本发明涉及海洋科学和海洋工程，更具体地，涉及一种基于深度学习的多序列海底智能采水系统和方法。
背景技术：
1、高压和低温组成了深海这一极端环境，这种极端环境下又诞生了冷泉、热液、泥火山、盐卤池等多种特殊生境。深海海水的采集和研究一直是海洋研究领域的热门和重点课题。通过采水器采集能真实反映原位水体组成成分信息的海水样品，是深海探索领域的重要技术手段，对海底资源的开发来说十分关键。与此同时，海水样品的气体成分信息是研究的重点之一，海水样品中所含的气体信息，如ch4、h2s、co2等气体的含量，是追踪海底天然气水合物、热液、冷泉等海洋矿物资源的重要标志，亦是当下深海资源探索领域的重要发展方向。
2、目前对于海洋水体的研究通常通过温盐深仪(ctd)搭载采水系统，利用ctd采水装置上搭载的各类传感器获取的基础海洋物理-化学参数，同时采集水样。随着对海洋研究的不断深入，对采水装置也提出了更高的要求。在采水器作业过程中，从采样点位海底表面到海表的过程中，会受到洋流等海水流场因素的影响，垂直方向采样的过程中，海水中相关气体成分的含量会随海水流场变化而变化，具有高随机性、高异质性等特征，从而难以构建海水样品中各类待测物质从海底到海表的三维梯度变化模型。同时，传统的采水器可搭载在各类深海作业设备上，虽然可以做到在深海环境中不同温压条件下的高保真原位取样，但依然存在以下问题有待解决：
3、1)大多为单序列作业，一次作业只能取同一时间下相同位置的样品；
4、2)采水器在海底进行取样时，选取相应采样区域的过程中，往往通过实时图传加人工判断的方式进行，海底的三维地理环境确定较为困难，采水器落点选择不便，判断逻辑具有较大主观性；
5、3)采水器为了实现构建海底到海面各类待测物质三维梯度变化模型，在取样过程中，需要针对某样待测物质的浓度范围进行初步检测，各水层中取样时须在浓度范围区域内进行取样；以往的采水器仅在海底单一取样点检测，使得指示物检测浓度范围单一，无法有效获取对应信息，造成较大取样误差，且难以准确控制采样的时刻。
6、现有的专利文件中公开了一种多水下机器人自适应采样的海洋观测控制方法及装置，方法包括：初始化状态及网络参数；在某个机器人出水时，获取该机器人位置及已采样区域特征向量；对其他机器人当前位置进行估计，同时获取出水机器人出水距离的实际值；采用克里金方法进行海洋特征场估计；依据各机器人位置及海洋特征场估计形成状态组；将状态组、位置记忆、特征向量存储在记忆库；将重新赋值的状态组输入策略神经网络，输出机器人动作指令，判断神经网络参数是否更新，对各神经网络参数进行更新或进一步判断采样任务是否结束，并循环或结束；尽管该现有技术的方案能够使多水下机器人的采样控制具有自主学习和决策能力，在一定程度上降低采样不确定性，然而，该方案的机器人仍然是单序列作业，且位置估计精度不高，采样误差较大。
技术实现思路
1、本发明为克服上述现有技术大多为单序列作业、在采样过程中对各水层环境因素判断的精准性较低以及采样误差和随机性较大的缺陷，提供一种基于深度学习的多序列海底智能采水系统和方法，可以实现海底采样点位的精确选取、海底三维地形构建、采水器采样时机自适应选取、海底采样点周边自适应样本检测等任务。
2、为解决上述技术问题，本发明的技术方案如下：
3、一种基于深度学习的多序列海底智能采水系统，包括：多序列采水器，设置在所述多序列采水器上的水下摄像机、声呐、环境参数传感器单元和动力单元；以及中央处理器单元；
4、所述中央处理器单元分别与多序列采水器、水下摄像机、环境参数传感器单元、动力单元和声呐连接；
5、所述中央处理器单元用于实时接收水下摄像机、环境参数传感器单元和声呐采集到的数据，并利用预先训练好的深度学习模型对水下摄像机采集到的数据进行图像识别，获取识别结果；根据识别结果，以及环境参数传感器单元和声呐采集到的数据控制所述多序列采水器进行海水采样，并控制所述动力单元带动所述多序列采水器实现自适应移动。
6、优选地，所述多序列采水器包括：采水器外壳、采水器机脚和若干个采水瓶；
7、所述水下摄像机、声呐、环境参数传感器单元和动力单元分别设置在采水器外壳外侧；所述采水器机脚设置在采水器外壳外侧底部；每个所述采水瓶设置在采水器外壳内部；
