CN110646574B - 基于无人船的水质电导率自主检测系统及方法 - Google Patents

Abstract

本发明提供了一种基于无人船的水质电导率自主检测系统及方法，包括设于无人船上的导航定位模块、水质电导率检测模块和控制模块，导航定位模块包括视觉识别单元及GPS单元，视觉识别单元实时拍摄无人船航行路径上的图像，GPS单元实时对无人船进行定位；水质电导率检测模块包括电导率检测仪及自动升降单元，自动升降单元将所述电导率检测仪释放到设定水域的设定深度；控制模块接收视觉识别单元和GPS单元获取的数据并对所述无人船进行导向，以及接收所述电导率检测仪获取的检测结果并上传至一远程监控系统中。本发明具有劳动强度低、时效性快、水质电导率定深检测精度高、自主性强等优点，能够实现水质电导率的实时在线监测。

Description

基于无人船的水质电导率自主检测系统及方法

技术领域

本发明涉及水质检测技术领域，尤其涉及一种基于无人船的水质电导率自主检测系统及方法。

背景技术

水作为人类生存的必要资源，是人类发展的基本保障。然而，受人类活动的影响，水污染变得日益严重，不仅危害着人类的生存，也对相关的水资源产业造成了影响。为了有效避免水污染对人民生活与经济发展造成的损失和伤害，需要进行实时地水质监测。因为水中存在处于离子状态并可以导电的矿物质，所以可以通过水的电导率值反映出被测溶液的杂质含量：即电导率值越高，导电性越好，杂质越多，水质越不好。目前，河、湖水域的水质电导率检测主要采用人工抽样检测的方式，即检测人员乘坐船只到达待检测水域提取样本，拿到实验室进行化验检测，这种检测方法效率很低，并且由于不同水层的水质电导率值存在差异，因此还需要定深下放水质电导率检测仪以实现不同水层水质电导率的检测，但目前主要采用人工下放采样的方式，定深下放精度也很低。

发明内容

本发明的目的在于提供一种基于无人船的水质电导率自主检测系统及方法，其具备自主航行、自主定深下放检测仪和自主实时检测的功能，能够提高地下水电导率检测的实时性

为了达到上述目的，本发明提供了一种基于无人船的水质电导率自主检测系统，包括行走于一设定水域上的无人船及设于所述无人船上的：

导航定位模块，包括视觉识别单元及GPS单元，所述视觉识别单元实时拍摄所述无人船航行路径上的图像，所述GPS单元实时对所述无人船进行定位；

水质电导率检测模块，包括电导率检测仪及自动升降单元，所述自动升降单元与所述电导率检测仪连接，用于将所述电导率检测仪释放到所述设定水域的设定深度；

控制模块，用于接收所述视觉识别单元和所述GPS单元获取的数据并对所述无人船进行导向，以及接收所述电导率检测仪获取的检测结果并上传至一远程监控系统中。

可选的，所述电导率检测仪包括检测仪壳体及设置于所述检测仪壳体内的微处理器、温度传感器、内置固定隔板、镂空透盖、深度压力传感器和水质电导率传感器，所述微处理器与所述控制模块、温度传感器、深度压力传感器和水质电导率传感器信号连接，所述镂空透盖与所述检测仪壳体相扣合形成一腔体，所述内置固定隔板具有多个孔洞，且所述内置固定隔板将所述腔体分为相互独立的第一部分和第二部分，其中：

所述镂空透盖位于第一部分，用于向所述第一部分提供检测介质；

所述微处理器、温度传感器、深度压力传感器及水质电导率传感器位于所述第二部分，所述温度传感器、深度压力传感器及水质电导率传感器的头部分别通过一个所述孔洞伸入所述第一部分中，以对所述检测介质进行检测。

可选的，所述自动升降单元包括步进电机及与所述步进电机连接的绞盘，所述绞盘中的线缆与所述电导率检测仪连接，所述步进电机驱动所述绞盘旋转以将所述电导率检测仪释放到所述设定水域的设定深度。

本发明还提供了一种利用所述的基于无人船的水质电导率自主检测系统执行水质电导率检测的方法，包括：

建立水面物体识别的卷积神经网络模型和定深控制模型，并应用在所述基于无人船的水质电导率自主检测系统中；

无人船行走于设定水域上，视觉识别单元实时拍摄所述无人船航行路径上的图像，GPS单元实时对所述无人船进行定位，所述控制模块根据所述视觉识别单元及所述GPS单元获取的数据进行模糊推理粒子滤波，并利用滤波后的数据执行导航定位；

