CN111897350A - 一种水下机器人装置、水下调控管理最优化系统及方法 - Google Patents
一种水下机器人装置、水下调控管理最优化系统及方法 Download PDFInfo
- Publication number
- CN111897350A CN111897350A CN202010740707.1A CN202010740707A CN111897350A CN 111897350 A CN111897350 A CN 111897350A CN 202010740707 A CN202010740707 A CN 202010740707A CN 111897350 A CN111897350 A CN 111897350A
- Authority
- CN
- China
- Prior art keywords
- underwater
- robot
- module
- bait
- radar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 57
- 238000005266 casting Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 238000009360 aquaculture Methods 0.000 claims abstract description 22
- 244000144974 aquaculture Species 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000007726 management method Methods 0.000 claims abstract description 15
- 241000251468 Actinopterygii Species 0.000 claims description 33
- 230000009471 action Effects 0.000 claims description 18
- 239000011435 rock Substances 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 10
- 230000004083 survival effect Effects 0.000 claims description 10
- 235000014653 Carica parviflora Nutrition 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 241000242757 Anthozoa Species 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 7
- 238000009395 breeding Methods 0.000 claims description 5
- 230000001488 breeding effect Effects 0.000 claims description 5
- 241000894007 species Species 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000010391 action planning Effects 0.000 claims description 2
- 238000003064 k means clustering Methods 0.000 claims description 2
- 230000009182 swimming Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims 3
- 239000003086 colorant Substances 0.000 claims 1
- 230000002093 peripheral effect Effects 0.000 claims 1
- 244000005700 microbiome Species 0.000 abstract description 16
- 238000004458 analytical method Methods 0.000 abstract description 9
- 241000894006 Bacteria Species 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 description 8
- 230000003993 interaction Effects 0.000 description 7
- 235000015170 shellfish Nutrition 0.000 description 6
- 241000238557 Decapoda Species 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 5
- 210000000349 chromosome Anatomy 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 241000243321 Cnidaria Species 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 101150084750 1 gene Proteins 0.000 description 1
- 241000238413 Octopus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/04—Control of altitude or depth
