基于無人船的水產養殖水質動態監測系統設計與實驗

江先亮 尚子寧 金 光

(寧波大學信息科學與工程學院， 寧波 315211)

0 引言

我國擁有遼闊的水域面積，為水產養殖業提供天然優勢，水產養殖對國民經濟有重要影響[1]。水體環境安全對水產養殖產業影響較大，環境受到污染會影響生態質量、威脅養殖安全，并導致不同程度的減產。因此，需要有效監測水質狀態，并及時作出響應[2-6]。

國內外專家學者對水產養殖業的水質監測系統進行了諸多研究[7-9]。早期，采用離線檢測方法，現場取樣后送至實驗室分析水樣，其檢測周期長、數據反饋慢。在計算機網絡技術普及后，采取在水源設置檢測點，鋪設線纜傳輸數據的方法[10]。后來基于無線網絡通信的水質監測系統逐步成熟，在目標水域部署節點，采集水質數據回傳并進一步處理[11]。文獻[12]基于無線傳感器網絡(Wireless sensor networks, WSN)設計了水產養殖水質監測系統，節點間進行905 MHz無線通信，匯聚節點采用GPRS技術上傳數據至服務器。文獻[13]基于ZigBee協議設計了遠程水質監測系統，由ZigBee終端節點組網監測養殖池的水溫、pH值和溶解氧數據。文獻[14]設計了采用WiFi組網的螃蟹養殖基地監控系統，實現數據直達服務器。

上述研究中終端節點位置固定，使網絡的監測覆蓋范圍受限，通過大幅擴充節點數目提高監測范圍會增加成本和網絡復雜度，不易管理，且部署過多節點會影響養殖區內的正常作業[15-17]。文獻[18]基于LoRaWAN進行改進，在長約900 m、寬約850 m的海島水產養殖區部署33個ZigBee節點或11個LoRa節點監測水質，相比之下LoRa技術可提供更大的網絡覆蓋范圍，降低建網難度并節約了成本。

池塘養殖區常由多個中型池塘組成，部署的監測節點數目不足則無法覆蓋整個水域，而增加監測節點密度會增加系統復雜度，并極大地增加成本，故仍需對其進行改進。池塘養殖水深為1.0～3.5 m，在此深度范圍內各水質指標可視為一致，故上述系統中終端節點將傳感器置于水面采集水質，綜合水域內各節點數據變化反映水質狀態。受無線傳感器網絡的規模及成本限制[19]，監測節點僅設置于池塘入水口和出水口等岸基位置，數量少、監測范圍小，且對水域的覆蓋能力有限。若距監測節點較遠處水域受到污染，因池塘養殖常采用微流水池塘設計，則在較長時間后節點才能檢測到輕微異常值，其反饋不及時而增加了風險。因此，采集的水質信息范圍越廣，越能直觀地反映水域內的水質狀態分布，擴大監測范圍可以減少因覆蓋不到位造成的水質異常遲檢或漏檢情況。

本文設計一種基于自動無人船的水產養殖水質動態監測系統。系統由采集端、監測端、遙控端和云平臺組成，將攜帶多種傳感器的無人船在水面航行作為動態監測節點，按預設方案實現自動航行和停船測量，以期為實現水產養殖水質監測和異常檢測提供解決方案和技術手段。

1 動態監測系統設計

1.1 系統架構

本文設計的水產養殖水質動態監測系統，終端節點基于自動無人船實現，由自動無人船、岸基控制臺、手動遙控端和云監測平臺組成，整體架構如圖1所示。

圖1 監測系統架構Fig.1 Architecture of monitoring system

系統中自動無人船作為動態節點采集水質數據，可工作于遙控模式或自動模式。在遙控模式下由手動遙控端對無人船下發控制命令，通過LoRa協議[20]與無人船進行點對點通信。在自動模式下無人船在由GPS模塊[21]、慣性測量單元(Inertial measurement unit, IMU)[22]、電子羅盤和雙目攝像頭[23]等組成的航行輔助單元協助下實現自主航行。

航行過程中船載水質傳感器實時采集水質信息，并通過4G或WiFi網絡將數據實時回傳岸基控制臺，處理分析后本地存儲。岸基控制臺上傳數據至云監測平臺并存至云端服務器，實現多端實時監控和歷史記錄查詢功能。

1.2 自動無人船設計

無人船是一種自動化的水面監測平臺，由小型船體搭載多傳感器實現，可完成水面自主航行的無人船稱為自動無人船[24]。近年來在軍事、科研等領域中出現了一些高精度無人船[25]，在監視偵查、水文測繪、水體勘測、水面打撈、災難預警和應急事件響應等方面得到應用[26]。