8、每个所述采水瓶均设置有电动控制阀门，所述电动控制阀门与中央处理器单元连接，中央处理器单元控制每个所述电动控制阀门的启闭。
9、优选地，所述环境参数传感器单元中设置有若干种不同的传感器，所述传感器用于检测海洋环境参数；
10、所述海洋环境参数包括：待检测的若干种物质的浓度，以及水流流速。
11、优选地，所述中央处理器单元分别通过光缆与多序列采水器、水下摄像机、环境参数传感器单元、动力单元和声呐连接。
12、优选地，所述中央处理器单元中的深度学习模型具体为：改进后的deeplab语义分割模型；
13、所述改进后的deeplab语义分割模型包括依次连接的编码器和解码器；
14、所述编码器具体为xception网络，结构包括依次连接的：第一卷积层、第二卷积层、第三卷积层、第四卷积层、图像池化层和第五卷积层；
15、所述第一卷积层和第五卷积层的卷积核大小为1×1；第二卷积层、第三卷积层和第四卷积层均为卷积核大小为3×3的膨胀卷积层，膨胀因子分别为6、12和18；
16、所述解码器的结构包括依次连接的：第一上采样层、拼接层、第六卷积层和第二上采样层；
17、所述第五卷积层的输出还与拼接层连接；
18、所述第六卷积层的卷积核大小为3×3。
19、本发明还提供一种基于深度学习的多序列海底智能采水方法，基于上述的基于深度学习的多序列海底智能采水系统，包括以下步骤：
20、s1：所述多序列采水器下潜至海底，利用所述水下摄像机实时拍摄海底图像并传输至所述中央处理器单元；
21、s2：所述中央处理器单元利用预先训练好的深度学习模型识别所述海底图像，获取海底基质分割结果；根据所述海底基质分布分割结果获取多序列采水器的采样位置基点；
22、s3：利用所述声呐扫描所述采样位置基点，并将扫描数据实时传输至所述中央处理器单元；
23、所述中央处理器单元根据扫描数据构建采样位置基点周围预设范围内的三维海底地形分布；
24、根据所述三维海底地形分布设置多序列采水器的采样轨迹；
25、s4：所述中央处理器单元根据所述采样轨迹控制动力单元带动所述多序列采水器实现自适应移动；
26、在所述多序列采水器自适应移动过程中，利用所述环境参数传感器单元实时检测预设种类的待检测物质的浓度并传输至所述中央处理器单元；
27、所述中央处理器单元根据待检测物质的浓度在所述采样轨迹中选取若干个目标采样点位；
28、s5：所述中央处理器单元控制动力单元带动所述多序列采水器分别移动至每个目标采样点位；
29、在每个目标采样点位，所述中央处理器单元根据水下摄像机和环境参数传感器单元实时采集的数据确定采样时刻，并在所述采样时刻控制所述多序列采水器进行海水采样；
30、在完成所有目标采样点位的海水采样后，所述多序列采水器上升。
31、优选地，所述步骤s4中，预设种类的待检测物质具体为甲烷；
32、所述环境参数传感器单元中设置有甲烷浓度传感器，利用所述甲烷浓度传感器检测甲烷浓度；
33、所述的若干个目标采样点位为若干个不同甲烷浓度的甲烷渗漏喷口。
34、优选地，所述步骤s5中，在每个目标采样点位，所述中央处理器单元根据水下摄像机和环境参数传感器单元实时采集的数据确定采样时刻，包括：
35、s5.1：利用所述水下摄像机实时拍摄目标采样点位的图像并传输至所述中央处理器单元；
36、利用所述甲烷浓度传感器实时检测目标采样点位的甲烷浓度并传输至所述中央处理器单元；
37、s5.2：选取甲烷渗漏喷口喷发出的气泡和泥沙作为特征目标物，所述中央处理器单元利用预先训练好的深度学习模型识别所述目标采样点位的图像，获取泥沙和气泡的识别结果；
38、s5.3：所述中央处理器单元实时判断目标采样点位泥沙和气泡的识别结果，以及甲烷浓度的变化情况是否同时满足预设的喷发条件，若是，则将此时作为该目标采样点位的采样时刻；否则，重复步骤s5.3。
39、优选地，所述步骤s5.2中，所述中央处理器单元利用预先训练好的深度学习模型实时识别目标采样点位的图像中的背景内容、泥沙和气泡质点的位置；
40、根据所述海底基质分割结果对泥沙进行分类，并对比不同时刻的泥沙类别获取泥沙的分布比例变化情况；
41、根据不同时刻气泡质点的位置计算气泡上升速率；
