权利要求限制，并且本发明包括许多替换，修改和等同。在以下描述中阐述了许多具体细节，以便透彻理解本发明。提供这些细节是出于示例的目的，并且可以在没有部分或全部具体细节的情况下根据权利要求来实践本发明。为了清楚起见，本文并未详细描述与本发明相关的在技术领域中已知的技术材料，从而不会不必要地模糊本发明。

本文公开控制一飞行器（例如，无人驾驶飞行器，多旋翼飞行器，无人机，飞机，直升机或任何其他飞行器）。例如，在飞行器的飞行期间，实时使用飞行器拍摄的图像以了解期望的有界飞行区域的特征，并且预测期望的有界飞行区域的边界以调整飞行器的飞行路线。在一些实施例中，该飞行器包括图像传感器，被配置为获取飞行器下方和/或前方地面的图像，和位置传感器（例如，GPS传感器），被配置为至少部分地检测飞行器的当前位置。接收到有界区域的预期边界的初始标识。例如，有界区域包括需要使用飞行器自主喷洒的农田（例如，作物田，葡萄园，果园等），并且预期边界的标识指定农田的近似边界。使用由所述图像传感器获取的距离预期边界至少阈值距离的至少部分有界区域的的多个图像，生成有界区域的模型。例如，通过使用已知农田的多个图像，其距离农田的预期边界给定距离，生成该农田的模型。该模型可用于检测有界区域的可能边界并实时调整有界区域的预期边界，以帮助调整飞行器的飞行路线（例如，当对有界区域进行作物喷洒时，允许飞行器更好地覆盖整个有界区域）。例如，当飞行器在距预期边界的距离在阈值距离内时（例如，允许摄像机捕捉至少一部分的预期边界），所述模型可用于检测预测边界部分（例如，使用机器学习预测）并使用预测边界部分来更新和校正先前的预期边界。然后可以使用更新的预期边界在有界区域上导航飞行器。

图1是显示了飞行器系统环境组件的实施例的框图。该飞行器系统可以在指定区域（例如农田）的自动农药/肥料喷洒中使用。

该系统100至少包括一移动站102和一机载系统104。所述移动站102可以包括一地图模块106，一图形用户界面（GUI）108，一规划/监控模块110和一通信接口112。所述机载系统104可以包括一通信接口114，一导航模块116，一定位和运动传感器模块118，一飞行控制模块120和一操作控制模块122。机载系统104包括在飞行器中并且可用于控制飞行器。各种实施例中的飞行器包括其他部件，例如电源（例如，电池），马达，螺旋桨，其他传感器，化学品罐，喷雾器等。

移动站102可以在任何计算设备上实施，例如电话，平板电脑，控制器，笔记本电脑，台式电脑或掌上电脑。例如，移动站102可由操作员携带至飞行器将飞行的现场进行设置、规划（例如生成飞行计划），和/或控制飞行器的飞行和操作。地图模块106提供地图信息，并且图形用户界面（GUI）108提供给操作员用来设置，规划和控制飞行器操作的界面。例如，操作员利用图形用户界面108来设置、规划和执行飞行器喷洒肥料/农药。在一些实施例中，关于指定的飞行区域和/或飞行器应用信息被提供给规划/监测模块110。规划/监测模块110生成、优化和规划飞行路线以覆盖指定区域（例如，覆盖由飞行器喷洒肥料/农药的区域）。一旦计算出飞行路线，移动站102就通过其通信接口112（例如，无线数据通信接口）将规划的飞行路线信息发送到机载系统104。

通信接口114接收经由移动站102的通信接口112发送的规划的飞行路线信息。然后将所接收的规划的飞行路线信息提供给导航模块116。此外，定位和运动传感器模块118测量飞行器的当前状态信息，包括当前位置，相对于农作物/地面的高度，飞行器的速度的运动信息，以及方向角度（例如，偏航角，侧倾角和俯仰角）。然后，定位和运动传感器模块118将飞行器的当前状态测量值发送到导航模块116以及飞行控制模块120。

导航模块116使用规划的飞行路线信息和来自定位和运动传感器模块118的信息来确定飞行器的飞行路线的位置偏差并调节飞行器的飞行动作以引导飞行器按照指定的路线飞行。飞行控制模块120通过确定并向飞行器的马达传送命令来执行飞行动作。操作控制模块122是机载系统104的组件，其控制飞行器上的泵，泵调节肥料/农药喷雾并根据规划的飞行路线来控制喷洒。

机载系统104可以经由其通信接口114将飞行器的当前状态发送至移动站102。移动站102通过其通信接口112接收飞行器状态，并通过图形用户界面108向操作员显示状态信息（例如，可以使操作员监视飞行器和肥料/农药喷洒）。

该系统100可以用于肥料/农药喷洒以外的其他目的。例如，替代控制泵，操作控制模块122可以操作已经安装在飞行器上的成像装置，以便获取农作物的图像以用于农作物生长检查和监测。

