CN114987721A - 一种水下清洁方法及其装置、电子设备、存储介质 - Google Patents
一种水下清洁方法及其装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN114987721A CN114987721A CN202210580942.6A CN202210580942A CN114987721A CN 114987721 A CN114987721 A CN 114987721A CN 202210580942 A CN202210580942 A CN 202210580942A CN 114987721 A CN114987721 A CN 114987721A
- Authority
- CN
- China
- Prior art keywords
- underwater
- garbage
- recognition model
- target
- cleaning device
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63C—LAUNCHING, HAULING-OUT, OR DRY-DOCKING OF VESSELS; LIFE-SAVING IN WATER; EQUIPMENT FOR DWELLING OR WORKING UNDER WATER; MEANS FOR SALVAGING OR SEARCHING FOR UNDERWATER OBJECTS
- B63C11/00—Equipment for dwelling or working underwater; Means for searching for underwater objects
- B63C11/34—Diving chambers with mechanical link, e.g. cable, to a base
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63G—OFFENSIVE OR DEFENSIVE ARRANGEMENTS ON VESSELS; MINE-LAYING; MINE-SWEEPING; SUBMARINES; AIRCRAFT CARRIERS
- B63G8/00—Underwater vessels, e.g. submarines; Equipment specially adapted therefor
- B63G8/001—Underwater vessels adapted for special purposes, e.g. unmanned underwater vessels; Equipment specially adapted therefor, e.g. docking stations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63G—OFFENSIVE OR DEFENSIVE ARRANGEMENTS ON VESSELS; MINE-LAYING; MINE-SWEEPING; SUBMARINES; AIRCRAFT CARRIERS
- B63G8/00—Underwater vessels, e.g. submarines; Equipment specially adapted therefor
- B63G8/38—Arrangement of visual or electronic watch equipment, e.g. of periscopes, of radar
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63G—OFFENSIVE OR DEFENSIVE ARRANGEMENTS ON VESSELS; MINE-LAYING; MINE-SWEEPING; SUBMARINES; AIRCRAFT CARRIERS
- B63G8/00—Underwater vessels, e.g. submarines; Equipment specially adapted therefor
- B63G8/001—Underwater vessels adapted for special purposes, e.g. unmanned underwater vessels; Equipment specially adapted therefor, e.g. docking stations
- B63G2008/002—Underwater vessels adapted for special purposes, e.g. unmanned underwater vessels; Equipment specially adapted therefor, e.g. docking stations unmanned
- B63G2008/005—Underwater vessels adapted for special purposes, e.g. unmanned underwater vessels; Equipment specially adapted therefor, e.g. docking stations unmanned remotely controlled
- B63G2008/007—Underwater vessels adapted for special purposes, e.g. unmanned underwater vessels; Equipment specially adapted therefor, e.g. docking stations unmanned remotely controlled by means of a physical link to a base, e.g. wire, cable or umbilical
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
- Y02A20/204—Keeping clear the surface of open water from oil spills
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Biomedical Technology (AREA)