- G05D1/06—Rate of change of altitude or depth
- G05D1/0692—Rate of change of altitude or depth specially adapted for under-water vehicles
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K61/00—Culture of aquatic animals
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Environmental Sciences (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Zoology (AREA)
- Marine Sciences & Fisheries (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Processing (AREA)
Abstract
一种水下机器人装置，水下调控管理最优化系统及方法是主系统与水下机器人及其各节点相结合搭建的水下环境数据实时监测，水下场景识别，自主定位导航，投饵捕捞自动化水下机器人设备，用于数据采集，监测，分析，识别，投饵，养殖最优化调控管理平台。利用水下机器人搭载的摄像头，多传感器，GPS，GIS装置，雷达通过水下图像，水下数据智能监测的各项异常指标，分析水质数据，分类识别异常指标。分析水产养殖物数据，有效识别水下生物图像，分类识别养殖物种类，分类异常指标，智能分类识别水下图像，分析细菌，水质异常，对水下生物图像分类，远程控制采集水质，水下微生物样本，雷达实时建图，自主巡回，定位，导航，智能反馈，预警异常和结果，定时‑定量喂饵，水下最优化智能管理系统。
Description
技术领域：
本发明属于人工智能水下机器人设备技术领域，涉及数据分析技术，图像智能识别技术，远端控制技术，雷达实时建图，定位，导航技术，最优化方法等技术与方法。
背景技术：
目前应用于人工智能领域；在监测过程，由于各种人为因素，很难有效识别水下生物图像，养殖物因水质，微生物，细菌出现的疾病死亡等问题。养殖效率低下，水下数据采集难，数据采集不精准，远端监测及控制水下各种情况等问题。造成效率低，费时间，费精力等后果，针对养殖效率低下，数据采集难，数据采集不精准等问题，利用水下机器人搭载的摄像头，多传感器，GPS，GIS，雷达通过水下图像，水下数据智能监测的各项异常指标，有效识别水下生物图像，分析细菌，水质异常，对水下生物图像分类，远程控制采集水质，水下微生物样本，雷达实时建图，自主巡回，定位，导航，分析水质数据，分类识别异常指标。分析水产养殖物数据，分类识别养殖物种类，分类异常指标，智能分类识别水下图像，智能反馈，预警异常和结果，解决智能管理水下系统，最优化定时-定量喂饵等问题。
发明内容：
本发明的目的是提供一种基于人工智能水下机器人数据分析，智能识别，水下自主定位导航，自动化投饵最优化水下管理设备及系统平台。人工智能机器人系统与各数据采集装置等节点相结合搭建的平台水下数据采集分析，识别，投饵，监测，最优化调控平台系统。
利用水下机器人搭载的摄像头，多传感器，GPS，GIS，雷达通过水下图像，水下数据智能监测的各项异常指标，有效识别水下生物图像，分析细菌，水质异常，对水下生物图像分类，远程控制采集水质，水下微生物样本，雷达实时建图，自主巡回，定位，导航，分析水质数据，分类识别异常指标。分析水产养殖物数据，分类识别养殖物种类，分类异常指标，智能分类识别水下图像，智能反馈，预警异常和结果，解决智能管理水下系统，最优化定时-定量喂饵等问题。
本发明的采用的技术方案：
水下机器人数据采集，数据分析，水下图像识别，分类图象，所述水下机器人装置包括：
机器人主系统，所述机器人主系统模块用于实现机器人的主控制，通过水下WIFI通信节点装置与水下机器人的摄像头及多种传感器，数据采集设备，雷达，水质，水下生物，微生物，数据采集模块到数据分析模块间通信，机器视觉水下场景(水下生物，岩石等)识别模块，雷达实时建图，GPS及水下SLAM路径规划，导航模块，水下动态目标跟踪模块。远端控制采集，自动投料装置动作，养殖最优化调控模块，控制自主采集模块，语音模块和用户间交互。
摄像头模块，所述摄像头模块用于采集水下图像，鱼群，珊瑚，贝类，蟹类水下生物识别及水下场景识别。
多传感器数据采集模块，所述数据采集模块，用于辅助采集水下被测水下生物，微生物，细菌，水质等数据。
水下雷达，所述模块用于与主控制系统连接，水下建图和水下生物及岩石壁障
语音模块，所述模块用于主控制系统与用户间交互和语音引导，语音指令，语音预警。
数据模块分析，所述数据分析模块利用改进的K-means等聚类方法计算及分析鱼群，植物，水下生物等数据值，计算，分析养殖时间，放养平均质量，放养的平均体长，商品鱼平均质量，商品鱼平均体长，平均日增体质量，平均日增体长，存活率。用于比照标准值分析数据，发现并报警异常数据。
图像分类模块，所述模块用于分类水下生物，水下场景图像。利用改进的机器学习方法，分类水下岩石及生物种类。
GPS及水下SLAM路径规划，导航模块，所述模块GPS与主系统，雷达雷达装置相连接，利用GPS定位获得位置信息，利用雷达SLAM规划自主巡航各网箱采集路径。
水下动态目标跟踪模块，所述模块用于识别，监测水下动态生物，以及生物种类，检测水下生物的连续多帧动态特征，通过帧帧差异数据识别水下动态生物及其种类。依据视觉图像模块发布目标位置信息，主控制系统及驱动器订阅位置信息，驱动机器人跟随水下目标。
