CN119142491A - 一种基于多源数据融合的高抗流多点观测式鱼群监测水下机器人 - Google Patents

Abstract

本发明公开了一种基于多源数据融合的高抗流多点观测式鱼群监测水下机器人，包括外壳、自适应洋流抵抗系统和能源系统；自适应洋流抵抗系统包括洋流信息检测模块和PID控制算法实时调控推进器模块；洋流信息检测模块用于实时采集洋流信息，包括水流速度、方向和湍流强度；控制算法实时调控推进器模块根据洋流变化，利用PID控制算法实时调控推进器的功率和方向，确保水下机器人在复杂洋流中保持稳定性；伸缩式多传感器融合系统通过结合多个传感器采集鱼群的多维度数据，并利用深度学习算法对这些数据进行融合分析，从而实现高精度的鱼群识别和跟踪；集成的洋流‑太阳能的能源系统使得水下机器人具备长时间续航能力。

Description

一种基于多源数据融合的高抗流多点观测式鱼群监测水下机 器人

技术领域

本发明属于水下机器人技术领域，特别涉及一种基于多源数据融合的高抗流多点观测式鱼群监测水下机器人。

背景技术

随着水产养殖和海洋生态保护领域的快速发展，鱼群的监测和跟踪成为一项关键任务。然而，传统的监测手段依赖人工操作或静态设备，难以满足外海复杂环境中的高效监控需求。尤其是在外海洋流复杂、鱼群游动迅速且鱼类个体重叠的情况下，传统的水下监测设备容易失去稳定性、续航能力不足，且图像识别准确性较低，无法提供实时的高质量数据。

现有技术的不足及原因：传统水下机器人在外海复杂洋流环境下，容易受到水流影响，设备的稳定性不足，导致数据采集失真等问题。这对鱼群监测和研究的连续性与数据的准确性构成威胁。针对鱼群的图像识别功能不足，图像识别困难，鱼群的快速游动和个体之间的重叠，给传统的图像识别算法带来了巨大挑战，导致识别精度低、误差大，难以有效跟踪鱼群的个体行为。续航时间短，现有的水下机器人依赖有限的电池电量，续航时间短，无法满足长时间监测需求，尤其是在偏远海域进行持续性鱼群状态跟踪时，这一问题尤为突出。

发明内容

本发明提供一种基于多源数据融合的高抗流多点观测式鱼群监测水下机器人，该机器人在复杂洋流条件下能保持稳定，具备高效的图像识别能力，能够在快速游动的鱼群中进行准确跟踪。

为解决上述问题，本发明提供的技术方案如下：

本发明实施例提供一种基于多源数据融合的高抗流多点观测式鱼群监测水下机器人，包括外壳（1），所述外壳（1）顶部前端位置设置有自适应洋流抵抗系统（2），所述外壳（1）底部前端位置设置有伸缩式多传感器融合系统（3），所述外壳（1）上设置有能源系统（4），所述外壳（1）的四周设置有4个矢量推进器（201）；

所述自适应洋流抵抗系统（2）包括洋流信息检测模块和PID控制算法实时调控推进器模块；所述洋流信息检测模块用于实时采集洋流信息，包括水流速度、方向和湍流强度；所述控制算法实时调控推进器模块根据洋流变化，利用PID控制算法实时调控矢量推进器（201）的功率和方向，确保水下机器人在复杂洋流中保持稳定性；

所述伸缩式多传感器融合系统（3）包括环境监测与数据采集模块、多源数据融合与重叠处理模块、鱼群识别与轨迹预测模块、信息输出模块和能源管理模块；所述伸缩式多传感器融合系统（3）通过结合多个传感器采集鱼群的多维度数据，并利用深度学习算法对这些数据进行融合分析，从而实现高效的鱼群识别和跟踪。

本发明一可选实施例，所述环境监测与数据采集模块包括传感器数据采集和数据预处理；数据采集传感器包括高分辨率摄像头（301）、水下声呐（302）、水下照明系统（303）和洋流传感器（304）；所述数据预处理用于进行去噪、分辨率调整和数据增强处理。