- Radar, Positioning & Navigation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Ocean & Marine Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Manipulator (AREA)
Abstract
本发明涉及垃圾清洁技术领域,尤其是涉及一种水下清洁方法及其装置、电子设备、存储介质。根据本发明的第一方面实施例的水下清洁方法,本发明通过先获取来自控制中心的作业启动指令,然后根据作业启动指令控制摄像组件采集水下图像信息,进而通过目标识别模型对水下图像信息进行处理,识别得到水下垃圾的垃圾类型以及水下垃圾在水下环境中的待清洁位置,最终根据水下垃圾在水下环境中的待清洁位置,对水下垃圾进行收集。本发明中的水下清洁方法能够基于目标识别模型对目标水域自动完成对目标水域的水下垃圾进行垃圾类型的确认以及待清洁位置的确认,进而完成清洁工作,解放人力成本,进一步提高水下清洁的处理效率。
Description
技术领域
本发明涉及垃圾清洁技术领域,尤其是涉及一种水下清洁方法及其装置、电子设备、存储介质。
背景技术
随着人们生活水平的提高,人们对环境卫生越来越重视,而由于水下工作环境较为恶劣、水底地形复杂多变,因此对水域污染的整治成为了一大难题。尤其是在狭小河道、湖泊的垃圾清洁和环境监测任务,基于水底地形的复杂多变,相关技术中大多还是只能采用网兜将水面垃圾捞出水面,这种作业方式劳动强度较大,工作效率非常低,清除效果并不理想,因此其应用范围十分受限,故而,如何令水下清洁装置在作业进程中解放人力,提升水下清洁效率,成为业内人员亟待解决的问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种水下清洁方法及其装置、电子设备、存储介质,能够在水下作业进程中具备更高的工作效率。
根据本发明的第一方面实施例的水下清洁方法,应用于水下清洁装置,所述方法包括:
获取来自控制中心的作业启动指令,所述作业启动指令用于启动水下清洁装置;
根据所述作业启动指令控制摄像组件采集水下图像信息,所述水下图像信息反映目标水域的所述水下环境。
通过目标识别模型对所述水下图像信息进行处理,识别得到水下垃圾的垃圾类型以及所述水下垃圾在所述水下环境中的待清洁位置;
根据所述水下垃圾在所述水下环境中的所述待清洁位置,对所述水下垃圾进行收集;
可选的,根据本发明的一些实施例,所述水下清洁装置通过线缆与母船连接,所述获取来自控制中心的作业启动指令包括:
通过线缆获取来自所述控制中心的所述作业启动指令,所述作业启动指令经由所述母船进行中继通信。
可选的,根据本发明的一些实施例,所述通过目标识别模型对所述水下图像信息进行处理,识别得到水下垃圾的垃圾类型以及所述水下垃圾在所述水下环境中的待清洁位置之前,还包括:
将带有垃圾分类标签的训练数据集输入基础识别模型进行迭代训练;
每一轮所述迭代训练后,计算所述基础识别模型的垃圾识别准确率并对所述基础识别模型进行更新;
统计所述垃圾识别准确率在每一轮所述迭代训练中的变化情况,当所述垃圾识别准确率收敛于定值,停止所述迭代训练并得到训练好的所述目标识别模型。
可选的,根据本发明的一些实施例,所述通过目标识别模型对所述水下图像信息进行处理,识别得到水下垃圾的垃圾类型以及所述水下垃圾在所述水下环境中的待清洁位置,包括:
通过所述目标识别模型将所述水下图像信息网格化,并根据所述网格化后的所述水下图像信息得到多个目标边界框;
将多个所述目标边界框与所述训练数据集中的分类标准框进行重叠度比对;
以重叠度最高的所述目标边界框对待检测目标进行识别分类,并保留置信度高于预设阈值的识别结果,得到所述水下垃圾的所述垃圾类型。
可选的,根据本发明的一些实施例,所述水下清洁装置包括机械臂,所述根据所述水下垃圾在所述水下环境中的所述待清洁位置,对所述水下垃圾进行收集,包括:
对所述水下清洁装置的推进器进行驱动,以控制所述水下清洁装置移动至所述待清洁位置;
当到达所述待清洁位置,控制所述机械臂对所述水下垃圾进行抓取;
将所述机械臂抓取到的所述水下垃圾置于垃圾存放装置,并基于所述垃圾存放装置完成对所述水下垃圾的收集。
可选的,根据本发明的一些实施例,所述将所述机械臂抓取到的所述水下垃圾置于垃圾存放装置,并基于所述垃圾存放装置完成对所述水下垃圾的收集,包括:
当所述机械臂将抓取到的所述水下垃圾置于所述垃圾存放装置的收集口,启动所述收集口与垃圾收集仓之间的传送带,所述垃圾收集仓设置于所述垃圾存放装置内部;
当所述传送带将所述水下垃圾运送至所述垃圾收集仓中,关闭所述传送带。
根据本发明的第二方面实施例的水下清洁装置,包括:指令接收模块、图像采集模块、识别处理模块、垃圾收集模块;
所述指令接收模块用于获取来自控制中心的作业启动指令,所述作业启动指令用于启动水下清洁作业;
所述图像采集模块用于根据所述作业启动指令控制摄像组件采集水下图像信息,所述水下图像信息反映目标水域的所述水下环境;
所述识别处理模块用于通过目标识别模型对所述水下图像信息进行处理,识别得到水下垃圾以及所述水下垃圾在所述水下环境中的待清洁位置;
所述垃圾收集模块用于根据所述水下垃圾在所述水下环境中的所述待清洁位置,对所述水下垃圾进行收集。
可选的,根据本发明的一些实施例,所述水下清洁装置还包括推进器,所述推进器由多个不同方向的水下外转子直流电机组成,用于实现水下多自由度控制。
第三方面,本发明实施例提供了一种电子设备,包括:存储器、处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如本发明第一方面实施例中任意一项所述的水下清洁方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如本发明第一方面实施例中任意一项所述的水下清洁方法。
根据本发明实施例的水下清洁方法及其装置、电子设备、存储介质,至少具有如下有益效果:
本发明通过先获取来自控制中心的作业启动指令,然后根据所述作业启动指令控制摄像组件采集水下图像信息,进而通过目标识别模型对所述水下图像信息进行处理,识别得到水下垃圾的垃圾类型以及所述水下垃圾在所述水下环境中的待清洁位置,最终根据所述水下垃圾在所述水下环境中的所述待清洁位置,对所述水下垃圾进行收集。本发明中的水下清洁方法能够基于目标识别模型对目标水域自动完成对目标水域的水下垃圾进行垃圾类型的确认以及待清洁位置的确认,进而完成清洁工作,解放人力成本,进一步提高水下清洁的处理效率。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例提供的水下清洁方法流程示意图;
图2为本发明实施例提供的另一水下清洁方法流程示意图;