所述视觉识别单元根据所述卷积神经网络模型识别障碍物，所述控制模块根据所述视觉识别单元获取的数据计算出障碍物与船头的夹角，以控制所述无人船的方向；

自动升降单元根据所述定深控制模型定深投放电导率检测仪，以实现不同深度的水质电导率检测。

可选的，基于约减VGG-F网络模型对卷积网络模型进行训练和测试，以得到水面物体识别的卷积神经网络模型，步骤如下：

采集不同时间段、不同天气状况下的水面物体的图像并进行分类和编码，以搭建训练集和测试集；

利用Retinex增强处理对采集到的图像的R、G、B三个通道分别进行处理；

选取VGG-F网络模型作为迁移学习的对象，并迁移学习预训练卷积网络模型；

将VGG-F网络模型中的‘Conv4’卷积层和‘Relu4’激活层省略，为学习率设定初值，在学习过程中所述学习率随迭代次数的增加而降低，公式如下：

式中，LOSS表示损失函数，LR表示学习率，j表示迭代次数；

利用DagNN包装器取代SimpleNN包装器，以得到改进后的卷积网络模型；

将训练集代入改进后的卷积网络模型中，期间采用随机梯度下降法调整网络权值和偏置，直到目标函数值完全收敛，得到训练好的卷积网络模型；

将测试集代入训练好的卷积网络模型，期间采用随机梯度下降法调整网络权值和偏置，直到目标函数值完全收敛，得到训练好的卷积网络模型，再将测试集代入训练好的卷积网络模型，以验证识别率是否达到预期值，若是，将训练好的卷积网络模型作为水面物体识别的卷积神经网络模型；否则，对卷积网络模型继续训练直到识别率达到预期值。

可选的，所述视觉识别单元根据所述卷积神经网络模型识别障碍物的步骤包括：

利用Retinex增强对所述视觉识别单元拍摄到的图像的R、G、B三个通道分别进行处理；

对处理后的图像进行区域分割，提取出障碍物，并获取障碍物的位置和尺寸。

可选的，所述模糊推理粒子滤波包括如下步骤：

初始化粒子滤波参数：

取时间t＝0，从先验概率p(x₀)产生粒子集

i为粒子数目，且 i＝1,2,...,Nt，粒子权值为

根据模糊推理法求得减缓衰减因子α的值；

执行重要性采样：

取q(x_0:t|z_1:t)为重要性密度函数来进行采样得到粒子

其集合为

z为量测值；

按照如下公式计算权重w：

按照如下公式归一化权重：

按照如下公式计算状态估计值：

进行基于欧氏距离的自适应选取粒子：

初始化参数，设置集合S_t＝{1,2,...,Nt},集合

按照如下公式计算信息代价函数ξ_t(N_t)：

其中，p_Nt为观测噪声v_t的协方差矩阵，用S_t中的粒子估计状态变量

N_t为在估计

时所用的粒子数，h为观测函数；

通过信息代价函数式判断淘汰粒子：

设状态变量x是d×1维状态变量，将

其中，d＝1,2,...,n_x；

计算第i个粒子与其相邻的第i+1个粒子的欧氏距离，r为预先设定的阈值距离，其中每一个粒子对应一个权值

当满足

如果

保留粒子

舍弃粒子

反之保留

舍弃

若不满足，两个粒子都保留；

淘汰粒子构成集合K_t，剩下的粒子构成S_t＝{1,2,......,Nt}/K_t，设n_s为S_t中的最大值；

计算用S_t中粒子求取状态变量x的估计值：

按照如下公式根据n_s计算信息误差代价函数：

设定一个阈值β来评定可接受的信息误差，选择N_t+1：

如果满足ξ_t(n)＞β，N_t+1从(N_t,N_max)中随机选取；反之从使ξ_t(n)取最小值的n 集合中选取，如果N_t+1＜N_min，则N_t+1＝N_min；

进行重采样：

根据归一化权值

对粒子

进行复制和淘汰，重新设置

可选的，根据步进电机所发的脉冲和深度压力传感器获取的数据进行模糊推理粒子滤波处理，以得到定深控制模型，步骤如下：

所述步进电机带动绞盘旋转，根据设定的检测深度在不同的检查点释放所述电导率检测仪；

所述深度传感器实时获取所述电导率检测仪所处水深的压强；

根据所述步进电机所发的脉冲和深度压力传感器获取的数据进行模糊推理粒子滤波处理，以得到定深控制模型。

可选的，利用电导率检测仪中的温度传感器获取的温度数据对水质电导率传感器获取的电导率数据进行修正，步骤如下：

获取电导校正系数C_x和校正电导率常数K；

根据如下公式得到标准温度下的水质电导率测量值γ'：

其中，K＝K₀(1-aT)，K₀为0℃下电导池常数；a为制作电导池所用玻璃的线性膨胀系数，T为溶液的温度，γ为电导率的测量值，α、β为电导温度常数。

本发明具有如下有益效果：

1)通过使用无人船搭载水质电导率检测模块到设定水域进行电导率检测，具有劳动强度低、时效性快、水质电导率定深检测精度高、自主性强等优点，能够实现水质电导率的实时在线监测；