图2是显示设定和检查有界飞行区域的示例界面的示意图。可以通过图1的图形用户界面108提供图2所示的示例界面。用户可以通过获得感兴趣区域的地图（例如，通过输入地址，位置坐标，在地图上导航到感兴趣的区域，验证移动设备的当前位置等）来设定有界飞行/应用区域（例如，需要飞行器喷洒肥料/农药的区域）。然后，用户能够在地图上设定确定多边形顶点的近似位置，该多边形描绘出有界飞行/应用区域的初始指定的预期边界的轮廓。例如，用户通过显示卫星地图图像的触摸屏（例如，移动站102的触摸屏）上的触摸操作，在地块的空中卫星地图图像上输入指定飞行器喷洒化学品的地块的轮廓，其中触摸输入的位置对应于多边形顶点的位置，其描绘了地块初始指定的预期边界的轮廓。

例如，视图202显示了感兴趣区域的卫星地图图像，并且用户指定了四个顶点：所示地图上的V1，V2，V3和V4。使用底层地图信息（例如，地图模块106的地图信息），确定所示地图上指定的顶点的地理位置（例如，位置坐标，纬度/经度等），并且将地理位置信息提供给规划/监控模块110。规划/监控模块110以高效的方式确定覆盖由指定的预期边界限定的区域的飞行计划/路线。

视图204显示了视图202中指示的有界区域的规划的飞行路线的后续视图。规划的飞行路线可以由一系列航点Pi表示，每个航点以绝对坐标（例如，纬度和经度）表示。这些航点的顺序表示规划航线的行进方向，即飞行器的规划路线。或者，航点Pi可以用相对于参考点（例如P1）的相对坐标表示，而参考点以绝对地理位置坐标提供。

但是，在地图上使用触摸输入指定点的方式具有固有的精度限制，这会限制指定点的绝对准确性。如前所述，地图模块106可以容易地具有范围从3到6米的位置误差。因此，不仅在顶点的指定期间存在位置误差，当顶点自动连接以形成描绘飞行器的有界区域轮廓的多边形时，误差可能变得复杂。另外，该区域可能已经与卫星图像地图上显示的样貌发生了改变（例如，种植了新的农作物，增加了灌溉路径等）。因此，由此生成的喷洒规划飞行路线存在误差，使得飞行路线不能完全且准确地覆盖有界区域。例如，飞行器可能无法覆盖距离实际边界三到六米的区域，或者可能覆盖超出实际边界三到六米的区域。在这两种情况下，都不符合化肥/农药喷洒的严格要求，其要求肥料/农药必须均匀且完全地喷洒在给定的地块中而不能喷洒到地块以外。为了减轻误差甚至可能消除误差，对该区域的边界进行飞行中动态识别和修正。飞行器的规划路线是动态调整的，以便更准确地检测和覆盖有界区域的边界。

图3是显示基于视觉的边界识别和动态路线规划系统的实施例的框图。边界识别和动态路线规划系统包括一成像装置（例如，照相机）302，一位置传感器304，一通信接口306和一数据处理器314。在一些实施例中，成像装置302能够用于测量距离值（例如，使用立体相机，激光雷达等）。所述数据处理器314包括一边界识别模块308，边界估计模块310和路线管理模块312。在一些实施例中，配备有图1的机载系统104的飞行器包括图3中所示的部件。在一些实施例中，图1的定位和运动传感器模块118是位置传感器304，并且图1的通信接口114是通信接口306。在一些实施例中，数据处理器314由导航模块116，飞行控制模块120和/或操作控制模块122控制。

结合到飞行器的成像装置302在飞行器穿过区域时从飞行器的视角获取图像。例如，图像可以包括要喷洒的农作物或果树以及地块的背景或周围环境。数据处理器314处理这些图像（例如，在边界识别模块308中的图像）以了解该区域以及识别该区域的边界。

通信接口306接收经由移动站102发送的规划的飞行路线。规划的飞行路线可以包含表示飞行路线的一系列航点Pi以及多边形顶点Vi，其中每两个相邻的顶点形成设定有界区域的多边形的边缘。通信接口306将该规划飞行路线的信息转发到路线管理模块312，路线管理模块312继续将边界信息提供给边界估计模块310。在一个实施例中，边界信息由确定指定有界区域的一系列多边形顶点Vi组成。

连接到无人驾驶飞行器的位置传感器304提供飞行器的当前位置。例如，位置传感器304可以包含GPS，其提供飞行器的当前位置，在地理坐标中例如经度、纬度和高度。在一些实施例中，位置传感器304测量飞行器的偏航角，侧倾角和/或俯仰角。这些角度信息，以及关于成像装置302的安装位置的信息以及成像装置302的参数（例如，视野）可用于确定成像装置302正在获取的图像相对于飞行器位置的哪个部分区域。另外，可以使用成像装置302的立体摄像机图像来确定成像装置302与被获取区域之间的距离。边界估计模块310从路线管理模块312接收到边界信息，从位置传感器304接收飞行器的当前位置。然后，它基于飞行器的当前位置和边界信息生成相对于飞行器的预期边界位置。将结合图10一起详细描述边界估计模块310的实施例。

边界识别模块308结合从边界估计模块310接收的预期边界位置信息处理从成像装置302获得的图像，以便确定边界的实际预测位置。边界识别模块308还将确定的边界位置回传至边界估计模块310，边界估计模块将确定的预测边界位置与预期边界位置进行整合，以获得实际边界位置的估计值。随后，边界估计模块310将边界位置估计值转发到路线管理模块312，并且路线管理模块312结合边界位置估计值以自动且动态地在飞行中更新或调整飞行路线以提高准确性和效率。

