CN112034121A - 基于水下机器人的深水网箱水质三维检测方法及系统 - Google Patents
基于水下机器人的深水网箱水质三维检测方法及系统 Download PDFInfo
- Publication number
- CN112034121A CN112034121A CN202010750969.6A CN202010750969A CN112034121A CN 112034121 A CN112034121 A CN 112034121A CN 202010750969 A CN202010750969 A CN 202010750969A CN 112034121 A CN112034121 A CN 112034121A
- Authority
- CN
- China
- Prior art keywords
- detection
- depth
- underwater robot
- track
- net cage
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 291
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 157
- 241000196171 Hydrodictyon reticulatum Species 0.000 title claims abstract description 74
- 238000003062 neural network model Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000010586 diagram Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 26
- 238000012544 monitoring process Methods 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 229930002875 chlorophyll Natural products 0.000 claims description 6
- 235000019804 chlorophyll Nutrition 0.000 claims description 6
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Fuzzy Systems (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明实施例提供一种基于水下机器人的深水网箱水质三维检测方法及系统，该方法包括：对目标深水网箱进行水质检测，获取水下机器人的检测轨迹偏差、检测轨迹偏差变化量、检测深度偏差和检测深度偏差变化量；基于模糊神经网络模型，对检测轨迹偏差和检测轨迹偏差变化量进行处理，对检测深度偏差和检测深度偏差变化量进行处理，分别得到对应的轨迹推力调整值和深度推力调整值；根据轨迹推力调整值对水下机器人的检测轨迹进行调整，根据深度推力调整值对水下机器人的检测深度进行调整，对深水网箱进行水质三维检测，生成实时水质与三维位置关系的对应图。本发明实施例提高了水质检测的精度，实现了深水网箱不同水层的水质检测。
Description
技术领域
本发明涉及深海网箱水质检测技术领域，尤其涉及一种基于水下机器人的深水网箱水质三维检测方法及系统。
背景技术
深海网箱养殖是集电子技术、自动化、物联网等现代手段，在开阔海域，对养殖生产全过程进行自动化管控的一种生产模式。该方法的最大特点是在开阔的海域环境条件下，始终给养殖生物提供接近于自然的生长条件，从而达到提升养殖生物的品质，提高养殖效益，降低养殖风险的目的。
深海网箱养殖存在远离海岸、不确定因素多和密度高等特点，水中各参数之间存在着非常复杂的非线性关系。传统的水质检测只能监测定点位置的水质信息，不能实现对深海网箱养殖环境的立体全方位检测。同时，由于水质检测过程存在滞后现象，因此需要对养殖环境进行实时和全方位的检测，从而减少深海网箱养殖过程中不必要的损失，降低养殖成本。
因此，现在亟需一种基于水下机器人的深水网箱水质三维检测方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种基于水下机器人的深水网箱水质三维检测方法及系统。
第一方面，本发明实施例提供了一种基于水下机器人的深水网箱水质三维检测方法，包括：
对目标深水网箱进行水质三维检测，在深水网箱的水平面获取水下机器人的检测轨迹偏差和检测轨迹偏差变化量；在深水网箱的垂直面根据深水网箱所处海域水质与深度的关系确定机器人从一个水平面下降到另一水平面的深度，并检测深度偏差和检测深度偏差变化量；
基于模糊神经网络模型，对所述检测轨迹偏差和所述检测轨迹偏差变化量进行处理，并对所述检测深度偏差和所述检测深度偏差变化量进行处理，分别得到对应的轨迹推力调整值和深度推力调整值；所述模糊神经网络模型是由径向基模糊神经网络模型构建的，并通过样本检测轨迹偏差、样本检测轨迹偏差变化量、样本检测深度偏差和样本检测深度偏差变化量训练得到的；
根据所述轨迹推力调整值对所述水下机器人的检测轨迹进行调整，根据所述深度推力调整值对所述水下机器人的检测深度进行调整，以供水下机器人通过调整后的检测轨迹和检测深度，对所述目标深水网箱的水质进行三维检测，并根据检测得到的水质数据和所述水下机器人的位置，生成所述目标深水网箱的实时水质与三维位置关系的对应图。
进一步地，所述模糊神经网络模型通过以下步骤获取：
获取水下机器人检测深水网箱水平截面区域的实际轨迹和预设轨迹，并根据所述实际轨迹和所述预设轨迹，得到样本检测轨迹偏差和样本检测轨迹偏差变化量；
获取水下机器人检测深水网箱的实际深度和预设深度，并根据所述实际深度和所述预设深度，得到样本检测深度偏差和样本检测深度偏差变化量；