本发明一可选实施例，所述多源数据融合与重叠处理模块包括特征提取、传感器数据融合和重叠消除技术；所述特征提取通过卷积神经网络CNN提取鱼群图像的特征，如边缘、形状特征；所述传感器数据融合将光学和声呐的多传感器数据进行融合，以获取完整的鱼群信息；所述重叠消除技术采用深度学习处理，括卷积层、池化层、全连接层及分类器Softmax，利用深度学习算法对鱼群个体进行分类和跟踪。

本发明一可选实施例，所述鱼群识别与轨迹预测模块包括鱼群个体识别和鱼群轨迹预测与跟踪；所述鱼群个体识别利用深度学习算法对鱼群个体进行分类和跟踪，所述鱼群轨迹预测与跟踪基于历史数据和深度学习模型预测鱼群的运动轨迹。

本发明一可选实施例，所述能源管理模块利用太阳能、水流发电和智能能源调度，管理不同能源来源的智能调配，确保长时间作业。

本发明一可选实施例，所述自适应洋流抵抗系统（2）包括水流传感器、姿态传感器和加速度传感器，用于实时监测水流速度和方向。

本发明一可选实施例，PID控制算法控制方程为：

；

其中，e(t)表示实际位置与期望位置之间的误差，所述自适应洋流抵抗系统（2）通过比例、积分和微分来调节推进器的功率，实时调整水下机器人的姿态；参数调节范围：比例增益 K_p取值范围为 0.1～1.0，用于控制响应速度；积分增益 K_i取值范围为 0.01～0.1，用于消除稳态误差；微分增益 K_d取值范围为 0.01～0.1，用于提高抗扰动能力；适用条件：PID控制算法适用于水流速度变化范围在 0.5～3.0 m/s的复杂洋流环境，实时调节推进器的推力输出，以确保水下机器人在洋流突变情况下保持姿态稳定和导航精度。

本发明一可选实施例，所述能源系统（4）包括太阳能电池板（401）和水流发电装置（402），所述太阳能电池板（401）设置在所述外壳（1）顶部中间位置处，用于捕获太阳能；所述水流发电装置（402）设置在所述外壳（1）底部后端位置处，所述水流发电装置（402）利用水流推动涡轮发电，提供额外的电力支持。

本发明一可选实施例，所述水流发电装置（402）水流发电效率公式来评估水流涡轮的发电性能：；其中，ρ为水的密度，A为涡轮的迎风面积，V为水流速度。

与现有技术相比，本发明实施例提供一种基于多源数据融合的高抗流多点观测式鱼群监测水下机器人，具有以下有益效果：

（1）、鱼群监测水下机器人专门用于鱼群监测和跟踪任务，通过矢量推进器自适应洋流抵抗系统和多传感器融合技术，能够在复杂水流中保持稳定，同时采用基于深度学习算法的集群式水下机器人进行鱼群识别，极大提高了鱼类跟踪的准确性和效率。此外，集成的洋流-太阳能的能源系统使得水下机器人具备长时间续航能力，适合长距离和长时间的作业需求。

（2）、稳定性优化与复杂洋流抵抗，矢量推进器与洋流检测传感器的结合使水下机器人能够实时感知洋流变化，通过PID控制算法调整推进力和方向，从而维持水下机器人的稳定性。这种稳定控制系统确保在洋流变化剧烈的环境中，依然能够进行高效的鱼群跟踪和数据采集工作。直接效果：通过引入自适应洋流抵抗系统，水下机器人能够实时调整矢量推进器推进器的输出和方向，使其在复杂的外海洋流条件下保持高度的稳定性，显著减少因水流波动导致的失控现象，确保持续监控，使得在强洋流和深海环境中进行鱼群跟踪成为可能，显著提升了ROV的可用性，适应了更广泛的海洋条件，扩大了其应用范围。

（3）、高效鱼群识别与跟踪，采用的集群式多角度拍摄和深度学习模型通过大量鱼类图片训练，能够在鱼类重叠、快速游动的情况下提取鱼体特征进行精确识别。同时，融合声学传感器和光学传感器的数据进一步提高了识别的准确性。直接效果：基于深度学习和多传感器融合的鱼群识别技术，极大地提高了识别和跟踪鱼群个体的精度，即便在鱼群重叠和高速游动的情况下，也能有效分辨个体鱼类并提供精准数据。技术效果：这种改进减少了传统图像识别中因重叠或快速运动导致的识别错误，增强了水下机器人在复杂鱼群状态下的作业效率，提升了鱼群监测和研究的科学性和准确性。