图4是用于边界识别学习和检测的过程的实施例的流程图。图4的过程可以在图1的机载系统104和/或图3的处理器314上至少部分地实施。在步骤402处，从边界估计模块310接收预期边界信息。例如，用户通过显示卫星地图图像的触摸屏（例如，移动站102的触摸屏）上的触摸操作，在地块的空中卫星地图图像上输入指定飞行器喷洒化学品的地块的轮廓，其中触摸输入的位置对应于多边形顶点的位置，其描绘了地块初始的预期边界的轮廓。在该示例中，与这些触摸输入提供的位置相对应的地理坐标包括在由路线管理模块312经由通信接口306接收的规划飞行路径中。路线管理模块312将这些顶点的地理坐标提供给边界估计模块310，边界估计模块310将顶点的地理坐标转换为以无人驾驶飞行器为中心的坐标。例如，当无人驾驶飞行器飞过该区域时，预期边界位置信息以无人驾驶飞行器的当前地点/位置为参照。在一些实施例中，预期边界位置信息包括关于描绘有界飞行/应用区域轮廓的多边形边缘的位置信息。在一些实施例中，预期边界位置信息至少部分地在过程400的先前迭代期间进行更新（例如，在先前飞行期间更新）。例如，在边界检测步骤410中确定边界后，预期边界位置信息在边界估计模块310中更新（如图10中所述）。

在步骤404处，获得图像。例如，当飞行器在飞行中时，成像装置302持续地获取图像，并且接收由成像装置302获取的图像。

在步骤406处，确定是否已满足边界检测标准。例如，边界识别模块308确定相对于所接收的图像在获取时飞行器的位置是否在距预期边界的阈值距离内（例如，接近在步骤402中接收到的信息中所确定的多边形边缘的至少一部分），并且如果飞行器的位置在阈值距离内，则确定已满足边界检测标准。否则，确定尚未满足边界检测标准（例如，根据获取到的有界区域内的地面图像，检测飞行器的位置在有界区域中，但是不足够靠近有界区域的边界）。在另一个例子中，边界识别模块308确定在获得的图像中获取到的地面区域的地理位置是否对应于预期边界的至少部分预期边界（例如，获取在步骤402中接收到的信息中所确定的多边形边缘的至少一部分的区域），并且如果地面区域的地理位置对应于预期边界的至少部分预期边界，则确定已满足边界检测标准。由成像装置302获取到的地面区域的地理区域可以根据检测到的飞行器的地理位置（例如，使用GPS检测）以及检测到的偏航角，侧倾角和/或俯仰角，成像装置的安装位置以及成像装置的参数（例如，视野）进行确定。

如果在步骤406中确定尚未满足边界检测标准，那么在步骤408处，执行学习过程。如果在步骤406中确定已经满足边界检测标准，那么在步骤410处，执行边界检测过程。过程400可以定期地（例如，对于定期获取的每个新图像）和/或动态地重复。

进一步详细介绍学习过程408的实施例见图5A至图5C。当飞行器仍然远离有界飞行/应用区域的边界时就执行学习过程408。结果，在学习过程期间由成像装置302获取的图像（全部或大部分）是有界飞行/应用区域内的区域（例如，在农田区域的指定边界内）。通过在学习过程408的后续执行期间处理这些图像，生成边界内区域的视觉特性的模型。这样的视觉特性可以包括但不限于各种视觉特性，例如颜色和结构的分布等。这些视觉特征可以采用手动定义的特征的形式，例如标准颜色空间（例如，RGB，YUV，HSV等）和结构（例如，梯度的直方图，X词袋模型），或者从大量数据（以非监督式或监督式的方式）中学习的特征，例如深度学习和支持向量机。在一些实施例中，使用基础训练数据集预训练初始机器学习模型（例如，使用训练图像离线训练的基础模型，并且使用飞行期间实时获取图像流将基础模型提供给飞行器进行进一步训练），并且学习过程408通过使用飞行中获取的图像在飞行中动态更新初始模型。在一些实施例中，学习过程408更新在先前的飞行或阶段期间已经训练的模型。

图5A-5C是触发学习过程（例如，步骤408）示例的示意图。图5A显示无人驾驶飞行器502开始在地块504上方飞行。无人驾驶飞行器502以速度v向预期边界Bexp飞行，无人驾驶飞行器502与预期边界Bexp之间的最短距离为d。当无人驾驶飞行器502在地块504上方飞行时，成像装置（如摄像机）302持续以预定速率（例如，5hz，10hz或更高）或以根据诸如无人驾驶飞行器速度的因素而确定的可变速率获取地块的图像。对于所获得的图像的每个新图像或特定区域，分析图像中的每个像素的特征值。例如，假设使用标准颜色空间RGB作为地块的特征化特征，那么会获得图像中每个像素的RGB颜色空间值[R，G，B]。另外，如果使用HSV颜色空间，那么会获得图像中每个像素的HSV颜色空间值。