根据所述样本检测轨迹偏差、所述样本检测轨迹偏差变化量、所述样本检测深度偏差和所述样本检测深度偏差变化量，构建样本训练集；
根据所述样本训练集，对径向基模糊神经网络模型进行训练，得到模糊神经网络模型。
进一步地，所述获取水下机器人检测深水网箱水平截面区域的实际轨迹和预设轨迹，并根据所述实际轨迹和所述预设轨迹，得到样本检测轨迹偏差和样本检测轨迹偏差变化量，包括：
通过水下机器人对深水网箱的水平截面区域进行检测，获取所述水下机器人的传感器数据和预设轨迹，所述传感器数据至少包括所述水下机器人的偏航角和俯仰角；
将所述传感器数据和所述预设轨迹进行融合处理，得到所述水下机器人的实际轨迹和所述预设轨迹之间的样本检测轨迹偏差和样本检测轨迹偏差变化量。
进一步地，所述获取水下机器人检测深水网箱的实际深度和预设深度，并根据所述实际深度和所述预设深度，得到样本检测深度偏差和样本检测深度偏差变化量，包括：
获取深水网箱的深水环境变量参数，并根据所述深水环境变量参数生成深水网箱下一个水平截面区域的预设深度；
根据所述水下机器人的俯仰角，获取所述水下机器人的实际深度，并根据所述实际深度和所述预设深度，获取样本检测深度偏差和样本检测深度偏差变化量。
进一步地，所述深水环境变量参数包括：水温参数、pH值、溶解氧参数、电导率、叶绿素参数和浊度。
进一步地，在所述对目标深水网箱进行水质三维检测，在深水网箱的水平面获取水下机器人的检测轨迹偏差和检测轨迹偏差变化量；在深水网箱的垂直面根据深水网箱所处海域水质与深度的关系确定机器人从一个水平面下降到另一水平面的深度，并检测深度偏差和检测深度偏差变化量之前，所述方法还包括：
获取水下机器人的当前位置坐标信息和目标位置坐标信息；
根据所述当前位置坐标信息和所述目标位置坐标信息，通过所述模糊神经网络模型，生成对应的预设推力调整值；
通过所述预设推力调整值，驱使所述水下机器人根据预设轨迹行进推力调整值。
进一步地，所述根据所述轨迹推力调整值对所述水下机器人的检测轨迹进行调整，根据所述深度推力调整值对所述水下机器人的检测深度进行调整，包括：
根据所述轨迹推力调整值，对所述水下机器人在所述目标深水网箱的当前水平截面区域的检测轨迹进行调整，以使得所述水下机器人根据调整后的检测轨迹完成当前水平截面区域的水质检测；
根据所述深度推力调整值，对所述水下机器人的检测深度进行调整，以使得所述水下机器人到达所述目标深水网箱的下一个水平截面区域进行水质检测。
第二方面，本发明实施例提供了一种基于水下机器人的深水网箱水质三维检测系统，包括：
数据获取模块，用于对目标深水网箱进行水质三维检测，在深水网箱的水平面获取水下机器人的检测轨迹偏差和检测轨迹偏差变化量；在深水网箱的垂直面根据深水网箱所处海域水质与深度的关系确定机器人从一个水平面下降到另一水平面的深度，并检测深度偏差和检测深度偏差变化量；
数据处理模块，用于基于模糊神经网络模型，对所述检测轨迹偏差和所述检测轨迹偏差变化量进行处理，并对所述检测深度偏差和所述检测深度偏差变化量进行处理，分别得到对应的轨迹推力调整值和深度推力调整值；所述模糊神经网络模型是由径向基模糊神经网络模型构建的，并通过样本检测轨迹偏差、样本检测轨迹偏差变化量、样本检测深度偏差和样本检测深度偏差变化量训练得到的；
巡航定深控制模块，用于根据所述轨迹推力调整值对所述水下机器人的检测轨迹进行调整，根据所述深度推力调整值对所述水下机器人的检测深度进行调整，以供水下机器人通过调整后的检测轨迹和检测深度，对所述目标深水网箱的水质进行三维检测，并根据检测得到的水质数据和所述水下机器人的位置，生成所述目标深水网箱的实时水质与三维位置关系的对应图。
进一步地，所述系统还包括：
坐标信息获取模块，用于获取水下机器人的当前位置坐标信息和目标位置坐标信息；
推力调整值生成模块，用于根据所述当前位置坐标信息和所述目标位置坐标信息，通过所述模糊神经网络模型，生成对应的预设推力调整值；
驱动模块，用于通过所述预设推力调整值，驱使所述水下机器人根据预设轨迹行进。
进一步地，所述系统还包括：
报警模块，用于对深水环境变量参数和水下机器人运动轨迹参数进行实时监测，并将参数监测数据发送到决策模块，以根据决策模块返回的参数异常判断结果生成相应的报警信息；
决策模块，用于将深水环境变量参数与预设标准值进行比较，若深水环境参数变量大于预设标准值，并将环境变量参数的异常判断结果发送到报警模块；决策模块还用于将水下机器人当前的运动轨迹参数和预设轨迹进行比较，若当前的运动轨迹参数与预设轨迹不符，则生成相应的控制指令，以使得基于水下机器人的深水网箱水质检测系统对水下机器人当前轨迹进行调整；
其中，深水环境变量参数包括水温参数、pH值、溶解氧参数、电导率、叶绿素参数和浊度。
本发明实施例提供的一种基于水下机器人的深水网箱水质三维检测方法及系统，基于模糊神经网络控制模型对水下机器人的检测轨迹和检测深度进行调整，提高了水质检测的精度，实现了深水网箱不同水层的水质检测，使得深水网箱的水质检测范围更全面。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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他的附图。
图1为本发明实施例提供的基于水下机器人的深水网箱水质三维检测方法的流程示意图；
图2为本发明实施例提供的水下机器人推进器的结构示意图；
图3为本发明实施例提供的径向基模糊神经网络模型的示意图；
图4为本发明实施例提供的水下机器人在网深水箱的水平截面区域的轨迹调整示意图；
图5为本发明实施例提供的基于水下机器人的深水网箱水质三维检测系统的结构示意图；
图6为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的基于水下机器人的深水网箱水质三维检测方法的流程示意图，如图1所示，本发明实施例提供了一种基于水下机器人的深水网箱水质三维检测方法，包括：
