智能仿生魚系統的設計與實現

周夢園，吳君欽，夏 樂，黃 敏

(江西理工大學 信息工程學院，江西 贛州 341000)

0 引 言

當前水產養殖自動化技術多集中在多傳感器信息融合檢測、實時無線視頻傳輸技術、水質檢測的自動化、智能控制和多數據融合5個方面[1-9]。例如，文獻[5]構建一種新型水產養殖工作流模型，為漁業管理提供了一種切實可行的流程化、自動化、精細化養殖的新策略。文獻[6]提出多模自適應控制方法對水產養殖的水面作業艇進行控制優化，使其穩態誤差在3%以內。文獻[7]設計了基于物聯網的海島養殖環境監測系統，利用Python等開發用于數據接收、存儲、處理、訪問和控制的后臺監測系統。文獻[8]設計了基于自動無人船的水產養殖水質動態監測系統，該系統融合無人船和多個傳感器進行水質采樣。文獻[9]提出一種模塊化的智能水產養殖無人船系統完成巡航和避障、水質檢測、水面異物檢測、遠程控制水樣采集和物料投放等任務。相關研究的重點在控制和檢測功能方面，而漁場巡查續航能力和水質評價性能有待突破。基于上述考慮，本文在研究這個系統的過程中，將建立兩個關鍵模型，即基于蟻群優化算法的水面航行最短路徑規劃模型和基于主成分分析法的水質評價模型，設計集模塊式水面路徑規劃、實時視頻傳輸、水質監測等功能為一體的智能仿生魚系統。

1 系統設計

1.1 系統結構設計

魚類的游動方式在海洋生物中效率最高。要設計水下智能機器魚，綜合考慮，在不影響魚類行為生存的條件下，結合仿生學、運動學機理[10]，本設計的結構采用箱鲀科模式(又稱擺動模式)，具體結構如圖1所示。

圖1 仿生魚結構

如圖1所示，每個標號所對應的功能模塊為：1-仿生魚，2-無線通信設備，3-仿生魚背鰭，4-攝像裝置，5-無線通訊天線，6-全球衛星定位天線，7-控制器，8-壓水艙，9-動力裝置，10-尾鰭，11-蓄電池，12-水質監測傳感器，13-探照燈，14-魚頭，15-避障裝置，16-仿生魚胸鰭，17-無線充電裝置，18-防水顯示屏。

仿生機器魚長約0.6 m，重約4 kg。持續航程可達12公里。水面航程時，最大通信半徑可達1 km。如圖1所示，仿生機器魚的外形似真魚，其動力裝置按照仿生學原理設計，靠尾鰭產生動力，并控制轉向。背鰭和胸鰭可保持機器魚身體穩定平衡。其頭部可拆卸，頭部內安裝有模塊式水質監測傳感器。可根據用戶需求搭載不同的傳感器。攝像頭、無線通信天線、GPS定位天線安裝在背鰭的頂端。這樣設計的好處是仿生魚在巡航時，其無線通信天線、GPS定位天線便于露出水面，可進行正常的無線通信和定位。攝像頭露出水面，可拍攝水面、堤岸的影像。仿生機器魚的背部安裝一塊顯示屏。用來顯示仿生魚的工作狀態、電量等信息。

1.2 系統硬件設計

整個系統智能研究應用架構，分為物理層、數據層和用戶層3層結構，如圖2所示，形成一個工作閉環，物理層包括PC端和仿生魚實體，用戶通過控制物理層來達到使用效果，仿生魚采集到的數據傳送給服務器，服務器對數據進行處理，傳回用戶的PC端上。數據層主要用于水質檢測數據的存儲和數據的分析對比。在后期研發中，利用數據層提供的技術與服務開展各項業務應用，用戶通過APP對后臺數據進行分析對比，來實現對水質的分析對比、水質的綜合評價、水質的改進建議、魚塘特殊情況預警以及環境水質的分析報告。

圖2 系統應用架構

如圖3所示，仿生魚在硬件設計上主要分為以上幾個模塊。主控芯片選用內核為Cortex-M3的STM32F103ZET6芯片，具有32位總線，頻率可達72 MHz。動力驅動裝置位于仿生魚尾部，由兩個舵機控制實現仿生魚左轉、右轉、上浮、下潛等基本運動。選用日本SONY公司生產的重量輕、容量大、無記憶效應、可循環充電的18650鋰離子電池組進行供電。