图3为本发明实施例提供的另一水下清洁方法流程示意图;
图4为本发明实施例提供的另一水下清洁方法流程示意图;
图5为本发明实施例提供的另一水下清洁方法流程示意图;
图6为本发明实施例提供的水下清洁装置模块示意图;
图7为本发明实施例提供的水下清洁装置工作示意图;
图8为本发明实施例提供的水下清洁装置、母船系统模块示意图;
图9为本发明实施例提供的水下清洁装置、母船、控制中心通讯关系示意图;
图10为本发明实施例提供的实施水下清洁方法的电子设备示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、左、右、前、后等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
本发明的描述中,需要说明的是,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。另外,下文中对于具体步骤的标识并不代表对于步骤顺序与执行逻辑的限定,步骤之间的执行顺序与执行逻辑应参照对应的说明性表述进行理解与推定。
随着人们生活水平的提高,人们对环境卫生越来越重视,而由于水下工作环境较为恶劣、水底地形复杂多变,因此对水域污染的整治成为了一大难题。尤其是在狭小河道、湖泊的垃圾清洁和环境监测任务,基于水底地形的复杂多变,相关技术中大多还是只能采用网兜将水面垃圾捞出水面,这种作业方式劳动强度较大,工作效率非常低,清除效果并不理想,因此其应用范围十分受限,故而,如何令水下清洁装置在作业进程中解放人力,提升水下清洁效率,成为业内人员亟待解决的问题。
需要说明的是,一些相关技术还存在如下不足:
其一,在狭小的河道、湖泊中,垃圾清洁和环境监测任务大多依赖于人力用网兜将水域中存在的各类垃圾捞出,这种作业方式劳动强度较大,工作效率非常低,清除效果并不理想,因此其应用范围受限;
其二,燃油驱动垃圾清理船基于燃油驱动,在执行垃圾清洁的同时会对清理水域会造成二次污染,在环境监测任务的过程中也会引入测量误差;
其三,水域中悬浮的水下垃圾,通常都是由潜水员进行收集,该清洁方式不仅原始古老、成本高昂、效率低下、而且对于潜水员的安全很难保证。
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种水下清洁方法及其装置、电子设备、存储介质,能够在水下作业进程中具备更高的工作效率。
下面参照附图作进一步说明。
参照图1,根据本发明的第一方面实施例的水下清洁方法,应用于水下清洁装置,水下清洁方法包括:
步骤S101,获取来自控制中心的作业启动指令,作业启动指令用于启动水下清洁装置;
根据本发明提供的一些实施例,控制中心,指的是远程向水下清洁装置发送控制信号以及接收水下清洁装置反馈信号的通讯中心,其中控制信号包括但不限于作业启动指令、图像处理指令等,反馈信号包括但不限于作业准备信号、作业完毕信号等。
步骤S102,根据作业启动指令控制摄像组件采集水下图像信息,水下图像信息反映目标水域的水下环境;
需要说明的是,摄像组件设置于水下清洁装置,本发明一些实施例中,摄像组件由若干前置探照灯和集成在主控仓内部的云台摄像机组成,应理解,当水下清洁装置处于自动模式时,摄像组件可帮助实现水下垃圾自主识别,当水下清洁装置处于手动模式时,摄像组件可以辅助操作员进行垃圾抓取。应理解,目标水域指的是作为清洁目标的水域,目标水域可以预先设置也可以由控制中心规划确定。
步骤S103,通过目标识别模型对水下图像信息进行处理,识别得到水下垃圾的垃圾类型以及水下垃圾在水下环境中的待清洁位置;
本发明一些实施例中,在获取水下图像信息之后,通过目标识别模型对水下图像信息进行识别处理。需要说明的是,目标识别模型指的是用于对水下图像信息中的各个目标物进行分类识别的人工智能模型,目标识别模型能够对图像中的物体进行识别分类以及帮助确定水下垃圾在水下环境中的待清洁位置。
根据本发明提供的一些实施例,目标识别模型可以有多种选用方案,包括但不限于基于卷积神经网络(Convolutional Neural Networks,CNN)的目标识别模型、基于YOLO(You only look once)算法的目标识别模型与基于SSD(Single Shot MultiBoxDetector)算法的目标识别模型。其中,基于卷积神经网络的目标识别模型是一类包含卷积计算且具有深度结构的前馈神经网络,它是仿造生物的视知觉机制构建,可以进行监督学习和非监督学习,具有表征学习的能力。其在工作时会运行一种分割算法将一幅图像分割为一个个小块,然后在这些小块上运行分类器,从而实现对图片中物体的识别,Fast R-CNN目标识别模型是典型的基于卷积神经网络的目标识别模型;其中,基于YOLO算法的目标识别模型是一种基于深度神经网络的对象识别和定位Python算法,它将单个卷积神经网络应用于整个图像,将图像分成网格,并预测每个网格的类概率和边界框。每个边界框可以用四个描述符进行描述:边界框的中心点、高度、宽度以及值映射到对象所属的类。如果一个对象的中心落在一个网格单元中,则该网格单元负责检测该对象。每个网格中将有多个边界框。在训练时,为了使得每个对象只有一个边界框,因此,需要根据各个边界框与分类标准框(Ground Truth Box,GT框)的重叠度,从而分配一个重叠度最高的边界框来负责预测对象,最后过滤掉置信度小于预设阈值的边界框,即可得出置信度最高的完成预测。基于SSD算法的目标识别模型是在Fast R-CNN算法与YOLO算法的基础上略作修改,使其精度超过YOLO,识别速度超过Fast R-CNN。但是基于SSD算法的目标识别模型对于小尺寸的目标识别效果较差,达不到Fast R-CNN目标识别模型与基于YOLO算法的目标识别模型的高度,且SSD网络中预置框(Default Boxes)的基础大小和形状无法在学习中自动获取,必须要手动设置。因此,相比于Fast R-CNN目标识别模型和基于SSD算法的目标识别模型,基于YOLO算法的目标识别模型具备较高的识别精度,同时运行速度最快,并且能够处理实时视频流。因此,本发明一些较为优选的实施例中,选用基于YOLO算法的目标识别模型作为本发明的目标识别模型。
步骤S104,根据水下垃圾在水下环境中的待清洁位置,对水下垃圾进行收集。
根据本发明提供的一些实施例,根据水下图像信息,明确目标水域的水下环境中水下垃圾所处方位之后,通过水下清洁装置的推进器,将水下清洁装置移动至水下垃圾所处方位的附近,以便于对水下垃圾进行收集。需要说明的是,推进器可以由多个不同方向的水下外转子直流电机组成,如此设计的推进器能够使得水下清洁装置在目标水域的水下环境中实现稳定、灵活、精准高效的多自由度移动。关于收集目标水域的水下垃圾,本发明一些实施例中采用机械臂抓取的方式将水下垃圾(例如水底部塑料、布料垃圾等),放入大口径垃圾传送仓并将其传送至垃圾收集仓,其中垃圾传送仓与垃圾收集仓之间可以通过传送带连通,传送带用以传输水下垃圾。应理解,根据水下垃圾在水下环境中的待清洁位置,对水下垃圾进行收集包括但不限于上述举出的具体实施例。