水产养植物数据分析，计算，监控，对采集到的水产养殖物数据，计算，分析，改进机器学习K-means 方法，SVM方法等分析水质数据，分类识别异常指标。分析水产养殖物数据，分类异常指标。
养殖最优化调控模块，创建水下生物-投饵量-生长周期最优化数据模型，利用改进机器学习算法分析数据计算及预测不同鱼类不同生长周期下投饵量实现生长循环最优化。深海养殖接力养殖与工厂化养殖生长情况时间循环周期一地理位置年度温度-养殖鱼种最优模型，利用聚类及关联方法-遗传方法融合实现养殖质量最优，养殖效益最高，存活率最高多目标最优。
机器臂投饵动作模块，所述机器人投饵动作推动模块客户端发送投饵指令或主控制系统自主发送投饵指令，自主打开机器人舱门，利用饵料推动器将饵舱内的饵料投向投饵位置，
机器臂捕捞模块，所述水下机器人捕捞模块，客户端发送捕捞指令或主控制系统自主捕捞指令，水下机器人自主投放捕捞装置，下饵，收网，小面积捕捞。
机器臂水质采集模块，所述水下机器人水质采集模块，客户端发送采集水质指令或主控制系统自主采集指令，采集器自主采集不同位置水样。
客户端与水下机器人及主系统通过wifi通信模块，水下机器人作为通信wifi节点与主控制系统连接，客户端经过主控制系统平台下达指令，主控制系统发布指令消息至水下机器人的各节点，各节点订阅客户端消息。
本申请方案中通过水下机器人的主控制系统，摄像头及多传感器数据采集模块，雷达模块，图像采集模块，数据分析模块及图像识别模块，机器人各节点的通信交互；依据水下机器人喂饵动作模块，语音模块，客户端与远端控制通信，加强水下机器人与用户间的交互，实现智能化采集。水质，水下生物，微生物的数据分析，用于比照标准值分析数据，智能发现水下生物，水质，微生物异常数据；智能定位，分类水下生物图像。提高了智能采集的精准度和数据异常识别的准确度，智能分类水下生物图像，分析水下生物，水质，微生物数据，远端采集，自主巡回监测，定时定量投饵。
进一步，机器人主系统用于实现机器人的主控制，数据采集，图像分类，语音交互，投饵动作，实现智能采集，智能分析异常数据，最优化投饵，远端控制。
作为本发明的进一步改进，用摄像头识别水质，水下生物，微生物，采集区，用图像采集装置采集数据及其图像。
作为本发明的进一步改进，语音模块，包括语音指令远端采集，语音识别，用于主控制系统与用户间交互和语音引导。
作为本发明的又一步改进，投饵动作模块，包括投饵动作模块，采集动作模块，捕捞动作模块，用于主控制系统或客户端与机器人发送指令，水下机器人完成投饵动作，水质微生物样本采集动作，捕捞动作等。
作为本发明的又一步改进，水下雷达建图，slam路径规划，导航模块，包括雷达建图，水下路径规划，水下场景重建，GPS，GIS信息收集，利用雷达SLAM规划自主巡航各网箱采集路径。水下导航用于主控制系统与水下场景视觉交互，壁障，水下地图采集创建自主巡回，路径规划，导航。
作为本发明的又一步改进，水下动态目标跟踪方法，监测水下动态生物，以及生物种类，监测水下生物的连续多帧动态特征，通过帧帧差异数据识别水下动态生物及其种类，驱动机器人跟随水下目标。
作为本发明的又一步改进，水产养植物数据分析，计算方法，对采集到的水产养殖物数据，计算，分析，改进机器学习K-means方法，SVM方法等分析水质数据，分析水产养殖物数据，分类异常指标。
作为本发明的进一步改进，养殖最优化调控方法，创建水下生物-投饵量-生长周期最优化数据模型，利用改进机器学习算法分析预测不同时间，地点，温度，深海养殖接力养殖与工厂化养殖生长循环最优模型，利用聚类方法，关联方法-遗传方法融合实现养殖质量最优，养殖效益最高，存活率最高多目标最优。
一种鱼群定位，跟踪，水下生物信息采集方法，包括以下步骤：
STEP1：设置目标
STEP2：设置目标特征参数，目标的特征值：颜色，形状，轮廓，斑点，纹理等的特征
STEP3：设置目标动态参数，检测水下生物的连续多帧动态特征
STEP4：设置通信目标
STEP5：设置GPS，GIS信息
STEP6：发布目标，参数，GPS，GIS信息(目标位置)
STEP7：设置位姿标记
STEP8：设置目标对于机器人主控器id，目标位姿，方向值
STEP9：设置时间戳
STEP10：设置位姿标记为坐标原点和方向值
STEP11：主控制器，驱动器订阅水下机器人跟随目标距离，位置，位姿方向信，
STEP12：驱动器按照目标位姿，游动跟随保持安全鱼群距离
一种水下视觉摄装置与视觉采集方法包括以下步骤：
Step1：初始点云节点
Step2：设置捕捞器发布方节点参数(目标名，位姿标记)
Step3：设置摄像头订阅方节点参数(点云，最近点云list)
Step4：定义并取得最近点云list
Step5：定义最近的点并将其转化成点数组
Step6：计算COG
Step7：确认参数，返回点云信息
Step8：设置位姿方向值作为点对象
Step9：发布COG作为目标位姿
Step10：设置捕捞目标参数(鱼群等捕捞目标对于视觉器Id，GPS，GIS及位姿标记，时间戳，COG目标位姿，方向值)
Step11：发布捕捞器捕捞目标节点
一种水下网箱自主巡回监视，定时，定量自主投喂方法包括以下步骤：
Step1：设置水下网箱的GIS，GPS位置信息(网箱id，网箱GPS，GIS位置信息)
Step2：水下网箱位置和姿态的允许误差。
Step3：设置水下网箱目标位置的参考坐标系。
Step4：依据水下雷达构建地图集GPS，GIS信息收集，导航，规划自主巡回路径，运动规划失败后，允许重新规划
Step5：设置每次运动规划的时间限制。
Step6：设置投喂目标特征参数，目标的特征值：颜色，形状，轮廓，斑点，纹理等的特征。
STEP7：设置投喂目标动态参数，检测水下生物的连续多帧动态特征。
STEP8：机器视觉判定投喂对象及网箱信息是否一致。
Step9：设置网箱位置，设置各网点投喂区，设置投喂距离鱼群距离设置投喂深度，腿放置区位置。