由于在養殖水域進行水質監測存在特殊需求，本文設計的無人船也做出相應的結構設計。為避免船體側翻使電子元器件污染養殖水域，船體設計采用穩定的雙體結構，可在6級風力內正常航行。由于高速運轉的水下螺旋槳會傷及養殖魚類，若纏入水草、漁網會使航行過程出現危險，因此船體使用風動螺旋槳作為動力裝置，實際航行過程噪聲較小，對養殖環境無不良影響。無人船船身采用玻璃鋼材質，支架使用鋼結構，在船體交叉部位用絕緣膠帶和防水膠進行加固，控制系統用塑料盒裝載，不影響無線信號接收。無人船船體規格為855 mm×530 mm×565 mm，總質量約1 650 g，航速最高達18 km/h，在速度12 km/h下運行時最大吃水深度為55 mm，配置5 200 mA·h的12 V電池供電，可滿足至少4 h連續運行需求。無人船實物如圖2所示。

圖2 雙體自動無人船實物Fig.2 Catamaran-type unmanned surface vehicle

選擇具有代表性的兩款在售無人船與本文無人船作對比，主要特點如表1所示。專業釣魚愛好者常采用通用款無人船作為輔助設備，不具備自動運行功能。而高精度無人船近年來高速發展，逐步公開銷售，船體面向海洋測繪等用途設計，其精度高、開發周期長且售價較高。本文設計的自動無人船針對水產養殖水體的特殊要求設計，設計過程中加以成本控制，并保證足夠精度。

表1 無人船參數對比Tab.1 Comparison of unmanned surface vehicles

完成無人船基本結構設計后按預期功能要求設計硬件平臺，開發控制系統以滿足監測需求。自動無人船硬件平臺基于樹莓派3B+開發板[27]實現，集成航行輔助模塊、障礙檢測模塊、環境信息采集模塊、無線通信模塊和動力模塊等，各功能模塊架構如圖3所示。

圖3 自動無人船功能模塊架構Fig.3 Architecture of unmanned surface vehicle

參考水質條件對水產養殖環境的影響[28]，選擇水溫、pH值和濁度3個水質關鍵指標反映水質狀態，無人船搭載相應傳感器，主要參數如表2所示。

該pH值傳感器檢測時需要至少30 s響應時間，濁度傳感器推薦在靜止狀態下檢測，水溫傳感器可實時檢測。這3種傳感器代表了主流水質傳感器的不同響應特點，使用時需按其不同特點設計相應的使用策略，本研究為使用以上水質傳感器的無人船設計了懸停采樣和低航速采樣的運行策略。若有其他水質指標的監測需求，可為無人船編寫驅動程序并接入相應傳感器，按傳感器具體特點設計合適的使用策略。

表2 傳感器性能和監測參數Tab.2 Sensor performance and monitoring parameters

自動無人船采用多種基礎模塊獲取實時狀態，經融合算法處理后得到行船參數作為數據支持，按系統行船規劃方案，實現自主航行功能。自動無人船船載的航行輔助模塊計算實時狀態，選用NEO-7N芯片實現GPS定位[29]，在開闊區域收集星歷信息后定位誤差可控制在0.5 m以內。IMU系統包括加速度計和陀螺儀，選用MPU-6050模塊實時采集6軸加速度和角速度信息，經數據融合后計算出無人船實時的橫滾角和俯仰角，并搭載HMC5883L型電子羅盤模塊計算航向角。雙目攝像頭和超聲波傳感器組成了障礙物檢測模塊，實現避障功能，以保證行船安全。

自動無人船通過無線通信方式與手動遙控端、岸基控制臺進行數據交互。信號傳輸系統為獨立的兩部分，遙控信號由LoRa模塊傳輸，可靠通信距離約1.2 km；自動無人船數據報文及視頻流由樹莓派板載WiFi模組和外置4G通信模組進行遠距離傳輸。

1.3 岸基控制臺設計

自動無人船作為動態監測節點，由操作人員監控，因此動態監測系統的核心部分為自動無人船和部署于岸邊的岸基控制臺上位機軟件。系統上位機軟件使用C++開發，與Matlab混編進行數據處理，可運行于8.1及以上版本的Windows平臺操作系統。

