基于人工侧线可视化图像的水下感知方法与流程

本发明涉及一种水下航行器基于人工侧线技术进行流场工况感知与障碍物识别的方法，具体地采用视觉处理技术进行数据分类与识别，属于水下航行器智能控制领域。

背景技术：

现有水下航行器在进行复杂工况条件下的环境感知与导航过程中，普遍地存在有较为明显的局限性，集中反映在对局部环境、以及航行器自身姿态信息感知不够精确等方面。

利用光学系统对水下环境进行感知，不仅过程繁琐、且在感知距离上也较为受限。复杂的水下环境对航行器在运动控制、环境感知和定位导航等方面造成了巨大的干扰，目前有采用如声呐之类的声学系统(如声学多普勒流速剖面仪，adcp)，以弥补短距离感知光学系统应用的缺点。虽然在一定程度上对航行器运行与工作有所提高，但是adcp难以探测到局部流场环境、且其具有价格昂贵、仪器笨重和耗能较高等缺点，故而无法应用于小型的水下航行器。

随着全球定位系统(gps)的不断完善，水下航行器一般采用gps进行水下环境中的导航与定位，但在水体的屏蔽作用下会使得航行器存在一定的时间误差，仍然不能满足实现局部快速反应与准确的导航与定位。

针对上述现有技术，目前较新的技术成果是基于仿生原理的人工侧线感知技术。侧线是在鱼类和两栖动物身上发现的重要水动力感知器官，其能够帮助鱼类侦测和处理各种水动力情况。使用侧线系统来进行水下压力感知，在鱼类和两栖动物生活行为中起着重要的作用。根据上述动物侧线结构与生理感知性能而制作出的仿生侧线，已逐步地应用于水下航行器中，从而提高了水下局部流体环境的感知能力，同时对导航定位提供了更明显的辅助作用。

目前对于人工侧线系统的技术研究与应用，需要对每一种水下工况建立对应的模型，通用性较差。同时，在感知流场与障碍物方面缺少必要的分类标识功能，所测得的压力差数据无法直接、准确地同时标识出流速、流向、障碍物有无、障碍物大小等相关信息。另一方面，在水下复杂环境中感知与导航定位灵敏性、快速反应能力还不够。

有鉴于此，特提出本专利申请。

技术实现要素：

本发明所述基于人工侧线可视化图像的水下感知方法，在于解决上述现有技术存在的问题而提出以视觉的角度看待侧线系统，即通过生成的压力差图像导入神经网络进行分类标识，以快速、准确地进行流场感知和障碍物识别，通过改进现有侧线技术的应用局限而为人工侧线系统的工程化应用提供良好的基础。

为实现上述设计目的，所述基于人工侧线可视化图像的水下感知方法包括有以下步骤：

1)测得不同工况条件下的压力传感器阵列数据；

2)将步骤1)测得的压力数据排列成压力差矩阵；

3)将步骤2)得到的压力差矩阵绘制成压力差rgb图像；

4)将步骤3)得到的压力差rgb图像输入卷积神经网络进行分类识别，得到水下流场各参数并进行分类。

本申请基于人工侧线可视化图像的水下感知方法，提高了自身通用性而无需单一对应建模，即通过对不同压力差图像的分析，同时分类标识出诸如流速、流向、障碍物有无、障碍物大小等环境信息。在复杂工况的水下环境中，以视觉角度可获得更为灵敏的感知能力。

进一步地，在所述的步骤1)中，沿水下航行器的人工侧线、以及航行器头部与人工侧线同一水平截面上布设有数个传感器。

在所述的步骤2)中，压力差矩阵的每一行表示某一个时间点的压力差分布，行与行之间是时间差δt；在压力差矩阵中，横轴表示每个相邻监测点的压力差，包含了当前时刻的压力分布信息；纵轴表示时间序列，包含了流场的时间状态。

所述的步骤3)，将压力差矩阵生成rgb图像过程中的数据缩放如以下公式：

其中，α表示极限因子，取α为256。

在所述的步骤4)中，所述的卷积神经网络具有类lenet-5的四层卷积神经网络，包括有第一卷积层(conv1)，第二卷积层(conv2)，全连接层(fc1)和softmax层；

数据经过第一卷积层和第二卷积层后，进行拉平操作，然后经过全连接层，最后到达softmax层，得到预测输出。

综上内容，所述基于人工侧线可视化图像的水下感知方法具有的优点是：

1、基于侧线系统而通过将压力差信号转换成图像信号，即将压力差当做像素点，能够适用于各种水下应用环境，有效地避免了分别为每一种分类、或识别场景单独建立一种数学模型或者算法的情况。

