CN114354082B - 一种基于仿鲟鱼吻须的海底管道智能循迹系统和循迹方法 - Google Patents

Abstract

本发明提出一种基于仿鲟鱼吻须的海底管道智能循迹系统和循迹方法，模仿鲟鱼依靠吻须在水底昏暗、浑浊环境下感知食物及方向，利用鲟鱼吻须上均搭载有磁场探测仪和电涡流传感器，设计海底管道智能循迹系统。将传感器数据与水下机器人平台姿态角信息作为系统输入，采用基于卷积神经网络的深度学习方法对训练数据进行不断学习，构建海底管道智能检测学习模型，使设计海底管道智能循迹系统在有外界干扰情况下，依据当前的传感器数据预测机器人相对于管道位置，以保证水下机器人始终沿海底管道正上方前进，该方法使得循迹系统具有较强的抗干扰能力。

Description

一种基于仿鲟鱼吻须的海底管道智能循迹系统和循迹方法

技术领域

本发明涉及一种海底管道循迹方法，特别涉及一种基于仿鲟鱼吻须的海底管道智能循迹系统和循迹方法。

背景技术

为确保海洋管道油气运输安全，对海底石油管道进行定期检测是预防和及时发现管道泄漏的重要手段。以水下机器人平台为基础进行海底管道腐蚀、泄漏检测，具有安全性高、费用低、效率高而逐渐成为了海底管道安全检测的重要方式之一，而海底管道循迹是管道泄漏检测的前提。海底管道循迹主要有以下四种方法：（1）坐标信息法，利用己知的管道全球卫星导航系统坐标信息，将水下机器人运动到初始设计坐标位置，但水上及水下联合定位不可避免存在误差，同时受波浪、潮汐、地震等未知因素影响，管道实际位置可能己偏离初始设计坐标位置，以上这些情况导致水下机器人难以保证工作在海底管道正上方；（2）水下图像处理方法，该方法在水下机器人平台安装摄像头，通过采集海底管道图像信息判断管道位置，但海底光线较差，同时光线在海水中存在吸收、散射等物理现象，致使水下图像不可避免的存在雾化、色彩对比度差等问题，这直接影响了管道位置识别准确性；（3）绝对磁场法，指采用电磁技术测量海底管道对地磁场影响，通过与已知磁场分布规律对比，根据磁场异常点确定海底管道位置信息。该方法易受航标、海浪以及载体的舵机、驱动推进器、传感器等噪声干扰；（4）多传感器数据融合法，该方法是指将摄像头、磁传感器、声呐等多种传感器数据进行融合，以融合后的数据最终确定管道位置，虽然该方法可以结合多种传感器优势，对管道位置进行全面评估，但由于数据处理复杂、计算量大，难以实现有效实时监测。综上所述，虽然海底管道循迹已经有了一些方法，但海底复杂环境多变，不仅存在光线较差的特点，而且易受海浪、潮汐、地震等未知不确定性因素影响，这导致以上这些传统的方法难以实现复杂水环境下管道实时自主巡线。

鲟鱼主要生活于海底，因为海底的昏暗环境，其视力不是太好，主要依靠吻须对一些底栖鱼类进行方位判别并捕捉猎物。鲟鱼嘴巴的前端长有2对吻须，其判断猎物位置的方式有以下两个方面：（1）鲟鱼吻须分布有大量味蕾，集中在须部外侧的大量味蕾可帮助鲟鱼感知底部食物；（2）吻须能够帮助鲟鱼感知猎物放出的微弱电流，可进一步准确判断猎物位置并进行捕猎。由上可知，鲟鱼主要依靠吻须感知猎物气味、微电流等对猎物进行定位，感受猎物的具体位置。随着鲟鱼依据吻须捕食猎物的经验越来越丰富，鲟鱼依靠吻须探测食物位置也越来越精确。基于鲟鱼吻须的特点及功能，本发明提出一种基于仿鲟鱼吻须的海底管道智能循迹系统和循迹方法，为了模仿鲟鱼吻须的这种对猎物的感知以及对方位判断的学习能力，在水下机器人的前端安装4个磁场探测仪及4个电涡流传感器，模仿鲟鱼2对吻须。