（4）、能量回收与续航能力提升，水流发电装置通过水流动能推动涡轮产生电力，同时太阳能电池板在水面作业时吸收光能，这两种能量回收方式结合使用，确保设备在长时间作业中保持电力供应，极大地延长了续航时间。直接效果：通过集成水流发电和太阳能技术，本发明的水下机器人大大延长了续航时间，可以在长时间作业中无需频繁更换电池或充电，适用于持续监控需求。技术效果：相对于传统电池供电的水下机器人，提高了设备的可持续作业能力，使得外海、深海等偏远区域的长期监测成为可能，这种设计不仅提升了环境友好性，还能降低运维成本，在海洋生态保护和资源勘探等领域具有广阔的市场前景和竞争优势。

附图说明

为了更清楚地说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简单介绍，显而易见地，下面描述中的附图仅仅是发明的一些实施例，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为本申请实施例提供的一种基于多源数据融合的高抗流多点观测式鱼群监测水下机器人的结构示意图。

图2为本申请实施例提供的一种基于多源数据融合的高抗流多点观测式鱼群监测水下机器人的底部结构示意图。

图3为本申请实施例提供的一种基于多源数据融合的高抗流多点观测式鱼群监测水下机器人的正视图。

图4为本申请实施例提供的一种基于多源数据融合的高抗流多点观测式鱼群监测水下机器人的自适应洋流抵抗系统和伸缩式多传感器融合系统的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。

如图1所示，本发明实施例提供一种基于多源数据融合的高抗流多点观测式鱼群监测水下机器人，包括外壳1，外壳1顶部前端位置设置有自适应洋流抵抗系统2，外壳1底部前端位置设置有伸缩式多传感器融合系统3，外壳1上设置有能源系统4，外壳1的四周设置有4个矢量推进器201。

如图2自适应洋流抵抗系统2包括水流传感器、姿态传感器和加速度传感器，用于实时监测水流速度和方向。如图3伸缩式多传感器融合系统3的采集数据的传感器包括高分辨率摄像头301、水下声呐302、水下照明系统303和洋流传感器304，通过深度学习算法训练的模型实时识别鱼类，传感器数据与视觉信息融合，以提高识别精度。

如图4所示，自适应洋流抵抗系统2包括洋流信息检测模块和PID控制算法实时调控推进器模块；洋流信息检测模块用于实时采集洋流信息，包括水流速度、方向和湍流强度。控制算法实时调控推进器模块根据洋流变化，利用PID控制算法实时调控矢量推进器201的功率和方向，确保水下机器人在复杂洋流中保持稳定性。

PID控制算法控制方程为：

；

其中，e(t)表示实际位置与期望位置之间的误差，自适应洋流抵抗系统（2）通过比例、积分和微分来调节推进器的功率，实时调整水下机器人的姿态；参数调节范围：比例增益 K_p取值范围为 0.1～1.0，用于控制响应速度；积分增益 K_i取值范围为 0.01～0.1，用于消除稳态误差；微分增益 K_d取值范围为 0.01～0.1，用于提高抗扰动能力；适用条件：PID控制算法适用于水流速度变化范围在 0.5～3.0 m/s的复杂洋流环境，实时调节推进器的推力输出，以确保水下机器人在洋流突变情况下保持姿态稳定和导航精度。

如图4所示。伸缩式多传感器融合系统3包括环境监测与数据采集模块、多源数据融合与重叠处理模块、鱼群识别与轨迹预测模块、信息输出模块、和能源管理模块。环境监测与数据采集模块包括传感器数据采集和数据预处理，数据采集传感器包括高分辨率摄像头301、水下声呐302、水下照明系统303和洋流传感器304。数据预处理用于进行去噪、分辨率调整和数据增强处理。

多源数据融合与重叠处理模块包括特征提取、传感器数据融合、重叠消除技术；特征提取通过卷积神经网络CNN提取鱼群图像的特征，如边缘、形状特征。传感器数据融合将光学和声呐等多传感器数据进行融合，以获取完整的鱼群信息；重叠消除技术采用深度学习处理，括卷积层、池化层、全连接层及分类器Softmax，利用深度学习算法对鱼群个体进行分类和跟踪。