2、基于水下视觉感知方法，能够快速、准确地进行流场感知和障碍物识别，从而为当前推进人工侧线系统在水下流场感知与导航提供了更为先进的技术支持。

附图说明

图1是在不同流场工况条件下测得的压力分布示意图；

图2是布设传感器的示意图；

图3是布设有传感器的水下航行器结构示意图；

图4是一维色带表示二维水平流场的示意图；

图5是二维图像表示三维流场的示意图；

图6是压力差矩阵示意图；

图7是压力差的色带示意图；

图8是不同角度、不同速度的压力差图像；

图9是不同工况下压力差数据rgb图像；

图10是卷积神经网络模型；

图11是压力差图像样本构建示意图；

在图3中具有，头部1，连接环2，拖曳管3，法兰螺钉4，尾部5，水密接头6，筒体7，电池8，电池盒9，安装板10，传感器11，数采电路板12。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

实施例1，如图1和图6所示，所述基于人工侧线可视化图像的水下感知方法包括有：

1)测得不同工况条件下的压力传感器阵列数据；

2)将步骤1)测得的压力数据排列成压力差矩阵；

3)将步骤2)得到的压力差矩阵绘制成压力差rgb图像；

4)将步骤3)得到的压力差rgb图像输入卷积神经网络进行分类识别，得到水下流场各参数并进行分类。

具体地，如图1所示，载有人工侧线的水下航行器在不同流场工况条件下测得的压力分布示意图。从中可以看出，压力分布(或者水流速度分布)与流场参数存在着对应关系。

如图2所示，沿水下航行器的人工侧线、以及航行器头部与该人工侧线同一水平截面上，连续地布设有数个传感器(传感器间距可以认为是无限接近于0)。

在不同的工况条件下，总有一个传感器的数值是最大的。从这个最大值传感器向任意一个方向出发，其他传感器的数值总是在下降的；而从某个最小值传感器向任意一个方向出发，其他传感器的数值总是在上升的。

若再结合图3所示，在水下航行器筒体7外侧沿侧线、侧线与头部延伸的方向上，布设多组传感器11以形成布满航行器全身的压力数值获取点，就可唯一测得流场的工况参数，包括但不仅限于流速和流向。

结合图2、图3和图4所示，对于水平分布的传感器组成的侧线来说，如果将航行器头部的二维曲线展开成一维直线，那么水平面的二维流场可以用一维的色带来表示，通过色带中不同颜色和/或亮度的位置便可以清晰的表达出载体的角度，再由色带中颜色或亮度的深度便可以表达出该位置的压力大小。

色带的中间部分表示载体头部区域，左侧部分表示载体的奇数侧，右侧部分表示载体的偶数侧。

对于载体相对于流场的角度为0°的工况来说，色带中间位置为白色最深处，即说明压力最大值在头部中心位置，两侧为黑色最深处，即压力最小值。白色和黑色的深度不同，便表示压力值不同，也就是流场速度不同，如图4(a)、(b)部分所示。

对于不同的角度(此角度为载体相对于流场的角度，以下相同)，白色最深处区域和黑色最深处区域的位置可以用来表达角度的不同。白色最深处区域位于右侧，表示角度为正值，白色最深处区域位于左侧，表示角度为负值。白色最深处区域在右侧坐标轴的位置反应了角度的大小，位置越靠右，表明角度越大，位置越靠左，表明角度越小，位置在中间，表示角度为0°，如图4(c)、(d)部分所示。

结合图2、图3和图5所示，对于三维情况，如果将载体头部的球面展开成一个圆，那么白色最深处区域和黑色最深处区域的不同位置便能表示载体与水流的夹角。

如果载体在水平面内，则载体的白色最大值点和黑色最小值点总是位于0°-180°水平线上，水平线的不同位置表示载体在水平面内与水流方向的夹角。

在二维图形中的每一条直径线均对应于一条一维色带。而如果载体位于别的面内，则白色最深处和黑色最深处连成的直线会与水平面形成一定的夹角γ，通过这个夹角便能表达载体的空间角度。

如果从二维中能确定这个角度，那么恢复到三维空间中，我们便可以表示出载体和水流的空间位置。

通过压力值大小以颜色分布、深度等因素表示，虽然理论上是可行性的，但这种方法存在一个明显的缺陷是压力的数值在真实情况下极易存在噪声干扰。

对此，本申请提出压力差法的视觉感知，即通过压力差值去除一定的“共模干扰”，且相邻的压力监测点距离越近，共模干扰越小。

进一步，利用可视化的压力差矩阵来表达流场的状态变化。

压力差矩阵的每一行表示某一个时间点的压力差分布，行与行之间便是时间差δt。对于压力差矩阵来说，横轴表示每个相邻监测点的压力差，包含了当前时刻的压力分布信息；纵轴表示时间序列，包含了流场的时间状态。