仿生学主要是对生物的构造、功能、形体、行为等进行仿生，磁场探测仪模仿鲟鱼味蕾属于功能仿生与形体仿生：

（1）功能仿生方面，鲟鱼吻须味蕾主要集中在不靠近吻部腹面的一侧，且数量从基部往端部逐渐增多，集中在鲟鱼吻须外侧的大量味蕾具有帮助鲟鱼在昏暗海底环境感知底部猎物位置的功能；（2）形体仿生方面，鲟鱼有4个吻须，可以从吻须前方、左侧、右侧、后方多方位感知猎物位置。同样地，在海底昏暗环境中，为了使水下机器人平台能够感知海泥下管道位置，将磁场探测仪放于水下机器人下方探测管道位置，对鲟鱼吻须的功能仿生；将4个磁场探测仪以竖直方向放置于水下机器人的前端下方，对鲟鱼形体仿生。

磁场探测仪模仿鲟鱼吻须味蕾感知食物功能，电涡流传感器模仿吻须感知微弱电流能力，卷积神经网络模仿鲟鱼依靠吻须寻找食物的学习能力，也就是说经验越多、寻找食物方位越准确，本发明再结合水下机器人平台的姿态数据，运用卷积神经网络算法对获得的传感器数据进行不断学习，提高对管道位置的准确定位循迹能力，从而进一步提高水下机器人平台巡线能力。本发明根据采集的大量数据，通过不断学习建立有效的端到端学习模型，因为训练过程包含了海浪、潮汐、地震等未知不确定性因素下的输入输出数据，这使得该方法与传统方法相比，具有较强的抗干扰能力、系统鲁棒性较强。同时，该方法是将传感器获得的数据输入到建立的学习模型，得到相应的管道位置结果，与传统的多传感器数据融合需要经过复杂的运算不同，因此具有较好的实时性特点。

发明内容

为了提高水下机器人的巡线能力，增强抗干扰性，本发明提出一种基于仿鲟鱼吻须的海底管道智能循迹系统和循迹方法，本发明模仿鲟鱼吻须对猎物的感知以及对方位判断的学习能力，在水下机器人的前端安装4个磁场探测仪及4个电涡流传感器，模仿鲟鱼2对吻须，结合水下机器人平台的姿态数据，运用卷积神经网络算法对获得的传感器数据进行不断学习，提高对管道位置的准确定位循迹能力，从而进一步提高水下机器人平台巡线能力，具有较强的抗干扰能力、系统鲁棒性较强。同时，该方法是将传感器获得的数据输入到建立的学习模型，得到相应的管道位置结果，与传统的多传感器数据融合需要经过复杂的运算不同，因此具有较好的实时性特点。

一种基于仿鲟鱼吻须的海底管道智能循迹系统，所述管道智能循迹系统包括水下机器人、吻须和海底管道，四个所述吻须设置在水下机器人前端底侧，每个吻须上均搭载有磁场探测仪和电涡流传感器，所述水下机器人上设置有姿态传感器用于获取水下机器人的姿态角数据，所述管道智能循迹系统通过吻须获取的信号结合水下机器人的姿态角数据，通过卷积神经网络学习模型判断水下机器人位于海底管道的位置，根据判断得到的位置调整水下机器人使其位于海洋管道正上方。

一种采用基于仿鲟鱼吻须的海底管道智能循迹系统的循迹方法，所述方法包括以下步骤：

步骤1、建立管道循迹卷积神经网络的学习模型，包括以下建立步骤：

步骤1.1、数据采集，对已有数据进行采集，所采集的数据包括位置属性数据和水下机器人相对于管道的位置信息，所述位置属性数据包括水下机器人上四个吻须搭载的磁场探测仪和电涡流传感器采集的信息数据和搭载在机器人上的姿态传感器采集的姿态角数据，将采集的数据进行对应并汇总获取数据集，将数据集随机分为训练集、验证集和测试集；

步骤1.2、前馈操作，对所述训练集的数据进行训练，采用卷积神经网络学习模型将步骤1.1中的训练集中的位置属性数据作为卷积神经网络的输入，建立位置特征提取网络，对卷积神经网络结构及参数进行初始化，将机器人位于管道的位置信息作为所述智能循迹系统的输出；