根据本发明提供的一些实施例,控制中心用于对水下清洁装置的主控和运动控制系统进行配置,可观看水下清洁装置的云台摄像机视频流,能够控制水下清洁装置的功能。需要说明的是,水下清洁装置可根据不同检测需求,集成不同的传感器,从而通过无线传输系统将各类传感器采集到的传感器数据发送至控制中心,控制中心进而对得到的各类传感器数据进行分析处理,得到各种监控指标,其中监控指标包括但不限于各类参数的数值、系统和设备运行状态的日报、月报、季报和年报、报警信息以及设备运行状态报表等。基于不同的检测需求,控制中心能够具备的功能包括但不限于:数据整合、数据存储、监测及预警、统计查询、事件处理、统计和趋势分析等。
本发明通过先获取来自控制中心的作业启动指令,然后根据所述作业启动指令控制摄像组件采集水下图像信息,进而通过目标识别模型对所述水下图像信息进行处理,识别得到水下垃圾的垃圾类型以及所述水下垃圾在所述水下环境中的待清洁位置,最终根据所述水下垃圾在所述水下环境中的所述待清洁位置,对所述水下垃圾进行收集。本发明中的水下清洁方法能够基于目标识别模型对目标水域自动完成对目标水域的水下垃圾进行垃圾类型的确认以及待清洁位置的确认,进而完成清洁工作,解放人力成本,进一步提高水下清洁的处理效率。
根据本发明的一些实施例,水下清洁装置通过线缆与母船连接,获取来自控制中心的作业启动指令包括:
通过线缆获取来自控制中心的作业启动指令,作业启动指令经由母船进行中继通信。
根据本发明提供的一些实施例,水下清洁装置通过线缆与母船连接,其中母船航行于水面并用于水下清洁装置与控制中心的中继通信。应理解,由于在水下清洁方法的各个步骤中,母船均航行于水面之上,因此经由母船进行中继通信,能够保证水下清洁装置与控制中心之间较好的数据通信质量,以至于令水下清洁装置实施水下清洁方法的过程顺利进行。需要说明的是,本发明一些实施例中,水下清洁装置与母船共用一套通讯系统,水下清洁装置与母船分别将需要回传的数据发送到置于母船上的小型单板计算机,由小型单板计算机对数据进行打包,再由母船的无线通讯系统通过无线电波将其发送到控制中心,控制中心再对IP地址信息进行识别和处理,基于IP地址信息明确信息的来源是母船还是水下清洁装置。同样的,当控制中心向系统发送控制指令时,利用IP地址的不同,分别向水下清洁装置或者母船发送控制信号,先由置于母船上的数据接收器和数据处理器对收到的控制信号进行处理,再分别将指令发送到水下清洁装置主控与母船主控,进而将数据包进行解压处理,读取命令,执行操作。
本发明一些实施例中,根据投放指令将水下清洁装置从母船投入目标水域,可以通过控制电动揽盘来执行。其中,投放指令可以是控制中心发送而来的控制信号的其中一种。需要说明的是,电动缆盘的是水下清洁装置从母船稳定下放和回收的关键,控制电动揽盘来执行投放指令,主要包括机械结构和软件控制两方面:机械结构上,电动揽盘由绞盘、直流电机、电子滑环、安装结构等部分组成,一些较为优选的情况下,电动揽盘可以安装于母船的内部甲板上,当需要投放水下清洁装置至水中时,利用绞盘收缆组件将电缆释放,电缆另一头的水下清洁装置即被投放置入水中,实现了电缆线的有序缠绕,排线整齐;软件控制上,则通过主控模块编写固件程序,通过控制中心发送控制信号,对电缆线缆盘电机进行正反转控制,以使得电动缆盘的电缆线一直处于恒张力状态,实现水下清洁装置在水下自由稳定活动。
参照图2,根据本发明的一些实施例,通过目标识别模型对水下图像信息进行处理,识别得到水下垃圾的垃圾类型以及水下垃圾在水下环境中的待清洁位置之前,还包括:
步骤S201,将带有垃圾分类标签的训练数据集输入基础识别模型进行迭代训练;
步骤S202,每一轮迭代训练后,计算基础识别模型的垃圾识别准确率并对基础识别模型进行更新;
步骤S203,统计垃圾识别准确率在每一轮迭代训练中的变化情况,当垃圾识别准确率收敛于定值,停止迭代训练并得到训练好的目标识别模型。
需要说明的是,迭代训练的目的,是为了经过的数轮分类预测训练,逐渐提升垃圾类型识别准确率。根据本发明提供的一些实施例,目标识别模型的训练过程包括:将带有垃圾分类标签的训练数据集输入基础识别模型进行迭代训练,每一轮迭代训练后,计算基础识别模型的垃圾类型识别准确率并对基础识别模型进行更新。其中,基础识别模型由原始预设模型经过预训练得到,其中,原始识别模型指的是尚未经过预训练的图像识别模型,而预训练则指的是基于带有预设标签的标准数据集对图像识别模型进行初步训练,从而令图像识别模型具备基本的物体类型识别水平。需要说明的是,迭代训练的目的是为了不断优化基础识别模型的垃圾类型识别能力。每一轮迭代训练后,都需要计算基础识别模型的垃圾类型识别准确率,以明确优化训练过程中基础识别模型的识别准确率在逐渐提升。需要说明的是,在优化训练的过程中,每经过一轮迭代训练,都需要对基础识别模型进行一次更新,以使得基础识别模型能在下一轮迭代训练中对垃圾类型的识别处理有更好的表现。迭代训练中,对基础识别模型进行更新主要通过调整基础识别模型的参数来完成,基础识别模型的参数即基础识别模型内部与垃圾类型识别准确率相关的内部参数。
需要说明的是,当垃圾识别准确率收敛于定值,停止迭代训练并得到训练好的目标识别模型,其中定值指的是:在对基础识别模型的内部参数进行数轮调整后,基础识别模型的垃圾类型识别准确率收敛值。本发明提供的一些实施例中,基础识别模型的垃圾类型识别准确率将会稳定在某一误差区间内,例如垃圾类型识别准确率在84%到86%区间内波动,则可以认为定值为85%。应理解,定值不是一个确切不变的值,而是一个会随训练条件发生变化的值。当垃圾类型识别准确率收敛于定值,判定优化训练已达较佳效果,即可停止迭代训练,其中,停止迭代训练后得到的垃圾类型识别模型即目标识别模型,通过优化训练得到的目标识别模型将具备更加精确的垃圾类型识别准确率。
参照图3,根据本发明的一些实施例,通过目标识别模型对水下图像信息进行处理,识别得到水下垃圾的垃圾类型以及水下垃圾在水下环境中的待清洁位置,包括:
步骤S301,通过目标识别模型将水下图像信息网格化,并根据网格化后的水下图像信息得到多个目标边界框;
步骤S302,将多个目标边界框与训练数据集中的分类标准框进行重叠度比对;
步骤S303,以重叠度最高的目标边界框对待检测目标进行识别分类,并保留置信度高于预设阈值的识别结果,得到水下垃圾的垃圾类型。