圖3 仿生魚內部硬件結構

1.2.1 水質檢測模塊設計

經科學研究發現，在魚類的生長過程中，對其影響的關鍵因素有溫度、酸堿度、溶解氧、鹽度、氨氮值、濁度、日照強度、氫化硫等，本文在水質的檢測模塊中，只初步介紹以下4種檢測指標，溫度檢測選用PT100鉑熱電阻作為前端傳感器，通過雙向四線測量電路，ADC電路，電源電路，達到設計目的。雙向測量去除熱電動勢的影響，四線制導線接法完全避免導線電阻帶來的誤差，測量精度可達到0.01 ℃，PH測量玻璃極與PT100封裝在一起。溶解氧的測量使用熒光法，選用KL680Y型傳感器電極，帶有RS485通信接口可直接連接顯示器設備，KL680Y廣泛用于對水溶液中的氧含量進行在線連續測量，環保水處理，水生物等。電導率測量可選用DDM-202電導率傳感器。水質檢測模塊的傳感器與主控MCU之間都采用RS485串口通信方式，然后通過GPRS無線通信模塊實現水文設備與PC端的遠程無線連接。水質監測參數指標見表1。

表1 水質監測參數指標

1.2.2 循跡避障模塊

仿生魚的動力驅動裝置由兩個大功率舵機構成，位于整個機器的尾部。實現前進、后退、轉向等動作。在其運動過程中，為防止“觸礁”及其它危險，仿生魚需具備自動壁障功能，本設計選用HC-SR04超聲波測距模塊，測距精度可達到3 mm，最近射程2 cm，最遠射程4 m，測量角度為15 ℃，控制電路、發射電路及接收電路組成其工作電路。超聲波由控制電路驅動發出，遇到前方障礙物返回，返回信號的脈沖寬度與離障礙物的距離成正比。計算方式為距離=高電平時間*聲速(340M/S)/2。HC-SR04探測模塊位于仿生魚的頭部上方，左右兩邊各裝有一個，當其中任何一個模塊探測到障礙物距離小于所定安全距離時，仿生魚自動發出繞行指令。超聲波發射與接收電路如圖4所示。

仿生魚的定位天線位于背鰭的頂端，可選用NEO-7MGPSmini模塊化傳感器，具有高靈敏度、低功耗、小型化的特點。其極高的追蹤靈敏度大大擴大了定位的覆蓋面，在水域環境復雜的情況下，NEO-7M也能實現高精度定位，為仿生魚的航行提供準確的位置信息。

圖4 超聲波發射與接收電路

1.2.3 圖像采集模塊

仿生魚在工作過程中，圖像采集模塊在人機交互中起到了關鍵作用，在巡航過程中，水面監測攝像頭可拍攝水面及堤岸的情況，及時發現魚塘的異常情況，還可對偷盜、破壞等不法行為實施監控。該監測攝像頭具有紅外夜視功能，夜晚依然可以執行巡邏任務。客戶終端直接連接仿生魚，影像信息可以實時的傳輸到客戶終端，用戶通過虛擬搖桿或鍵盤可以操控仿生魚游動到想觀測的位置。本設計選用OV7670圖像傳感器模塊， VGA圖像輸出速率最高可達30 幀/s[11]。采用了FIFO作為數據緩沖，數據采集大大簡便，只需要設置如何讀取，不需設置數據采集步驟，可減小甚至不用關心CMOS的控制以及時序關系，高效實現圖像采集。OV7670采集傳輸流程如圖5所示。

圖5 OV7670采集傳輸流程

1.2.4 采樣模塊

在魚類生長過程中，受諸多環境因素的影響，仿生魚在檢測污染物及魚病的預測上存在一定的局限性，因此，水質采樣有利于進一步分析各項指標，本設計采用壓水艙進出水的方式來達到采取水樣以及實現一定程度的上浮下潛的目的。結構設計如圖6所示。

圖6 壓水艙結構

潛器在水中受到的作用力主要為重力和浮力，重力來源于地球吸引力，而在水下動力學研究中所謂的“浮力”指的是裝置在垂直方向上浮力與重力的差值。要保證仿生魚在采樣的過程中不發生傾斜，兩個壓水艙必須同時工作且所采取的水樣應該是相等的。水的密度為常量。式中的變量為質量m，而m的變化就是仿生魚中壓水艙的水的質量變化，v為壓水艙所需體積，壓水艙的體積約等于盛滿水的體積，這里假設相等；根據質量體積公式v=m/ρ水， 此處ρ水為水的密度，兩個壓水艙的體積設定與我們所需水樣的多少成正比[12]。