2)运用改进的约减VGG-F网络模型的视觉识别方法，得到适用于水面物体识别的卷积神经网络模型，可以更加有效地识别和分割水面障碍物，识别速度快、避障性能好；

3)利用GPS-视觉组合导航的模糊推理粒子滤波算法，可以充分利用GPS 导航与视觉导航互补的特点，提高系统定位的精度和可靠性；

4)提出了一种定深控制策略，能够在合理的误差范围内实现精确定深，满足对不同深度水质电导率检测的要求，提高了水质电导率检测的立体化。

5)提出了一种水质电导率检测改进方法，由于设定水域的浓度和温度不同，电导率常数会发生变化，因此增加了对电导率常数的校正，提高了水质电导率检测的精度。

附图说明

图1为本发明实施例提供的基于无人船的水质电导率自主检测系统的结构框图；

图2为本发明实施例提供的基于无人船的水质电导率自主检测系统的结构示意图；

图3为本发明实施例提供的基于无人船的水质电导率自主检测系统的电导率检测仪的结构示意图；

图4为本发明实施例提供的基于约减VGG-F网络模型的视觉识别方法流程图；

图5为本发明实施例提供的电导率探测仪定深下放回收控制流程图；

图6为本发明实施例提供的GPS-视觉组合定位方案图；

图7为本发明实施例提供的识别避障方法实施流程图；

其中，1-无人船；2-控制模块；3-导航定位模块；4-GPS单元；5-视觉识别单元；6-水质电导率检测模块；7-电导率检测仪；8-自动升降单元；9-远程监控系统；10-微处理器；11-温度传感器；12-内置固定隔板；13-镂空透盖；14-深度压力传感器；15-水质电导率传感器；16-检测仪壳体。

具体实施方式

下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

如图1-图2所示，本实施例提供了一种基于无人船的水质电导率自主检测系统，包括行走于一设定水域上的无人船1及设于所述无人船1上的：

导航定位模块3，包括视觉识别单元5及GPS单元4，所述视觉识别单元5 实时拍摄所述无人船1航行路径上的图像，所述GPS单元4实时对所述无人船 1进行定位；

水质电导率检测模块6，包括电导率检测仪7及自动升降单元8，所述自动升降单元8与所述电导率检测仪7连接，用于将所述电导率检测仪7释放到所述设定水域的设定深度；

控制模块2，用于接收所述视觉识别单元5和所述GPS单元4获取的数据并对所述无人船1进行导向，以及接收所述电导率检测仪7获取的检测结果并上传至一远程监控系统9中。

具体的，所述无人船1为无人船，所述导航定位模块3、水质电导率检测模块6及控制模块2搭载在所述无人船1上，所述导航定位模块3用于整个无人船1的导航定位，所述水质电导率检测模块6用于对设定水域的设定深度的水质执行检测，所述控制模块2用于控制所述导航定位模块3及水质电导率检测模块6。所述控制模块2及所述远程监控系统9通过无线网络连接，所述控制模块2可以实时向所述远程监控系统9传输数据。

进一步，如图3所示，所述电导率检测仪7包括检测仪壳体16及设置于所述检测仪壳体16内的微处理器10、温度传感器11、内置固定隔板12、镂空透盖13、深度压力传感器14和水质电导率传感器15。所述微处理器10温度信号输入端与所述控制模块2、温度传感器11、深度压力传感器14和水质电导率传感器15信号输出端连接，所述微处理器10的信号输出端通过导线从所述检测仪壳体16尾部小孔引出，并与所述控制模块2相连。所述镂空透盖13与所述检测仪壳体16相扣合形成一腔体，所述内置固定隔板12具有多个孔洞，且所述内置固定隔板12将所述腔体分为相互独立的第一部分和第二部分，其中：所述镂空透盖13位于第一部分，用于向所述第一部分提供检测介质；所述微处理器10、温度传感器11、深度压力传感器14及水质电导率传感器15位于所述第二部分，所述温度传感器11、深度压力传感器14及水质电导率传感器15的头部分别通过一个所述孔洞伸入所述第一部分中，检测介质(例如水)从所述镂空透盖13进入所述第一部分中，所述温度传感器11、深度压力传感器14及水质电导率传感器15分别检测所述检测介质的温度、压力及电导率。

