一种基于5G网联的AUV水下寻物方法及系统

本发明涉及水下机器人，特别是一种基于5g网联的auv水下寻物方法及系统。

背景技术：

1、面对日益增长的水下寻物任务需求以及复杂的水下环境，对水下机器人(autonomous underwater vehicle，auv)和水面无人艇(unmanned surface vehicle，usv)提出了更高的要求。现在的水下寻物任务所使用的auv以人为手动控制为主，使用遥控器进行操控，大多通过auv收集水下信息后直接传输在水面usv，水面usv再将信息通过mesh、lora等通信链路传送至岸上基站，再由岸上基站通过卫星通信链路发送到岸上数据中心，存在水下信息传输失败的以及水面usv和岸上基站之间的传输距离受限的问题，这就约束了岸上基站的建设范围，当所处水域复杂导致水声通信传输失败或者距离过大而不适宜岸上基站建设时，将会导致信息不能及时的传输到岸上基站上。现阶段的大多水下搜索方式，根据搜寻水域的范围可以分为单auv和多auv水下搜索。在单auv搜索目标时，经常出现auv所获得的数据无法传输至岸上，而导致定位不准确且浪费auv能量，导致搜索任务失败。

2、针对水下寻物任务，auv采集到的水下图像清晰度以及水声通信的稳定性是一个重要因素，因此对auv的定位、水下三维地形的准确性、图像的清晰度和水声通信的成功率需求较高，而且对整个信息传输过程的稳定性和快速性具有更高的要求。面对一个未知水域，对水下地形的探测也需要更加快速及准确，当面临一些水下的特殊环境下，水下寻物等需要更为精准掌控的任务时，需要更精确的对auv进行定位。如果在搜寻auv上进行完整的数据处理和视屏图像分析，将会严重消耗搜寻auv端的算力，也会导致auv上安装过多设备而大大提高了成本，还会使得auv的运行功耗高。在未知水域开展寻物，对auv的避障能力也将是一个大的考验。如果将所有计算放在岸上设备，则auv需要跟部署在公网上的应用服务器进行通信，必须经过auv-水声通信-水上接收设备-岸基数据中心这样的线路。水上接收设备到岸上基站大多采用第四代移动通信技术(4g)进行通信，存在距离受限和传输速率问题。采用常规auv寻物方式，会导致auv白白浪费许多能量。因为水下声波传输环境的恶劣，会导致对auv定位误差过大而无法实时接受信息从而降低搜索效率。

技术实现思路

1、针对上述缺陷，本发明提出了一种基于5g网联的auv水下寻物方法及系统，其目的在于解决了常规auv寻物方式存在水上和水下数据的传输速率低、auv的运行功耗高以及auv的定位误差过大导致搜索效率低的问题。

2、为达此目的，本发明采用以下技术方案：

3、一种基于5g网联的auv水下寻物方法，包括以下步骤：

4、步骤s1：构建对搜索水域的水下三维地图，以及建立基站数据库，所述基站数据库包括若干需要搜索的目标物图像；

5、步骤s2：将所述水下三维地图通过栅格法结合神经元网络算法进行划分，得到水下机器人路径规划区域；

6、步骤s3：在所述水下机器人路径规划区域内标记多个可疑点三维坐标位置；

7、步骤s4：在可疑点三维坐标位置获取第一可疑物图像，并对所述第一可疑物图像进行图像处理，得到第二可疑物图像；

8、步骤s5：将所述第二可疑物图像与需要搜索的目标物图像进行比对，若所述第二可疑物图像与需要搜索的目标物图像一致，则代表搜索成功；若所述第二可疑物图像与需要搜索的目标物图像不一致，则代表搜索不成功。

9、优选地，在步骤s4中，具体包括以下子步骤：

10、步骤s41：对所述第一可疑物图像进行预处理，得到预处理后的第一可疑物图像；

11、步骤s42：对预处理后的第一可疑物图像进行精细化处理，得到第二可疑物图像。

12、优选地，在步骤s41中，具体包括以下子步骤：

13、步骤s411：将所述第一可疑物图像进行灰度转换，得到第一灰度图像；

14、步骤s412：采用基于瑞利分布的clahe-wt对所述第一灰度图像的直方图在限定值范围内进行平移、拉伸，使所述第一灰度图像的直方图抛物线的极大值点向中间灰度级平移；