岸基控制臺通過WiFi和4G網絡與自動無人船節點建立穩定的TCP連接，接收其回傳的數據報文，處理地理位置、運行狀態和水質數據等，并實現本地存儲。分析連續數據報文并繪制數據曲線得到可視化結果，將實時地理位置標注在衛星地圖中組成連續路徑，通過以上方式直觀地實現船體運行狀態監控。監測系統基于流媒體直播技術設計了無人船的視頻回傳方法，依靠控制臺與無人船間建立的穩定TCP連接，將無人船攝像頭采集的水面視頻流通過RTMP(Real time messaging protocol)協議進行實時推流，清晰度和幀率等參數可由使用者自行設置，使自動無人船行駛至視距外時可確認行船安全，岸基控制臺功能結構如圖4所示。

圖4 岸基控制臺功能結構框圖Fig.4 Architecture of unmanned surface vehicle console

1.4 手動遙控端設計

自動無人船具備自主航行能力，也具備基本的遙控行船功能。手動遙控端基于Arduino UNO R3[30]設計實現，集成LoRa Shield通信模組傳輸速度和方向等控制命令，實現電機調速、舵機轉向和模式切換，外接搖桿或鍵盤作為命令輸入單元，手動遙控端實物如圖5所示。本研究為監測系統設計了嚴格的使用流程，操作過程中需遵守安全規范，自動無人船下水時切換為遙控模式，確認船體正常工作后駛離岸邊，切換至自動模式運行。

圖5 手動遙控端實物Fig.5 Manual remote control console

1.5 云監測平臺設計

為實現監測端的便攜性，監測系統中實現了移動監控端軟件，部分界面如圖6所示。軟件可運行在Android 6.0以上操作系統，集成云監測平臺和手動遙控端的功能，操作人員安裝安卓手機APP可進行操作。

圖6 移動監控端界面Fig.6 Interface of mobile monitoring console

為實現遠程監控，監測系統也實現了云監測平臺，基于AngularJS框架和Node.js開發，岸基控制臺接收數據后，將行船記錄實時上傳云平臺，每組數據包括時間、位置坐標、各項水質數據和航行狀態數據[31]。用戶登錄云平臺，可查看實時的運行狀態和航線，并查詢歷史水質監測任務和航行記錄。

2 自動無人船自主航行和水質監測

為實現動態監測系統的各項功能，需要獲取并處理自動無人船各項行船數據，設計行船路徑規劃方式，并針對傳感器特點設計采樣方案。

2.1 行船數據處理

自動無人船在航行中使用GPS模塊、IMU和電子羅盤等航行輔助設備采集基本數據，以計算實時姿態角、地理位置和航向等數據實現自動航行。

自動無人船航行時由IMU采集3個方向的加速度分量和旋轉角速度，通過數據融合計算實時橫滾角和俯仰角確保行船安全，傾角過大時切換至遙控模式，或將舵機回正并降低電機轉速以維持船體穩定。自動無人船采用MPU-6050模塊作為船載IMU，由3軸陀螺儀和3軸加速度計等組成，當船體坐標系和地理坐標系重合且處于非加速運動狀態時，各軸加速度計的測量輸出Ai為

Ai=[0 0g]T

(1)

式中g——重力加速度

當船體姿態處于任意狀態時，加速度計的測量值Ab為

Ab=[axayaz]T

(2)

式中ax、ay、az——x、y、z軸加速度

由載體坐標系相對導航坐標系的三次轉動角可確定姿態矩陣T[32]，則有Ab=TAi，即

(3)

式中θ——俯仰角，(°)

γ——橫滾角，(°)

ψ——航向角，(°)

由式(3)可計算出船體俯仰角θ和橫滾角γ

(4)

(5)

由于船體傾覆會對養殖水域造成經濟損失，故如何保持船體穩定是設計中的關鍵步驟，使用雙體船結構替代傳統結構后，經航行實測驗證俯仰角與橫滾角在-5°～5°內波動。而風力作用雖對傾角影響極小但會改變航向，因此自動無人船在航行時需計算每一時刻的地理位置和航向角，以計算目標方向與當前航向的差值，實時監控其是否按預設線路航行并糾正航線偏差。實時定位時提取獲取的GPS報文中“$GPRMC”信息，從其中分離經度、緯度和海拔數據，精確度保留至小數點后8位，合并至數據報文一并回傳岸基控制臺。在定位過程中除位置提取外，需要對衛星進行時鐘校準[33]，需要至少4個可見衛星計算時鐘偏差Δtr實現精準授時，并計算實時位置坐標(X,Y,Z)，節點與衛星間的距離ρ′計算式為