步骤101，对目标深水网箱进行水质三维检测，在深水网箱的水平面获取水下机器人的检测轨迹偏差和检测轨迹偏差变化量；在深水网箱的垂直面根据深水网箱所处海域水质与深度的关系确定机器人从一个水平面下降到另一水平面的深度，并检测深度偏差和检测深度偏差变化量。
在本发明实施例中，在水下机器人上设置有多种类型传感器，通过这些传感器对水下机器人的运动轨迹数据进行收集，然后，将水下机器人在深水网箱当前水平截面的预设轨迹与采集到传感器数据进行融合，得到预设轨迹
和实际轨迹
之间的偏差e1(机器人当前位置和预设轨迹位置的差值)和偏差变化量Δe1(两次偏差的变化量，即在t时刻，机器人在水平截面实际位置和预设轨迹位置的偏差为e，t1时刻的偏差为e1，则此时的偏差变化量为Δe1＝e1-e)，即得到检测轨迹偏差和检测轨迹偏差变化量；然后，根据水下机器人所处的当前深度和水质之间的关系，获取水下机器人的目标深度h(预设深度)，并计算水下机器人当前的实际深度h*和目标深度h之间的偏差e2(机器人当前的实际深度和目标深度之间的差值)和偏差变化量Δe2(两次偏差的变化量，即在t时刻，机器人在垂直面的实际位置和预设深度的偏差为e'，t1时刻的偏差为e2，则此时的偏差变化量为Δe2＝e2-e')，即得到检测深度偏差和检测深度偏差变化量。
步骤102，基于模糊神经网络模型，对所述检测轨迹偏差和所述检测轨迹偏差变化量进行处理，并对所述检测深度偏差和所述检测深度偏差变化量进行处理，分别得到对应的轨迹推力调整值和深度推力调整值；所述模糊神经网络模型是由径向基模糊神经网络模型构建的，并通过样本检测轨迹偏差、样本检测轨迹偏差变化量、样本检测深度偏差和样本检测深度偏差变化量训练得到的。
在本发明实施例中，将上述实施例获取得到的检测轨迹偏差、检测轨迹偏差变化量、检测深度偏差和检测深度偏差变化量输入到径向基模糊神经网络模型中，该模型根据这些偏差数据，计算得到对应的推力调整值，然后，根据推力调整值生成对应水下机器人的推进器控制指令。
步骤103，根据所述轨迹推力调整值对所述水下机器人的检测轨迹进行调整，根据所述深度推力调整值对所述水下机器人的检测深度进行调整，以供水下机器人通过调整后的检测轨迹和检测深度，对所述目标深水网箱的水质进行三维检测，并根据检测得到的水质数据和所述水下机器人的位置，生成所述目标深水网箱的实时水质与三维位置关系的对应图。
在本发明实施例中，图2为本发明实施例提供的水下机器人推进器的结构示意图，可参考图2所示，该水下机器人包括有6个推进器，在获取得到上述实施例提供的推进器控制指令之后(即得到轨迹推力调整值和深度推力调整值)，水下机器人在深水网箱的水平截面区域的水质检测行进轨迹，主要涉及到推进器1、推进器2、推进器5和推进器6的控制，垂直方向的深度控制涉及推进器3和推进器4的控制，最终实现水下机器人在网箱水平截面的水质检测和网箱垂直面的深度控制，进而实现水下机器人对深水网箱从上到下的水质检测(若是垂直面的深度控制，则主要获取推进器3和推进器4的推力分配及控制指令：推进器3转速为X1，推进器4的转速为X2；水平面的水质检测行进轨迹控制类似)。当水下机器人对当前深水网箱中每一个水层从上到下进行水质检测后，将水质检测数据(即遍历结果)通过无线传输方式发送到服务器，以供服务器生成目标深水网箱的实时水质与三维位置关系的对应图，例如，通过该对应图，可实时获取水下深度5m时，预设坐标处的pH值。随后，水下机器人转移到下一个深水网箱进行水质检测。
本发明实施例提供的一种基于水下机器人的深水网箱水质三维检测方法，基于模糊神经网络控制模型对水下机器人的检测轨迹和检测深度进行调整，提高了水质检测的精度，实现了深水网箱不同水层的水质检测，使得深水网箱的水质检测范围更全面。
在上述实施例的基础上，所述模糊神经网络模型通过以下步骤获取：
获取水下机器人检测深水网箱水平截面区域的实际轨迹和预设轨迹，并根据所述实际轨迹和所述预设轨迹，得到样本检测轨迹偏差和样本检测轨迹偏差变化量；
获取水下机器人检测深水网箱的实际深度和预设深度，并根据所述实际深度和所述预设深度，得到样本检测深度偏差和样本检测深度偏差变化量；
根据所述样本检测轨迹偏差、所述样本检测轨迹偏差变化量、所述样本检测深度偏差和所述样本检测深度偏差变化量，构建样本训练集；
根据所述样本训练集，对径向基模糊神经网络模型进行训练，得到模糊神经网络模型。
在本发明实施例中，模糊神经网络模型是通过径向基(Radial basis function，简称RBF)模糊神经网络模型构建的。在对模型进行训练之前，首先，需要根据该模型的数据输入格式要求，建立用于训练的样本训练集，在本发明实施例中，获取水下机器人的历史检测数据，将水下机器人的实际路径偏航角a和预设路径目标位置偏航角a*进行做差处理，得到关于偏航角的偏差e1和偏差变化量Δe1，作为样本检测轨迹偏差；将水下机器人的实际深度h和目标下潜深度h*进行做差处理，得到下潜深度的偏差e2和偏差变化量Δe2，作为样本检测深度偏差。然后，将样本检测轨迹偏差、样本检测轨迹偏差变化量、样本检测深度偏差和样本检测深度偏差变化量构建得到样本训练集，输入到径向基模糊神经网络模型中进行训练，从而得到模糊神经网络模型。
进一步地，在本发明实施例中，图3为本发明实施例提供的径向基模糊神经网络模型的示意图，可参考图3所示，样本训练集在输入到该模型后，首先对其进行初始化处理，包括径向基函数神经网络模型的权重和偏置。进一步地，在本发明实施例中，第一层为基于径向基函数的模糊神经网络输入层，将输入的偏差e和偏差变化量Δe模糊化，输出得到对应模糊集的隶属度，任一节点的传递可以表示为：
其中，
是Aj和Bj的隶属函数值，表示e和Δe属于Aj和Bj的程度。Aj和Bi表示前提中的模糊集合，具体地：
if e is A1and y is B1 then f1＝p1e+q1Δe+c1；if e is A2 and y is B2 thenf2＝p2e+q2Δe+c2；
其中，fj表示后续公式中的函数关系，需要说明的是，在本发明实施例中，水下机器人运动轨迹的偏差和偏差变化量不止上述两种情况，在此不再赘述。