鱼群识别与轨迹预测模块包括鱼群个体识别和鱼群轨迹预测与跟踪；鱼群个体识别利用深度学习算法对鱼群个体进行分类和跟踪，鱼群轨迹预测与跟踪基于历史数据和深度学习模型预测鱼群的运动轨迹。能源系统利用太阳能、水流发电和智能能源调度，管理不同能源来源的智能调配，确保长时间作业。

能源系统4包括太阳能电池板401和水流发电装置402，太阳能电池板401设置在外壳1顶部中间位置处，用于捕获太阳能。水流发电装置402设置在外壳1底部后端位置处，水流发电装置402利用水流推动涡轮发电，提供额外的电力支持。

水流发电装置402水流发电效率公式来评估水流涡轮的发电性能：

；其中，ρ为水的密度，A为涡轮的迎风面积，V为水流速度。

以上，本发明的鱼群监测水下机器人具有稳定性优化系统。通过采用先进的水动力学设计和智能控制算法，本发明的水下机器人能够实时适应外界环境变化，维持其稳定性。具体来说，水下机器人ROV配备有多个矢量推进器，能够根据实时监测的水流状况自动调节推进方向和速度。这种技术允许水下机器人ROV在复杂洋流环境中维持高度稳定性，有效避免了现有设备易受水流干扰而失去控制的问题。

具体措施：通过多个洋流传感器实时采集水流信息（速度、方向、湍流强度等）。自适应洋流抵抗系统使用PID控制算法，自动调整推进器的矢量方向和推力大小，确保水下机器人ROV在水中稳定。整个调整过程响应时间短，确保水下机器人ROV能够在复杂洋流环境中快速作出反应。与传统推进器系统相比，矢量推进器可根据实时水动力特性进行精确的推力调节，大大提升了水下机器人ROV在复杂水流中的稳定性和适应性。

本发明的鱼群监测水下机器人具有高效图像识别功能。采用伸缩式多传感器融合系统3技术（声学、光学），通过从水下机器人ROV的多个角度集群式协作拍摄，结合磁力和声学信号辅助识别，实现对鱼群个体的精准跟踪。该机器人集成了深度学习算法，特别是卷积神经网络CNN，结合多个传感器采集的数据信息，使其能够在快速游动的鱼类中准确识别目标。通过训练模型，该系统能够识别不同种类的鱼类及其特征，即使在鱼群重叠的情况下，也能确保识别的准确性和快速性。具体措施：多台水下机器人通过光学摄像头实时捕捉鱼群的多角度图像，同时使用声呐获取鱼群的距离和空间分布信息。通过深度学习模型（如CNN）对多图像进行拼接，结合传感器数据提取鱼类的特征，解决鱼类重叠的问题。多传感器融合数据分析，利用声学和磁力信号提供额外的物理信息，进一步提高鱼群识别的精确度。创新点：通过多角度协作拍摄和多源物理信号的结合，显著提升鱼群识别的准确性，解决了鱼类重叠带来的识别难题。

本发明的鱼群监测水下机器人增强续航能力。本发明设计了一种高效的能源系统，结合太阳能和水流发电技术，以增强水下机器人的续航能力。太阳能板可以在水面采集能量，而水流发电机则利用水流动能进行电力转换，确保机器人在长时间作业时不易耗尽电力。这项创新显著延长了设备的续航能力，使其能够在外海区域进行长时间、持续性的监测，克服了传统机器人续航时间短的缺点。具体措施：在水下机器人ROV下方安装微型水流发电机，通过捕捉水流动能为电池充电。在水下机器人ROV表面覆盖太阳能电池板，上浮到水面时利用太阳能充电。由能源系统智能调配两种能源的使用，确保水下机器人ROV长时间续航。创新点：该系统通过自然能量的回收，延长了水下机器人ROV的续航时间，适合远海的长期监测任务。