Step10：设置投喂区DEMO，投喂点ID，投喂器位姿，投喂鱼群种类及尺寸信息，投喂时间，投喂量。
Step11：设置位置目标，即移动位置。
一种水下视觉识别，水下岩石，珊瑚，养殖物，网箱识别及其位置信息获得与雷达地图实时建图融合，定位导航方法，所述方法包括以下步骤：
S1.设置水下场景(岩石，珊瑚养殖物，鱼类，网箱)等场景规划参数，设置环境模块。
S2.输入对应水下岩石，珊瑚，养殖物鱼类，网箱的数学模型。
S3.抽取颜色，形状，轮廓，斑点，纹理，水下特殊残留物等的殊特标识包括颜色，形状，轮廓，斑点，纹理，水下特殊残留物，图像等对应的图像特征。
S4。颜色，形状，轮廓，斑点，纹理，水下特殊残留物的特征转化为输入数据。
S5.建立图像的特征的数学模型，输入检测项目特征值。
S6.改进权值优化器，快速训练图像，得到输出值。
S7.依据输出结果，精准识别目标，指定目标及定位目标位置。
S8.利用水下雷达，定位，导航包，导航目标。机器人在水下移动到目标区域，在主系统下指定导航目标，设置参数包括目标frame_id，goal_id和PoseStamped消息类型包括position pose和quaternion orientation消息类型的目标组成。
S9.路径规划节点的配置文件，包括base_local_planner_params.yaml，costmap_common_params.yaml，global_costmap_params.yaml，local_costmap_params.yaml.base local planner_params.yaml配置文件中参数包括：频率，最大线速度，最小线速度，最大的旋转速度，最小的旋转速度，逃离时的速度，x方向最大的线加速度，y方向最大的线加速度，最大的角速度，距离目标方向的误差，距离目标位置的误差，全局路径规划和到达目的位置的权重，到达目的位置和全局路径规划之间的权重，避开障碍物的权重等参数。
S10.在节点中配置机器人半径参数，水下地图中障碍物半径。
global_costmap_params.yaml节点中，配置全局代价地图，全局地图更新频率，发布频率，静态地图，全局地图更新参数，在坐标变换包中框架之间的转换最大延时等参数。
S11.定位导航包进行路径规划和障碍物躲避。
一种水下生物识别，动态目标识别方法，所述方法包括以下步骤：
一种SVM分类算法改进方法，所述方法包括以下步骤：
S1。建立鱼类。蟹类，贝类，珊瑚类，海底岩石类水下生物，海底岩石等的数学模型。
S2。抽取水下生物特征，颜色，形状，轮廓等的特征。
S3。提取水下生物的连续多帧动态特征值(连续帧等的变化特征)等。
S4。输入检测项目特征值。
S5。改进权值优化器，通过图像训练，得到输出值。
S6。依据输出水下生物结果判定图像的种类，鱼类。蟹类，贝类，珊瑚类，海底岩石类等。
一种改进的深度神经网络识别水下生物种类，尺寸，生长阶段的方法，所述方法包括以下步骤：
S1。建立水下生物特征数学模型。
S2。抽取抽取水下生物特征，包括；颜色，形状，轮廓，斑点，纹理等的特征。
S3。提取鱼类，蟹类，八爪鱼类，贝类等的尺寸，重量预估值等特征转化为输入数据，作为生长周期的判定值。
S4。改进权值优化器，快速训练图像，得到输出值。
S5。依据输出结果及生长周期的判定值，得到鱼类。蟹类，贝类，珊瑚类，海底岩石的具体生长尺寸。
一种工厂养殖一深海养殖接力最优化喂饵方法，所述方法包括以下步骤：
S1.依据不同地点指数，温度指数，鱼类生长环境匹配指数，存活指数，生长速度指数，创建不同地点，时间周期及对应周期养殖物种类关联匹配度模型和改进方法，
S2.建立时间循环周期，工厂养殖-深海养殖循环周期最优数学模型包括：
工厂养殖时间模型。养殖物种苗数量。陆地养殖箱配置数量，深海网箱配置数量转入深海养殖时间周期，单位立方的对应种类的养殖物的效益。
S3.制约条件包括：
陆地养殖数量大于网箱标准要求数量
深海养殖数量大于网箱标准要求数量
深海养殖数量与陆地养殖数量小于网箱标准数量
满足鱼类的深海温度允许的起始时间，终止的时间周期范围。
S4.多目标包括：
陆地养殖-深海养殖循环时间周期内养殖的效益最大，存活率最大，生长速度最大
进一步，一种关联匹配方法-遗传方法实现融合陆地养殖-深海养殖循环时间周期最优化，所述的创新方法包括：
S1.满足深海温度条件。
满足鱼类深海温度允许时间周期范围制约条件
生成随机初始解及轮盘选择方法选择定量染色体。
复合基因，基因用0和1定义。
S2.交换方法：两种母染色体A，B的随机1种鱼类作为染色体的复合基因组及同种鱼类的复合基因组交叉得到两个新的子染色体。
S3.设置交叉率参数.
S4.突变方法；在时间周期内变换复合基因组，抽取值为1基因长度，对抽取的基因头或由1变为0.
S5.设置突变率。
S6.评价目标函数取得2000代后的平稳值作为收益值及最大存活率，生长率最大值。
其配置方案为最佳时间，最佳养殖物品种的周期工厂-深海养殖配比。
综上，本发明的有益效果是：
本发明针对效率低，费时间，费精力，疾病识别度低等问题，通过水下机器人搭载的摄像头及多数据采集数据解决现有技术中，数据采集难，数据采集不精准等问题。
通过水下生物，水质，微生物图像和多传感器数据指标，很难有效识别的异常。高效识别水下场景与管理水下生物养殖。实现高效管理水下生物养殖，有效检测分析水质，微生物，识别水下生物图像(鱼种类，贝类，蟹类，岩石，珊瑚，网箱网眼异常)，实现雷达建图利用GIS，GPS信息，SLAM路径规划，自主导航，自主巡回监测，自主喂饵，最优化时间周期-饵料量喂。
客户端与主系统连接，远端控制，自主完成水下机器人智能监测，分析，识别水质，微生物，监测与管理水下生物养殖，水下自主定位导航，有效创建人工智能水下机器人+水下最优化监测管理系统。
附图说明：
图1是本申请说明书中的水下机器人模块示意图
图2是本申请说明书中水下机器人结构示意图.