然后，在第二层实现条件部分的模糊集运算，输出为每条规则的适用度，公式为：
进一步地，在第三层中，对各条规则的适用度进行归一化处理，获取第i个节点的第j条规则的归一化可信度，公式为：
其中，
表示第i个节点归一化后的可信度。
进一步地，通过第四层，获取模糊规则的输出，第i个节点具有的输出为：
其中，
为第i个节点第三层的输出，{pj,qj,cj}表示该节点第j条规则对应的参数集，即后件参数。f代表一个函数关系，通过调整p、q和c的参数确定后件的输出。即如果e∈A1，且Δe∈B1，则f＝pe+qΔe+c需要说明的是，在本发明实施例中，f对应的的函数表达形式不作具体限定。
最后，第五层为输出层，通过清晰化计算，获取所有规则的输出之和，即得到推力的计算分配值：
通过上述样本训练集对径向基模糊神经网络模型的训练过程，得到了训练好的模型。
在上述实施例的基础上，所述获取水下机器人检测深水网箱水平截面区域的实际轨迹和预设轨迹，并根据所述实际轨迹和所述预设轨迹，得到样本检测轨迹偏差和样本检测轨迹偏差变化量，包括：
通过水下机器人对深水网箱的水平截面区域进行检测，获取所述水下机器人的传感器数据和预设轨迹，所述传感器数据至少包括所述水下机器人的偏航角和俯仰角；
将所述传感器数据和所述预设轨迹进行融合处理，得到所述水下机器人的实际轨迹和所述预设轨迹之间的样本检测轨迹偏差和样本检测轨迹偏差变化量。
在上述实施例的基础上，所述获取水下机器人检测深水网箱的实际深度和预设深度，并根据所述实际深度和所述预设深度，得到样本检测深度偏差和样本检测深度偏差变化量，包括：
获取深水网箱的深水环境变量参数，并根据所述深水环境变量参数生成深水网箱下一个水平截面区域的预设深度；
根据所述水下机器人的俯仰角，获取所述水下机器人的实际深度，并根据所述实际深度和所述预设深度，获取样本检测深度偏差和样本检测深度偏差变化量。
在本发明实施例中，水下机器人对深水网箱的水质检测，一方面是对深水网箱的水平截面区域进行检测，另一方面根据水质分层进行深度检测。具体地，在本发明实施例中，通过传感器测得水下机器人的传感器数据，该传感器数据包括水下机器人的偏航角a和俯仰角β，优选地，在本发明实施例中，传感器数据还包括滚转角γ。然后，将传感器数据和深水网箱当前截面区域的预定轨迹
进行融合，得到预定轨迹
和传感器反馈的实际轨迹
之间的偏差e1和偏差变化量Δe1，并将偏差e1和偏差变化量Δe1作为模糊神经网络模型的输入，通过对输入信号的模糊化、输入信号相乘、规则强度的归一化，消除此偏差，最后根据模糊规则的输出，获得推力的分配及推进器推力控制指令(可参考图2所示，水下机器人在水平截面区域中的检测，涉及到控制前进的推进器2和控制转弯的推进器5和推进器6，当进行水平面的路径跟踪检测时，由于不涉及水下机器人的上浮与下沉，涉及到水下机器人的传感器数据为偏航角a)，从而使水下机器人在深水网箱的水平截面区域沿着预定的轨迹
行驶。
在上述实施例的基础上，所述深水环境变量参数包括：水温参数、pH值、溶解氧参数、电导率、叶绿素参数和浊度。
进一步地，在本发明实施例中，水下机器人在深水网箱垂直面的深度控制和其在水平截面区域的路径跟踪控制类似，但目标深度h(即预设深度)是由深水环境变量参数所确定，在本发明实施例中，预设深度是根据深水水箱的实际养殖需求以及对应的水质信息进行设置的，从而得到水下机器人在深水网箱的一个水平截面区域检测结束后，将要下降的目标高度h，该目标高度h为深水网箱的下一个水平截面区域。然后，将目标高度h和水下机器人的实际高度h*之间的偏差e2和偏差变化量Δe2，作为模糊神经网络控制模型的输入，最终，实现水下机器人在深水网箱垂直面的控制(可参考图2所示，推进器3和推进器4控制水下机器人的上浮与下沉)。
进一步地，在本发明实施例中，以深水网箱中其中一个水平截面区域的水下机器人的偏航角调整为例，图4为本发明实施例提供的水下机器人在深水网箱的水平截面区域的轨迹调整示意图，可参考图4所示，水下机器人的预定轨迹为
O为水下机器人的起点，A点为水下机器人的当前位置，B点为目标位置。A点和B点的坐标分别设置为(Xa,Ya)和(Xb,Yb)，即AB段的预期航向是ad，a为水下机器人当前的航向角，ae为航向角的误差，即预设轨迹
和传感器反馈的
之间的偏差e。然后，获取预期航向：
ad＝acrtan((Yb-Ya)/(Xb-Xa))；
从而根据ae＝a-ad，获取偏航角的偏差。把偏航角的偏差和偏差变化率作为RBF模糊神经网络控制模型的输入，以使得该偏差使其趋近于零，在偏航角的误差ae趋近于零的过程中，水下机器人不断的朝预期航向方向调整，最终达到目标位置，即沿着预设轨迹航行，实现深水网箱的水平截面的水质监测。需要说明的是，在本发明实施例中，水下机器人在垂直方向的深度控制所对应的俯仰角变化的具体步骤，和上述实施例提供的深水网箱水平截面水质检测的偏航角变化的具体步骤类似，在此不再赘述。
在上述实施例的基础上，在所述对目标深水网箱进行水质三维检测，在深水网箱的水平面获取水下机器人的检测轨迹偏差和检测轨迹偏差变化量；在深水网箱的垂直面根据深水网箱所处海域水质与深度的关系确定机器人从一个水平面下降到另一水平面的深度，并检测深度偏差和检测深度偏差变化量之前，所述方法还包括：
获取水下机器人的当前位置坐标信息和目标位置坐标信息；
根据所述当前位置坐标信息和所述目标位置坐标信息，通过所述模糊神经网络模型，生成对应的预设推力调整值；
通过所述预设推力调整值，驱使所述水下机器人根据预设轨迹行进推力调整值。
在本发明实施例中，在水下机器人获取到目标位置信息之后，模糊神经网络模型会生成一个预设的行驶路径以及对应的推力调整值，然后，水下机器人根据该预设的行驶路径对目标深水网箱进行水质检测，并通过上述实施例提供的方法实时对轨迹偏差进行调整，从而保障水下机器人更加精准，全面的进行水质检测。
在上述实施例的基础上，所述根据所述轨迹推力调整值对所述水下机器人的检测轨迹进行调整，根据所述深度推力调整值对所述水下机器人的检测深度进行调整，包括：