使用这些像素的特征值的数据，构建用于所述特征分布的统计模型。该模型可以是具有两个参数的高斯模型：均值和方差。例如，在RGB颜色空间值的情况下，单个高斯模型将具有[rmean, gmean, bmean]均值和3×3方差矩阵。或者，统计模型可以是颜色空间值的直方图。例如，在HSV颜色空间值的情况下，可以根据图像的每个像素的色调值导出色调通道的直方图。直方图的一种表示可以是N×2矩阵，其中N表示直方图中的区间的数量，并且每个区间的两个值是色调值和相应色调值的出现百分比。

图5A显示在学习过程的开始阶段具有有限特征值的初始模型。当无人驾驶飞行器502朝向具有图5B中所示的实际边界506的预期边界Bexp行进时，学习过程408持续地处理新获取的图像，提取新图像的特征分布，并将特征分布合并到统计模型中。因此，通过像素的每个补充特征值不断更新现有模型。在一些实施例中，更新模型是平均一个时间段的统计模型（例如，时间平均高斯模型），同样考虑每个补充的图像。在一些实施例中，更新模型时与之前的图像相比更多考虑最近的图像。当无人驾驶飞行器502到达预期边界位置的预定义阈值dTH的给定距离内时，不再触发学习过程408，习得的模型显示地块内的区域特征，如图5C所示。随后，在过程400的执行期间，在步骤406中，确定满足边界检测标准并且执行检测过程410。

如上述图3所述，边界识别模块308从边界估计模块310接收预期边界位置。在一些实施例中，边界估计模块310通过将边界信息（例如，由绝对地理或相对位置坐标中的多边形地块的顶点定义）转换为飞行器位于原点的飞行器位置坐标来确定相对于飞行器的预期边界位置。因此，预期边界位置Bexp可以表示为（x，y，z）形式的一组3D坐标值，其中每组3D坐标值（x，y，z）表示相对于飞行器位置的顶点位置。注意，在图2中给出的示例中，飞行器的有界区域由四边形表示，并且飞行器飞行方向的边界是由V2V3 或V1V4限定的线段。在其他情况下，有界区域多边形可以具有短边，并且飞行器飞行方向的边界可以由若干连续边组成。例如，当边界包括两个连续边时，预期边界位置可以由三组3D坐标值表示，这三组3D坐标值表示定义两个连续多边形边的三个顶点。

在一些实施例中，预期边界位置信息还可以包括识别预期边界的不确定度度量的信息。边界不确定度的一种表示可以是定义边界的多边形的每个顶点的标准偏差的度量。对于每个顶点，不确定度误差范围可以表示为（xstd, ystd, zstd），其定义3D坐标空间中的顶点的标准偏差。该不确定度误差范围以及预期的边界位置Bexp可以由边界估计模块310提供给边界识别模块308。或者，边界识别模块308可以在检测过程410期间动态地生成（和更新）不确定度度量。

图6是预测边界的过程的实施例的流程图。图6的过程可以在图1的机载系统104和/或图3的数据处理器314上至少部分地实施。在一些实施例中，图6的过程的至少一部分包括在图4的检测过程410中。

边界检测过程600开始于步骤602，在此步骤中预期边界位置Bexp被投影到由成像装置获取的图像上（例如，由包含在成像装置302中的摄像机获取）。例如，对应于预期边界位置（例如，三维坐标）的位置坐标被转换为识别图像上的对应位置的位置坐标（例如，二维坐标）。通过使用预期边界位置Bexp与成像装置相对于飞行器的位置和方向之间的几何投影关系进行投影。在一些实施例中，成像装置相对于飞行器没有相对运动; 因此，这些位置和方向是预定义的固定值。在其他实施例中，成像装置可以相对于飞行器具有相对运动（例如，使用万向节）并且边界估计模块310向边界识别模块308提供该相对运动的信息（例如，由定位和运动传感器模块118测量）。因为预期边界位置可以表示为描绘飞行器的有界区域轮廓的连接多边形顶点的线段，而一些顶点可能在图像之外，执行投影可能包括通过缩短部分在图像之外的预期边界的线段（例如，在图像中的线段的一部分上放置投影边界点）和通过删除完全在图像之外的线段（例如，不能从图像中识别出相应的线段）来重新定义至少部分预期边界。这会生成预期边界的投影，作为由投影边界点定义的线段。对于完全在图像内的线段，投影边界点是多边形顶点的投影。对于部分位于图像之外的线段，投影边界点位于图像中短线段的末端（例如，放置在最接近图像边缘但距离图像边缘一定距离的线段上）。图7是显示具有已识别的投影边界位置的获取图像示例的示意图。图7中所示的获取图像显示投影边界位置702（即Bproj），它连接投影的边界点A，B和C以及由它们定义的两个线段。

在一些实施例中，将预期边界位置投影到图像上包括选择图像内的搜索区域，其中搜索区域以投影边界Bproj线为中心，搜索区域的大小反映了投影边界点的不确定度误差范围。首先，每个投影边界点的不确定度误差可以作为投影边界点周围的区域投影到图像上。图7显示圆圈区域704作为投影边界点A的投影不确定度误差。虽然它显示为圆圈区域，但是投射的不确定区域也可以采用其他形状，例如椭圆形或其他圆形区域。随后，可以生成搜索区域，而搜索区域是以投影边界Bproj为其中心的包含每个边界投影点的投影不确定度误差的区域。对于图7中所示的示例，搜索区域706可以由具有顶点a1，a2，a3，a4，a5和a6的多边形来定义。