步骤1.3、反馈操作，对卷积神经网络参数进行优化分析，所述优化分析方法为，以交叉熵损失函数为目标函数，以卷积神经网络参数为决策变量，运用批处理的随机梯度下降法进行卷积神经网络参数优化分析，调整并获取管道循迹卷积神经网络的学习模型；

步骤1.4、用所述验证集验证所述管道循迹卷积神经网络的学习模型，验证方法为，将验证集内的位置属性数据代入所述管道循迹卷积神经网络的学习模型，输出水下机器人相对于管道的位置信息，验证过程中不断调整学习模型，将输出的水下机器人相对于管道的位置信息与验证集中实际的水下机器人相对于管道的位置信息进行比较，获取管道位置验证误差，以管道位置验证误差最小化为标准，获取最优管道循迹卷积神经网络的学习模型；

步骤1.5、采用训练集与验证集内的位置属性数据，代入所述最优管道循迹卷积神经网络的学习模型重复步骤1.4的操作，获取最终管道循迹卷积神经网络的学习模型；

步骤1.6、用所述测试集内的数据对步骤1.5确定的最终管道循迹卷积神经网络的学习模型进行评估，如果评估效果为优秀，进入步骤2，如果评估效果为不合格，重新进行数据收集，重复步骤1.1-1.5，直至评估效果优秀；

步骤2、采用海底管道智能循迹系统获取当前时刻的位置属性数据；

步骤3、将所获取的位置属性数据输入所述最终管道循迹卷积神经网络的学习模型，实时判断水下机器人位于海底管道的方位；

步骤4、根据步骤3所获取的水下机器人位于海底管道的方位，不断调整水下机器人的运动方向，使水下机器人沿着海底管道正上方前进，最终实现海底管道循迹检测。

进一步地，所述姿态角数据包括水下机器人的俯仰角、偏航角和横滚角。

进一步地，水下机器人位于管道左侧时细分为偏左方向较大与偏左方向较小位置、将水下机器人位于管道右侧时细分为偏右方向较大与偏右方向较小位置、水下机器人位于管道正上方，水下机器人机头到机尾之间的中心线为水下机器人的机身纵轴线，当水下机器人位于管道左侧时，水下机器人的机身纵轴线与管道的管线之间的夹角大于0º小于等于45º时为偏左方向较小位置，水下机器人的机身纵轴线与管道管线之间的夹角大于45º小于等于90º时为偏左方向较大位置，当水下机器人位于管道右侧时，水下机器人的机身纵轴线与管道管线之间的夹角大于0º小于等于45º时为偏右方向较小位置，水下机器人的机身纵轴线与管道管线之间的夹角大于45º小于等于90º时为偏右方向较大位置。

进一步地，步骤1.2中对所述训练集的数据进行训练前，对所需数据需要进行归一化处理。

进一步地，管道循迹系统卷积神经网络中的交叉熵损失函数为：

式中，N为训练样本数；C为海底管道位置信息分类任务类别数，C为5；

为第i个训 练样本的位置特征，真实标记为；

为卷积神经网络的最 终输出。

在水下机器人的前端安装4个磁场探测仪及4个电涡流传感器，模仿鲟鱼2对吻须，结合水下机器人平台的姿态数据，运用卷积神经网络算法对获得的传感器数据进行不断学习，提高对管道位置的准确定位循迹能力，从而进一步提高水下机器人平台巡线能力。磁场探测仪及电涡流传感器具有原理简单、易操作的特点，磁场探测仪设计原理主要依据在没有其他磁体的影响的前提下，地球磁场的磁力线按照一定的规则分布于地表。但如果出现其他的磁性物质，就会对磁力线规则分布产生影响而产生畸变，根据管道引起规则磁场发生畸变的原理作为管道位置判断依据。电涡流传感器基本原理如下，在传感器探头内安装线圈，由控制器控制其产生震荡电磁场，电感线圈产生的磁力线经过海底金属管道时，被管道表面会产生感应电流而出现反向电磁场，根据反向电磁场的强度判断水下机器人与海底管道之间距离。海底管道自主循迹系统包含水下机器人平台、吻须及海底管道，其中每个吻须包含一个磁场探测仪及电涡流传感器，根据吻须获得的信号，结合水下机器人平台的姿态数据，通过卷积神经网络学习模型判断水下机器人位于管道的位置。水下机器人位于管道的位置可粗略的分为左侧、右侧与正上方，需要指出的是为了进一步细化管道位置，使得水下机器人能够根据不同位置尽可能平稳调整水下机器人位于管道正上方，可将水下机器人位于管道左侧细分为偏左方向较大（左大）与偏左方向较小（简称左小）位置，同理，将水下机器人位于管道右侧细分为右大与右小位置。需要注意的是本发明专利提出的检测方法，完全不同于传统的电磁检测方法及多传感器数据融合方法。