根据所述轨迹推力调整值，对所述水下机器人在所述目标深水网箱的当前水平截面区域的检测轨迹进行调整，以使得所述水下机器人根据调整后的检测轨迹完成当前水平截面区域的水质检测；
根据所述深度推力调整值，对所述水下机器人的检测深度进行调整，以使得所述水下机器人到达所述目标深水网箱的下一个水平截面区域进行水质检测。
在本发明实施例中，水下机器人在对目标深水网箱当前水平截面区域进行水质检测时，实时对出现的轨迹偏差进行调整纠正。当完成该水平截面区域的水质检测后，根据目标深水网箱的深水环境变量参数，制定下一个水平截面区域对应的目标深度，并通过计算得到深度推力调整值，实时对下潜的水下机器人的深度进行调整，从而快速准确的到达目标深水网箱的下一个水平截面区域进行水质检测。在对目标深水网箱进行全面水质监测后，根据采集到的水质检测数据，生成该目标深水网箱对应的水层-水质分布图，从而掌握不同水位的水质信息，以保证深海网箱养殖环境中的水质在标准范围内，达到给养殖鱼类提供最适的生存环境及增产的目的。
图5为本发明实施例提供的基于水下机器人的深水网箱水质检测系统的结构示意图，如图5所示，本发明实施例提供了一种基于水下机器人的深水网箱水质检测系统，包括数据获取模块501、数据处理模块502和巡航定深控制模块503，其中，数据获取模块501用于对目标深水网箱进行水质三维检测，在深水网箱的水平面获取水下机器人的检测轨迹偏差和检测轨迹偏差变化量；在深水网箱的垂直面根据深水网箱所处海域水质与深度的关系确定机器人从一个水平面下降到另一水平面的深度，并检测深度偏差和检测深度偏差变化量；数据处理模块502用于基于模糊神经网络模型，对所述检测轨迹偏差和和所述检测轨迹偏差变化量进行处理，并对所述检测深度偏差和所述检测深度偏差变化量进行处理，分别得到对应的轨迹推力调整值和深度推力调整值；所述模糊神经网络模型是由径向基模糊神经网络模型构建的，并通过样本检测轨迹偏差、样本检测轨迹偏差变化量、样本检测深度偏差和样本检测深度偏差变化量训练得到的；巡航定深控制模块503用于根据所述轨迹推力调整值对所述水下机器人的检测轨迹进行调整，根据所述深度推力调整值对所述水下机器人的检测深度进行调整，以供水下机器人通过调整后的检测轨迹和检测深度，对所述目标深水网箱的水质进行三维检测，并根据检测得到的水质数据和所述水下机器人的位置，生成所述目标深水网箱的实时水质与三维位置关系的对应图。
本发明实施例提供的一种基于水下机器人的深水网箱水质三维检测系统，基于模糊神经网络控制模型对水下机器人的检测轨迹和检测深度进行调整，提高了水质检测的精度，实现了深水网箱不同水层的水质检测，使得深水网箱的水质检测范围更全面。
在上述实施例的基础上，所述系统还包括坐标信息获取模块、推力调整值生成模块和驱动模块，其中，坐标信息获取模块用于获取水下机器人的当前位置坐标信息和目标位置坐标信息；推力调整值生成模块用于根据所述当前位置坐标信息和所述目标位置坐标信息，通过所述模糊神经网络模型，生成对应的预设推力调整值；驱动模块用于通过所述预设推力调整值，驱使所述水下机器人根据预设轨迹行进。
在上述实施例的基础上，所述系统还包括报警模块和决策模块，其中，报警模块用于对深水环境变量参数和水下机器人运动轨迹参数进行实时监测，并将参数监测数据发送到决策模块，以根据决策模块返回的参数异常判断结果生成相应的报警信息；决策模块用于将深水环境变量参数与预设标准值进行比较，若深水环境参数变量大于预设标准值，并将环境变量参数的异常判断结果发送到报警模块；决策模块还用于将水下机器人当前的运动轨迹参数和预设轨迹进行比较，若当前的运动轨迹参数与预设轨迹不符，则生成相应的控制指令，以使得基于水下机器人的深水网箱水质检测系统对水下机器人当前轨迹进行调整。其中，深水环境变量参数包括水温参数、pH值、溶解氧参数、电导率、叶绿素参数和浊度。
在上述实施例的基础上，所述系统还包括显示模块和转换模块，其中，显示模块用于显示深水水箱的水质信息，转换模块用于实现待定命令与接口信号之间的转换。
本发明实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图6为本发明实施例提供的电子设备结构示意图，参照图6，该电子设备可以包括：处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令，以执行如下方法：对目标深水网箱进行水质三维检测，在深水网箱的水平面获取水下机器人的检测轨迹偏差和检测轨迹偏差变化量；在深水网箱的垂直面根据深水网箱所处海域水质与深度的关系确定机器人从一个水平面下降到另一水平面的深度，并检测深度偏差和检测深度偏差变化量；基于模糊神经网络模型，对所述检测轨迹偏差和所述检测轨迹偏差变化量进行处理，并对所述检测深度偏差和所述检测深度偏差变化量进行处理，分别得到对应的轨迹推力调整值和深度推力调整值；所述模糊神经网络模型是由径向基模糊神经网络模型构建的，并通过样本检测轨迹偏差、样本检测轨迹偏差变化量、样本检测深度偏差和样本检测深度偏差变化量训练得到的；根据所述轨迹推力调整值对所述水下机器人的检测轨迹进行调整，根据所述深度推力调整值对所述水下机器人的检测深度进行调整，以供水下机器人通过调整后的检测轨迹和检测深度，对所述目标深水网箱的水质进行三维检测，并根据检测得到的水质数据和所述水下机器人的位置，生成所述目标深水网箱的实时水质与三维位置关系的对应图。