本实施例中，所述内置固定隔板12周向设置有外螺纹，所述检测仪壳体16 内壁上设置有内螺纹，所述内置固定隔板12的外螺纹与所述检测仪壳体16的内螺纹相配合以使所述内置固定隔板12与所述检测仪壳体16螺纹连接。所述镂空透盖13端部的内壁上设置有内螺纹，所述检测仪壳体16端部的外壁上设置有外螺纹，所述镂空透盖13端部的内螺纹与所述检测仪壳体16端部的外螺纹相配合以使所述镂空透盖13与所述检测仪壳体16螺纹连接。应理解，所述内置固定隔板12和所述检测仪壳体16以及所述镂空透盖13和所述检测仪壳体16不限于螺纹连接，还可以有其他的连接方式，本发明不作限制。

进一步，所述自动升降单元8包括步进电机及与所述步进电机连接的绞盘，所述绞盘中的线缆与所述电导率检测仪7连接，所述步进电机驱动所述绞盘正向旋转以将所述电导率检测仪7释放到所述设定水域的设定深度，所述步进电机驱动所述绞盘反向旋转时，可以将所述电导率检测仪7从所述设定水域收回。

基于此，本实施例还提供了一种利用所述基于无人船的水质电导率自主检测系统执行水质电导率检测的方法，包括：

步骤S1：建立水面物体识别的卷积神经网络模型和定深控制模型，并应用在所述基于无人船的水质电导率自主检测系统中；

步骤S2：无人船行走于设定水域上，视觉识别单元实时拍摄所述无人船航行路径上的图像，GPS单元实时对所述无人船进行定位，所述控制模块根据所述视觉识别单元及所述GPS单元获取的数据进行模糊推理粒子滤波，并利用滤波后的数据执行导航定位；

步骤S3：所述视觉识别单元根据所述卷积神经网络模型识别障碍物，所述控制模块根据所述视觉识别单元获取的数据计算出障碍物与船头的夹角，以控制所述无人船的方向；

步骤S4：自动升降单元根据所述定深控制模型定深投放电导率检测仪，以实现不同深度的水质电导率检测。

具体的，如图4所示，执行步骤S1，基于约减VGG-F网络模型对卷积网络模型进行训练和测试，以得到水面物体识别的卷积神经网络模型，步骤如下：

步骤S101：训练集和测试集的搭建。

为保证训练集和测试集的完整性，搜集到的有关水面物体的图像主要应该包括以下几类：例如浮萍和芦苇等水生植物、水黾和鸟类等动物、塑料瓶和包装袋等水面垃圾、以及水中土丘等物体。考虑到采集的水面物体的图像容易受到光照和雨雾等自然因素的影响，对于上述的水面物体的图像应该在早中晚、阴晴雨等不同时间段和不同天气状况下进行采集。最后对采集到的水面物体的图像进行分类和编码，以搭建训练集和测试集。

S102：图像预处理操作。

为了使图像中待识别的目标物体与背景有明显的区别，尤其为了降低雨雾等因素的干扰，利用Retinex增强处理对采集到水面物体的图像(RGB图像)的 R、G、B三层通道分别进行处理，最后再整合到新的图像。

S103：迁移学习预训练网络模型。

选取网络结构大小适中，分类性能较好的VGG-F网络模型作为迁移学习的对象，并迁移学习预训练卷积网络模型，以此降低网络训练成本，同时也获得较好的网络分类效果。

S104：网络结构约减。

将VGG-F网络模型中的‘Conv4’卷积层和‘Relu4’激活层省略，虽然 VGG-F网络的特征提取性能会有所降低，但是可以通过后续步骤予以补偿，更为重要的是通过约减网络结构，可以较好地降低内存使用量和网络训练的时间。

S105：学习率动态调整

首先为学习率设定一个初值，在训练过程中，虽然较大的学习率比较小的学习率具有更高的收敛速率，但是大学习率容易造成损失函数的震荡，且随着迭代次数的增加拟合精度大幅降低。因此卷积网络模型训练初始时学习率设置为较大值，然后随着迭代次数增加而逐渐降低。如下式所示：

式中，LOSS表示损失函数，LR表示学习率，j表示迭代次数。

S106：DagNN包装器取代SimpleNN包装器。

DagNN包装器它是面向对象的，允许使用有向无环图(DAG)拓扑构建网络，因此，相比于SimpleNN包装器更加灵活且易于扩展，因而更加适用于具有种类繁杂和数量庞大特点的水面物体的图像训练集和测试集，由此，可以得到改进后的卷积网络模型；

S107：网络训练与测试

将训练集代入改进后的卷积网络模型中进行再次训练，期间采用随机梯度下降法调整网络权值和偏置，直到目标函数值完全收敛，得到训练好的卷积网络模型，再将测试集代入训练好的卷积网络模型，验证识别率是否达到预期值，若是，便可以将训练好的网络模型作为水面物体识别的卷积神经网络模型投入使用；否则，对训练好的卷积网络模型继续训练直到符合要求为止。此时网络参数训练完毕，得到适用于水面物体识别的卷积神经网络模型，可以提升水面物体视觉识别的性能。在得到适用于水面物体识别的卷积神经网络模型后，开始应用于水面物体识别并进行避障。