15、步骤s413：所述第一灰度图像的直方图抛物线向低灰度级和高灰度级拉伸，使各灰度级在所述第一灰度图像中出现的次数更加均衡，得到第二灰度图像，即预处理后的第一可疑物图像。

16、优选地，在步骤s42中，具体包括以下步骤：

17、步骤s421：初始化迭代次数f，第一系数向量ac的最大长度lcmax，第二系数向量at的最大长度ltmax，松弛系数λ，以及第一阈值δc和第二阈值δt，其中，δc＝λ*lcmax，δt＝λ*ltmax，并对预处理后的第一可疑物图像x进行f次迭代；

18、步骤s422：若图像高频信号xt保持不变，更新图像低频信号xc，计算图像低频信号更新后剩余部分x‘c，其中，x‘c＝x-xc；

19、计算第一系数向量ac，其中，为x‘c的稀疏表示，并通过软阈值法确定第一系数向量ac，通过设置阈值为δc处理第一系数向量ac，得到处理后的第一系数通过变换重构xc，得到重构图像低频信号x”c，其中，tc为xc的稀疏表示结构信息；

20、步骤s423：若图像低频信号xc保持不变，更新图像高频信号xt，计算图像高频信号更新后剩余部分x‘t＝x-xt；

21、计算第二系数向量at，其中，为x‘t的稀疏表示，并通过软阈值法确定第二系数向量at，通过设置阈值为δt处理第二系数向量at，得到处理后的第二系数通过变换重构xt，得到重构图像高频信号x”t，其中，tt为xt的稀疏表示结构信息；

22、步骤s424：更新第一阈值δc，使δc＝δc-λ，若δc＜λ算法结束；或者更新第二阈值δt，使δt＝δt-λ，若δt＜λ算法结束；

23、步骤s425：对重构图像低频信号x”c的灰度图像进行尺度retinex增强，输入高斯环绕尺度c，在离散条件下，积分转换为求和，确定尺度参数λr数值；

24、步骤s426：由公式(1)计算得到xr(x,y)；

25、

26、对于单尺度，输入图像为s(x,y)，亮度图像为l(x,y)，反射图像为r(x,y)；

27、其中xr(x,y)为第一输出图像，*为卷积操作符，f(x,y)为中心围绕函数，c为高斯环绕尺度且∫∫f(x,y)dxdy＝1；

28、步骤s427：将xr(x,y)从对数域转换到实数域，进行线性拉伸得到第二输出图像xcr(x,y)，即增强后的低频结构图像xcr，并以double形式存储；

29、步骤s428：使用k-svd算法进行降噪处理，选择滑动因子s＝1，尺度为的窗口，对输入尺度为采集图像i，按块迭代策略得到向量集合其中，yi是第i个迭代块向量，m为迭代块向量的个数，满足m＝n为输入图像中像素块的总个数，n为输入图像中像素块的个数；

30、步骤s429：通过随机采样的方法对向量集合y进行采样，并将采样的块向量提取到训练样本集合其中，y'i是第i个训练样本，m'是训练样本数目，且0＜m'≤m；

31、步骤s4210：对训练样本集合y'进行基于稀疏k-svd方法的字典训练，获得稀疏字典

32、步骤s4211：按照公式将稀疏字典带入获得训练字典其中，a为基础字典；

33、步骤s4212：对得到的训练字典使用omp-cholesky算法稀疏编码对所有重叠块的向量集合y，得到稀疏矩阵rij为图像重叠块提取操作符；由公式得到y的估计降噪后的高频纹理图像由公式(2)所得：

34、

35、步骤s4213：对增强后的低频结构图像xcr与降噪后的高频纹理图像进行加性操作，得到水下图像l(x,y)，即第二可疑物图像。

36、优选地，在步骤s2中，神经元网络算法中神经元活性变化规律如公式(3)表示：

37、

38、其中，uk为神经元网络中神经元k的活性值；ul是与神经元k相邻的神经元l的活性值；参数a、b、d为正常数，-a反映神经元k的活性值uk的衰减速率；b和d分别是uk的上下限值，即uk∈[-d,b]；ik表示神经元k的外部输入信号，当ik>0表示激励信号，当ik<0表示抑制信号；表示能对神经元k产生激励信号的神经元限定在与其位置距离不超过的周边神经元区域内，即周边26个神经元；