有益效果：随着鲟鱼依据吻须捕食猎物的经验越来越丰富，鲟鱼依靠吻须探测食物位置也越来越精确。基于鲟鱼吻须的特点及功能，本发明提出一种基于仿鲟鱼吻须的海底管道智能循迹系统和循迹方法，本发明主要根据采集的大量数据，通过不断学习建立有效的管道循迹卷积神经网络的学习模型，因为训练过程包含了海浪、潮汐、地震等未知不确定性因素下的输入输出数据，这使得该方法与传统方法相比，具有较强的抗干扰能力、系统鲁棒性较强。同时，该方法是将传感器获得的数据输入到建立的学习模型，得到相应的管道位置结果，与传统的多传感器数据融合需要经过复杂的运算不同，因此具有较好的实时性特点。

附图说明

图1仿鲟鱼吻须管道智能循迹示意图；

图2基于仿鲟鱼吻须的智能循迹管道位置分类过程。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

下面结合附图1、2对本发明的具体实施方式作进一步的描述。

一种基于仿鲟鱼吻须的海底管道智能循迹系统，所述管道智能循迹系统包括水下机器人1、吻须2和海底管道3，四个所述吻须2设置在水下机器人前端底侧，每个吻须2上均搭载有磁场探测仪和电涡流传感器，所述水下机器人1上设置有姿态传感器用于获取水下机器人的姿态角数据，所述管道智能循迹系统通过吻须获取的信号结合水下机器人的姿态角数据，通过卷积神经网络学习模型判断水下机器人位于海底管道的位置。

1、基于卷积神经网络的管道智能循迹系统

基于卷积神经网络的管道智能循迹系统，采用卷积神经网络进行深度学习，通过建立的学习模型判断海底管道位置，可实时判断水下机器人与海底管道的位置，最终使水下机器人沿海底管线进行相应安全检测。

水下机器人相对于管道位置判断可转化为多分类问题，对水下机器人进行位置判断时，管道的智能循迹主要是依据4个磁场探测仪、4个电涡流传感器、姿态角数据，依靠卷积神经网络进行深度学习，主要包括位置特征提取和位置分类两部分，其内部结构如图2所示。位置特征网络主要包含输入层、卷积层和池化层，其实质是构建多个对输入数据卷积和池化操作的滤波器，不断提取输入数据的特征。输入层由4个磁场探测仪、4个电涡流传感器的数据，以及水下机器人的俯仰角、偏航角及横滚角构成。卷积神经网络是一种监督学习场景下的深度训练模型，将采集的电磁传感器数据构成二维数据作为输入样本。输入为矩阵，行数表示采集的磁场探测仪、电涡流传感器、俯仰角、偏航角及横滚角数据，列数表示表示采样点个数。为了消除不同数据量纲对训练数据的影响，对样本数据集进行归一化处理。对于管道智能循迹系统，卷积层采用多个卷积核实现对多特征提取，每层输出都是对多输入特征进行卷积，利用线性整流函数（Rectified linear unit，ReLU）作为激活函数进一步提取位置特征，采用最大池化（Max-pooling）使卷积神经网络具有一定的抗噪声能力。输出则为对应于输入的位置类别，这里将位置类别转换为“one-hot 编码”，位置特征提取网络通过多层卷积池化作用将输入样本中提取到的位置特征传递给位置分类网络，随后由其运算完成分类输出，以此确定水下机器人相对于管道的位置，进一步通过左转、右转或直行运动，实现水下机器人沿管线正上方实现管道安全检测。