自适应洋流抵抗系统：在复杂的外海环境下，洋流会产生强烈的水流干扰，导致水下机器人ROV难以保持稳定运行。现有的水下机器人大多依赖固定的推进系统，在面对变化的水流时，难以快速适应，容易发生失控或偏移。解决方案：本发明采用自适应洋流抵抗系统，通过在水下机器人ROV上集成多方向推进器、加速度计、洋流传感器等设备，实时监测外部水流速度、方向和强度。当系统检测到水流变化时，自动启动控制算法，通过调节各推进器的功率和方向，使水下机器人ROV自动调整姿态，确保其在水中保持稳定。具体步骤：1.通过多个洋流传感器实时采集水流信息，包括水流速度、方向、湍流强度等。2.系统内置的控制算法（例如基于PID控制的自适应算法）根据传感器数据实时计算出各个推进器所需的工作参数。3.各推进器根据计算结果调节其工作状态，调整推力方向和大小，从而抵抗外部水流的影响，确保水下机器人ROV的稳定性。4.整个调整过程响应时间短（在毫秒级），能够实时应对突然的水流变化，保证水下机器人ROV能够在复杂洋流环境中安全作业。效果：该系统确保了水下机器人ROV在复杂水流环境下能够保持姿态稳定，避免由于洋流变化导致的设备失控或偏离设定轨迹，使得水下机器人ROV能够持续进行鱼群跟踪和拍摄任务。

多传感器融合的深度学习鱼群识别系统：在鱼群密集且鱼类游动速度快的情况下，传统的视觉识别系统常常因为鱼类的重叠和快速移动而无法准确区分个体鱼类，导致识别精度降低。解决方案：本发明设计了多传感器融合的深度学习识别系统，通过结合多个传感器（如光学摄像头、声呐设备）采集鱼群的多维度数据，并利用深度学习算法对这些数据进行融合分析，从而实现高效的鱼群识别和跟踪。本发明提出了一种多传感器融合的深度学习鱼群识别系统，结合水下机器人ROV个体集群式作业、多个传感器（如光学摄像头、声呐设备）采集的鱼群多维数据，利用深度学习算法进行数据融合分析，实现对鱼群的高效识别与跟踪。具体步骤：（1）多角度捕捉：采用高分辨率光学摄像头实时捕捉鱼群图像，并结合声呐设备获取鱼群的距离和分布信息。（2）特征提取与融合：通过卷积神经网络（CNN）对采集（3）多传感器融合：深度学习算法经过大量鱼类图像数据的训练，能自动学习鱼类特征，适应不同种类和形态的鱼群跟踪场景。（4）空间协作：多个水下机器人协作拍摄，结合多图拼接，实现从多个角度高效识别鱼群个体，同时借助磁力或声学信号辅助识别，进一步提高鱼群识别精度预期效果。该系统解决了传统视觉识别系统在鱼群重叠和鱼类快速游动情况下的识别难题，显著提高了鱼群跟踪的精度和效率，确保ROV能够在复杂鱼群环境下完成监控任务。

能量回收型续航系统：现有水下机器人ROV的电池容量有限，长时间监测任务时需要频繁更换电池或返回充电，影响持续作业的效率，尤其是在外海等远程区域更是如此。解决方案：本发明引入了能量回收型续航系统，结合了水流发电和太阳能技术，通过捕捉外界自然能量（如海洋水流动能、太阳光能），来为水下机器人ROV提供持续的能源供应，减少对电池的依赖。具体步骤：流能发电：在水下机器人ROV下方或尾部安装微型涡轮发电机，当水下机器人ROV在水中移动或遇到水流时，水流推动涡轮旋转产生电力，直接给电池充电或为推进系统提供动力。太阳能充电：水下机器人ROV表面覆盖高效太阳能电池板，当水下机器人ROV上浮至水面时，利用阳光进行充电。该系统与水流发电系统协同工作，确保在不同场景下都能获得额外的电力支持。智能能源管理能源系统通过智能调配这两种能源来源，使电力储备始终保持在最佳水平。效果：能量回收型续航系统显著延长了水下机器人ROV的续航时间，特别适用于远海或长时间监控任务，解决了现有水下机器人ROV续航能力不足的瓶颈问题。

在本发明采用了以下几种经典算法来实现对鱼群监测水下机器人ROV的关键功能：

（1）卷积神经网络（CNN）用于鱼群识别：在图像识别过程中，我们通过卷积操作对鱼群图像进行特征提取。卷积神经网络通过以下公式对输入图像 f 与卷积核进行卷积操作： ；该公式用于提取图像的边缘、形状等特征，帮助识别快速游动和重叠的鱼群。（2）PID控制算法用于推进器调节：推进器的调整基于PID控制算法，用于维持ROV在水下的稳定性。控制方程为：；其中，e(t)表示实际位置与期望位置之间的误差，系统通过比例、积分和微分来调节推进器的功率，实时调整ROV的姿态。（3）、水流发电系统的能量回收效率：在能量回收系统中，我们使用了水流发电效率公式来评估水流涡轮的发电性能：。其中，ρ为水的密度，A为涡轮的迎风面积，V为水流速度。该公式用于分析在不同水流条件下，发电系统的效率，确保续航能力满足长时间监控需求。