39、wkl表示神经元k与l之间的神经元连接权系数，如公式(4)表示：

40、

41、其中，|kl|表示神经网络中神经元k与神经元l的距离，μ为常系数。

42、本技术的另一方面提供了一种基于5g网联的auv水下寻物系统，所述系统包括：

43、构建模块，用于构建对搜索水域的水下三维地图；

44、建立模块，用于建立基站数据库，所述基站数据库包括若干需要搜索的目标物图像；

45、划分模块，用于将所述水下三维地图通过栅格法结合神经元网络算法进行划分，得到水下机器人路径规划区域；

46、标记模块，用于在所述水下机器人路径规划区域内标记多个可疑点三维坐标位置；

47、获取模块，用于在可疑点三维坐标位置获取第一可疑物图像；

48、图像处理模块，用于对所述第一可疑物图像进行图像处理，得到第二可疑物图像；

49、比对判断模块，用于将所述第二可疑物图像与需要搜索的目标物图像进行比对，若所述第二可疑物图像与需要搜索的目标物图像一致，则代表搜索成功；若所述第二可疑物图像与需要搜索的目标物图像不一致，则代表搜索不成功。

50、优选地，所述图像处理模块包括：

51、图像预处理子模块，用于对所述第一可疑物图像进行预处理，得到预处理后的第一可疑物图像；

52、图像精细化处理子模块，用于对预处理后的第一可疑物图像进行精细化处理，得到第二可疑物图像。

53、优选地，所述图像预处理子模块包括：

54、图像灰度转换子单元，用于将所述第一可疑物图像进行灰度转换，得到第一灰度图像；

55、第一处理子单元，用于采用基于瑞利分布的clahe-wt对所述第一灰度图像的直方图在限定值范围内进行平移、拉伸，使所述第一灰度图像的直方图抛物线的极大值点向中间灰度级平移；

56、第二处理子单元，用于所述第一灰度图像的直方图抛物线向低灰度级和高灰度级拉伸，使各灰度级在所述第一灰度图像中出现的次数更加均衡，得到第二灰度图像，即预处理后的第一可疑物图像。

57、优选地，所述图像精细化处理子模块包括：

58、初始化子单元，用于初始化迭代次数f，第一系数向量ac的最大长度lcmax，第二系数向量at的最大长度ltmax，松弛系数λ，以及第一阈值δc和第二阈值δt，其中，δc＝λ*lcmax，δt＝λ*ltmax；

59、迭代子单元，用于对预处理后的第一可疑物图像x进行f次迭代；

60、重构图像低频信号计算子单元，用于若图像高频信号xt保持不变，更新图像低频信号xc，计算图像低频信号更新后剩余部分x‘c，其中，x‘c＝x-xc；

61、计算第一系数向量ac，其中，为x‘c的稀疏表示，并通过软阈值法确定第一系数向量ac，通过设置阈值为δc处理第一系数向量ac，得到处理后的第一系数通过变换重构xc，得到重构图像低频信号x”c，其中，tc为xc的稀疏表示结构信息；

62、重构图像高频信号计算子单元，用于若图像低频信号xc保持不变，更新图像高频信号xt，计算图像高频信号更新后剩余部分x‘t＝x-xt；

63、计算第二系数向量at，其中，为x‘t的稀疏表示，并通过软阈值法确定第二系数向量at，通过设置阈值为δt处理第二系数向量at，得到处理后的第二系数通过变换重构xt，得到重构图像高频信号x”t，其中，tt为xt的稀疏表示结构信息；