如图5所示，接下来，根据步进电机所发的脉冲和深度压力传感器获取的数据进行模糊推理粒子滤波处理，以得到定深控制模型，步骤如下：

S111：步进电机控制电导率检测仪下放

电导率检测仪通过步进电机带动绞盘进行下放，步进电机绞盘每次启动都会回到起始位置，在不同的检测点根据设置的检测深度转动不同的步距角实现定深下放：

其中，N₁表示步进电机转动一周所需脉冲数；L为定深下放长度，1.2°为步进电机的步距角。公式(2)为步进电机旋转一周所需300个脉冲；公式(3)中，N₂为定深下放长度为L时所需的脉冲数，R为绞盘直径。

由公式(3)可得下放长度L为：

S112：深度压力传感器实时反馈深度

通过所述电导率检测仪内部携带的深度压力传感器实时测得所处水深的压强，并将压力信号通过电缆传送给电导率检测仪内部的微处理器，通过压强计算公式计算出电导率检测仪实际所处水深H：

其中，H的单位为m；P为深度压力传感器所测得的压强，单位为Pa；P₀为标准大气压值为101325Pa；ρ为水的密度1kg/m³；g为重力加速度9.8N/kg。

S113：定深控制模型

通过将步进电机所发脉冲与深度压力传感器获取的数据进行模糊推理粒子滤波处理，得到定深控制模型，从而可以提高定深下放精度，定深控制模型处理一个计算周期过程如下：

S1131：定深控制模型方程建立

系统状态方程：

X(k)＝AX(k-1)+W(k-1) (6)

其中，X(k-1)表示k-1时刻状态变量，A表示状态变量之间的增益矩阵。

系统观测方程：

Z(k)＝HX(k)+V(k) (7)

其中，Z(k)表示k时刻观测数据，H表示状态变量与输出信号之间的增益矩阵，V(k)表示测量噪声。

S1132：状态预测：

X_(k,k-1)＝Φ_(k,k-1)X_(k-1,k-1) (8)

S1133：量测更新：

S1134：预测值修正：

X_(k,k)＝X_(k,k-1)+Kg_(k)(Z_(k)-H_(k)Φ_(k,k-1)X_(k,k-1)) (10)

S1135：得出增益矩阵：

S1136：更新协方差矩阵：

P_(k,k)＝(I-Kg_(k)H_(k))P_(k,k-1) (12)

上述公式中，Φ_(k,k-1)为离散化状态转移矩阵，Q_(k-1)为离散化系统过程噪声协方差矩阵，R_(k)为系统离散化观测协方差矩阵；I为单位矩阵，Kg_(k)为增益矩阵。

如图6所示，建立好卷积神经网络模型和定深控制模型之后，执行步骤S2，无人船开始行走于设定水域上，视觉识别单元实时拍摄所述无人船航行路径上的图像，GPS单元实时对所述无人船进行定位，所述控制模块根据所述视觉识别单元及所述GPS单元获取的数据进行模糊推理粒子滤波，并利用滤波后的数据执行导航定位，从而降低定位误差，提高无人船的定位精度。下面给出具体的原理和步骤：

1)模糊推理粒子滤波算法流程

假定动态非线性系统的描述如下：

状态方程：x_t＝f(x_t-1,d_t-1) (13)

量测方程：z_t＝h(x_t,v_t) (14)