附图1标记：101-机器人主系统；102-多传感数据采分析集模块；103-雷达定位导航模块； 104-语音模块；105-水下摄像头图像采集模块；106-机器动作规划模块；107-客户端；
图2标记：201-雷达，202-摄像头装置，203-多传感器装置，204--语音装置， 205-机器人控制装置，206-开仓投饵区，207-捕捞装置， 208-水质采集装置，209-投饵推动装置
实施例1：
如图1，图2所示，一种水下机器人装置实施例包括：
机器人的主系统101，所述模块实现机器人的控制装置205与摄像头202及203多传感器信息采集装置等数据采集装置，机器人控制装置205与捕捞装置207，水质采集装置208。机器人控制装置205与雷达201连接，自主创建水下实时地图，结合SLAM路径规划方法，实现自主定位，导航。主控制系统101 与语音装置204通信，机器人与用户间语音交互。
机器人主控制系统模块101与语音装置204连接，与语音模块104的通信连接，水下机器人与用户间语音交互，下达语音指令。
机器人主控制系统模块101与摄像头202以及图像采集模块105的通信连接，采集识别水下生物，水质，微生物异常数据；智能定位，分类水下生物图像。
机器人主控制系统101与多传感器装置203连接，利用改进的K-means等聚类方法，分析水下环境，水质，鱼群，水下生物等数据值，计算，分析养殖时间，放养平均质量，放养的平均体长，商品鱼平均质量，商品鱼平均体长，平均日增体质量，平均日增体长，存活率。依据采集到的水产养殖物数据，计算，分析，改进机器学习K-means方法，SVM方法等分析水质数据，分类识别异常指标。分析水产养殖物数据，分类异常指标。
机器人主控制系统模块101与视觉识别模块105与雷达103建图，机器人主控制系统模块101与雷达 201连接，与雷达建图，定位。导航模块103，主控制系统模块205向雷达103实时建图，GPS，GIS与主系统连接，雷达装置相连接，利用GPS，GIS定位获得位置信息，GPS及水下SLAM路径规划，导航模块，所述模块GPS与主系统，雷达装置相连接。
利用雷达SLAM规划自主巡航各网箱采集路径。结合SLAM路径规划方法，定位，导航，输入水下场景规划参数，环境模块。输入颜色，形状，轮廓，斑点，纹理，水下特殊残留物等的殊特标识特征等。特征转化为输入数据。改进权值优化器，快速训练图像，得到输出值。依据输出结果，精准识别目标，定位目标位置。
利用GPS定位获得位置信息，利用雷达SLAM规划自主巡航各网箱采集路径。水下动态目标跟踪模块，所述模块用于识别，监测水下动态生物，以及生物种类，检测水下生物的连续多帧动态特征，通过帧帧差异数据识别水下动态生物及其种类。依据视觉图像模块发布目标位置信息，主控制系统及驱动器订阅位置信息，驱动机器人跟随水下目标。
机器人浮动，游动到目标位置，在主系统101下指定导航目标，设置参数，配置文件中参数，在节点中配置机器人半径参数，地图中障碍物半径。global_costmap_params.yaml节点中，配置全局代价地图，全局地图更新频率，发布频率，静态地图，全局地图参数，在tf中框架之间的转换最大延时等参数。定位导航包进行路径规划和障碍物躲避。利用定位导航包，导航目标。
机器人主控制系统模块101与捕捞装置207，水质采集装置208连接。客户端107发送投饵指令或主控制系统101自主发送投饵指令，机器人投饵动作模块209，自主打开机器人舱门，利用饵料推动器将饵舱内的饵料投向投饵位置。
客户端107发送捕捞指令或主控制系统101自主捕捞指令，水下机器人利用机器人捕捞模块207，自主投放捕捞装置，下饵，收网，小面积捕捞。
客户端107发送采集水质指令或主控制系统自主采集指令，利用机器人水质采集模块208，采集器自主采集不同位置水样，分析水质数据，分类异常指标。
Claims (9)
1.一种水下机器人装置，水下调控管理最优化系统及方法包括：一种自动化控制及远程控制设备：机器人控制装置，雷达，机器人视觉装置，定位导航装置，多传感器装置，语音装置，水质采集装置，捕捞装置，自动化投饵装置。机器人主系统包括：机器人节点通信模块，视觉识别模块，SLAM路径规划，定位导航模块，动作规划模块(水质采集，捕捞，自动化投饵)，语音命令模块。机器人雷达与主控系统连接，摄像头与主控系统相连接，语音装置与主控系统相连接。主系统与水下监测管理系统，养殖物最优化管理系统相连接。
2.根据权利要求1所述的主控制系统，其特征在于通过机器人主系统实现主控制装置，水产养殖管理系统，水下环境监测系统与机器人主控制系统相连接。
3.根据权利要求1所述的机器人视觉装置，其特征在于主系统和摄像头连接，改进了机器学习方法智能分类识别水下生物种类，水下场景，水下岩石等，利用改进神经网络方法实现水下生物及其他水下生物的识别及生物的生长阶段，尺寸，重量等规格水下生物体的精准跟踪及定位。利用改进的水下动态目标图像识别方法，监测水下动态生物以及生物种类，检测水下生物的连续多帧动态特征，通过帧帧差异数据识别水下动态生物及其种类。利用视觉识别网箱外周破损特征及配置网箱外鱼类游动，鱼种类识别，监测识别配置网眼破损位置及定位。
4.根据权利要求1所述的水下雷达定位，游动，导航装置及G[S，GIS装置连接，其特征在于主控制系统和雷达，视觉摄像头相连接，通过雷达自建地图，SLAM路径规划模块。利用GPS定位获得位置信息，利用雷达SLAM规划自主巡航各网箱采集路径。通过颜色，形状，轮廓，斑点，纹理等特征，利用改进的神经网络方法识别水下场景，水下珊瑚，水下岩石，特殊场景等的信息，场景地图与雷达实时创建地图结合，快速度，高精准定位各场景下水下岩石，水下生物等位置等信息，雷达地图位置，远端控制及机器视觉识别的信息与雷达实时建图相融合实现高精准自主定位，导航，移动。水下机器人水下巡回，游动，自主定位，导航，驱动机器人跟随水下目标。
5.根据权利要求1所述的投饵动作模块，动作装置，其特征在于主系统和机器臂投饵动作推动模块，机器臂捕捞模块，机器臂水质采集模块连接，客户端发送或主控制系统自主发送投饵指令，捕捞指令，采集水质指令，自主打开机器人舱门，利用饵料推动器将饵舱内的饵料投向投饵位置，水下机器人自主投放捕捞装置，下饵，收网，小面积捕捞，采集器自主采集不同位置环境样本。
6.根据权利要求1所述的声音采集和麦克等语音装置，其特征在于主系统和声音采集模块，麦克等语音装置连接，改进语音识别方法，建立语音指令，远程语音控制机器人巡航，投饵捕捞，环境样本采集动作等。