2、卷积神经网络参数优化

随着海底管道系统日趋复杂化、多样化和智能化，为适应海底管道电磁信号特征数据量的不断丰富。基于卷积神经网络的仿鲟鱼吻须管道循迹系统，需要对卷积神经网络参数进行优化分析，以进一步提升管道循迹系统的抗干扰能力，使其具有较强的鲁棒性。对于管道循迹系统的卷积神经网络参数优化，本专利以交叉熵为目标函数；以卷积层与池化层网络层数、卷积核及池化核数量、卷积核及池化核尺寸、卷积核池化操作步长为决策变量；运用动量随机梯度下降法进行卷积神经网络参数优化。

2.1 优化系统目标函数

管道循迹系统卷积神经网络中的目标函数通过样本的预测结果与真实标记之间 产生的误差反向传播指导网络结构与参数优化。假设海底管道分类任务共有N个训练样本， 位置分类网络第个样本的输入特征为

，对应的真实标记为

，

另为卷积神经网络的最终输出，即样本

的预测结果，C为海底管道位置分 类任务类别数。因为水下机器人相对于管道位置，划分为左大、左小、正上方、右大、右小5个 类别，此时，C为5。

交叉熵损失函数形式如下：

(1)

通过指数化使网络输出

转换为概率形式，管道循迹系统卷积神经网络的目标是 最小化交叉损失函数。

2.2 优化系统决策变量

恰当的选择卷积层与池化层网络层数、卷积核及池化核数量、卷积核及池化核尺寸、卷积核池化操作步长，能够提高卷积神经网络算法在海底管道位置诊断方面的适用性和有效性，因此，选择以上参数作为卷积神经网络优化系统的决策变量，其特点如下：卷积层与池化层主要用于特征的提取，其网络层数越多，意味着特征提取能力越强，越容易提取有效特征，但网络层结构受到误差反向传播训练的约束，过多的网络层数将增加网络的复杂度，降低网络参数优化效率，甚至出现梯度消失现象从而无法实现参数优化。卷积层与池化层核的数量影响了特征的提取效率，核数量越多网络卷积层与池化层提取管道位置的特征能力越强，但过多的核数量可能会导致过拟合。较大的卷积核及池化核表示可以接收更多的管道位置信息，有利于提高卷积层及池化层特征提取效率，相反，核太小则会丢弃过多相应输入而损失网络性能。对于卷积核池化操作步长，过大的卷积和池化步长，容易丢失输入电磁传感器数据的特征信息；过小的卷积和池化步长容易导致输入电磁传感器数据特征信息提取效率低下。

由此可见，卷积层与池化层层数、卷积核与池化层核个数、卷积核与池化层核大小等决定了基于仿生鲟鱼吻须管道泄漏检测系统中位置判断的准确度以及算法运算效率。基于卷积神经网络的海底管道巡线需要对以卷积层与池化层层数为依托的网络结构进行优化，以及卷积层和池化层核的个数及大小为依托的参数进行优化，以提高海底管线循迹系统的性能。

2.3 优化方法

管道循迹系统卷积神经网络模型不仅是非凸函数，而且具有复杂度高的特点，这给系统优化带来了极大挑战，为了取得较好的优化效果。本专利卷积神经网络学习模型采用动量随机梯度下降法和误差反向传播法进行模型参数更新。

假设

为管道循迹系统的深度神经网络，在使用梯度下降法进行优化时，每 次选择

个管道循迹系统训练样本，

，则第

次迭代时候管道循迹系统卷积 神经网络损失函数关于

的偏导数为

(2)

其中，

卷积神经网络参数；

为批量大小；

为可微分的损失函数。

第次迭代时更新的梯度

为

(3)

在进行管道循迹系统深度神经网络进行优化过程中，若采用随机梯度下降算法更新时，损失可能会呈现振荡方式下降，为了改善其优化性能，本专利采用基于动量的随机梯度下降法，该方法主要是通过积累前几轮的“动量”替代真正的梯度，以计算负梯度的加权移动平均作为参数更新方向。

第

次迭代时参数更新的差值

为

(4)