(6)

式中Xj、Yj、Zj——第j個衛星X、Y、Z軸空間坐標值

c——光速，m/s

實驗選擇浙江省寧波市一長約200 m的狹長河道(29°54′24″N, 121°38′12″E)驗證自動無人船的航行定位準確度，GPS芯片通電后冷啟動[34]，輪詢所有衛星并鎖定信號獲取可靠的星歷數據，經約3 min初始化后實現精確定位。保持約12 km/h的速度勻速航行，實時獲取的GPS坐標與實際位置直線誤差小于0.5 m，線性擬合定位路徑點后可反映真實航線。

自動無人船獲取地理位置后計算與當前目標航點間角度差，比較實時航向角差值確定航線偏差，當差值大于30°時轉動舵機調整航向。式(3)中航向角ψ由IMU數據計算，是相對地磁北向的航向角，與重力方向正交，在該方向無可靠值校正數值，故產生積分漂移。

因此按以上分析設計岸基實驗和航行實驗進行驗證。由岸基實驗確認俯仰角和橫滾角的計算數值可靠性。將裝有IMU的無人船移除動力設備，通電并旋轉船體調節俯仰角，依次轉動至0°、90°、180°和270°的基準角。并分別采用慢速轉動、快速轉動和抖動轉動3種方式旋轉至基準角度。實時觀察俯仰角計算數值與基準角的差值并添加補償角，多次重復此過程，直至計算角度與基準角間的差值小于0.3°，之后按相同方式校正橫滾角。經此校正后計算數值可視為航行中的實際俯仰角和橫滾角，此時不能再改變IMU的安裝位置。后將無人船靜置觀察實時角度計算結果，輸出間隔為0.2 s，俯仰角和橫滾角均不再改變，而觀察到航向角有持續的數值漂移，實驗用IMU的航向角計算數值漂移量約為5 min漂移6°，與無人船此時的靜置狀態不符，故此方法計算的航向角數值不可用。連接無人船動力設備進行航行實驗驗證，綜合多次實驗結果，航行實測的俯仰角與橫滾角在-5°～5°內波動，無人船的雙體結構和較低的航速保證其具備平穩運行能力。

選取一次航行實驗結果為示例實驗，在此次航行中行船狀態由直行經一次轉向后變為再度直行，記錄此航行過程中橫滾角、俯仰角和航向角波動如圖7a所示，直行過程間隔2 s記錄一次采樣點，轉向過程間隔0.2 s記錄一次采樣點。

圖7 姿態角波動曲線Fig.7 Fluctuation of attitude angle

分析圖中角度變化結果，可見本次航行中俯仰角和橫滾角的波幅在-4°～4°之間，反映了雙體船穩定的運行狀態。而航向角出現了較大漂移，在直線航行階段船體實際航向角維持不變，而圖中航向角出現了持續上揚，與實際直線運動的狀態不符，無人船轉向后的直行階段計算航向角也出現了上揚，此時測量的航向角已不能滿足監測要求。

為解決上述航向角計算問題，采用電子羅盤計算實時航向角，選用HMC5883L型三維磁阻傳感器，由3個相互垂直的磁阻傳感器組成，檢測軸向的地磁場強度。通電后校正羅盤消除地磁偏移影響，測得其x軸、y軸坐標為XH和YH，運行過程中近似水平安置，由電子羅盤輸出可計算出實時航向角

ψ=arctan(YH/XH)

(7)

由于雙體結構十分穩定，船體在航行過程中可近似視為水平，故無需陀螺儀和加速度計對由電子羅盤計算的航向角進行補償。選取采用此方案的一次航行測試數據如圖7b所示，無人船經一次轉向，由圖可見航向角曲線與圖7a中航向角曲線相比波動大幅降低，證明其消除了角度漂移，在轉向前與轉向后的直線運行過程可正確計算航向角，電子羅盤測量得到的航向角保持長時間可靠測量。計算出的航向角和GPS協作實現航線監控，為自動航行提供基礎數據。若航行中定位信號中斷，參考可定位點的坐標及航向角，可計算實時近似位置并等待GPS重新定位，避免意外情況。

2.2 行船路徑規劃

實時獲取位置、航向和姿態角等數據后，自動無人船具備自主航行條件，降低監測成本并提高監測效率。

在航行前可通過靜態規劃的方式進行航行規劃。首先對目標水域地圖進行預處理，通過地形分割的方法處理水域衛星圖，結合經緯度信息計算帶坐標的水域方格地圖。處理后的地圖單位格點面積為1 m2，以每個單位格點左下角地理坐標點為二維格點坐標，坐標x軸為水域地圖經度，坐標y軸為水域地圖緯度，并帶有一維值為0或1的數據作為障礙物標記，岸基位置及可觀測的水中固定障礙物第三維數值置1，水面可通航區域置0。