7.根据权利要求1所述的多传感器采集装置，其特征在于信息采集装置与主系统连接，利用水下管理系统与摄像头。通过改进机器学习方法与改进的神经网络方法，智能识别鱼群信息，监测，分析数据，利用改进的K-means等聚类方法计算及分析鱼群等水下养殖物等数据值，计算，分析养殖时间，放养平均质量，放养的平均体长，商品鱼平均质量，商品鱼平均体长，平均日增体质量，平均日增体长，存活率。用于比照标准值分析数据，发现并报警异常数据。
8.根据权利要求1所述的客户端与主控制系统，水下机器人连接，其特征在于远端控制及自主完成巡航，环境指标样本采集，实时监测，定时饵料投放，捕捞等。
9.根据权利要求1所述的关联匹配-遗传法融合工厂养殖--深海养殖接力最优化方法，其特征在于依照不同地点指数，温度指数，鱼类生长环境匹配指数，存活指数，生长速度指数，创建不同地点，时间周期及对应周期养殖物种类关联匹配度模型，工厂养殖--深海养殖接力，养殖质量最优和养殖利润最大，在系统管理下最优化投饵时间，地点，温度，投饵量，生长周期最优化模型。创建时间循环周期下的时间-温度-种类-种苗-分类-喂养量最优模型，利用因素关联，抚养成本最低，质量最优，存活最高，多目标最优化喂养系统。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010740707.1A CN111897350A (zh) | 2020-07-28 | 2020-07-28 | 一种水下机器人装置、水下调控管理最优化系统及方法 |
| CN202180008742.7A CN117355210A (zh) | 2020-07-28 | 2021-07-22 | 一种水下机器人装置.水下调控管理最优化系统及方法 |
| AU2021317383A AU2021317383A1 (en) | 2020-07-28 | 2021-07-22 | Underwater robot device and underwater regulation and control management optimization system and method |
| PCT/CN2021/000158 WO2022021804A1 (zh) | 2020-07-28 | 2021-07-22 | 一种水下机器人装置.水下调控管理最优化系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010740707.1A CN111897350A (zh) | 2020-07-28 | 2020-07-28 | 一种水下机器人装置、水下调控管理最优化系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111897350A true CN111897350A (zh) | 2020-11-06 |
Family
ID=73182317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010740707.1A Pending CN111897350A (zh) | 2020-07-28 | 2020-07-28 | 一种水下机器人装置、水下调控管理最优化系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111897350A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113569971A (zh) * | 2021-08-02 | 2021-10-29 | 浙江索思科技有限公司 | 一种基于图像识别的渔获目标分类检测方法及系统 |
| CN113822233A (zh) * | 2021-11-22 | 2021-12-21 | 青岛杰瑞工控技术有限公司 | 一种深海养殖异常鱼类跟踪方法及系统 |
| WO2022021804A1 (zh) * | 2020-07-28 | 2022-02-03 | 谈斯聪 | 一种水下机器人装置.水下调控管理最优化系统及方法 |
| CN114237238A (zh) * | 2021-12-08 | 2022-03-25 | 扬州大学 | 一种自主导航的智能投料饲喂机器人及其投料饲喂方法 |
| CN114489046A (zh) * | 2021-12-27 | 2022-05-13 | 南方海洋科学与工程广东省实验室(湛江) | 水下巡检机器人导航方法、装置、系统及存储介质 |
| CN114946742A (zh) * | 2022-07-18 | 2022-08-30 | 中国水产科学研究院渔业工程研究所 | 一种水产数字化智能管理系统 |
| CN115580790A (zh) * | 2022-09-23 | 2023-01-06 | 杭州瀚陆信息技术有限公司 | 基于互联网的海洋环境监测系统 |
| CN116166966A (zh) * | 2023-04-18 | 2023-05-26 | 南京哈卢信息科技有限公司 | 一种基于多模态数据融合的水质劣化事件检测方法 |
| CN116821807A (zh) * | 2023-08-30 | 2023-09-29 | 中国水产科学研究院南海水产研究所 | 一种基于机器视觉的渔获物识别与自动录取方法及系统 |
| CN117690194A (zh) * | 2023-12-08 | 2024-03-12 | 北京虹湾威鹏信息技术有限公司 | 一种多源ai生物多样性观测的方法和采集系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130129064A (ko) * | 2012-11-21 | 2013-11-27 | 이상윤 | 불가사리 제거를 위한 수중로봇 시스템과 제어방법 |
| CN104430088A (zh) * | 2014-11-27 | 2015-03-25 | 山东省海洋生物研究院 | 一种斑点鳟陆海结合养殖方法 |
| CN105284694A (zh) * | 2015-12-07 | 2016-02-03 | 福建渔家傲养殖科技有限公司 | 一种新型水产养殖自动投喂系统及其实现方法 |
| CN106781371A (zh) * | 2016-12-06 | 2017-05-31 | 北京臻迪科技股份有限公司 | 一种水下无人船的通信系统 |
| CN208283385U (zh) * | 2018-06-07 | 2018-12-25 | 南京云游智能科技有限公司 | 用于水产养殖业的水下检测机器人 |