本发明的一种基于多源数据融合的高抗流多点观测式鱼群监测水下机器人具有以下创新点：

创新点1：基于多源数据融合的水下环境智能感知与水下目标物运动预判技术。本发明提出了一种基于多源数据融合和深度学习模型的水下环境智能感知技术，结合光学、声学等多种传感器的数据输入，解决了鱼群个体重叠、快速游动及复杂洋流干扰等传统技术难以克服的识别挑战。该技术在复杂水域环境中，能够精准识别和实时跟踪鱼群个体的动态位置，具备高度的鲁棒性和自适应能力。技术方案1：多源数据融合与高精度识别：系统通过多角度同步拍摄实现协同工作，采用多个水下机器人配备的高分辨率摄像头和声学传感器，从不同方位对鱼群进行实时拍摄和数据采集，将不同传感器的图像数据拼接成完整的鱼群三维图像，解决鱼类重叠导致的识别困难。在图像拼接过程中，利用声学和视觉数据进一步分离重叠个体，使鱼群个体的识别和跟踪更加精确。声学传感器在提供视觉信息的基础上，进一步提供空间深度和距离信息。通过数据融合算法，将多种传感器的数据进行实时整合，形成丰富的三维图像和位置信息，从而在鱼群个体重叠的情况下，保持高识别精度和效率。

实时预测与运动预判：系统结合视觉和声学信息，利用深度学习模型对鱼群的游动方向和速度变化进行实时预测。采用PID控制算法，基于当前时刻的鱼群位置和速度数据，推测未来短时间内的运动轨迹。此多参数优化过程实时监测鱼类速度、距离及方向变化，形成可靠的运动预判机制。目标跟踪预测模型的优化：通过结合水下机器人的水动力运动特性（如转弯、加速、减速特性等），构建水下机器人与目标鱼群个体之间的距离、目标物速度及其速度变化的映射关系，从而细化目标跟踪预测模型的准确性。该模型集成了水下机器人六自由度的运动参数，实现鱼群目标的连续跟踪和拍摄，确保鱼群行为的完整数据采集，即使在洋流突变的情况下，依然能保持稳定的跟踪效果。

创新点2 ：基于全回转矢量推进的高机动性水下行进技术。本发明提出了一种基于全回转矢量推进器和实时洋流检测的水下行进技术，通过多向矢量推进与洋流传感器的协同工作，使水下机器人在复杂水流环境中能够自适应调整推进方向和推力大小，保持高度稳定的行进效果。该系统结合水动力优化和PID控制算法，精确响应水流变化，实现了在湍流环境下的高机动性与精确定位，为长时间的海洋监测与鱼群跟踪任务提供了技术保障。技术方案2：推进器布置方案与工作机制：水下机器人配备了四个全回转矢量推进器，分别安装在机器人的四个角落，呈对称分布，以确保平衡推力和机动性。每个推进器都能在垂直轴上进行360度旋转，且其推力大小可独立调节。通过推进器与洋流传感器的协同工作，当传感器检测到侧向水流时，位于侧面的推进器将自动增加反向推力，以平衡外部水流带来的影响，而其他方向的推进器则根据需要调整以保持整体推进效果。例如，当水下机器人向前行进遇到侧向水流时，系统会让侧边推进器向反方向施加推力，而后侧推进器则根据当前路径需要增大推力，从而有效抵消侧向水流的影响。推进器的叶片和电机根据水动力特性进行优化设计，推力稳定且拖曳力小，保证水下机器人在推进过程中不易偏离方向。