由于水面環境障礙物較少，如本研究選擇的8處主要測試水域中，有6處都是完全無障礙物的水面，處理得到這些水域的地圖后可在地圖中按序選擇數個格點作為目標航點，逐次連接為預設航線。自動無人船航行時按照航線直線運行，并實時計算各角度數值及實時位置，比較GPS位置坐標和目標點的角度差得到預期航向，在運行時會受到水流和風力的干擾，需要比較航向角與預期航向的差值以檢測當前路徑是否偏離航線，當航向角偏差大于30°時需微調舵機回正航向。在這一過程中，自動無人船由WiFi模塊和4G模塊將采集的行船數據、測量的水質數據和捕捉的圖像流回傳岸基控制臺。

而少量水面存在數種障礙物，如水生植物、人工放置的雜物及漂浮的枯木等，通過衛星圖處理時較大的固定障礙物可自動標注，但若地圖更新不及時或障礙物體積較小時就會遇到難以標注的問題，如池塘養殖中最常見的障礙物是水中的圍欄和支架，難以提前確定位置。因此本研究采用離線標注方法進行障礙物標注，也可預先遙控無人船確認障礙物地理位置點。

對完成障礙物標注的地圖，設計基于A*算法的路徑規劃方案[35-36]。自動無人船航行前獲取處理好的水域地圖，采用預設規劃算法計算航行路線，計算路徑點時，為保證船體安全，將距船體3 m內的障礙物視為阻擋行進路線。并將最大轉向半徑設置為90°。由于在航行中長時間保持舵機轉動會影響轉向效率，且長半徑的轉向易受到風力和水流的干擾而出現偏差，故算法減少轉向次數、避免曲線航跡，在規避障礙物時首先生成曲線路徑，后將該路徑優化為直角轉彎路徑，以減少舵機轉動時長，使自動無人船可經數次直角轉向到達目標點。

為避免自動無人船在視線之外航行時遇到的特殊情況，減少航行安全隱患，自動無人船也搭載了超聲波傳感器和雙目攝像頭進行實時障礙物檢測。船體前方放置超聲波探頭，在約60°的扇形范圍內可感知前方障礙物距離，檢測距離0.25～7 m，檢測到未知障礙物后降低電機轉速，此時可切換至手動模式人為干預，或確定障礙物距離后在地圖中添加障礙點，再運行規劃算法重新計算路徑。搭載的雙目攝像頭分辨率為2 560像素×720像素，視場角約為72°，通過立體視覺方法檢測障礙物距離，基于半全局塊匹配(Semi-global block matching, SGBM)算法實時提取圖像深度[37-38]，選取航行測試中一次清晰的航行圖像處理結果如圖8所示。實際距離較近的障礙物在處理結果中顏色偏綠，距離較遠的障礙物在處理結果中顏色偏紅。

圖8 雙目攝像頭的深度圖像分析Fig.8 Depth image analysis of binocular camera

從圖像中提取每個像素點的深度信息，預設處理效率為2 f/s，輔助超聲波傳感器確認障礙物距離。由于采用實時避障可提供安全保障，對自動無人船的進一步研究將圍繞動態行船規劃方案展開。

為便于自動無人船下水和靠岸，并使其能應對緊急狀態，設計遙控模式與自動模式的切換功能。遙控模式下采用LoRa協議傳輸控制信號，手動遙控端的LoRa發送節點與自動無人船的LoRa接收節點之間建立點對點通信。經多次實驗驗證，部署的LoRa網絡可在直線距離至少800 m的水面范圍內可靠通信。當設置的發送功率大于20 mW時，節點平均丟包率在3.6%以內。

2.3 水質監測的實現

使用具備自主航行功能的自動無人船進行水質監測可減少人力開銷并降低操作人員的技術門檻。為確保可靠監測、提升測量效率，針對船載水質傳感器的特點，本研究設計了動態監測系統的監測方案。