1.3 系統軟件算法設計

1.3.1 PC終端設計

客戶終端設備的種類繁多，操作系統不一。至少有iPhone、iPad、Windows Phone、Windows Pad及Android Pad、Android Phone這6大類，為保持其設備上開發的通用性，我們將采用HTML5進行統一適配。用HTML5的優點在于可以進行跨平臺使用。只需要用HTML5進行一次開發，可以簡單移植到其它平臺上，也可以通過封裝技術發放到App Store或Google Play上，HTML5提供前所未有的數據與應用接入開放接口，外部應用可以直接與瀏覽器內部的數據直接相連。客戶端如圖7所示。

圖7 客戶端界面

如圖7(a)所示，界面的背景是仿生魚拍攝的實時影像。左邊的推桿(2210)可控制仿生魚前進或停止，右下方的推桿(2208)可控制仿生魚運動的方向。右上方顯示的是水域地圖(2205)，地圖上外圍線是魚塘的堤岸，內圍線是電子圍欄。中間圖標是仿生魚當前所在位置。上欄有5個按鈕，“視角”(2201)按鈕用來切換水下及水面兩個視角；“探照燈”(2202)按鈕用來開啟或關閉探照燈；“錄像”(2203)和“拍照”(2204)按鈕用來控制錄像和拍照。點擊“自動航行”按鈕，可以切換到自動航行模式。用戶可以手動遙控仿生魚到某一地點進行水質檢測，檢測結果示意界面如圖7(b)所示，可根據需要進行不檢測。也可以設置自動檢測，自動檢測水質需要規劃路徑，規劃路徑界面圖7(c)所示，設置仿生魚到堤岸的安全距離為5 m，基座(2211)是跟據實際情況設置的起點和終點的位置，具體的規劃路徑方法將在1.3.2節進行詳細的介紹。

1.3.2 基于蟻群優化算法的仿生魚水面路徑規劃模型

路徑規劃問題關系到仿生魚工作時的執行效率和航行安全，在遇到復雜水域情況下，人工規劃檢測路徑是十分困難的，自動快速準確規劃出一條最短檢測安全距離，不僅有助于節約電量提升續航時間，還可保證水質檢測數據的完整性和準確性。

傳統的路徑規劃方法主要有人工勢場法、Dijkstra算法、A*算法。路徑規劃屬于NP-hard問題，因此很多學者采用禁忌搜索算法、模擬退火算法、蟻群優化算法等智能優化算法進行求解。在啟發式算法中，蟻群優化算法的正反饋等性質使它適合用來求解組合優化問題。蟻群優化算法(ant colony optimization，ACO)是由意大利學者Dorigo、Maniezzo等提出來的一種基于螞蟻覓食行為的群智能算法[13]。蟻群優化算法[14,15]作為一種元啟發式算法，具有魯棒性強，搜索效率高的優點。蟻群算法是一種基于種群的進化算法，它本質上是并行的，并且易于并行實現[16]。蟻群算法易于與各種啟發式方法集成，并提高了算法的性能。螞蟻在尋找食物源時，會在其經過的路徑上釋放一種信息素，使后代蟻群能夠感知前代螞蟻所留下的信息素[17]。信息素濃度的大小表征著路徑的遠近，信息素的濃度越高，則表示著所對應的路徑距離越短，通常情況下，螞蟻會以較大的概率優先選擇信息素濃度比較高的路徑，并釋放一定量的信息素，以增強該條路徑上的信息素濃度，這樣，會形成一個正反饋，最終，螞蟻能夠找到一條從巢穴到食物源的最佳路徑[18,19]。

在解決水面路徑規劃問題時，把水面劃分為N個節點，對于該問題的建模，用圖論的方式把它抽象成一個無方向圖G=(V,E) 的形式，其中V為節點集合，表示水面內部的節點位置，E為節點與節點的邊。N={1,2,…,N} 表示訪問區域的數量。

圖8顯示了水面路徑問題的簡圖表示，該問題應該在確定的水域之間進行跟蹤。圓圈表示的對象為通過每個區域塊的初始路徑的邊界。場景參數設置如下：

(1)dij：區域i和區域j之間的距離

(2)S：所有的區域節點

圖8 水面路徑問題簡圖表示

(1)