水动力学特性与推进器响应优化：为确保在强洋流条件下的稳定性，推进器采用了高效率的螺旋桨设计，并配备了高精度电机控制模块。该设计可在流速突变的环境中快速响应，通过改变推进器的角度与推力，精准控制水动力平衡。系统采用PID控制算法，将实时的洋流数据输入至控制模块，通过比例、积分、微分调节实现对推进器的动态响应优化，确保推进器在毫秒级别的时间内对水流变化做出调整，从而保持水下机器人的稳定性。自适应调节系统的具体实现：系统内置的自适应调节算法接收洋流传感器的实时数据，并将其与水下机器人的目标路径参数进行比较。如果传感器检测到水流的变化超过预设阈值（例如，水流速度超过每秒1米或流向偏差超过15度），控制模块会立即调节对应推进器的角度和推力大小，以抵消外部水流的影响。例如，当前方检测到逆流时，后侧推进器将迅速增大推力，而前侧推进器则相对减小推力，从而保持水下机器人的前行速度。该自适应调节系统能够在强洋流环境下稳定控制水下机器人的速度和方向，确保其在复杂水域中的精确定位和稳定作业。多用途场景与性能优势：这种全回转矢量推进技术能够实现极高的灵活性和稳定性，适用于海洋鱼群监测、深海科研及海底地形勘探等场景。相比传统推进系统，该设计具备对洋流的快速响应与抗扰能力，延长了水下机器人在长时间监测任务中的稳定性与续航时间。在实际操作中，推进器和洋流传感器的实时协同工作显著减少了外部环境变化带来的操作难度，确保水下机器人在复杂水域中稳定运行，提升数据采集的连贯性和精度。

创新点3：基于捕能技术与化学电池技术相结合的长续航作业技术。本发明提出了一种结合流能发电、太阳能发电与海水电池的混合清洁能源补给系统，为水下机器人提供高效的长续航能力。该系统通过捕能与储能技术的联合应用，大大延长了水下机器人的工作时间，并减少了频繁更换电池的需求。该方案尤其适用于远海和复杂水域的长时间监控任务，确保水下机器人在长时间内稳定运行。技术方案3：流能发电与推进器协同工作机制：系统设计了一套流能发电装置，通过将微型水流涡轮安装在水下机器人底部或侧面，利用水流推动涡轮旋转发电。该装置不仅能够为水下机器人提供持续的电力，还能够在必要时辅助推进器的工作。当水流速度适合发电时，涡轮的旋转产生电力，充入电池或直接供电给推进系统；而在推进需求较大时，系统可以切换流能发电模式，使涡轮的动能直接辅助推进器工作，从而节省电池能耗。这种双模式协同工作机制既实现了流能捕获，又能高效利用外界动能进行辅助推进，有效提升了系统的续航与效率。太阳能捕能系统与电力管理：水下机器人的表面装有高效太阳能电池板，当上浮至水面时，电池板能够迅速捕捉太阳能，将其转化为电能并存储于电池内。通过能源系统的智能调配，系统会根据任务需求和环境光照条件合理分配太阳能的使用，以优先为控制系统、传感器模块等基础功能供电，减少电池的消耗，从而延长续航时间。此外，在日光充足的条件下，太阳能能够为电池充电，进一步延长水下机器人的独立作业时间。

海水电池技术与逆化学过程的应用：系统还集成了一种基于海水电解质的化学电池，为水下机器人提供额外的清洁能源。海水电池利用海水作为电解质，通过逆化学反应产生电力。具体来说，海水电池通过将海水中的离子进行还原和氧化反应，实现化学能转化为电能的过程，从而提供稳定的电力供应。这种逆化学过程不仅能够直接为机器人提供电能，还能在紧急情况或长时间作业期间为系统提供备用电力。相比传统电池，海水电池具有更长的使用寿命和良好的环保性，且无需频繁更换电解质，特别适用于长期水下作业需求。智能能源系统的优化调配：系统内置的智能能源管理模块能够根据当前的电力需求和不同能源来源的状态进行动态调配。在流能、太阳能与海水电池三者之间进行电力分配与切换，确保水下机器人在任何时刻都能保持最佳的电力储备。智能管理模块能够自动检测当前电池电量和各能源系统的输出状态，当电量不足时优先启动海水电池或流能发电，以补充所需电力；在光照充足的环境中优先利用太阳能发电，以保持主电池的电量充足状态，从而大幅度降低了电池的消耗频率，提升了设备的续航稳定性。

综上，虽然本发明已以优选实施例揭露如上，但上述优选实施例并非用以限制本发明，本领域的普通技术人员，在不脱离本发明的精神和范围内，均可作各种更动与润饰，因此本发明的保护范围以权利要求界定的范围为准。

Claims (6)