其中，

为动量因子，

为学习率。管道循迹系统卷积神经网络每个参数的实际 更新差值取决于最近一段时间内梯度加权平均值，可以有效的提升管道循迹系统卷积神经 网络优化性能。

3、仿鲟鱼吻须管道智能巡线方法

基于仿鲟鱼吻须的海底管道循迹方法步骤如下：

步骤1、建立管道循迹卷积神经网络的学习模型，包括以下建立步骤：

步骤1.1、数据采集，对已有数据进行采集，所采集的数据包括位置特征数据和水下机器人相对于管道的位置信息，水下机器人相对于管道的位置信息的获取可以通过，比如通过蛙人潜入海底进行获取并确认，又比如，由另外一台水下机器人通过拍摄图像，然后再人为确认其位于管道左侧、右侧、还是上方。所述位置属性数据包括水下机器人上四个吻须搭载的磁场探测仪和电涡流传感器采集的信息数据和搭载在机器人上的姿态传感器采集的姿态角数据，将采集的数据进行对应并汇总获取数据集，将数据集随机分为训练集、验证集和测试集；

步骤1.2、前馈操作，对所述训练集的数据进行训练，采用卷积神经网络学习模型将步骤1.1中的训练集中的位置属性数据作为卷积神经网络的输入，建立位置特征提取网络，对卷积神经网络结构及参数进行初始化，将机器人位于管道的位置信息作为所述智能循迹系统的输出；

步骤1.3、反馈操作，对卷积神经网络参数进行优化分析，所述优化分析方法为，以交叉熵损失函数为目标函数，以卷积神经网络参数为决策变量，运用批处理的随机梯度下降法进行卷积神经网络参数优化分析，调整并获取管道循迹卷积神经网络的学习模型；

步骤1.4、用所述验证集验证所述管道循迹卷积神经网络的学习模型，验证方法为，将验证集内的位置属性数据代入所述管道循迹卷积神经网络的学习模型，输出水下机器人相对于管道的位置信息，验证过程中不断调整学习模型，将输出的水下机器人相对于管道的位置信息与验证集中实际的水下机器人相对于管道的位置信息进行比较，获取管道位置验证误差，以管道位置验证误差最小化为标准，获取最优管道循迹卷积神经网络的学习模型；

步骤1.5、采用训练集与验证集内的位置属性数据，代入所述最优管道循迹卷积神经网络的学习模型重复，步骤1.4的操作，获取最终管道循迹卷积神经网络的学习模型；

步骤1.6、用所述测试集内的数据对步骤1.5确定的最终管道循迹卷积神经网络的学习模型进行评估，如果评估效果为优秀，进入步骤2，如果评估效果为不合格，重新进行数据收集，重复步骤1.1-1.5，直至评估效果优秀；

评估效果是否为优秀，依据测试集内输入数据进行位置判断，其准确率是否达到了设定的值，如果准确率达到了设定的值，则效果为优秀，否则为不合格。实验过程中我们将准确率的设定值设置为95%，当位置判断准确率大于或等于95%时为优秀，否则为不合格。

步骤2、采用海底管道智能循迹系统获取当前时刻的位置属性数据；

步骤3、将所获取的位置属性数据输入所述最终管道循迹卷积神经网络的学习模型，实时判断水下机器人位于海底管道的方位；

步骤4、根据步骤3所获取的水下机器人位于海底管道的方位，不断调整水下机器人的运动方向，使水下机器人沿着海底管道正上方前进，最终实现海底管道循迹检测。

为了进一步说明仿鲟鱼吻须的海底管道循迹方法，在仿真实验获得大量数据基础上，按照本发明的方法步骤，不断循环迭代建立最终模型，基于建立的数学模型依据输入数据对海底管道位置判断（如表1所示）。其中，B-1，B-2，B-3，B-4分别为水下机器人前端自左向右第1~4个吻须的序号；磁场变化由磁场探测仪获取，吻须与管道距离由电涡流传感器测得；

表1 基于仿鲟鱼吻须管道位置判断表

通过对获取的表1中的位置判断，不断调整水下机器人的运动方向，使水下机器人沿着海底管道正上方前进。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (5)