如图6所示，其中t表示时间序列，箭头向下表示不同时间序列的压力差向量；例如，d2123表示p21-p23，d911表示p9-p11，d13表示p1-p3，以此类推。

如图7所示，将压力差矩阵以rgb图像的形式表示出来，将色带图中压力差为0的色块称为0号色块。在0号色块右边，色度越亮说明压力差越大，压力差为正值，也说明压力值在下降；在0号色块左边，颜色越暗表示压力差越大，压力差为负值，压力值在变大。

如图8是在不同角度、不同速度下的压力差图像。从中可以看到，对于v＝0.1m/s，任意角度的压力差基本与0号色块相近。通过对比同一角度、不同速度的压力差图像可以看出，亮度的变化明显地反应了压力差大小的变化。另外，通过对比同一速度、不同角度的压力差图像也可以看出，亮度的移动也反应了角度的变化。

如图9所示，是在不同工况条件下的压力差rgb图像。

将压力差矩阵以rgb图像的形式表示出来。rgb图像是由三个数据通道组成，分别为r通道，g通道和b通道，每个通道由8位数据构成，范围为[0～255]。

在使用python的第三方库matplotlib，将压力差数据转换成图像的过程中，因为压力差有正负值，这些值会缩放到0～1之间，这样每个工况之间的压力差大小并不能呈现清晰的对比。例如，在v＝0.1m/s时，假设压力差最大为10，最小为-10，那么matplotlib会将10归一化处理为1，而将-10归一化处理为0；而在v＝0.5m/s时，假设压力差最大为100，最小为-100，那么matplotlib会将100归一化处理为1，将-100归一化为处理0。如此，则两个图中亮度一样的点可能数值差异就会很大，丧失了对比性。

为了保证在不同工况条件下图像对比体现差异化而清楚表达，本申请采用以下数据缩放公式：

其中，r为表示归一化的值，也就是0-1之间的数；d为压力差；α表示极限因子，取α为256，因之前仿真分析过程中发现针对不同的工况条件，压力差绝对值并不超过256。

如图10所示，利用卷积神经网络算法进行不同压力差图像的分类识别。

其中，搭建了一个类lenet-5的四层卷积神经网络，包括有第一卷积层(conv1)，第二卷积层(conv2)，全连接层(fc1)和softmax层。

在每个卷积层中，数据会经过卷积、批标准化(bn)和池化处理。

第一卷积层的核大小为5×5，数量为16；池化窗口大小为2，每一维度的移动步长也为2，激活函数选择relu函数。

第二卷积层的核大小为5×5，数量为32；池化层参数与卷积1相同，激活函数选择relu函数。

全连接层共有16个节点，激活函数为relu函数。

softmax层的节点数目与要分类的数目相同。

数据经过第一卷积层和第二卷积层后，进行拉平操作(对应于图中的flatten)，然后经过全连接层，最后到达softmax层，得到预测输出。

将预测输出与样本的标签进行对比求得损失loss，然后根据adam优化器计算梯度并更新参数。

特别地，在训练(train)的过程中采用小批次(minibatch)训练，每个批次的样本数为128。

在进行网络训练之前，需要对数据集进行划分。本申请将试验数据按照压力差矩阵的形式进行排列，其中每一行代表某一时刻的相邻传感器的压力差；然后，构建样本矩阵，每个矩阵共包含22行，时间间隔近似等于2秒，也就是说每个样本反映了2秒时间内的压力差的变化。接着，每隔一个时间点创建一个样本，也就是每个样本之间相差近似0.1秒。

如图11所示的样本创建过程，图中的每一个方框代表一个样本矩阵，时间间隔近似等于2秒，δt近似等于0.1秒。

对于每一种工况共创建1500个样本，并创建相应的标签。建立完所有的数据集后，将数据集打乱成训练集和测试集，并且保证训练集和测试集符合同样的分布。

最终，通过该卷积神经网络对压力差rgb图像进行识别，其结果具有较高的准确度，验证了本申请在感知流场变化与障碍物方面具有较为可靠的性能。

应用本申请，可通过对不同压力差rgb图像的分析，同时得到流速、流向、障碍物有无、障碍物大小等信息，即将识别不同流场信息的过程统一到“压力差rgb图像”这个工具中，无需为不同流场信息分别建立对应的数学模型。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。