其中，x_t为状态值；f(·)为状态函数；z_t为量测值；h(·)为观测函数；d_t-1和 v_t为系统过程噪声和量测噪声。

2)模糊推理粒子滤波方法包括以下步骤：

S21：初始化粒子滤波参数：

取时间t＝0，从先验概率p(x₀)产生粒子集

i为粒子数目，粒子权值为

根据模糊推理法求得减缓衰减因子α的值。

S22：重要性采样，具体过程如下：

S221：取q(x₀:_t|z₁:_t)为重要性密度函数来进行采样得到粒子

其集合为

z为量测值。

S222：计算权重w，其计算方式如下：

其i＝1,2,...,Nt,α为减缓衰竭因子。

S223：归一化权重，其计算方式如下：

其i＝1,2,...,Nt。

S224：计算状态估计值，其计算方式如下：

S23：进行基于欧氏距离的自适应选取粒子，具体过程如下：

S231：初始化参数，设置集合S_t＝{1,2,...,Nt},集合

计算信息代价函数ξ_t(N_t)其计算方式如下：

其中p_Nt为观测噪声v_t的协方差矩阵，用S_t中的粒子估计状态变量

N_t为在估计

时所用的粒子数，h为观测函数。

S232：通过信息代价函数式(18)判断淘汰粒子，具体过程如下：

S2321：设状态变量x是d×1维状态变量，将

其d＝1,2,...,n_x。

S2322：计算第i个粒子与其相邻的第i+1个粒子的欧氏距离，r为预先设定的阈值距离，其中每一个粒子对应一个权值

当满足

如果

保留粒子

舍弃粒子

反之保留

舍弃

若不满足，两个粒子都保留。

S2323：淘汰粒子构成集合K_t，剩下的粒子构成S_t＝{1,2,......,Nt}/K_t，设n_s为 S_t中的最大值。

S2324：计算用S_t中粒子求取状态变量x的估计值，其计算过程如下：

根据n_s计算信息误差代价函数，其计算过程如下：

S233：设定一个阈值β来评定可接受的信息误差，选择N_t+1：

S2331：如果满足ξ_t(n)＞β，N_t+1从(N_t,N_max)中随机选取；反之从使ξ_t(n)取最小值的n集合中选取。

S2332：如果N_t+1＜N_min，则N_t+1＝N_min。

S24：进行重采样：

根据归一化权值

对粒子

进行复制和淘汰，重新设置

3)GPS-视觉组合系统状态方程的建立

GPS-视觉组合定位系统的状态变量为：

X＝[x_e,v_e,a_e,x_n,v_n,a_n]^T (21)

式中：x_e为无人船东向的位置分量、x_n为北向的位置分量；v_e为无人船东向的速度分量、v_n为北向的速度分量；a_e为无人船的东向加速度分量、a_n为无人船的北向加速度分量。

组合定位系统的状态方程为：

X(t+1)＝AX(t)+W(t)+U (22)

设采样周期为T，将系统的连续状态方程离散化，得到离散的系统状态方程为：

X_k＝Φ_k,k-1X_k-1+W_k+U_k (23)

式中：

X_k＝[x_e(k),v_e(k),a_e(k),x_n(k),v_n(k),a_n(k)]^T (24)

Φ_k,k-1＝diag{Φ_e(k,k-1)Φ_n(k,k-1)} (25)

令

则：

3)GPS-视觉组合系统量测方程的建立

将GPS输出的东向位置信息e_x、北向位置信息n_y、角速率ω以及视觉里程计在一个周期内输出的距离s作为观测量。

系统连续的观测方程为：

式中：v₁为东向位置观测噪声、v₂为北向位置观测噪声；ε_ω为陀螺的漂移；ε_s为视觉里程计的观测噪声。

将观测方程离散化后，得到离散的系统观测方程为：

Z_k＝H(x_k)+v_k (29)

式中：

Z_k＝[e_x(k),n_y(k),ω_(k),s_(k)]^T (30)

接下来，如图7所示，执行步骤S3，所述无人船在水质检测巡航过程中，所述视觉识别单元根据所述卷积神经网络模型识别障碍物，具体的，所述视觉识别单元的微处理器会实时处理拍摄到的图像，采用Retinex图像增强算法对图像进行处理，用以降低雨雾等外部因素对视觉识别的干扰；然后微处理器对预处理后的图像进行区域分割，得到水面区域图像，从而提取障碍物。接着获取障碍物的位置、摄像头的分辨率以及拍摄的障碍物实际物理大小，并将数据传送给控制模块。所述控制模块根据所述视觉识别单元获取的数据计算出障碍物与船头的夹角，进而控制方向舵进行调整，以控制所述无人船的方向，实现对障碍物的规避。

接着执行步骤S4，所述无人船到达设定水域后，自动升降单元根据所述定深控制模型定深投放电导率检测仪，以实现不同深度的水质电导率检测。

假如要估算第k时刻电导率检测仪的实际深度值，首先要根据第k-1时刻的深度值来预测k时刻的深度。假定电机下降的状态方差Q＝0.01，第k-1时刻的深度测量值为9.9m，深度压力计方差R＝0.25，探测仪实际下放深度为10.0m，该测量值的偏差是0.1m，即协方差P_(k-1)＝0.1²。

其预计偏差和增益值分别为：

P_(k,k-1)＝P_(k-1)+Q＝0.02；K＝P_(k,k-1)/(P_(k,k-1)+R)＝0.0741；

此时利用k时刻的观测值，得到深度的估计值为：

X_(k)＝9.9+0.0741×(10.5-9.9)＝9.944m。

更新k时刻的偏差P_(k)＝(1-KH)P_(k,k-1)＝0.0186，最后由X(k)＝9.944m和 P(k)＝0.0186继续对下一时刻观测数据Z_(k+1)进行更新和处理，从而估算出最精确的下放深度值。

为了提高电导率检测仪的精度，利用电导率检测仪中的温度传感器获取的温度数据对水质电导率传感器获取的电导率数据进行修正，包括如下步骤：

S41：获取uS～mS或mS～S量程下的增益系数GF：

式中：Y_L、Y_H为参考信号；N_H1、N_L1为将阻值为100Ω精度为1‰的标准电阻接入输入反向通道，获取参考信号时的振幅；若超出uS～mS量程，则N_H2、

N_L2为将阻值为1kΩ精度为1‰的标准电阻接入反向输入通道，获取参考信号时的振幅。

S42：获取系统失调Nos_x：

S43：获取电导校正系数C_x：

S44：电导率计算公式为：

γ＝(N_x-Nos_x)×GF_x (36)

S45：校正电导率常数K：

K＝K₀(1-aT) (37)

其中：K₀为0℃下电导池常数；a为制作电导池所用玻璃的线性膨胀系数；T为溶液的温度，单位℃。

S46：针对采集的液体温度值t和电导率值γ，结合电导率传感器校正后的电导率常数K、电导温度常数α、β和电导校正系数C_x，计算出标准温度(25°)下的水质电导率测量值γ':

S7：由于第二项β(t-25)²的值较小，可以忽略不计，因此电导率与温度关系可近似表示为：

上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。

Claims (8)

1.一种基于无人船的水质电导率自主检测系统，其特征在于，包括行走于一设定水域上的无人船及设于所述无人船上的：

导航定位模块，包括视觉识别单元及GPS单元，所述视觉识别单元实时拍摄所述无人船航行路径上的图像，所述GPS单元实时对所述无人船进行定位；

水质电导率检测模块，包括电导率检测仪及自动升降单元，所述自动升降单元与所述电导率检测仪连接，用于将所述电导率检测仪释放到所述设定水域的设定深度；

控制模块，用于接收所述视觉识别单元和所述GPS单元获取的数据并对所述无人船进行导向，以及接收所述电导率检测仪获取的检测结果并上传至一远程监控系统中；

所述电导率检测仪包括温度传感器及水质电导率传感器，利用电导率检测仪中的温度传感器获取的温度数据对水质电导率传感器获取的电导率数据进行修正，步骤如下：

获取电导校正系数C_x和校正电导率常数K；

根据如下公式得到标准温度下的水质电导率测量值γ'：

其中，K＝K₀(1-aT)，K₀为0℃下电导池常数；a为制作电导池所用玻璃的线性膨胀系数，T为溶液的温度，γ为电导率的测量值，α、β为电导温度常数。

2.如权利要求1所述的基于无人船的水质电导率自主检测系统，其特征在于，所述电导率检测仪还包括检测仪壳体及设置于所述检测仪壳体内的微处理器、内置固定隔板、镂空透盖和深度压力传感器，所述微处理器与所述控制模块、温度传感器、深度压力传感器和水质电导率传感器连接，所述镂空透盖与所述检测仪壳体相扣合形成一腔体，所述内置固定隔板具有多个孔洞，且所述内置固定隔板将所述腔体分为相互独立的第一部分和第二部分，其中：

所述镂空透盖位于第一部分，用于向所述第一部分提供检测介质；

所述微处理器、温度传感器、深度压力传感器及水质电导率传感器位于所述第二部分，所述温度传感器、深度压力传感器及水质电导率传感器的头部分别通过一个所述孔洞伸入所述第一部分中，以对所述检测介质进行检测。

3.如权利要求1所述的基于无人船的水质电导率自主检测系统，其特征在于，所述自动升降单元包括步进电机及与所述步进电机连接的绞盘，所述绞盘中的线缆与所述电导率检测仪连接，所述步进电机驱动所述绞盘旋转以将所述电导率检测仪释放到所述设定水域的设定深度。

4.一种利用如权利要求1-3中任一项所述的基于无人船的水质电导率自主检测系统执行水质电导率检测的方法，其特征在于，包括：

建立水面物体识别的卷积神经网络模型和定深控制模型，并应用在所述基于无人船的水质电导率自主检测系统中；

无人船行走于设定水域上，视觉识别单元实时拍摄所述无人船航行路径上的图像，GPS单元实时对所述无人船进行定位，所述控制模块根据所述视觉识别单元及所述GPS单元获取的数据进行模糊推理粒子滤波，并利用滤波后的数据执行导航定位；

所述视觉识别单元根据所述卷积神经网络模型识别障碍物，所述控制模块根据所述视觉识别单元获取的数据计算出障碍物与船头的夹角，以控制所述无人船的方向；

自动升降单元根据所述定深控制模型定深投放电导率检测仪，以实现不同深度的水质电导率检测；

利用电导率检测仪中的温度传感器获取的温度数据对水质电导率传感器获取的电导率数据进行修正，步骤如下：

获取电导校正系数C_x和校正电导率常数K；

根据如下公式得到标准温度下的水质电导率测量值γ'：

其中，K＝K₀(1-aT)，K₀为0℃下电导池常数；a为制作电导池所用玻璃的线性膨胀系数，T为溶液的温度，γ为电导率的测量值，α、β为电导温度常数。

5.如权利要求4所述的基于无人船的水质电导率自主检测方法，其特征在于，基于约减VGG-F网络模型对卷积网络模型进行训练和测试，以得到水面物体识别的卷积神经网络模型，步骤如下：

采集不同时间段、不同天气状况下的水面物体的图像并进行分类和编码，以搭建训练集和测试集；

利用Retinex增强处理对采集到的图像的R、G、B三个通道分别进行处理；

选取VGG-F网络模型作为迁移学习的对象，并迁移学习预训练卷积网络模型；

将VGG-F网络模型中的‘Conv4’卷积层和‘Relu4’激活层省略，为学习率设定初值，在学习过程中所述学习率随迭代次数的增加而降低，公式如下：

式中，LOSS表示损失函数，LR表示学习率，j表示迭代次数；

利用DagNN包装器取代SimpleNN包装器，以得到改进后的卷积网络模型；

将训练集代入改进后的卷积网络模型中，期间采用随机梯度下降法调整网络权值和偏置，直到目标函数值完全收敛，得到训练好的卷积网络模型；

将测试集代入训练好的卷积网络模型，期间采用随机梯度下降法调整网络权值和偏置，直到目标函数值完全收敛，得到训练好的卷积网络模型，再将测试集代入训练好的卷积网络模型，以验证识别率是否达到预期值，若是，将训练好的卷积网络模型作为水面物体识别的卷积神经网络模型；否则，对卷积网络模型继续训练直到识别率达到预期值。

6.如权利要求5所述的基于无人船的水质电导率自主检测方法，其特征在于，所述视觉识别单元根据所述卷积神经网络模型识别障碍物的步骤包括：

利用Retinex增强对所述视觉识别单元拍摄到的图像的R、G、B三个通道分别进行处理；

对处理后的图像进行区域分割，提取出障碍物，并获取障碍物的位置和尺寸。

7.如权利要求4所述的基于无人船的水质电导率自主检测方法，其特征在于，所述模糊推理粒子滤波包括如下步骤：

初始化粒子滤波参数：

取时间t＝0，从先验概率p(x₀)产生粒子集

i为粒子数目，且i＝1,2,...,Nt，粒子权值为

根据模糊推理法求得减缓衰减因子α的值；

执行重要性采样：

取q(x_0:t|z_1:t)为重要性密度函数来进行采样得到粒子

其集合为

z为量测值；

按照如下公式计算权重w：

按照如下公式归一化权重：

按照如下公式计算状态估计值：

进行基于欧氏距离的自适应选取粒子：

初始化参数，设置集合S_t＝{1,2,...,Nt},集合

按照如下公式计算信息代价函数ξ_t(N_t)：

其中，p_Nt为观测噪声v_t的协方差矩阵，用S_t中的粒子估计状态变量

N_t为在估计

时所用的粒子数，h为观测函数；

通过信息代价函数式判断淘汰粒子：

设状态变量x是d×1维状态变量，将

其中，d＝1,2,...,n_x；

计算第i个粒子与其相邻的第i+1个粒子的欧氏距离，r为预先设定的阈值距离，其中每一个粒子对应一个权值

当满足

如果

保留粒子

舍弃粒子

反之保留

舍弃

若不满足，两个粒子都保留；

淘汰粒子构成集合K_t，剩下的粒子构成S_t＝{1,2,......,Nt}/K_t，设n_s为S_t中的最大值；

计算用S_t中粒子求取状态变量x的估计值：

按照如下公式根据n_s计算信息误差代价函数：

设定一个阈值β来评定可接受的信息误差，选择N_t+1：

如果满足ξ_t(n)＞β，N_t+1从(N_t,N_max)中随机选取；反之从使ξ_t(n)取最小值的n集合中选取，如果N_t+1＜N_min，则N_t+1＝N_min；

进行重采样：

根据归一化权值

对粒子

进行复制和淘汰，重新设置

8.如权利要求4所述的基于无人船的水质电导率自主检测方法，其特征在于，根据步进电机所发的脉冲和深度压力传感器获取的数据进行模糊推理粒子滤波处理，以得到定深控制模型，步骤如下：

所述步进电机带动绞盘旋转，根据设定的检测深度在不同的检查点释放所述电导率检测仪；

所述深度压力传感器实时获取所述电导率检测仪所处水深的压强；

根据所述步进电机所发的脉冲和深度压力传感器获取的数据进行模糊推理粒子滤波处理，以得到定深控制模型。

Images