船載的DS18B20型水溫傳感器成本較低且精度符合要求，可伸入水下約0.8 m深處，能實時響應溫度變化，因此每次采集到的都是有效數據。船載SEN0161型pH值傳感器使用由玻璃電極和參比電極組成的復合電極，測量水溶液中的氫離子活度，每兩個月需要進行一次校準，實際誤差在±0.1范圍內，運行時將探頭沒入水面。實際使用中測試傳感器的響應時間為0.5～2 min，因此當自動無人船處于低速運行時或懸停穩定后測得的數值才可作為有效數據使用。船載的SEN0189型濁度傳感器由液體透光率和散射率判斷水體濁度，每次響應時間約為500 ms，運行時其連線附于船身，探頭做好放水措施后沒入水中。由于自動無人船航速較快時會產生泡沫和水面波動，影響傳感器探頭中紅外接收管的實際透光量，因此僅將船體懸停時的電壓讀數作為有效數據，將電壓轉換為以NTU為單位的水體濁度數據。

基于以上對傳感器的分析，本研究設計以懸停采樣為主的運行策略，當航行至距地圖預設采樣點1 m內后停止運行，自動無人船慣性漂移一段距離之后處于懸停狀態，維持至pH值傳感器讀數穩定。待pH值穩定后，此時的水溫、濁度和pH值讀數均為有效數據，因懸停時船體會產生少量漂移，以接下來啟動時的GPS數據為實際采樣點位置。為提高監測效率，也設計了低航速采樣的運行策略，當無人船向下一個預設點前進時，船速維持在約3 km/h的低速狀態，此時pH值和濁度讀數仍較為穩定，經后期篩選后可判斷是否可用，在實際監測時以懸停采樣為主。運行過程中2 s上傳一次數據結果，將經度、緯度、橫滾角、俯仰角、航向角、超聲波距離、水溫、濁度和pH值等按序組成報文回傳岸基控制臺。對收到的全部報文進行異常值篩選后得到有效數據，其中在低航速采樣下得到的pH值為待處理數據，濁度為不可信數據，待懸停采樣讀數穩定后得到的pH值、濁度均為可信數據。

在水質監測過程中，水溫傳感器的輸出既快速又精確，因濁度傳感器和pH值傳感器的特殊性而選擇懸停采樣的方式，將輸出的電壓模擬量轉換為精確的濁度值和pH值，滿足精確的水質監測需求。而對于水質異常檢測或突發狀況檢測的情況，將pH值傳感器和濁度傳感器設置為讀取電壓數字量進行采集，調節電位器以改變觸發閾值，這時采用低航速采樣的運行策略雖然降低了傳感器讀數的精度標準，但可提高緊急狀態下的運行效率，及時反饋報警信息。

3 實驗測試與實地部署

3.1 實驗驗證

為驗證動態監測系統監測效果，與文獻[18]的LoRa監測系統進行對比，其中LoRa終端節點使用與自動無人船相同的水質傳感器，進行動態系統與靜態系統差異實驗。以2019年5月9—11日14:00—17:00的實驗為例，此時氣溫約30℃，天氣連日放晴，無降水干擾，實驗地點為浙江省寧波市寧波幫公園內一處景觀水體(29°54′57″N, 121°37′24″E)，總面積約為2 450 m2。節點部署如圖9所示，在岸基入水口和出水口設置2處LoRa監測節點，將各傳感器探頭均伸入水面，自動無人船運行至距終端節點2 m范圍內懸停采樣，數據穩定后將同一時刻的LoRa節點數值進行比較，圖中標記處為采樣點位置。

圖9 實驗環境圖像Fig.9 Sampling point and water area

經實驗驗證，處于懸停采樣狀態下的自動無人船測量數據與同一位置終端節點測量數據相似，選取部分數據樣本如表3所示。不同傳感器規格存在微小差異，實際測量中水溫相對誤差絕對值不大于0.5%，pH值相對誤差絕對值不大于1.49%，濁度相對誤差絕對值不大于4.9%，均在傳感器精度范圍內，因此自動無人船可達到固定節點的監測效果。

確定動態監測節點懸停采樣時的監測效果后，可在水域中實際選擇航點作為懸停采樣位置，選擇時沒有硬性規范，應盡量滿足節點分布分散、節點位置具有代表性和優化航行順序等原則并按需設置。校驗無人船實際測量結果后可見小范圍內水質數據基本一致，總結全部實驗結果后，定義在動態系統中每個無人船監測點可代表半徑5 m圓形范圍內的水質狀況，以便后續數據分析工作。由于所處的環境不同，在一定范圍內水體中水質數值既可能出現梯度方向，也可能是波動數值，因此不能依據數值變化設定閾值，否則會導致誤判節點監測范圍。

表3 對比實驗水質測量結果Tab.3 Comparative experiment results of water quality measurement

3.2 系統綜合測試

確定監測方案后，為驗證系統可行性進行了大量綜合實測，確認系統可靠性和監測方案的實際效果。于2019年8月14日部署于浙江省寧波市寧波大學景觀池塘(29°54′29″N, 121°37′49″E)進行實測，當日晴朗且風力較小，之前雨水持續數日。實驗水域屬園林水景且為靜水，有入水口和排水口，水面在風力作用下波動，水域面積約2 250 m2，水體中部分區域設置圍欄控制浮水草本植物鳳眼藍的生長，衛星圖像如圖10a所示。

圖10 實驗水體及采樣點Fig.10 Water area and sampling point

在行船測試前，處理水域衛星圖像得到方格地圖如圖10b所示，按采樣原則順序選取4處格點作為采樣點，行船過程中船體保持低速航行并依序航行至采樣點1～4。到達后懸停采樣測量水質數據，距目標點2 m范圍內停止運行，船體慣性漂行后視為抵達目標，等待傳感器讀數穩定，將穩定后的水溫、pH值和濁度作為該點的懸停采樣結果，并將當前采樣點坐標更新為再度航行前測量的經緯度坐標。得到的采樣結果如表4所示。

分析采樣結果發現采樣點1～3處各項數值穩定，存在小范圍波動，可代表該水域水質監測結果，多日降雨降低了整體pH值。在水域pH值為7.10時最適合鳳眼藍生長[39]，有機物過多會導致水體富營養化，pH值采樣結果與該水域邊緣鳳眼藍大量繁殖的結果一致。采樣點4的數值與其他3處略有差異，與其近處教學樓施工及近日臺風天氣有關，岸邊堆砌的砂石、土方等建筑垃圾清理不及時造成了水質數據波動，是存在異常的區域。為驗證低航速采樣效果，將濁度傳感器及pH值傳感器切換至閾值模式，調節電位器將pH值閾值設為8，濁度閾值設為約120 NTU。無人船保持約3.2 km/h的低速在采樣點4附近岸邊環繞航行，濁度傳感器回傳異常標記，約40 s后，pH值傳感器回傳異常標記。

表4 實驗水域水質測量結果Tab.4 Results of water quality measurement in test area

本次實驗中無人船控制設備由3 800 mA·h的5 V鋰電池供電，另由一同規格電池為攝像頭和超聲波傳感器等外設供電，船體動力設備則裝配5 200 mA·h的12 V鋰電池獨立供電。無人船元件盒中預留了電池位，結合雙體船良好的載重能力，可換用更大容量電池提升續航能力，裝配注意電池質量以免影響平衡性，當前實驗中的供電方案可滿足至少3 h的持續監測需求。

經一段時間實測，為船體在支架交界處和船體吃水部位使用防水膠及絕緣膠帶加固，在船體前方使用絕緣膠帶保護船身，提升船體的耐久性和使用期。裸露在元件盒外的電機、舵機和電調均采用防水設計，但仍需避免在大風、降雨等惡劣天氣下使用。

3.3 系統實地部署

經實驗驗證系統有效性后，在舟山養殖水域進行實測。該養殖區位于舟山市普陀區近西岙隧道處(29°54′1″N, 122°22′21″E)，總面積約450 000 m2，單池塘面積約9 800 m2，飼養石斑魚、老虎斑和鳳鱭等多種經濟魚類。池塘水域獨立規劃、形狀規則，在水域邊緣設有多個獨立網箱進行混養，實驗場景如圖11所示。在岸邊高處部署岸基控制臺，由兩位操作人員進行實驗，分別監控自動無人船的運行狀態和無人船回傳的數據狀態。

圖11 舟山養殖區系統實測場景Fig.11 System test in aquaculture area of Zhoushan

本次實測時間為2019年5月25日13:00—15:00，當日風力3級，無雨水天氣。自動無人船控制單元采用兩節4 200 mA·h的3.7 V鋰電池供電，防水電機則采用5 200 mA·h的12 V鋰電池獨立供電。自動無人船與岸基監測臺的最遠距離為224 m，預先測試在這一距離下LoRa信號丟包率低于0.1%，確保遙控安全。將自動無人船遙控至距離岸基5 m外后開始向預定航點自動航行，每隔2 s向岸基監測臺回傳一次實時數據。在池塘養殖區(29°53′24″N,122°22′24″E)內持續航行完成對該池塘的數據采樣，剔除異常數據后共采集到731組有效數據，包括低速采樣和懸停采樣數據，其中在預設目標點的懸停采樣數據采用每次繼續航行前的倒數第2組數據，并按實時位置更新經緯度標記，部分數據結果如表5所示。由結果可見該水域各項指標穩定，水溫為當季日間正常數值，pH值7.0～8.5符合石斑魚養殖弱堿性水質要求，濁度略高，仍在養殖池排水濁度范圍內[40]，可采用適當措施進行處理。

表5 養殖水域水質測量結果Tab.5 Results of water quality measurement in aquaculture area

航點選取時遵循了航線不交叉原則，使動態測量不重復采取同一范圍的水質信息以提高運行效率，并避開水域邊緣置障較多的小范圍區域。GPS數據經Matlab處理得到的路徑曲線總長約725 m，計算動態路徑覆蓋面積時需去除所有拐點處的重復采樣區域，總覆蓋面積約為6 700 m2，達到水域面積的68%。因此動態監測系統較為全面地均勻覆蓋了養殖水域，系統滿足養殖業水質監測要求，并具備異常檢測能力。

4 討論

本文設計的水產養殖動態水質監測系統為當前系統覆蓋范圍受限的問題提供解決方案。基于WSN的監測系統在應用時均需考慮網絡管理困難、資源使用不均衡等問題[41]，擴大網絡規模時以上問題愈加突出，因此需合理選擇監測節點位置，可參閱清華大學設計的GreenOrbs[42]和弗吉尼亞大學設計的VigilNet[43]等成熟的WSN設計范例。如前文所述在水質監測系統中節點采樣數據可反映的監測范圍有限，限制節點數量會進一步縮小網絡覆蓋范圍，造成遲檢和漏檢，并影響系統監測效果。本文設計的動態監測系統采用與WSN相似的監測流程，無人船平臺作為動態監測節點兼具移動能力和監測功能，通過水面巡航采集大面積水域的水質數據，與無線傳感網中的固定監測節點相比可解決監測范圍約束，為自動無人船制定相應行船策略可滿足不同的監測要求。

對動態監測系統的研究將不止于此，考慮惡劣天氣對行船的影響，將進一步改進自動無人船以滿足更長期的監測需求。當前無人船采用LoRa協議通信，可將自動無人船作為動態LoRa節點接入靜態LoRa監測網絡實現組合監測，僅在水域內代表性位置處，如入水口及排水口處部署固定監測節點，而在其他水域通過自動無人船定時巡航采集水質數據，有效降低監測網絡規模并降低部署成本。除此以外，在池塘養殖等環境中應用時，若水域面積過大或有數個水域同時發起監測需求，可采用多船通信的聯合監測系統，進一步提升監測效率。

當前系統中實現的自動無人船面向養殖區域實際監測需求進行了成本控制，在滿足監測精度、保證監測可靠性的基礎上精簡了船體設備，目前整船硬件成本約1 200元，若實現批量生產成本還可進一步降低。系統目前未搭載溶解氧傳感器、鹽度傳感器等設備，若有更多水產養殖水質指標監測需求，可直接為其增設相應傳感器。

5 結論

(1)設計了水產養殖水質動態監測系統，開發自動無人船、岸基控制臺、手動遙控端和云監測平臺等，制定了適用于水質監測和異常檢測兩種不同情況下的監測方案。動態監測系統測量水溫、pH值和濁度作為水質評價指標，結合運行狀態信息進行監測，按照養殖要求確定水質狀況。相比傳統方案，動態監測系統得到的水溫相對誤差絕對值不大于0.5%、pH值相對誤差絕對值不大于1.43%、濁度相對誤差絕對值不大于4.9%，均在各傳感器精度范圍內，可滿足監測需求。

(2)設計開發了適合在水產養殖環境下工作的自動無人船，作為動態監測節點進行水質數據采樣，實現遙控航行，或依靠搭載的多傳感器檢測運行狀態，通過運行路徑規劃算法實現自動航行。通過大量實驗驗證了在水域內以低速航行、懸停采樣的方式能夠滿足系統監測要求，實現水質監測和異常檢測，且系統運行穩定可靠。

(3)動態監測系統主要針對傳統監測方法覆蓋范圍小、監測網絡部署不靈活這兩個問題進行改進，并避免出現拓撲結構復雜、網絡可擴展性差和組網過程復雜等問題。拓展了物聯網技術在農業工程領域的應用，為水產養殖業水質監測提供了新的解決方案，也是當前監測方法的有效補充，具有較好的應用推廣價值。