在步骤604，基于步骤602的投影生成边界假设。对于每个投影边界点，生成固定数量的候选点。图8是显示图7所示的示例中候选点示例的示意图。图8中所示的较大点A，B和C表示投影边界点，而较小点表示候选点。在一些实施例中，基于投影边界点及其各自的不确定性随机生成候选点。或者，也可以确定性地生成候选点。然后，可以通过从每个投影搜索区域中选择一个候选点并连接所选择的候选点以形成如图8的线802所示的曲线或直线来生成边界假设。如果从每个不确定区域生成n个候选点，那么包括投影边界点本身在内，来自每个不确定区域的可能的点将是（n + 1）。因此，对于由m个投影点（因此（m-1）个线段）组成的边界，边界假设的数量将是(n+1)^m。每个边界假设用作候选边界位置，以便在后续步骤中进一步评估。

在步骤606中，通过将其各自的特征与习得模型（例如，使用图4的学习过程408获得的习得模型）进行比较来评估每个边界假设。边界假设的统计特征可以基于图像中对应边界假设（例如，由线段组成）上或沿着对应边界假设的像素的特征来导出。例如，当习得的统计模型是像素的RGB颜色空间的分布时，可以提取沿着搜索区域内的边界假设的像素的RGB值，以导出边界假设的对应高斯模型。然后可以将该高斯模型与习得的高斯模型进行比较。在一些实施例中，所述比较会产生差异度量，此差异度量表示与习得模型的偏离程度。边界假设模型与习得模型之间的差异度量越大，边界假设与实际边界相符的可能性越大。同样地，当在模型学习/训练期间为统计模型选择HSV颜色空间时（例如，在学习过程408期间），可以提取沿着搜索区域内的边界假设的像素的HSV值以导出对应的直方图模型。然后可以将边界假设的直方图模型与习得模型进行比较，并且可以将两个直方图之间的距离用作差异度量。因此，可以在步骤606中针对每个边界假设计算一个差异度量。

在另一个实施例中，边界假设的评估可以识别和分析搜索区域中边界假设两侧的部分（例如，像素）。被识别为属于有界区域的边界假设的一侧可以被称为内侧，被识别为属于有界区域的外侧的另一侧可以被称为外侧。可以构建两个统计模型（例如，识别每一侧的特征的统计值），一个用于内侧的图像部分（例如像素），另一个用于边界假设外侧的图像部分（例如，像素）。因此，可以通过将两个模型与习得模型进行比较来计算两个差异度量。如果一个差异度量很小（例如，小于阈值），那么这表示相应的一侧很符合习得模型，说明图像的相应部分最可能是有界区域的部分。如果一个差异度量很大（例如，大于阈值），那么这表示相应的一侧与习得模型偏差很大，说明图像的相应部分很可能不属于有界区域的部分。在边界假设确实表示实际边界的理想情况下，内侧的图像部分应该与习得模型很好地吻合，而外侧的图像部分可能表现出与习得模型不同的统计特征。相应地，该边界假设内侧的差异度量应小，而外侧的差异量度应大。因此，边界假设的评估产生了每个边界假设的两个差异度量。

在一些实施例中，步骤606中的边界假设的评估可以使用沿着边界假设的图像部分以及边界假设的两侧的图像部分。结果是，评估产生了每个边界假设的三个差异度量。这三项度量可分别称为中心差异，内侧差异和外侧差异。

在步骤608中，确定预测边界部分。例如，最可能是实际边界的边界假设被确定为预测边界。在一些实施例中，当沿着边界假设的图像部分用于步骤606的评估时，会比较边界假设的差异度量，并将产生最大差异度量的边界假设确定为预测边界。图9是显示获取图像已经经过分析识别图像中的搜索区域，边界假设和识别的预测边界部分的示例图。如图9的示例所示，所确定的预测边界部分是最接近实际边界的边界假设。此外，还可以基于最大差异度量来提供置信水平的度量。例如，差异度量越大，置信水平的度量越高。小于预定阈值的置信水平可能表示基于获取图像的边界检测失败，并且如果置信水平小于预定阈值，可能无法确定预测边界部分。然后检测过程将继续，在下一个步骤循环可能成功确定预测边界部分。

对于在步骤606中评估时使用边界假设两侧的图像部分的实施例，每个边界假设可能有两个相关的差异度量：内侧差异和外侧差异。在一些实施例中，内侧差异按照升序进行排序并将最小的内侧差异排在第一位，而外侧差异按降序排序并将最大外侧差异排在第一位。当边界假设中的内侧差异和外侧差异都排在第一位时，那么该边界假设被确定为预测边界。换句话说，该边界假设的内侧上的图像部分最符合习得模型，并且外侧上的图像部分最偏离习得模型。这表明该边界假设的内侧最可能在有界区域内，而外侧最可能在有界区域之外。在具有第一位内侧差异度量的边界假设不是具有第一位外侧差异度量的边界假设的情况下，可以为每个边界假设计算两个排名的总和，并且将具有最小总和的边界假设确定为预测边界。