此外，上述的存储器603中的逻辑指令可以通过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取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于水下机器人的深水网箱水质三维检测方法，例如包括：对目标深水网箱进行水质三维检测，在深水网箱的水平面获取水下机器人的检测轨迹偏差和检测轨迹偏差变化量；在深水网箱的垂直面根据深水网箱所处海域水质与深度的关系确定机器人从一个水平面下降到另一水平面的深度，并检测深度偏差和检测深度偏差变化量；基于模糊神经网络模型，对所述检测轨迹偏差和所述检测轨迹偏差变化量进行处理，并对所述检测深度偏差和所述检测深度偏差变化量进行处理，分别得到对应的轨迹推力调整值和深度推力调整值；所述模糊神经网络模型是由径向基模糊神经网络模型构建的，并通过样本检测轨迹偏差、样本检测轨迹偏差变化量、样本检测深度偏差和样本检测深度偏差变化量训练得到的；根据所述轨迹推力调整值对所述水下机器人的检测轨迹进行调整，根据所述深度推力调整值对所述水下机器人的检测深度进行调整，以供水下机器人通过调整后的检测轨迹和检测深度，对所述目标深水网箱的水质进行三维检测，并根据检测得到的水质数据和所述水下机器人的位置，生成所述目标深水网箱的实时水质与三维位置关系的对应图。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于水下机器人的深水网箱水质三维检测方法，其特征在于，包括：
对目标深水网箱进行水质三维检测，在深水网箱的水平面获取水下机器人的检测轨迹偏差和检测轨迹偏差变化量；在深水网箱的垂直面根据深水网箱所处海域水质与深度的关系确定机器人从一个水平面下降到另一水平面的深度，并检测深度偏差和检测深度偏差变化量；
基于模糊神经网络模型，对所述检测轨迹偏差和所述检测轨迹偏差变化量进行处理，并对所述检测深度偏差和所述检测深度偏差变化量进行处理，分别得到对应的轨迹推力调整值和深度推力调整值；所述模糊神经网络模型是由径向基模糊神经网络模型构建的，并通过样本检测轨迹偏差、样本检测轨迹偏差变化量、样本检测深度偏差和样本检测深度偏差变化量训练得到的；
根据所述轨迹推力调整值对所述水下机器人的检测轨迹进行调整，根据所述深度推力调整值对所述水下机器人的检测深度进行调整，以供水下机器人通过调整后的检测轨迹和检测深度，对所述目标深水网箱的水质进行三维检测，并根据检测得到的水质数据和所述水下机器人的位置，生成所述目标深水网箱的实时水质与三维位置关系的对应图。
2.根据权利要求1所述的基于水下机器人的深水网箱水质三维检测方法，其特征在于，所述模糊神经网络模型通过以下步骤获取：
获取水下机器人检测深水网箱水平截面区域的实际轨迹和预设轨迹，并根据所述实际轨迹和所述预设轨迹，得到样本检测轨迹偏差和样本检测轨迹偏差变化量；
获取水下机器人检测深水网箱的实际深度和预设深度，并根据所述实际深度和所述预设深度，得到样本检测深度偏差和样本检测深度偏差变化量；
根据所述样本检测轨迹偏差、所述样本检测轨迹偏差变化量、所述样本检测深度偏差和所述样本检测深度偏差变化量，构建样本训练集；
根据所述样本训练集，对径向基模糊神经网络模型进行训练，得到模糊神经网络模型。
3.根据权利要求2所述的基于水下机器人的深水网箱水质三维检测方法，其特征在于，所述获取水下机器人检测深水网箱水平截面区域的实际轨迹和预设轨迹，并根据所述实际轨迹和所述预设轨迹，得到样本检测轨迹偏差和样本检测轨迹偏差变化量，包括：
通过水下机器人对深水网箱的水平截面区域进行检测，获取所述水下机器人的传感器数据和预设轨迹，所述传感器数据至少包括所述水下机器人的偏航角和俯仰角；
将所述传感器数据和所述预设轨迹进行融合处理，得到所述水下机器人的实际轨迹和所述预设轨迹之间的样本检测轨迹偏差和样本检测轨迹偏差变化量。
4.根据权利要求3所述的基于水下机器人的深水网箱水质三维检测方法，其特征在于，所述获取水下机器人检测深水网箱的实际深度和预设深度，并根据所述实际深度和所述预设深度，得到样本检测深度偏差和样本检测深度偏差变化量，包括：
获取深水网箱的深水环境变量参数，并根据所述深水环境变量参数生成深水网箱下一个水平截面区域的预设深度；
根据所述水下机器人的俯仰角，获取所述水下机器人的实际深度，并根据所述实际深度和所述预设深度，获取样本检测深度偏差和样本检测深度偏差变化量。
5.根据权利要求4所述的基于水下机器人的深水网箱水质三维检测方法，其特征在于，所述深水环境变量参数包括：水温参数、pH值、溶解氧参数、电导率、叶绿素参数和浊度。
6.根据权利要求1所述的基于水下机器人的深水网箱水质三维检测方法，其特征在于，在所述对目标深水网箱进行水质三维检测，在深水网箱的水平面获取水下机器人的检测轨迹偏差和检测轨迹偏差变化量；在深水网箱的垂直面根据深水网箱所处海域水质与深度的关系确定机器人从一个水平面下降到另一水平面的深度，并检测深度偏差和检测深度偏差变化量之前，所述方法还包括：
获取水下机器人的当前位置坐标信息和目标位置坐标信息；
根据所述当前位置坐标信息和所述目标位置坐标信息，通过所述模糊神经网络模型，生成对应的预设推力调整值；
通过所述预设推力调整值，驱使所述水下机器人根据预设轨迹行进。
7.根据权利要求1所述的基于水下机器人的深水网箱水质三维检测方法，其特征在于，所述根据所述轨迹推力调整值对所述水下机器人的检测轨迹进行调整，根据所述深度推力调整值对所述水下机器人的检测深度进行调整，包括：
根据所述轨迹推力调整值，对所述水下机器人在所述目标深水网箱的当前水平截面区域的检测轨迹进行调整，以使得所述水下机器人根据调整后的检测轨迹完成当前水平截面区域的水质检测；
根据所述深度推力调整值，对所述水下机器人的检测深度进行调整，以使得所述水下机器人到达所述目标深水网箱的下一个水平截面区域进行水质检测。
8.一种基于水下机器人的深水网箱水质三维检测系统，其特征在于，包括：
数据获取模块，用于对目标深水网箱进行水质三维检测，在深水网箱的水平面获取水下机器人的检测轨迹偏差和检测轨迹偏差变化量；在深水网箱的垂直面根据深水网箱所处海域水质与深度的关系确定机器人从一个水平面下降到另一水平面的深度，并检测深度偏差和检测深度偏差变化量；
数据处理模块，用于基于模糊神经网络模型，对所述检测轨迹偏差和所述检测轨迹偏差变化量进行处理，并对所述检测深度偏差和所述检测深度偏差变化量进行处理，分别得到对应的轨迹推力调整值和深度推力调整值；所述模糊神经网络模型是由径向基模糊神经网络模型构建的，并通过样本检测轨迹偏差、样本检测轨迹偏差变化量、样本检测深度偏差和样本检测深度偏差变化量训练得到的；