| CN109197686A (zh) * | 2018-08-14 | 2019-01-15 | 中国水产科学研究院黄海水产研究所 | 一种黄条鰤海陆接力养殖方法 |
| CN109591982A (zh) * | 2018-12-29 | 2019-04-09 | 浙江大学 | 一种无人监控水下养殖机器人 |
| CN109828606A (zh) * | 2019-03-21 | 2019-05-31 | 青岛罗博飞海洋技术有限公司 | 一种水下网箱巡检系统 |
| CN110393165A (zh) * | 2019-07-11 | 2019-11-01 | 浙江大学宁波理工学院 | 一种基于自动投饵船的远海养殖网箱投饵方法 |
| CN209912495U (zh) * | 2019-02-21 | 2020-01-07 | 深圳市天狼模型有限公司 | 一种语音识别控制钓鱼遥控打窝船投饵船遥控器 |
-
2020
- 2020-07-28 CN CN202010740707.1A patent/CN111897350A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130129064A (ko) * | 2012-11-21 | 2013-11-27 | 이상윤 | 불가사리 제거를 위한 수중로봇 시스템과 제어방법 |
| CN104430088A (zh) * | 2014-11-27 | 2015-03-25 | 山东省海洋生物研究院 | 一种斑点鳟陆海结合养殖方法 |
| CN105284694A (zh) * | 2015-12-07 | 2016-02-03 | 福建渔家傲养殖科技有限公司 | 一种新型水产养殖自动投喂系统及其实现方法 |
| CN106781371A (zh) * | 2016-12-06 | 2017-05-31 | 北京臻迪科技股份有限公司 | 一种水下无人船的通信系统 |
| CN208283385U (zh) * | 2018-06-07 | 2018-12-25 | 南京云游智能科技有限公司 | 用于水产养殖业的水下检测机器人 |
| CN109197686A (zh) * | 2018-08-14 | 2019-01-15 | 中国水产科学研究院黄海水产研究所 | 一种黄条鰤海陆接力养殖方法 |
| CN109591982A (zh) * | 2018-12-29 | 2019-04-09 | 浙江大学 | 一种无人监控水下养殖机器人 |
| CN209912495U (zh) * | 2019-02-21 | 2020-01-07 | 深圳市天狼模型有限公司 | 一种语音识别控制钓鱼遥控打窝船投饵船遥控器 |
| CN109828606A (zh) * | 2019-03-21 | 2019-05-31 | 青岛罗博飞海洋技术有限公司 | 一种水下网箱巡检系统 |
| CN110393165A (zh) * | 2019-07-11 | 2019-11-01 | 浙江大学宁波理工学院 | 一种基于自动投饵船的远海养殖网箱投饵方法 |
Non-Patent Citations (1)
| Title |
|---|
| 中国科学技术协会: "《惯性技术学科发展报告 2009-2010》", 30 April 2010 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022021804A1 (zh) * | 2020-07-28 | 2022-02-03 | 谈斯聪 | 一种水下机器人装置.水下调控管理最优化系统及方法 |
| CN113569971A (zh) * | 2021-08-02 | 2021-10-29 | 浙江索思科技有限公司 | 一种基于图像识别的渔获目标分类检测方法及系统 |
| CN113822233A (zh) * | 2021-11-22 | 2021-12-21 | 青岛杰瑞工控技术有限公司 | 一种深海养殖异常鱼类跟踪方法及系统 |
| CN113822233B (zh) * | 2021-11-22 | 2022-03-22 | 青岛杰瑞工控技术有限公司 | 一种深海养殖异常鱼类跟踪方法及系统 |
| CN114237238B (zh) * | 2021-12-08 | 2023-11-28 | 扬州大学 | 一种自主导航的智能投料饲喂机器人及其投料饲喂方法 |
| CN114237238A (zh) * | 2021-12-08 | 2022-03-25 | 扬州大学 | 一种自主导航的智能投料饲喂机器人及其投料饲喂方法 |
| CN114489046A (zh) * | 2021-12-27 | 2022-05-13 | 南方海洋科学与工程广东省实验室(湛江) | 水下巡检机器人导航方法、装置、系统及存储介质 |
| CN114489046B (zh) * | 2021-12-27 | 2024-04-19 | 南方海洋科学与工程广东省实验室(湛江) | 水下巡检机器人导航方法、装置、系统及存储介质 |
| CN114946742A (zh) * | 2022-07-18 | 2022-08-30 | 中国水产科学研究院渔业工程研究所 | 一种水产数字化智能管理系统 |
| CN115580790A (zh) * | 2022-09-23 | 2023-01-06 | 杭州瀚陆信息技术有限公司 | 基于互联网的海洋环境监测系统 |
| CN116166966A (zh) * | 2023-04-18 | 2023-05-26 | 南京哈卢信息科技有限公司 | 一种基于多模态数据融合的水质劣化事件检测方法 |
| CN116821807A (zh) * | 2023-08-30 | 2023-09-29 | 中国水产科学研究院南海水产研究所 | 一种基于机器视觉的渔获物识别与自动录取方法及系统 |
| CN116821807B (zh) * | 2023-08-30 | 2024-01-09 | 中国水产科学研究院南海水产研究所 | 一种基于机器视觉的渔获物识别与自动录取方法及系统 |
| CN117690194A (zh) * | 2023-12-08 | 2024-03-12 | 北京虹湾威鹏信息技术有限公司 | 一种多源ai生物多样性观测的方法和采集系统 |