1.一种基于仿鲟鱼吻须的海底管道智能循迹方法，包括管道智能循迹系统，所述管道智能循迹系统包括水下机器人、吻须和海底管道，四个所述吻须设置在水下机器人前端底侧，每个吻须上均搭载有磁场探测仪和电涡流传感器，所述水下机器人上设置有姿态传感器用于获取水下机器人的姿态角数据，所述管道智能循迹系统通过吻须获取的信号结合水下机器人的姿态角数据，通过卷积神经网络学习模型判断水下机器人位于海底管道的位置，根据判断得到的位置调整水下机器人使其位于海洋管道正上方，其特征在于，所述海底管道智能循迹方法包括以下步骤：

步骤1、建立管道循迹卷积神经网络的学习模型，包括以下建立步骤：

步骤1.1、数据采集，对已有数据进行采集，所采集的数据包括位置属性数据和水下机器人相对于管道的位置信息，所述位置属性数据包括水下机器人上四个吻须搭载的磁场探测仪和电涡流传感器采集的信息数据和搭载在机器人上的姿态传感器采集的姿态角数据，将采集的数据进行对应并汇总获取数据集，将数据集随机分为训练集、验证集和测试集；

步骤1.2、前馈操作，对所述训练集的数据进行训练，采用卷积神经网络学习模型将步骤1.1中的训练集中的位置属性数据作为卷积神经网络的输入，建立位置特征提取网络，对卷积神经网络结构及参数进行初始化，将机器人位于管道的位置信息作为所述智能循迹系统的输出；

步骤1.3、反馈操作，对卷积神经网络参数进行优化分析，所述优化分析方法为，以交叉熵损失函数为目标函数，以卷积神经网络参数为决策变量，运用批处理的随机梯度下降法进行卷积神经网络参数优化分析，调整并获取管道循迹卷积神经网络的学习模型；

步骤1.4、用所述验证集验证所述管道循迹卷积神经网络的学习模型，验证方法为，将验证集内的位置属性数据代入所述管道循迹卷积神经网络的学习模型，输出水下机器人相对于管道的位置信息，验证过程中不断调整学习模型，将输出的水下机器人相对于管道的位置信息与验证集中实际的水下机器人相对于管道的位置信息进行比较，获取管道位置验证误差，以管道位置验证误差最小化为标准，获取最优管道循迹卷积神经网络的学习模型；

步骤1.5、采用训练集与验证集内的位置属性数据，代入所述最优管道循迹卷积神经网络的学习模型重复步骤1.4的操作，获取最终管道循迹卷积神经网络的学习模型；

步骤1.6、用所述测试集内的数据对步骤1.5确定的最终管道循迹卷积神经网络的学习模型进行评估，如果评估效果为优秀，进入步骤2，如果评估效果为不合格，重新进行数据收集，重复步骤1.1-1.5，直至评估效果优秀；

步骤2、采用海底管道智能循迹系统获取当前时刻的位置属性数据；

步骤3、将所获取的位置属性数据输入所述最终管道循迹卷积神经网络的学习模型，实时判断水下机器人位于海底管道的方位；

步骤4、根据步骤3所获取的水下机器人位于海底管道的方位，不断调整水下机器人的运动方向，使水下机器人沿着海底管道正上方前进，最终实现海底管道循迹检测。

2.根据权利要求1所述的循迹方法，其特征在于，所述姿态角数据包括水下机器人的俯仰角、偏航角和横滚角。

3.根据权利要求1所述的循迹方法，其特征在于，水下机器人相对于管道的位置信息包括：水下机器人位于管道左侧时细分为偏左方向较大与偏左方向较小位置、将水下机器人位于管道右侧时细分为偏右方向较大与偏右方向较小位置、水下机器人位于管道正上方。

4.根据权利要求1所述的循迹方法，其特征在于，步骤1.2中对所述训练集的数据进行训练前，对所需数据需要进行归一化处理。

5.根据权利要求1所述的循迹方法，其特征在于，管道循迹系统卷积神经网络中的交叉熵损失函数为：

式中，N为训练样本数；C为海底管道位置信息分类任务类别数，C为5；

为第i个训练样本的位置特征，真实标记为

；

为卷积神经网络的最终输出。

Images