巡航定深控制模块，用于根据所述轨迹推力调整值对所述水下机器人的检测轨迹进行调整，根据所述深度推力调整值对所述水下机器人的检测深度进行调整，以供水下机器人通过调整后的检测轨迹和检测深度，对所述目标深水网箱的水质进行三维检测，并根据检测得到的水质数据和所述水下机器人的位置，生成所述目标深水网箱的实时水质与三维位置关系的对应图。
9.根据权利要求8所述的基于水下机器人的深水网箱水质三维检测系统，其特征在于，所述系统还包括：
坐标信息获取模块，用于获取水下机器人的当前位置坐标信息和目标位置坐标信息；
推力调整值生成模块，用于根据所述当前位置坐标信息和所述目标位置坐标信息，通过所述模糊神经网络模型，生成对应的预设推力调整值；
驱动模块，用于通过所述预设推力调整值，驱使所述水下机器人根据预设轨迹行进。
10.根据权利要求8所述的基于水下机器人的深水网箱水质三维检测系统，其特征在于，所述系统还包括：
报警模块，用于对深水环境变量参数和水下机器人运动轨迹参数进行实时监测，并将参数监测数据发送到决策模块，以根据决策模块返回的参数异常判断结果生成相应的报警信息；
决策模块，用于将深水环境变量参数与预设标准值进行比较，若深水环境参数变量大于预设标准值，并将环境变量参数的异常判断结果发送到报警模块；决策模块还用于将水下机器人当前的运动轨迹参数和预设轨迹进行比较，若当前的运动轨迹参数与预设轨迹不符，则生成相应的控制指令，以使得基于水下机器人的深水网箱水质检测系统对水下机器人当前轨迹进行调整；
其中，深水环境变量参数包括水温参数、pH值、溶解氧参数、电导率、叶绿素参数和浊度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010750969.6A CN112034121A (zh) | 2020-07-30 | 2020-07-30 | 基于水下机器人的深水网箱水质三维检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010750969.6A CN112034121A (zh) | 2020-07-30 | 2020-07-30 | 基于水下机器人的深水网箱水质三维检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112034121A true CN112034121A (zh) | 2020-12-04 |
Family
ID=73583571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010750969.6A Pending CN112034121A (zh) | 2020-07-30 | 2020-07-30 | 基于水下机器人的深水网箱水质三维检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112034121A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115639747A (zh) * | 2022-09-30 | 2023-01-24 | 浙江大学 | 一种auv导航智能系统及方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130090789A1 (en) * | 2011-10-07 | 2013-04-11 | Teledyne Instruments, Inc. | Methods and systems for configuring sensor acquisition based on pressure steps |
| CN106647808A (zh) * | 2017-01-05 | 2017-05-10 | 南宁市健佳网络科技有限公司 | 一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法 |
| CN107804443A (zh) * | 2017-10-23 | 2018-03-16 | 博雅工道（北京）机器人科技有限公司 | 一种混合动力水下机器人平台 |
| 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 |
| CN109541609A (zh) * | 2018-12-10 | 2019-03-29 | 江门市蓬江区联诚达科技发展有限公司 | 江河湖泊探测机器人及其作业方法 |
| 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 |
| CN110824526A (zh) * | 2019-11-22 | 2020-02-21 | 淮南矿业(集团)有限责任公司 | 一种用于煤矿沉陷区水资源监测的新型水域测量机器人 |
| CN111271071A (zh) * | 2020-01-19 | 2020-06-12 | 浙江中创天成科技有限公司 | 一种基于模糊自适应神经网络的盾构机姿态控制方法 |
-
2020
- 2020-07-30 CN CN202010750969.6A patent/CN112034121A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130090789A1 (en) * | 2011-10-07 | 2013-04-11 | Teledyne Instruments, Inc. | Methods and systems for configuring sensor acquisition based on pressure steps |