在替代实施例中，两个差异度量之间的差值用于确定预测边界。对于每个边界假设，计算两个差异度量之间的差值;然后对此差值进行排序，并将具有最大差值的边界假设确定为预测边界。

在另一实施例中，沿边界假设的图像的部分和边界假设两侧的图像的部分（不包括沿着边界假设的图像的部分）用于边界假设的评估，每个边界假设都与三个差异度量有关。每个差异度量可以按中心差异（沿边界假设）按降序排序，内侧差异按升序排序，外侧差异按降序排序。每个边界假设的三个排位的总和可以按升序排序。具有三个排名总和最小的边界假设可以被确定为预测边界。此外，可以基于该边界假设的差异度量来计算置信水平的度量。

在步骤610中，所确定的预测边界部分可供使用。例如，所确定的预测边界在飞行器的飞行期间可用于更新飞行器的飞行路线。在一些实施例中，所确定的预测边界的准备工作包括将所确定的预测边界的位置坐标（例如，定义所确定的预测边界部分的候选点）从图像中的2D坐标转换为与飞行器相关的3D坐标（例如，位置坐标）。该步骤可包括执行步骤602的逆向操作，即在飞行器操作过程中将图像坐标投射回位置坐标以供使用。然后，边界识别模块308可以将准备好的所确定的预测边界部分输出到边界估计模块310。在一些实施例中，还提供了所确定的预测边界的置信水平的相关度量。

如结合图3所述，在从边界识别模块308接收到所确定的预测边界时，边界估计模块310可以将所确定的预测边界与预期边界位置进行结合，以导出实际边界位置的修正估计（例如，更新的预期边界位置）。边界估计模块310还将更新的边界位置估计转发到路线管理模块312以进行动态路线调整，使得飞行器将达到但不超过更新的预期边界位置，以提高喷洒肥料/农药的准确性和覆盖范围。

图10是显示边界估计过程的实施例的流程图。图10的过程可以在图1的机载系统104和/或图3的处理器314上至少部分地实施。在每个飞行路线段（例如，从航点Pi到其下一个航点Pi + 1的路线段）的开始阶段，边界估计根据路线管理模块312提供的边界信息进行预设。边界信息可以由覆盖有界区域的多边形的顶点以绝对位置坐标（例如，地球固定坐标，例如经度，纬度和高度）或相对位置坐标（例如，相对于参考点的局部位置坐标，例如北-东-地）来定义。在一些实施例中，如果以绝对坐标提供边界信息，则将其转换为北-东-地的局部坐标，并且使用这些局部坐标来进行边界估计。路线管理模块可以将定义有界区域的多边形从绝对位置坐标转换为局部坐标，而该模块以局部坐标提供边界信息。

在步骤1002中，确定预期边界。例如，如果适用，预期边界的位置相对于飞行器的当前位置进行转换。例如，位置传感器304包含一GPS，该GPS以经度、纬度和高度为地理坐标测量飞行器的当前位置。预期边界与一个或多个连续的直线段相关联，每个直线段由在局部位置坐标中用Vi和Vi+1表示的两个端点定义。转换预期边界可以包括将飞行器的当前位置从地理坐标转换为对应的局部位置坐标，并且通过结合飞行器的姿态（例如偏航角，俯仰角和侧倾角）将预期边界转换为飞行器固定坐标（例如，飞行器固定坐标XYZ，X代表飞行器的纵向，Y代表飞行器的横向，Z代表垂直于飞行器XY平面的方向）。在以绝对地理坐标定义预期边界的实施例中，通过首先将边界端点Vi从地理坐标转换为以飞行器位置为基准（即坐标原点）的局部坐标（即北-东-地），然后将其转换为飞行器固定坐标，可以计算出飞行器当前位置的预期边界。在一些实施例中，然后将转换的预期边界发送到边界识别模块308，边界识别模块308将相应地执行学习过程或检测过程，如图4所述。

在步骤1004中，确定是否已经接收到所确定的预测边界。在一些实施例中，使用图6的过程确定预测边界。例如，边界估计模块310检查边界识别模块308是否发出已确定的边界；如果没有，边界估计模块310将退出而不更新估计的边界;否则，它将继续步骤1006以整合所确定的预测边界。在一些实施例中，由于所确定的预测边界是相对于飞行器指定的（例如，在飞行器固定坐标中），边界估计模块首先将已确定的预测边界从飞行器固定坐标转换为局部位置坐标。在转换之后，确定的边界和估计的边界都在同一局部位置坐标中，并且它们表示在局部位置坐标中固定（不变）的相同实际边界位置。如果描绘有界区域轮廓的多边形中没有错误，则位置传感器304，或边界标识，确定的边界和估计的边界应该是相同的。

在步骤1006中，更新预期边界。使用确定的预测边界更新预期边界。例如，预期边界与确定的预测边界相平均。换句话说，边界段的每个端点的位置是预期边界中的相应端点和所确定的预测边界的端点的平均值。在一些实施例中，利用遗忘因子来实现快速或缓慢收敛。例如，预期边界可以表示为（x，y，z）形式的一组3D坐标值，其中每个3D坐标值（x，y，z）表示定义边界线段的端点（或顶点）的位置。基于遗忘因子的整合通过以下公式为每个端点生成新的（x，y，z）：

x(k+1) = λ*x(k) + (1- λ)*x_identified(k);

y(k+1) = λ*y(k) + (1- λ)*y_identified(k);

z(k+1) = λ*z(k) + (1- λ)*z_identified(k);

其中(x(k+1), y(k+1), z(k+1))是预期边界中端点的新位置，(x(k), y(k), z(k))是整合之前的端点的位置，而(x_identified(k), y_identified(k), z_identified(k))是所确定的预测边界中的对应端点的位置。遗忘因子λ在0和1之间，并且λ越小，预期边界越快接近所确定的预测边界。也可以使用多个遗忘因子，在边界估计的早期阶段使用较小的遗忘因子，以便预期边界在开始阶段快速赶上所确定的预测边界，而边界估计后期阶段使用较大的遗忘因子，以降低对近期识别的敏感性。

在一些实施例中，应用卡尔曼滤波器以利用预期边界的不确定度和所确定的预测边界的置信度。边界的每个端点的（x，y，z）坐标构成卡尔曼滤波器状态X，并且预期边界是该状态的估计值。所确定的预测边界表示卡尔曼滤波器输出Y的测量值。因此，用于边界估计的卡尔曼滤波器模型可表示为

其中是过程噪音，是观测噪音。协方差矩阵Q初始化作为边界信息的不确定度（即估计边界的初始值），并且协方差矩阵R（k）反映了所确定的预测边界的置信度。置信度越高，协方差矩阵R（k）越小。通过卡尔曼滤波器的系统模型和上述协方差矩阵Q和R（k），可以应用标准卡尔曼滤波器方程来计算卡尔曼滤波器增益并更新状态估计（即，更新的预期边界）以及其相关的误差协方差矩阵P（k）。

在步骤1008中，输出更新的预期边界。例如，在步骤1006中更新预期边界之后，边界估计过程1000还在步骤1008中将更新的预期边界输出到路线管理模块312。在一些实施例中，预期边界的协方差矩阵也在步骤1006中更新，并且也在步骤1008中发送到路线管理模块312。在一些实施例中，边界估计过程1000检查预期边界的协方差是否足够小（例如，小于预定阈值）并且只有协方差小才输出预期边界。边界估计过程1000在步骤1008之后退出，并且更新的预期边界及其协方差将在下一循环中使用以在步骤1002中确定预期边界。这也将为边界识别模块308提供预期边界的更准确位置。

在从边界估计模块310接收到更新的预期边界时，路线管理模块312可以更新飞行路线，使得飞行路线将覆盖/到达预期边界但不超过预期边界。

图11A-11B是显示在飞行器的有界区域的边界附近的飞行路线的示例图。图11A显示原始飞行路线1102和原始初始指定的边界1104和1106。原始飞行路线1102由边界上的航点P1，P2，P3，P4，P5和P6组成。当飞行器沿着由P1和P2限定的飞行段从P1行进到P2时，边界识别模块308可以执行学习过程以首先建立地块内部的视觉特性的统计模型。当飞行器接近初始设定的预期边界1106时，边界识别模块308执行检测过程以识别实际边界的预测。边界估计模块310可以结合所确定的预测边界以更新预期边界从而更好地估计实际边界的位置。图11B显示更新的预期边界1108。根据更新的预期边界，路线管理模块312调整受先前预期边界1106和新更新预期边界1108之间的差异影响的航点。在此特定示例中，受影响的航点是P2和P3。因此，路线管理模块312根据更新的预期边界1108自动调整P2和P3，以获得新的航点P2_New和P3_New。在一些实施例中，会识别出新的更新后的预期边界1108和与受影响的航点相关联的航段的航线（例如，非线段）之间的拦截点。然后将这些拦截点设置为新的航点。然后，飞行器按照新的飞行路线1110行进。

之后，路线管理模块312可以将新的航点（即，包括在更新的飞行路线中的点）提供给飞行器的导航模块，使得飞行器可以按照P1，P2_New，P3_New和P4而不是按照P1，P2，P3和P4的原始路线飞行。因此，飞行器自动且更准确地到达实际的边界位置而不超过边界，并且肥料/农药喷洒覆盖整个区域而不会溢出到地块以外的区域。

图11A和11B中所示的边界是飞行器在行进方向可能会越过的边界（例如，飞行器行进朝向的边界）。此类边界可以称为末端边界。飞行器可以沿着边界飞行，并且此类边界可以被称为侧向边界。以图2所示的示例地块为例，当飞行器沿着由顶点V1和V2设定的边界平行的飞行路线行进时，该边界可被识别为侧向边界。由路线管理模块312确定边界对于飞行段来说是末端边界或者侧向边界，由此作为待识别边界的属性。当飞行器沿侧向边界飞行时，飞行器的摄像机所获取的图像中可能始终有侧向边界。因此，并非图像中的所有部分都可用于边界内区域的学习特征，并且使用测量离边界的距离的方式不适用于激活学习过程或检测过程的决定。