本发明一些实施例中,选用YOLO算法作为目标识别模型的核心算法。基于YOLO算法的目标识别模型是一种基于深度神经网络的对象识别和定位Python算法。具体而言,它将单个卷积神经网络应用于整个水下图像信息,将水下图像信息网格化,并基于网格化后的水下图像信息预测每个网格的类概率和目标边界框。每个目标边界框可以用四个描述符进行描述:目标边界框的中心点、高度、宽度以及值映射到对象所属的类。如果一个对象的中心落在一个网格单元中,则该网格单元负责检测该对象。每个网格中将有多个目标边界框。在训练时,为了使得每个对象只有一个目标边界框,因此,需要将多个目标边界框与训练数据集中的分类标准框(Ground Truth Box)进行重叠度比对,从而分配一个重叠度最高的目标边界框来负责预测对象,最后以重叠度最高的目标边界框对待检测目标进行识别分类,过滤掉置信度小于预设阈值的目标边界框并保留置信度高于预设阈值的识别结果,最终得到水下垃圾的垃圾类型,应理解,识别得到的垃圾类型可以是置信度最高识别结果。需要说明的是,基于YOLO算法的目标识别模型具备较高的识别精度,同时运行速度最快,并且能够处理实时视频流。因此,本发明一些较为优选的实施例中,选用基于YOLO算法的目标识别模型作为本发明的目标识别模型。根据本发明一些实施例,目标识别模型在对待检测目标进行识别分类的同时,可以明确待检测目标在水下图像信息中的位置,进而得到水下垃圾在水下环境中的水下待清洁位置。
参照图4,根据本发明的一些实施例,水下清洁装置包括机械臂,根据水下垃圾在水下环境中的待清洁位置,对水下垃圾进行收集,包括:
步骤S401,对水下清洁装置的推进器进行驱动,以控制水下清洁装置移动至待清洁位置;
步骤S402,当到达待清洁位置,控制机械臂对水下垃圾进行抓取;
步骤S403,将机械臂抓取到的水下垃圾置于垃圾存放装置,并基于垃圾存放装置完成对水下垃圾的收集。
根据本发明提供的一些实施例,在通过目标识别模型对水下图像信息进行处理,识别得到水下垃圾在水下环境中的水下待清洁位置之后,即可控制水下清洁装置对水下垃圾进行收集。根据本发明提供的一些实施例,根据水下图像信息,明确目标水域的水下环境中水下垃圾所处方位之后,通过水下清洁装置的推进器系统,将水下清洁装置移动至水下垃圾所处方位的附近,以便于对水下垃圾进行收集。需要说明的是,推进器系统可以由多个不同方向的水下外转子直流电机组成,如此设计的推进器系统能够使得水下清洁装置在目标水域的水下环境中实现稳定、灵活、精准高效的多自由度移动。
水下清洁装置对垃圾的收集分为两个过程,分别是垃圾的抓取和垃圾的传送。由于水下垃圾不会简单地摆放在水底,可能存在缠绕、半掩埋等多种存在形式,因此关于收集目标水域的水下垃圾,本发明一些实施例中采用机械臂抓取的方式将水下垃圾(例如水底部塑料、布料垃圾等),放入大口径垃圾传送仓并将其传送至垃圾收集仓,其中垃圾传送仓与垃圾收集仓之间可以通过传送带连通,传送带用以传输水下垃圾。在一些较为具体的实施例中,推进器系统由六个不同方向的水下外转子直流电机组成,可在水下实现稳定、灵活、精准高效的六自由度控制,应理解,六自由度控制指的是沿x、y、z三个直角坐标轴(参照系根据实际情况建立)方向的移动自由度和绕这三个坐标轴的转动自由度。
根据本发明一些实施例,水下沉积着各种杂物,泥沙、石块、贝类、珊瑚等等,不可能将所有的东西都算作水下垃圾来进行清理收集,所以对于垃圾的识别技术就显得尤为重要。需要说明的是,水下清洁装置对垃圾的清理方式大致有两种:其一,是在水下情况比较简单时可以使用自动识别模式,采用摄像机视频智能识别技术,自动识别水中垃圾污染物,协同母船运动控制及水下清洁装置运动控制,自主航行收集垃圾;其二,是当工作水域中水下环境比较复杂时,可以切换为手动操作模式,通过水下清洁装置携带的摄像头传回的视频数据,手动对水下清洁装置的水下行进以及垃圾抓取过程进行操控,从而实现对水下垃圾的甄别和清理。应理解,根据水下待清洁位置,控制水下清洁装置对水下垃圾进行收集包括但不限于上述举出的具体实施例。
参照图5,根据本发明的一些实施例,将机械臂抓取到的水下垃圾置于垃圾存放装置,并基于垃圾存放装置完成对水下垃圾的收集,包括:
步骤S501,当机械臂将抓取到的水下垃圾置于垃圾存放装置的收集口,启动收集口与垃圾收集仓之间的传送带,垃圾收集仓设置于垃圾存放装置内部;
步骤S502,当传送带将水下垃圾运送至垃圾收集仓中,关闭传送带。
根据本发明提供的一些实施例,垃圾存放装置包括垃圾传送仓、垃圾收集仓,其中垃圾传送仓设有收集口。需要说明的是,水下清洁装置对垃圾的收集分为两个过程,分别是垃圾的抓取和垃圾的传送。由于水下垃圾不会简单地摆放在水底,可能存在缠绕、半掩埋等多种存在形式,因此关于收集目标水域的水下垃圾,本发明一些实施例中采用机械臂抓取的方式将水下垃圾(例如水底部塑料、布料垃圾等)经由垃圾存放装置的收集口放入垃圾传送仓,并从垃圾传送仓将垃圾传送至垃圾收集仓,其中垃圾传送仓与垃圾收集仓之间可以通过传送带连通,传送带用以传输水下垃圾。
参照图6,根据本发明的第二方面实施例的水下清洁装置,包括:指令接收模块、图像采集模块、识别处理模块、垃圾收集模块;
指令接收模块用于获取来自控制中心的作业启动指令,作业启动指令用于启动水下清洁作业;
图像采集模块用于根据作业启动指令控制摄像组件采集水下图像信息,水下图像信息反映目标水域的水下环境;
识别处理模块用于通过目标识别模型对水下图像信息进行处理,识别得到水下垃圾以及水下垃圾在水下环境中的待清洁位置,目标识别模型用于对图像中的物体进行识别分类;
垃圾收集模块用于根据水下垃圾在水下环境中的待清洁位置,对水下垃圾进行收集。
根据本发明的一些实施例,水下清洁装置还包括推进器,推进器由多个不同方向的水下外转子直流电机组成,用于实现水下多自由度控制。
参照图7,本发明一些实施例中,水下清洁装置740是水域清洁设备700的一部分。水域清洁设备700,包括:控制模块710、数据收发模块720、母船730、水下清洁装置740。其中,数据收发模块720用于获取控制中心800发送的投放指令,以及当水下清洁装置潜入目标水域的水面之下,向控制中心800发送作业准备信号,以获取作业启动指令。而控制模块710,则用于根据投放指令将水下清洁装置740从母船730投入目标水域,以及根据作业启动指令,控制水下清洁装置740对目标水域的水下环境进行检测,并基于水下环境识别目标水域的水下垃圾900,控制水下清洁装置740收集水下垃圾,当水下垃圾收集完毕,将水下清洁装置回收至母船730。
参照图7、图8,根据本发明一些实施例中的水域清洁设备700,控制模块710还可以分为母船主控与水下清洁装置主控。需要说明的是,控制模块710中的母船主控用于控制母船上配备的各类模块,母船上配备的各类模块涉及的类型包括:电缆供电、电动绞盘链接、有线通讯、电动推杆、电动履带、云台相机、电动绞盘、GPS模块、柔性太阳能电池板、太阳能板控制器、电池、电源控制、推进器、避障雷达、4G/无线电模块、压力传感器以及其他类型的母船扩展模块。应理解,母船拓展模块可以包括的类型有生物光谱仪、自动流式细胞仪、气象仪、波浪仪、多普勒流苏剖面仪等。应理解,母船上配备的各类模块的类型不限于上述举出的具体实施例。另外,控制模块710中的水下清洁装置主控用于控制水下清洁装置上配备的各类模块,水下清洁装置上配备的各类模块涉及的类型包括:电缆供电、电动绞盘链接、有线通讯、水下云台相机、水下探照灯、推进器、压力传感器、机械臂、电动履带以及其他类型的水下清洁装置扩展模块。应理解,水下清洁装置拓展模块可以包括的类型有水质分析仪、自动流式细胞仪、生物光谱仪、沉积物补集器等。应理解,水下清洁装置上配备的各类模块的类型不限于上述举出的具体实施例。
根据本发明一些实施例,水下清洁装置还包括有驱动模块(或称自动驾驶模块),可将运动控制固件加载到模块上。自动驾驶模块主要处理运动执行输入和传感器数据,并控制水下清洁装置的推进器、照明灯、伺服系统、机械臂和继电器(控制垃圾收集传送带),以及可根据不同的科学需求集成相关的传感器。本发明一个较为优选的实施例,采用Pixhawk作为本发明自动驾驶模块的核心组件,Pixhawk是一种基于流行的通用飞行控制器Pixhawk项目FMUv2开放硬件设计,结合了PX4FMU、PX4IO的功能,可在NuttXOS上运行PX4。Pixhawk模块采用STM32F427作为主芯片,包括180MHz的CPU、256KB的SRAM。另外,故障安全片上系统采用STM32F100芯片(CPU:24MHz ARM Cortex M3,RAM:5KB SRAM),Pixhawk还包阔Wifi模块、GPS模块、4个串口接口、14路PWM、I2C、SPI等资源。此外,Pixhawk还可以搭载SPI转UART模块,可扩展多路串口接口,能够用于集成多个外围传感器,在硬件电路上实现多传感器集成的功能。
参照图7、图9,根据本发明一些实施例中的水域清洁设备700,控制中心800、母船730与水下清洁装置740三者之间的通讯关系如图9所示。本发明一些实施例中,水下清洁装置740与母船730共用一套通讯系统,水下清洁装置740与母船730分别将需要回传的数据发送到水域清洁设备的小型单板计算机,由小型单板计算机对数据进行打包,再由水域清洁设备的无线通讯系统通过无线电波将其发送到控制中心800,控制中心800再对IP地址信息进行识别和处理,基于IP地址信息明确信息的来源是母船730还是水下清洁设备。同样的,当控制中心800向系统发送控制指令时,利用IP地址的不同,分别向水下清洁装置740与母船730发送控制信号,母船730上的数据接收器和数据处理器对收到的数据包进行处理,分别将指令发送到水下清洁装置740与母船730,进而将数据包进行解压处理,读取命令,执行操作。一些更为具体的实施例中,水下清洁装置740的自动驾驶仪板与母船730的自动驾驶仪板分别将需要回传的数据发送到小型单板计算机,由小型单板计算机对数据进行打包,再由母船730上的无线通讯系统通过无线电波将其发送到控制中心800的PC端,控制中心800的PC端再对地址信息进行识别和处理,明确信息的来源是母船730还是水下清洁设备。同样的,当PC端向系统发送控制指令时,利用IP地址的不同,分别向水下清洁装置740与母船730发送控制信号,母船730上的数据接收器和数据处理器对收到的数据包进行处理,分别将指令发送到水下清洁装置740与母船730,进而将数据包进行解压处理,读取命令,执行操作。
图10示出了本发明实施例提供的电子设备1000。电子设备1000包括:处理器1001、存储器1002及存储在存储器1002上并可在处理器1001上运行的计算机程序,计算机程序运行时用于执行上述的水下清洁方法。
处理器1001和存储器1002可以通过总线或者其他方式连接。
存储器1002作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序,如本发明实施例描述的水下清洁方法。处理器1001通过运行存储在存储器1002中的非暂态软件程序以及指令,从而实现上述的水下清洁方法。
存储器1002可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序。存储数据区可存储执行上述的水下清洁方法。此外,存储器1002可以包括高速随机存取存储器1002,还可以包括非暂态存储器1002,例如至少一个储存设备存储器件、闪存器件或其他非暂态固态存储器件。在一些实施方式中,存储器1002可选包括相对于处理器1001远程设置的存储器1002,这些远程存储器1002可以通过网络连接至该电子设备1000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述的水下清洁方法所需的非暂态软件程序以及指令存储在存储器1002中,当被一个或者多个处理器1001执行时,执行上述的水下清洁方法,例如,执行图1中的方法步骤S101至步骤S104、图2中的方法步骤S201至步骤S203、图3中的方法步骤S301至步骤S303、图4中的方法步骤S401至步骤S403、图5中的方法步骤S501至步骤S502。
本发明实施例还提供了计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令用于执行上述的水下清洁方法。
在一实施例中,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,执行图1中的方法步骤S101至步骤S104、图2中的方法步骤S201至步骤S203、图3中的方法步骤S301至步骤S303、图4中的方法步骤S401至步骤S403、图5中的方法步骤S501至步骤S502。
以上所描述的装置实施例仅仅是示意性的,其中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,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可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、储存设备存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包括计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。还应了解,本发明实施例提供的各种实施方式可以任意进行组合,以实现不同的技术效果。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的共享条件下还可作出种种等同的变形或替换,这些等同的变形或替换均包括在本发明权利要求所限定的范围内。
Claims (10)
1.一种水下清洁方法,应用于水下清洁装置,其特征在于,所述方法包括:
获取来自控制中心的作业启动指令,所述作业启动指令用于启动水下清洁装置;
根据所述作业启动指令控制摄像组件采集水下图像信息,所述水下图像信息反映目标水域的水下环境;
通过目标识别模型对所述水下图像信息进行处理,识别得到水下垃圾的垃圾类型以及所述水下垃圾在所述水下环境中的待清洁位置;
根据所述水下垃圾在所述水下环境中的所述待清洁位置,对所述水下垃圾进行收集。
2.根据权利要求1所述的方法,其特征在于,所述水下清洁装置通过线缆与母船连接,所述获取来自控制中心的作业启动指令包括:
通过线缆获取来自所述控制中心的所述作业启动指令,所述作业启动指令经由所述母船进行中继通信。
3.根据权利要求1所述的方法,其特征在于,所述通过目标识别模型对所述水下图像信息进行处理,识别得到水下垃圾的垃圾类型以及所述水下垃圾在所述水下环境中的待清洁位置之前,还包括:
将带有垃圾分类标签的训练数据集输入基础识别模型进行迭代训练;
每一轮所述迭代训练后,计算所述基础识别模型的垃圾识别准确率并对所述基础识别模型进行更新;
统计所述垃圾识别准确率在每一轮所述迭代训练中的变化情况,当所述垃圾识别准确率收敛于定值,停止所述迭代训练并得到训练好的所述目标识别模型。
4.根据权利要求3所述的方法,其特征在于,所述通过目标识别模型对所述水下图像信息进行处理,识别得到水下垃圾的垃圾类型以及所述水下垃圾在所述水下环境中的待清洁位置,包括:
通过所述目标识别模型将所述水下图像信息网格化,并根据所述网格化后的所述水下图像信息得到多个目标边界框;
将多个所述目标边界框与所述训练数据集中的分类标准框进行重叠度比对;
以重叠度最高的所述目标边界框对待检测目标进行识别分类,并保留置信度高于预设阈值的识别结果,得到所述水下垃圾的所述垃圾类型。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述水下清洁装置包括机械臂,所述根据所述水下垃圾在所述水下环境中的所述待清洁位置,对所述水下垃圾进行收集,包括:
对所述水下清洁装置的推进器进行驱动,以控制所述水下清洁装置移动至所述待清洁位置;
当到达所述待清洁位置,控制所述机械臂对所述水下垃圾进行抓取;
将所述机械臂抓取到的所述水下垃圾置于垃圾存放装置,并基于所述垃圾存放装置完成对所述水下垃圾的收集。
6.根据权利要求5所述的方法,其特征在于,所述将所述机械臂抓取到的所述水下垃圾置于垃圾存放装置,并基于所述垃圾存放装置完成对所述水下垃圾的收集,包括:
当所述机械臂将抓取到的所述水下垃圾置于所述垃圾存放装置的收集口,启动所述收集口与垃圾收集仓之间的传送带,所述垃圾收集仓设置于所述垃圾存放装置内部;
当所述传送带将所述水下垃圾运送至所述垃圾收集仓中,关闭所述传送带。
7.一种水下清洁装置,其特征在于,包括:指令接收模块、图像采集模块、识别处理模块、垃圾收集模块;
所述指令接收模块用于获取来自控制中心的作业启动指令,所述作业启动指令用于启动水下清洁作业;
所述图像采集模块用于根据所述作业启动指令控制摄像组件采集水下图像信息,所述水下图像信息反映目标水域的所述水下环境;
所述识别处理模块用于通过目标识别模型对所述水下图像信息进行处理,识别得到水下垃圾以及所述水下垃圾在所述水下环境中的待清洁位置;
所述垃圾收集模块用于根据所述水下垃圾在所述水下环境中的所述待清洁位置,对所述水下垃圾进行收集。
8.根据权利要求7所述的水下清洁装置,其特征在于,所述水下清洁装置还包括推进器,所述推进器由多个不同方向的水下外转子直流电机组成,用于实现水下多自由度控制。
9.一种电子设备,其特征在于,包括:存储器、处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的水下清洁方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至6中任意一项所述的水下清洁方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210580942.6A CN114987721A (zh) | 2022-05-26 | 2022-05-26 | 一种水下清洁方法及其装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210580942.6A CN114987721A (zh) | 2022-05-26 | 2022-05-26 | 一种水下清洁方法及其装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114987721A true CN114987721A (zh) | 2022-09-02 |
Family
ID=83029223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210580942.6A Pending CN114987721A (zh) | 2022-05-26 | 2022-05-26 | 一种水下清洁方法及其装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114987721A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130160692A1 (en) * | 2011-12-27 | 2013-06-27 | Atlas Elektronik Gmbh | Salvaging Device and Salvaging Method for Salvaging Condensed Matter Located on the Water Surface of a Waterway |
CN111428595A (zh) * | 2020-03-13 | 2020-07-17 | 五邑大学 | 水底视觉垃圾清理机器人及其运作方法 |
CN111776173A (zh) * | 2020-07-20 | 2020-10-16 | 上海陆根智能传感技术有限公司 | 一种远程控制的水下打捞机器人 |
US20210041876A1 (en) * | 2019-08-07 | 2021-02-11 | Triple Win Technology(Shenzhen) Co.Ltd. | Intelligent cleaning robot |