| CN117690194B (zh) * | 2023-12-08 | 2024-06-07 | 北京虹湾威鹏信息技术有限公司 | 一种多源ai生物多样性观测的方法和采集系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111897350A (zh) | 一种水下机器人装置、水下调控管理最优化系统及方法 | |
| WO2022021804A1 (zh) | 一种水下机器人装置.水下调控管理最优化系统及方法 | |
| Duckett et al. | Agricultural robotics: the future of robotic agriculture | |
| R Shamshiri et al. | Research and development in agricultural robotics: A perspective of digital farming | |
| Xie et al. | Actuators and sensors for application in agricultural robots: A review | |
| CN109591982B (zh) | 一种无人监控水下养殖机器人 | |
| CN109828606A (zh) | 一种水下网箱巡检系统 | |
| CN113920474B (zh) | 一种智能监管柑橘种植态势的物联网系统及方法 | |
| WO2023050783A1 (zh) | 除草机器人及其除草路径的规划方法、装置和介质 | |
| CN109886155A (zh) | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 | |
| Dharmasena et al. | Autonomous cloud robotic system for smart agriculture | |
| Xie et al. | Research progress of autonomous navigation technology for multi-agricultural scenes | |
| CN112465109A (zh) | 一种基于云边协同的农业大棚控制装置 | |
| Goričanec et al. | Heterogeneous autonomous robotic system in viticulture and mariculture-project overview | |
| Fernando et al. | Ai based greenhouse farming support system with robotic monitoring | |
| Chen et al. | Design and implementation of an artificial intelligence of things-based autonomous mobile robot system for pitaya harvesting | |
| Hussain et al. | An intelligent autonomous robotic system for precision farming | |
| You et al. | Semiautonomous precision pruning of upright fruiting offshoot orchard systems: An integrated approach | |
| WO2021198731A1 (en) | An artificial-intelligence-based method of agricultural and horticultural plants' physical characteristics and health diagnosing and development assessment. | |
| Jayasekara et al. | Automated crop harvesting, growth monitoring and disease detection system for vertical farming greenhouse | |
| Toskova et al. | Recognition of Wheat Pests | |
| CN115204500B (zh) | 面向虫害监测的多检测机器人数字孪生管理系统及方法 | |
| Kanade et al. | Agricultural mobile robots in weed management and control | |
| Raikov et al. | Artificial intelligence and robots in agriculture | |
| CN114971212A (zh) | 一种基于农业物联网的元宇宙交互系统及其方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 510403 room 801, No. 27, Tangjing South Street, Jichang Road, Baiyun District, Guangzhou, Guangdong Applicant after: Tan Sicong Applicant after: Yu Hao Address before: 510540 439-a807 Baiyun Avenue, Baiyun District, Guangzhou City, Guangdong Province Applicant before: Tan Sicong Applicant before: Yu Hao |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room B704, Cuijing Pavilion, Haojing Haoyuan, Shazui Road, Futian District, Shenzhen, Guangdong 518048 Applicant after: Tan Sicong Applicant after: Yu Hao Address before: Room 801, No. 27, Tangjing South Street, Airport Road, Baiyun District, Guangzhou Applicant before: Tan Sicong Applicant before: Yu Hao |