式(1)表示到所有區域的最短路徑，第一行表示區域j只能輸入一次。第二行是仿生魚只能離開的區域。第三行表示所有區域之間經過移動后的最短路徑，小于或等于所有無向邊的總和，第四行表示該仿生魚是否從區域i走到區域j。

上文描述了仿生魚路徑規劃問題，并提出了具體的模型。但在實際應用過程中，我們要求算法搜索時間短，效率高，因此，提出了使用蟻群優化算法的操作規則來求解上述問題。模型如下

(2)

蟻群算法在探索路徑的過程中，其實質是τij和ηij之間的一種平衡，啟發式信息ηij往往與問題相關，針對水面路徑規劃問題，它的方程是

(3)

在探索路徑的過程中，信息素的濃度也會自然揮發。信息素揮發方程如下

(4)

τij(t)=(1-ρ)×τij(t)

(5)

其中，length是螞蟻走過的路徑的總和，ρ是信息素揮發系數。

因此，求解水面路徑問題的ACO流程如下：

根據魚塘的實際檢測目標初始化每個對象的策略。

(1)構建水面路徑規劃問題的可行解。

(2)局部信息素的更新。

(3)計算并更新可行解。

(4)更新全局信息素。

(5)確定是否滿足終止條件，如果滿足，算法停止，如果不滿足，轉到步驟(2)，直到滿足條件為止。

1.3.3 基于主成份分析(PCA)算法的仿生魚水質評價模型

主成分分析法(principal component analysis，PCA)是一種數據壓縮和特征提取的多變量統計分析技術，本模型中使用PCA輸入變量進行降維，通過構造變量的一系列線性組合形成新變量，新的變量比原始數據維度更低，且在彼此不相關的前提下反映原始數據的信息。可以更為直觀地反映水質中各個指標的綜合評價信息[20]。用一句話概括PCA，即尋找保留一定信息量的互不相關的少量新建指標來反映原多指標的一種數據壓縮方法。分析思路如下：

(1)對原始數據進行標準化處理

假設樣本觀測矩陣為

(6)

按照如下方法對原始數據進行標準化處理

(7)

(8)

(2)計算相關系數矩陣

為了方便，假定原始數據標準化后用R表示，經標準化處理后數據的相關矩陣為

(9)

rij=(i,j,…,p) 為原變量xi與xj的相關系數，rij=rji其計算公式為

(10)

(3)計算特征值與特征向量

解特征方程 |λI-R|=0， 常用雅可比法求出特征值，并使其按大小順序排列λ1≥λ2≥…≥λP≥0；

(4)計算主成分貢獻率及累計貢獻率，貢獻率為

(11)

累計貢獻率為

(12)

一般取累計貢獻率達85%～95%的特征值，λ1,λ2,…,λm， 所對應的第1、第2、……、第m個主成份。

(5)選取主成分載荷

(13)

(6)計算各主成分得分

將經過標準化處理的各個樣本代入主成份表達式得到新數據為

(14)

式中：Zij=aj1xi1+aj2xi2+…ajpxip(i=1,2,…k)。

(7)分析數據結果。

2 實驗與功能對比

仿生魚的主體規劃尺寸為620 mm(長)*100 mm(直徑)， 預設壓水采樣艙總容量為1208 ml，續航航程最大為12 km，預設最大航速為2.6 m/s，最小轉彎半徑0.8 m。水面可通過GPS進行定位，水下無法進行正常通信。在實驗過程中發現防水性能有待加強，可以對水面及堤岸的圖像進行實時傳輸，清晰度可以滿足水產工作需要。PC端實時監控畫面和仿生魚水面巡航如圖9所示。

圖9 仿生魚實驗測試

2.1 仿生魚水面路徑規劃仿真測試

在實際的測試工作過程中，基于蟻群優化算法的水面仿生魚路徑規劃模型的工作流程是首先通過GPS衛星定位得到整個觀測水面的位置信息，然后選定檢測點得到確定的經緯度數據，通過算法進行計算，得到新的關于路徑航線的位置信息，返回報告給仿生魚，隨即仿生魚就可按照規劃路徑進行航行。我們利用MATLAB軟件進行仿真測試，在一個水域面積為500 m*500 m上，選取18個檢測點，分別為[100 0；119 98；201 116；298 156；358 237；425 350；395 289；356 398；207 265；435 465；325 435；294 408；403 109；193 349；98 463；81 362；15 265；50 150；100 0]，選定(100，0)為起始點和終點。