在一些实施例中，通过检查相关联的航段与边界之间的关系（例如，行进方向与边界方向对比），确定图像中的边界是末端边界还是侧向边界作为待识别的边界的属性。例如，如果当前飞行路线段与边界相邻并且基本上平行于边界，则当飞行器按照该相应的航段行进时，该边界被识别为侧向边界。如果当前飞行路线段与边界相交并且飞行方向朝向边界，则当飞行器按照该相应的航段行进时，该边界被识别为末端边界。边界估计模块310还将该边界属性连同预期边界的位置一起提供给边界识别模块308。边界识别模块308可以结合该边界属性以相应地识别边界。

图12是显示根据检测到的边界类型而执行学习和检测边界的过程的实施例的流程图。图12的过程可以在图1的机载系统104和/或图3的处理器314上至少部分地实施。例如，边界识别模块308识别两种类型的边界：侧向边界和末端边界。在一些方面，识别过程1200类似于图4中所示的识别过程400。例如，步骤1202和1204对应于步骤402和404。

在1202处，接收到预期边界信息。例如，接收描述有界飞行/应用区域的多边形轮廓的顶点的地理坐标（例如，从边界估计模块310接收）。例如，用户通过显示卫星地图图像的触摸屏（例如，移动站102的触摸屏）上的触摸操作，在地块的空中卫星地图图像上输入指定飞行器喷洒化学品的地块的轮廓，其中触摸输入的位置对应于多边形顶点的位置，其描绘了地块初始的预期边界的轮廓。在该示例中接收到与这些触摸输入提供的位置相对应的地理坐标。在一些实施例中，预期边界位置信息包括关于描绘有界飞行/应用区域轮廓的多边形边缘的位置信息。在一些实施例中，预期边界位置信息至少部分地在过程1200的先前迭代期间进行更新（例如，在先前飞行期间更新）。例如，在边界检测过程1214中更新预期的边界位置信息。

在步骤1204中，获得图像。例如，当飞行器在飞行中时，成像装置302持续地获取图像，并且接收由成像装置302获取的图像。

在步骤1206中，确定在图像中获取的边界（如果有的话）的边界属性是末端边界还是侧向边界。如果边界是侧向边界，则过程继续执行到步骤1208，在步骤1208中确定学习过程是否已经完成。如果学习过程没有完成，则过程继续执行到步骤1212以执行学习过程（例如，建立地块的统计模型）。一旦学习过程完成，将设置一个标志以指示学习过程已完成。如果在步骤1208中确定学习过程已经完成，则过程继续执行到步骤1214以执行检测过程。如果边界是末端边界，则过程1200从1206执行到1210以确定飞行器是否在距边界的阈值距离内（例如，确定飞行器是否远离边界或正在接近边界，如图4中的步骤406所述）。如果飞行器距离边界大于阈值距离，过程1200继续执行到1212以执行学习过程; 否则，继续执行到1214以执行检测过程。

步骤1212中学习过程的示例结合图5A,5B和5C中的示例一起详细描述。然而，当边界被识别为侧向边界时，学习过程所获得的图像不仅包含有界区域内的区域（例如，地块的图像），还包含边界以及边界之外的区域。学习过程识别与有界区域内的区域相对应的区域，并且仅使用有界区域内的图像部分来构建有界区域的模型。例如，图13是显示学习过程如何识别作物区域的示例图。因此，当边界被识别为侧向边界时，执行学习过程可以包括附加步骤以识别所获取的图像的与有界区域内的区域相对应的部分（例如，当边界是末端边界时，有界区域内的区域是整个图像区域）。

学习过程首先将预期的边界位置从边界估计模块310投影到图像上。在一些实施例中，预期边界位置的不确定度也被投影到图像上。如图13所示，圆圈区域1304是投影预期边界1302周围的所投影的不确定度。实际边界是线1310。因此，不确定区域1304和投影的预期边界1302可用于生成边界区域的边界1306，边界区域包括投影的不确定区域，预期边界的位置和位于预期边界位置外侧的区域。在该示例的学习过程中不包括该边界区域中的图像部分。远离该边界区域的区域被识别为作物区域1308，然后学习过程使用作物区域1308中的图像部分的特征来构建有界区域的统计模型。一旦建立了具有预定置信水平的统计模型，就完成了边界的学习过程。

在一些实施例中，图12中的检测过程1214是图6的过程中的一个或多个步骤。例如，将预期边界位置投影到图像上并生成边界假设。图14是显示搜索区域和边界假设的示例图。执行检测过程1214可以包括使用习得模型评估边界假设，确定边界，以及在将确定的边界输出到边界估计模块310之前将其转换回飞行器固定坐标。然后，边界估计模块310可以使用图10中所示的过程对所确定的边界进行整合以提供更准确的边界估计值，并且路线管理模块312可以进一步更新飞行路线以使飞行器保持在侧向边界内但靠近侧向边界，以实现对有界区域的更准确和全面的覆盖。

在所述的实施例中，边界识别模块308在每个循环中执行学习过程或检测过程。在一些实施例中，（例如，特别是当待识别的边界是侧向边界时），识别模块308可以在一个循环中执行学习过程和检测过程。也就是说，在学习完成之后，边界识别过程仍然继续进行到步骤1212以执行学习过程，然后进行到步骤1214以使用习得模型进行检测。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。