1.一种基于多源数据融合的高抗流多点观测式鱼群监测水下机器人，其特征在于，包括外壳（1），所述外壳（1）顶部前端位置设置有自适应洋流抵抗系统（2），所述外壳（1）底部前端位置设置有伸缩式多传感器融合系统（3），所述外壳（1）上设置有能源系统（4），所述外壳（1）的四周设置有4个矢量推进器（201）；

所述自适应洋流抵抗系统（2）包括洋流信息检测模块和PID控制算法实时调控推进器模块；所述洋流信息检测模块用于实时采集洋流信息，包括水流速度、方向和湍流强度；所述控制算法实时调控推进器模块根据洋流变化，利用PID控制算法实时调控矢量推进器（201）的功率和方向，确保水下机器人在复杂洋流中保持稳定性；

所述伸缩式多传感器融合系统（3）包括环境监测与数据采集模块、多源数据融合与重叠处理模块、鱼群识别与轨迹预测模块、信息输出模块和能源管理模块；所述伸缩式多传感器融合系统（3）通过结合多个传感器采集鱼群的多维度数据，并利用深度学习算法对这些数据进行融合分析，从而实现高效的鱼群识别和跟踪；

所述环境监测与数据采集模块包括传感器数据采集和数据预处理；数据采集传感器包括高分辨率摄像头（301）、水下声呐（302）、水下照明系统（303）和洋流传感器（304）；所述数据预处理用于进行去噪、分辨率调整和数据增强处理；

所述多源数据融合与重叠处理模块包括特征提取、传感器数据融合和重叠消除技术；所述特征提取通过卷积神经网络CNN提取鱼群图像的特征，如边缘、形状特征；所述传感器数据融合将光学和声呐的多传感器数据进行融合，以获取完整的鱼群信息；所述重叠消除技术采用深度学习处理，括卷积层、池化层、全连接层及分类器Softmax，利用深度学习算法对鱼群个体进行分类和跟踪；

所述鱼群识别与轨迹预测模块包括鱼群个体识别和鱼群轨迹预测与跟踪；所述鱼群个体识别利用深度学习算法对鱼群个体进行分类和跟踪，所述鱼群轨迹预测与跟踪基于历史数据和深度学习模型预测鱼群的运动轨迹。

2.根据权利要求1所述的一种基于多源数据融合的高抗流多点观测式鱼群监测水下机器人，其特征在于，所述能源管理模块利用太阳能、水流发电和智能能源调度，管理不同能源来源的智能调配，确保长时间作业。

3.根据权利要求1所述的一种基于多源数据融合的高抗流多点观测式鱼群监测水下机器人，其特征在于，所述自适应洋流抵抗系统（2）包括水流传感器、姿态传感器和加速度传感器，用于实时监测水流速度和方向。

4.根据权利要求1所述的一种基于多源数据融合的高抗流多点观测式鱼群监测水下机器人，其特征在于，PID控制算法控制方程为：

；

其中，e(t)表示实际位置与期望位置之间的误差，所述自适应洋流抵抗系统（2）通过比例、积分和微分来调节推进器的功率，实时调整水下机器人的姿态；参数调节范围：比例增益 K_p取值范围为 0.1～1.0，用于控制响应速度；积分增益 K_i取值范围为 0.01～0.1，用于消除稳态误差；微分增益 K_d取值范围为 0.01～0.1，用于提高抗扰动能力；适用条件：PID控制算法适用于水流速度变化范围在 0.5～3.0 m/s的复杂洋流环境，实时调节推进器的推力输出，以确保水下机器人在洋流突变情况下保持姿态稳定和导航精度。

5.根据权利要求1所述的一种基于多源数据融合的高抗流多点观测式鱼群监测水下机器人，其特征在于，所述能源系统（4）包括太阳能电池板（401）和水流发电装置（402），所述太阳能电池板（401）设置在所述外壳（1）顶部中间位置处，用于捕获太阳能；所述水流发电装置（402）设置在所述外壳（1）底部后端位置处，所述水流发电装置（402）利用水流推动涡轮发电，提供额外的电力支持。

6.根据权利要求5所述的一种基于多源数据融合的高抗流多点观测式鱼群监测水下机器人，其特征在于，所述水流发电装置（402）水流发电效率公式来评估水流涡轮的发电性能：；其中，ρ为水的密度，A为涡轮的迎风面积，V为水流速度。