經過計算，得出結論如圖10(a)所示為該情況下水面路徑規劃的最優解，在算法正式開始工作之前，可以從圖10(b)看到，總路徑長度約為1852 m，迭代次數為30次時開始收斂，迭代次數為50次時，得到最優路徑長度為1721.9 m，節約了130.1 m的距離，且運算速度僅為0.002 s。可以在很大程度上起到節約電量提升續航時間的作用。

圖10 基于蟻群優化算法的仿生魚路徑規劃仿真

2.2 基于主成份分析(PCA)算法的水質評價模型仿真測試

在1.3.3節介紹了關于主成份分析法的原理，同樣選用MATLAB進行仿真測試，數據來源為上海福島水產養殖專業合作社生產基地[21]，測量指標分別為PH、溫度、溶解氧和濁度。樣本容量為6，每個樣本具有4個特征。實際分析就是把4個維度的原始特征通過運算變成低維的變換特征(主成份)，新的主成份可以在很大程度上反應原始變量的大部分信息，且所含信息互不重復。但是為了使計算結果更具參考性，本文在數據處理前的階段加入各個樣本的平均值作為樣本7，在結果中通過平均值對比來判斷算法結果是否合理。因此樣本的總容量實際為7。并且為了體現該算法的實際參考價值，本文在仿真數據中引入一個異常指標X33，因此樣本觀測矩陣X為

(15)

為了使測量結果更準確，信息保留率T設置成0.85，原始數據的主成分數量為4，新的主成分數量為3。特征值、貢獻率和累計貢獻率見表2。貢獻率由高到低進行排序。并且由表中可以得知，在主成份為3的情況下，信息保留率可達98.21%，說明運算結果是具有一定參考價值的。

T=0.85時，可以算出新的主成分得分及排序，如表3所示。可以發現，樣本評分最高的是4號，評分最低的是1號，為-4.2640。

表2 初始主成分指標

表3 運算結果

以7號樣本為參照對像，可以發現，3號樣本的主成分分析得分為負值，上文也有說明仿真所用數據來源于上海福島水產養殖專業合作社生產基地，并且在這幾組數據下未發生異常情況，7號樣本作為參照得分為0，其余5個樣本的得分均為正分，符合實際情況，而3號樣本得分為負分，原因在于本文引入了一個異常因子，研究表明當溶氧量過低時，魚類會缺氧死亡，詳細說明可參見文獻[22]，異常因子X33就表示3號樣本中氧的含量僅為1.06 mg/L，是低于標準值的，因此存在很明顯的缺氧問題，評分最低，符合實際情況，表明該算法有效且可行。

2.3 仿生魚與同類系統功能對比

表4顯示的是本系統與類似功能的無人船或仿生魚進行對比情況，可以發現，在水產養殖領域，多數采用無人船的形式，并未用到仿生學原理，體積相對較大，操作不靈活，部分系統是固定安裝或者是定點檢測，無法實現移動檢測。部分系統不支持實時圖像傳輸，例如，文獻[23]和市面上常見的魚塘水質檢測傳感器并沒有搭載攝像頭模塊。部分支持路徑規劃，但路徑規劃算法的性能并沒有本文的路徑規劃模型好，例如，文獻[9]中基于禁忌搜索算法的航線規劃，發現仿真結果中航線圖存在交叉，并不是最優解。在水質分析功能上，本文建立的基于PCA的水質數據評價模型其它系統也是不具備的。

表4 同類系統功能對比

3 結束語

相對于傳統的漁業養殖技術，本設計結合仿生學機理，運用現代電子信息學，可實現無人化水產養殖，結構上如同真魚，減少了對魚塘生態環境的影響，水質檢測傳感器模塊可根據不同需求自己搭載，基于蟻群優化算法的路徑規劃模型提升了續航時間，以平均值為參考的PCA數據處理模型在實際的生產中也具有一定的參考意義。但是還可進一步優化，檢測結果想要更具參考性必須建立大型數據庫，利用數據挖掘等相關知識對水質數據進行進一步處理；實現水上自動充電功能，不再擔心續航問題；與漁塘中如增氧機、投藥機等設備實現互聯，全面實現自動化。