64、更新子单元，用于更新第一阈值δc，使δc＝δc-λ，若δc＜λ算法结束；或者更新第二阈值δt，使δt＝δt-λ，若δt＜λ算法结束；

65、第一运算子单元，用于对重构图像低频信号x”c的灰度图像进行尺度retinex增强，输入高斯环绕尺度c，在离散条件下，积分转换为求和，确定尺度参数λr数值；

66、第二运算子单元，用于由公式(1)计算得到xr(x,y)；

67、

68、对于单尺度，输入图像为s(x,y)，亮度图像为l(x,y)，反射图像为r(x,y)；

69、其中xr(x,y)为第一输出图像，*为卷积操作符，f(x,y)为中心围绕函数，c为高斯环绕尺度且∫∫f(x,y)dxdy＝1；

70、增强后低频图像获取子单元，用于将xr(x,y)从对数域转换到实数域，进行线性拉伸得到第二输出图像xcr(x,y)，即增强后的低频结构图像xcr，并以double形式存储；

71、向量集合获取子单元，用于使用k-svd算法进行降噪处理，选择滑动因子s＝1，尺度为的窗口，对输入尺度为采集图像i，按块迭代策略得到向量集合其中，yi是第i个迭代块向量，m为迭代块向量的个数，满足n为输入图像中像素块的总个数，n为输入图像中像素块的个数；

72、向量集合采样子单元，用于通过随机采样的方法对向量集合y进行采样，并将采样的块向量提取到训练样本集合其中，y'i是第i个训练样本，m'是训练样本数目，且0＜m'≤m；

73、样本集合训练子单元，用于对训练样本集合y'进行基于稀疏k-svd方法的字典训练，获得稀疏字典

74、训练字典获取子单元，用于按照公式将稀疏字典带入获得训练字典其中，a为基础字典；

75、降噪后高频图像获取子单元，用于对得到的训练字典使用omp-cholesky算法稀疏编码对所有重叠块的向量集合y，得到稀疏矩阵rij为图像重叠块提取操作符；由公式得到y的估计降噪后的高频纹理图像由公式(2)所得：

76、

77、第三运算子单元，用于对增强后的低频结构图像xcr与降噪后的高频纹理图像进行加性操作，得到水下图像l(x,y)，即第二可疑物图像。

78、优选地，在所述划分模块中，将所述水下三维地图通过栅格法结合神经元网络算法进行划分，所述神经元网络算法中神经元活性变化规律如公式(3)表示：

79、

80、其中，uk为神经元网络中神经元k的活性值；ul是与神经元k相邻的神经元l的活性值；参数a、b、d为正常数，-a反映神经元k的活性值uk的衰减速率；b和d分别是uk的上下限值，即uk∈[-d,b]；ik表示神经元k的外部输入信号，当ik>0表示激励信号，当ik<0表示抑制信号；表示能对神经元k产生激励信号的神经元限定在与其位置距离不超过的周边神经元区域内，即周边26个神经元；

81、wkl表示神经元k与l之间的神经元连接权系数，如公式(4)表示：

82、

83、其中，|kl|表示神经网络中神经元k与神经元l的距离，μ为常系数。

84、本技术实施例提供的技术方案可以包括以下有益效果：

85、1、本方案通过采用搜寻水下机器人(sauv)与传输水下机器人(cauv)互相配合的方式实现水下与水上数据的传输，这样提高了水下机器人(auv)获得水下信息的传输速度、范围和稳定性。

86、2、本方案通过先由搜寻水下机器人(sauv)获得第一可疑物图像，再交由传输水下机器人(cauv)进行第一可疑物图像的预处理，再由水上无人艇(usv)完成预处理后第一可疑物图像的进一步精细化处理，使得两个水下机器人(auv)各司其职，使得每个水下机器人(auv)上所需要搭载的设备减少，从而减少了它们的功耗以及成本。通过水上无人艇(usv)对传输水下机器人(cauv)的定位，以及传输水下机器人(cauv)对搜寻水下机器人(sauv)的定位，定位过程中每隔一段时间向上发送一段带时间戳的信息，通过接收到信息的时间差反复调整位置以提高信息的传输速率。使得对搜寻水下机器人(sauv)的定位更加准确，且通过传输水下机器人(cauv)作为信息传输的中间点能够减少水下数据的丢包率。

87、3、本方案通过将搜索水域人为地划分为多个栅格，并将栅格与神经元算法相结合，为每一个栅格设定相应的神经元活性值，便于提高水下机器人(auv)的目标搜索效率，保障水下机器人(auv)定位的精度，保障水下机器人(auv)通信的效率，减少水下机器人(auv)的重复搜索次数，使得单个水下机器人(auv)的能量得到最大的利用。