CN112487938A (zh) * | 2020-11-26 | 2021-03-12 | 南京大学 | 一种利用深度学习算法实现垃圾分类的方法 |
CN112937811A (zh) * | 2021-04-06 | 2021-06-11 | 上海交通大学 | 一种履带式清扫水下废弃物的智能机器人 |
CN113781421A (zh) * | 2021-08-31 | 2021-12-10 | 深圳市爱深盈通信息技术有限公司 | 基于水下的目标识别方法、装置及系统 |
CN114022736A (zh) * | 2021-11-11 | 2022-02-08 | 中电云数智科技有限公司 | 一种垃圾检测方法以及装置 |
CN114140522A (zh) * | 2021-10-22 | 2022-03-04 | 义源(上海)节能环保科技有限公司 | 一种用于精准打捞水中物品的打捞方法、打捞装置及电子设备 |
-
2022
- 2022-05-26 CN CN202210580942.6A patent/CN114987721A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130160692A1 (en) * | 2011-12-27 | 2013-06-27 | Atlas Elektronik Gmbh | Salvaging Device and Salvaging Method for Salvaging Condensed Matter Located on the Water Surface of a Waterway |
US20210041876A1 (en) * | 2019-08-07 | 2021-02-11 | Triple Win Technology(Shenzhen) Co.Ltd. | Intelligent cleaning robot |
CN111428595A (zh) * | 2020-03-13 | 2020-07-17 | 五邑大学 | 水底视觉垃圾清理机器人及其运作方法 |
CN111776173A (zh) * | 2020-07-20 | 2020-10-16 | 上海陆根智能传感技术有限公司 | 一种远程控制的水下打捞机器人 |
CN112487938A (zh) * | 2020-11-26 | 2021-03-12 | 南京大学 | 一种利用深度学习算法实现垃圾分类的方法 |
CN112937811A (zh) * | 2021-04-06 | 2021-06-11 | 上海交通大学 | 一种履带式清扫水下废弃物的智能机器人 |
CN113781421A (zh) * | 2021-08-31 | 2021-12-10 | 深圳市爱深盈通信息技术有限公司 | 基于水下的目标识别方法、装置及系统 |
CN114140522A (zh) * | 2021-10-22 | 2022-03-04 | 义源(上海)节能环保科技有限公司 | 一种用于精准打捞水中物品的打捞方法、打捞装置及电子设备 |
CN114022736A (zh) * | 2021-11-11 | 2022-02-08 | 中电云数智科技有限公司 | 一种垃圾检测方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108189043B (zh) | 一种应用于高铁机房的巡检方法及巡检机器人系统 | |
AU2016347660B2 (en) | Robotic cooperative system | |
CN106891341A (zh) | 一种水下机器人及捕捞方法 | |
CN207510670U (zh) | 一种具有水质检测及垃圾收集功能的无人船 | |
CN110737272B (zh) | 一种智慧港区海事执法无人艇系统 | |
CN110187714A (zh) | 一种基于无人机的水上垃圾打捞控制方法及系统、无人机 | |
KR102169701B1 (ko) | 자율방식의 해양 쓰레기 수거 시스템 | |
CN112693571B (zh) | 一种水面智能清漂船以及水面智能清漂方法 | |
CN111735922B (zh) | 基于水下机器人的水产养殖监测系统 | |
CN114115296B (zh) | 一种重点区域智能巡检与预警系统及方法 | |
CN110199961A (zh) | 一种自主避障寻迹识别的多功能智能捕鱼船 | |
CN111591400A (zh) | 水面垃圾自主收集方法及其系统 | |
CN111469131A (zh) | 一种装配机械臂的无人艇水面垃圾清理控制系统及方法 | |
KR102018089B1 (ko) | 수중에서 드론 간 탈착이 가능한 임무 수행 시스템 | |
CN110233995A (zh) | 一种基于船载与岸基协同处理的拖网渔船智能监视系统及处理方法 | |
KR102351787B1 (ko) | 수중용 드론을 이용한 수중 환경 정보 제공 시스템 | |
CN114987721A (zh) | 一种水下清洁方法及其装置、电子设备、存储介质 | |
CN113239747A (zh) | 一种基于计算机视觉的水上智能排污清障系统 | |
CN115016469A (zh) | 一种水域清洁方法及其设备、存储介质 | |
US20240044094A1 (en) | Cyber-Physical System for Cleaning Traffic Routes and/or Outdoor Facilities | |
CN110751360A (zh) | 一种无人船区域调度方法 | |
CN215405957U (zh) | 一种水上无人垃圾收集装置 | |
Do Trong et al. | Autonomous Detection and Approach Tracking of Moving Ship on the Sea by VTOL UAV based on Deep Learning Technique through Simulated Real-time On-Air Image Acquisitions | |
CN211810114U (zh) | 一种水面垃圾清运管理系统 | |
WO2021016957A1 (zh) | 一种基于无人机的投料系统及投料方法 |
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 |