| CN106647808A (zh) * | 2017-01-05 | 2017-05-10 | 南宁市健佳网络科技有限公司 | 一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法 |
| CN107804443A (zh) * | 2017-10-23 | 2018-03-16 | 博雅工道（北京）机器人科技有限公司 | 一种混合动力水下机器人平台 |
| 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 |
| CN109541609A (zh) * | 2018-12-10 | 2019-03-29 | 江门市蓬江区联诚达科技发展有限公司 | 江河湖泊探测机器人及其作业方法 |
| 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 |
| CN110824526A (zh) * | 2019-11-22 | 2020-02-21 | 淮南矿业(集团)有限责任公司 | 一种用于煤矿沉陷区水资源监测的新型水域测量机器人 |
| CN111271071A (zh) * | 2020-01-19 | 2020-06-12 | 浙江中创天成科技有限公司 | 一种基于模糊自适应神经网络的盾构机姿态控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| YAOGUANG WEI ET AL.: "Equipment and Intelligent Control System in Aquaponics: A Review", 《IEEE ACCESS》 * |
| 梁霄 等: "水下机器人 T-S 型模糊神经网络控制", 《电机与控制学报》 * |
| 段群杰 等: "基于模糊神经网络的水下机器人", 《船舶工程》 * |
| 郑曙光: "基于模糊神经网络技术的水下机器人运动控制的研究", 《中国优秀硕士学位论文全文数据库 科技信息辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115639747A (zh) * | 2022-09-30 | 2023-01-24 | 浙江大学 | 一种auv导航智能系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111694365B (zh) | 一种基于深度强化学习的无人船艇编队路径跟踪方法 | |
| CN108319293B (zh) | 一种基于lstm网络的uuv实时避碰规划方法 | |
| CN113033119B (zh) | 一种基于双评论家强化学习技术的水下航行器目标区域上浮控制方法 | |
| CN109784201B (zh) | 基于四维风险评估的auv动态避障方法 | |
| CN111079936B (zh) | 基于强化学习的波动鳍推进水下作业机器人追踪控制方法 | |
| CN105511480B (zh) | 一种基于人工蜂群优化的模型预测的欠驱动uuv深度控制方法 | |
| CN109859202B (zh) | 一种基于usv水面光学目标跟踪的深度学习检测方法 | |
| CN109032136A (zh) | 基于主从分布式模型预测控制的欠驱动多无人船编队跟踪方法 | |
| CN107255920A (zh) | 基于网络优化算法的pid控制方法和装置及系统 | |
| CN114595898B (zh) | 一种考虑航道环境的船舶智能操纵方法 | |
| CN109885077A (zh) | 一种四旋翼飞行器姿态控制方法及控制器 | |
| CN107315348B (zh) | 一种基于惩罚式小波网络的无人潜航器位姿控制方法 | |
| CN112034121A (zh) | 基于水下机器人的深水网箱水质三维检测方法及系统 | |
| CN114545935A (zh) | 基于改进麻雀算法的模糊pid动力定位铺缆船循迹控制方法 | |
| Zhang et al. | Parameter identification and application of ship maneuvering model based on TO-CSA | |
| CN113917930A (zh) | 一种基于感知数据的无人船航行状态控制方法 | |
| CN113064422B (zh) | 基于双神经网络强化学习的自主水下航行器路径规划方法 | |
| CN115373383B (zh) | 一种垃圾回收无人艇的自主避障方法、装置及相关设备 | |
| CN116755323A (zh) | 一种基于深度强化学习的多旋翼无人机pid自整定方法 | |
| Ding et al. | Real-time Trajectory Planning and Tracking Control of Bionic Underwater Robot in Dynamic Environment | |
| CN116774576A (zh) | 基于神经网络间接估计的水下航行器动力学黑盒建模方法 | |
| Wang et al. | Sensitivity analysis of profile navigation command of underwater gliders to the initial heading error for improving trajectory accuracy | |
| CN117055586B (zh) | 基于自适应控制的水下机器人巡游搜索与抓取方法、系统 | |
| CN116880519B (zh) | 一种基于滑模变结构的潜器运动控制方法 | |
| CN118244644B (zh) | 一种欠驱动水面航行器轨迹跟踪滑模控制方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |