1.一种基于无人船的水质电导率自主检测系统，其特征在于，包括行走于一设定水域上的无人船及设于所述无人船上的：导航定位模块，包括视觉识别单元及GPS单元，所述视觉识别单元实时拍摄所述无人船航行路径上的图像，所述GPS单元实时对所述无人船进行定位；

水质电导率检测模块，包括电导率检测仪及自动升降单元，所述自动升降单元与所述电导率检测仪连接，用于将所述电导率检测仪释放到所述设定水域的设定深度；

控制模块，用于接收所述视觉识别单元和所述GPS单元获取的数据并对所述无人船进行导向，以及接收所述电导率检测仪获取的检测结果并上传至一远程监控系统中；

所述电导率检测仪包括温度传感器及水质电导率传感器，利用电导率检测仪中的温度传感器获取的温度数据对水质电导率传感器获取的电导率数据进行修正，步骤如下：获取电导校正系数Cx和校正电导率常数K；

根据如下公式得到标准温度下的水质电导率测量值γ'：其中，K＝K0(1‑aT)，K0为0℃下电导池常数；a为制作电导池所用玻璃的线性膨胀系数，T为溶液的温度，γ为电导率的测量值，α、β为电导温度常数。

2.如权利要求1所述的基于无人船的水质电导率自主检测系统，其特征在于，所述电导率检测仪还包括检测仪壳体及设置于所述检测仪壳体内的微处理器、内置固定隔板、镂空透盖和深度压力传感器，所述微处理器与所述控制模块、温度传感器、深度压力传感器和水质电导率传感器连接，所述镂空透盖与所述检测仪壳体相扣合形成一腔体，所述内置固定隔板具有多个孔洞，且所述内置固定隔板将所述腔体分为相互独立的第一部分和第二部分，其中：

所述镂空透盖位于第一部分，用于向所述第一部分提供检测介质；

所述微处理器、温度传感器、深度压力传感器及水质电导率传感器位于所述第二部分，所述温度传感器、深度压力传感器及水质电导率传感器的头部分别通过一个所述孔洞伸入所述第一部分中，以对所述检测介质进行检测。

3.如权利要求1所述的基于无人船的水质电导率自主检测系统，其特征在于，所述自动升降单元包括步进电机及与所述步进电机连接的绞盘，所述绞盘中的线缆与所述电导率检测仪连接，所述步进电机驱动所述绞盘旋转以将所述电导率检测仪释放到所述设定水域的设定深度。

4.一种利用如权利要求1‑3中任一项所述的基于无人船的水质电导率自主检测系统执行水质电导率检测的方法，其特征在于，包括：建立水面物体识别的卷积神经网络模型和定深控制模型，并应用在所述基于无人船的水质电导率自主检测系统中；

无人船行走于设定水域上，视觉识别单元实时拍摄所述无人船航行路径上的图像，GPS单元实时对所述无人船进行定位，所述控制模块根据所述视觉识别单元及所述GPS单元获取的数据进行模糊推理粒子滤波，并利用滤波后的数据执行导航定位；

所述视觉识别单元根据所述卷积神经网络模型识别障碍物，所述控制模块根据所述视觉识别单元获取的数据计算出障碍物与船头的夹角，以控制所述无人船的方向；

自动升降单元根据所述定深控制模型定深投放电导率检测仪，以实现不同深度的水质电导率检测；

利用电导率检测仪中的温度传感器获取的温度数据对水质电导率传感器获取的电导率数据进行修正，步骤如下：

获取电导校正系数Cx和校正电导率常数K；

根据如下公式得到标准温度下的水质电导率测量值γ'：其中，K＝K0(1‑aT)，K0为0℃下电导池常数；a为制作电导池所用玻璃的线性膨胀系数，T为溶液的温度，γ为电导率的测量值，α、β为电导温度常数。

5.如权利要求4所述的基于无人船的水质电导率自主检测方法，其特征在于，基于约减VGG‑F网络模型对卷积网络模型进行训练和测试，以得到水面物体识别的卷积神经网络模型，步骤如下：

采集不同时间段、不同天气状况下的水面物体的图像并进行分类和编码，以搭建训练集和测试集；

利用Retinex增强处理对采集到的图像的R、G、B三个通道分别进行处理；

选取VGG‑F网络模型作为迁移学习的对象，并迁移学习预训练卷积网络模型；

将VGG‑F网络模型中的‘Conv4’卷积层和‘Relu4’激活层省略，为学习率设定初值，在学习过程中所述学习率随迭代次数的增加而降低，公式如下：式中，LOSS表示损失函数，LR表示学习率，j表示迭代次数；

利用DagNN包装器取代SimpleNN包装器，以得到改进后的卷积网络模型；

将训练集代入改进后的卷积网络模型中，期间采用随机梯度下降法调整网络权值和偏置，直到目标函数值完全收敛，得到训练好的卷积网络模型；

将测试集代入训练好的卷积网络模型，期间采用随机梯度下降法调整网络权值和偏置，直到目标函数值完全收敛，得到训练好的卷积网络模型，再将测试集代入训练好的卷积网络模型，以验证识别率是否达到预期值，若是，将训练好的卷积网络模型作为水面物体识别的卷积神经网络模型；否则，对卷积网络模型继续训练直到识别率达到预期值。

6.如权利要求5所述的基于无人船的水质电导率自主检测方法，其特征在于，所述视觉识别单元根据所述卷积神经网络模型识别障碍物的步骤包括：利用Retinex增强对所述视觉识别单元拍摄到的图像的R、G、B三个通道分别进行处理；

对处理后的图像进行区域分割，提取出障碍物，并获取障碍物的位置和尺寸。

7.如权利要求4所述的基于无人船的水质电导率自主检测方法，其特征在于，所述模糊推理粒子滤波包括如下步骤：

初始化粒子滤波参数：

取时间t＝0，从先验概率p(x0)产生粒子集 i为粒子数目，且i＝1,2,...,Nt，粒子权值为 根据模糊推理法求得减缓衰减因子α的值；

执行重要性采样：

取q(x0:t|z1:t)为重要性密度函数来进行采样得到粒子 其集合为z为量测值；

按照如下公式计算权重w：

按照如下公式归一化权重：

按照如下公式计算状态估计值：

进行基于欧氏距离的自适应选取粒子：初始化参数，设置集合St＝{1,2,...,Nt},集合 按照如下公式计算信息代价函数ξt(Nt)：

其中，pNt为观测噪声vt的协方差矩阵，用St中的粒子估计状态变量 Nt为在估计 时所用的粒子数，h为观测函数；

通过信息代价函数式判断淘汰粒子：设状态变量x是d×1维状态变量，将 其中，d＝1,2,...,nx；

计算第i个粒子与其相邻的第i+1个粒子的欧氏距离，r为预先设定的阈值距离，其中每一个粒子对应一个权值 当满足 如果 保留粒子 舍弃粒子反之保留 舍弃 若不满足，两个粒子都保留；

淘汰粒子构成集合Kt，剩下的粒子构成St＝{1,2,......,Nt}/Kt，设ns为St中的最大值；

计算用St中粒子求取状态变量x的估计值：按照如下公式根据ns计算信息误差代价函数：设定一个阈值β来评定可接受的信息误差，选择Nt+1：如果满足ξt(n)＞β，Nt+1从(Nt,Nmax)中随机选取；反之从使ξt(n)取最小值的n集合中选取，如果Nt+1＜Nmin，则Nt+1＝Nmin；

进行重采样：

根据归一化权值 对粒子 进行复制和淘汰，重新设置

8.如权利要求4所述的基于无人船的水质电导率自主检测方法，其特征在于，根据步进电机所发的脉冲和深度压力传感器获取的数据进行模糊推理粒子滤波处理，以得到定深控制模型，步骤如下：

所述步进电机带动绞盘旋转，根据设定的检测深度在不同的检查点释放所述电导率检测仪；

所述深度压力传感器实时获取所述电导率检测仪所处水深的压强；

根据所述步进电机所发的脉冲和深度压力传感器获取的数据进行模糊推理粒子滤波处理，以得到定深控制模型。