42、将所述泥沙的分布比例变化情况和气泡上升速率作为所述泥沙和气泡的识别结果。
43、优选地，所述步骤s5中，环境参数传感器单元中还设置有水流流速传感器；所述水流流速传感器实时检测水流流速并传输至中央处理器单元；
44、所述中央处理器单元根据水流流速控制动力单元带动所述多序列采水器分别移动至每个目标采样点位。
45、与现有技术相比，本发明技术方案的有益效果是：
46、本发明提供一种基于深度学习的多序列海底智能采水系统和方法，其中系统包括多序列采水器，设置在所述多序列采水器上的水下摄像机、声呐、环境参数传感器单元和动力单元；以及中央处理器单元；水下摄像机的分辨率大于等于第一阈值，声呐的分辨率大于等于第二阈值；中央处理器单元用于实时接收水下摄像机、环境参数传感器单元和声呐采集到的数据，并利用预先训练好的深度学习模型对水下摄像机采集到的数据进行图像识别，获取识别结果；根据识别结果，以及环境参数传感器单元和声呐采集到的数据控制多序列采水器进行海水采样，并控制动力单元带动多序列采水器实现自适应移动；
47、与现有技术相比，本发明：
48、1)基于深度学习模型对海底进行语义分割以划分不同海底基质覆盖情况，根据任务需求确定理想采样位置，并通过声纳反馈的多波束信息构建目标采样点位可视化、高精度的三维海底地形，作为采水器采样位置落点的选取判断依据，避免了人为判断的主观不确定性，提高了采样位点选取精度，能够采集更理想的海水样品；
49、2)本发明中的深度学习模型具备体积小、计算速率高、精准度高的优势，圆满符合海底基质分割任务中各类基质分布连贯性强、特征差异明显的任务特征，有效提高了采样的精准度；
50、3)本发明通过设置动力单元实现采水器的自适应移动功能，采水器能够在确定取样地的同时，在取样地周围一定范围内自适应运动以多组检测水样，获取更加合理的指示物质浓度范围，为由下至上采集水样过程中各水层选取适宜取样位置提供有效参考；
51、4)本发明在选取合适的取样位置后，还进行了采样时刻的判断，仅在满足采样条件时进行采样，能够准确控制采样时刻，以获取尽可能优质的海底底层水样，极大地降低了传统采水系统在面对此类任务时的随机性，减小了取样误差。
1.一种基于深度学习的多序列海底智能采水系统，其特征在于，包括：多序列采水器，设置在所述多序列采水器上的水下摄像机、声呐、环境参数传感器单元和动力单元；以及中央处理器单元；
2.根据权利要求1所述的一种基于深度学习的多序列海底智能采水系统，其特征在于，所述多序列采水器包括：采水器外壳、采水器机脚和若干个采水瓶；
3.根据权利要求1所述的一种基于深度学习的多序列海底智能采水系统，其特征在于，所述环境参数传感器单元中设置有若干种不同的传感器，所述传感器用于检测海洋环境参数；
4.根据权利要求1所述的一种基于深度学习的多序列海底智能采水系统，其特征在于，所述中央处理器单元分别通过光缆与多序列采水器、水下摄像机、环境参数传感器单元、动力单元和声呐连接。
5.根据权利要求1～4任意一项中所述的一种基于深度学习的多序列海底智能采水系统，其特征在于，所述中央处理器单元中的深度学习模型具体为：改进后的deeplab语义分割模型；
6.一种基于深度学习的多序列海底智能采水方法，基于权利要求1～5任意一项中所述的基于深度学习的多序列海底智能采水系统，其特征在于，包括以下步骤：
7.根据权利要求6所述的一种基于深度学习的多序列海底智能采水方法，其特征在于，所述步骤s4中，预设种类的待检测物质具体为甲烷；
8.根据权利要求7所述的一种基于深度学习的多序列海底智能采水方法，其特征在于，所述步骤s5中，在每个目标采样点位，所述中央处理器单元根据水下摄像机和环境参数传感器单元实时采集的数据确定采样时刻，包括：
9.根据权利要求8所述的一种基于深度学习的多序列海底智能采水方法，其特征在于，所述步骤s5.2中，所述中央处理器单元利用预先训练好的深度学习模型实时识别目标采样点位的图像中的背景内容、泥沙和气泡质点的位置；
10.根据权利要求6～9任意一项中所述的一种基于深度学习的多序列海底智能采水方法，其特征在于，所述步骤s5中，环境参数传感器单元中还设置有水流流速传感器；所述水流流速传感器实时检测水流流速并传输至中央处理器单元；
