1.一种水流估计与船舶吃水线监测的联合设计方法，其特征在于：包括以下步骤，S1、对水下机器人(4)进行初始化，选择需要被监测的船舶(5)，根据需要监测的水尺数量匹配相应数量水下机器人(4)，岸基控制中心根据监测任务需求为每个水下机器人(4)划分各自的监测区域(3)；具体的，设定监测目标为船舶(5)吃水线，水下机器人(4)采集船舶(5)吃水线的图像，建立水尺数据集，通过神经网络对水尺数据集训练得到深度学习模型并将水下机器人(4)部署至任务水域，水下机器人(4)根据岸基控制中心(1)规划的路径与监测区域(3)执行监测任务；

S2、水下机器人(4)进入监测区域(3)后，通过多普勒测速仪对水流进行测量，在预定的时间间隔内同时收集水流流速和流向数据，将水下机器人(4)的实际运动轨迹与岸基控制中心规划的路径进行对比，建立偏差，通过惯性导航定位仪获取水下机器人(4)的位置、速度和姿态；

S3、每个水下机器人(4)通过广播进行通讯，发送和接收其它局部的水流流速数据，通过卡尔曼滤波整合当前的轨迹偏差和流速数据来预测未来的流速场；并使用水下机器人(4)实时采集吃水线图像，并对采集的吃水线图像进行预处理，然后根据预处理后的图像计算得到吃水线图像可信度；

S4、水下机器人(4)通过惯性导航定位仪采集自身的位置、速度和姿态数据获取当前自身姿态，并通过吃水线图像可信度和水流流速场预测作为反馈信号校正自身姿态；当吃水线图像可信度达到阈值，水下机器人(4)通过水流流速场预测调整姿态，使姿态优化函数达到最小，实现稳定地监测；若吃水线图像可信度未达到阈值，水下机器人(4)继续沿岸基控制中心规划路径搜寻和调整姿态，直至吃水线图像可信度达到阈值；

S5、对预处理后的吃水线图像使用边缘检测算法识别图像中的边缘，并采用双阈值分割来分离出图像中吃水线；具体的，水下机器人(4)使用深度学习算法识别出水尺数字与分离出的吃水线结合获得吃水线位于水尺的位置得到船舶(5)的吃水深度，并上传到岸基控制中心(1)；

S6、根据监测任务要求，水下机器人(4)判断是否完成监测任务，若没有完成，则继续执行监测，若执行完任务，岸基控制中心(1)发出指令，控制水下机器人(4)返航。

2.根据权利要求1所述的一种水流估计与船舶吃水线监测的联合设计方法，其特征在于：所述步骤S1中建立水尺数据集用于深度学习模型的训练，所监测的船舶(5)水尺为大型船舶(5)两侧绘制的水尺，分布在船首、船中和船尾，具体如下式表示，其中，C是船舶水尺读数，Hd是水尺字符间隔的高度，F是离吃水线最近的字符读数，Hw是吃水线到最近的字符高度。

3.根据权利要求1所述的一种水流估计与船舶吃水线监测的联合设计方法，其特征在于：所述步骤S2中通过多普勒测速仪对水流进行测量，在预定的时间间隔内同时收集水流流速和流向数据，具体为，在预设的时间间隔内，多普勒测速仪会发射声波脉冲，并接收从海底或水中颗粒反射回来的声波，通过计算声波频率的变化来确定水流的速度和流向，其公式表示，其中，v是水流流速，Δf是多普勒频移，c是声波在水中传播的速度，f0是多普勒测速仪发射的声波频率，θ是声波发射方向与水流方向之间的夹角。

4.根据权利要求1所述的一种水流估计与船舶吃水线监测的联合设计方法，其特征在于：所述步骤S2中将水下机器人(4)的实际运行轨迹与岸基控制中心规划的路径进行对比，建立偏差，具体为，在收集到水流流速和流向数据后，水下机器人(4)会将这些数据与它的实际运动轨迹进行对比，建立轨迹偏差Δd：其中，Δd是轨迹偏差，(xa,xp)是水下机器人(4)的实际位置坐标，(ya,yp)是水下机器人(4)的预定位置坐标。

5.根据权利要求1所述的一种水流估计与船舶吃水线监测的联合设计方法，其特征在于：所述步骤S3中，每个水下机器人(4)通过广播进行通讯，发送和接收其它局部的水流流速数据，通过卡尔曼滤波整合当前的轨迹偏差和流速数据来预测未来的流速场，具体为，假设每个水下机器人(4)收集到的流速数据为vi(t)，其中i表示第i个水下机器人(4)，t表示时间；设定初始状态估计 和协方差矩阵P0，根据水下机器人动力学模型预测下一时刻的状态和协方差：其中，k表示时间步， 是在时间步k的预测状态矩阵，Fk是状态转移矩阵， 是在时间步k‑1的最优估计状态矩阵，Bk是控制矩阵，uk是在时间步k的控制输入矩阵，Pk|k‑1是在时间步k的预测协方差矩阵，Pk‑1是在时间步k‑1的协方差， 是状态转移矩阵的转置，Qk是过程噪声协方差矩阵；

当有新的测量数据zk时，更新状态估计：

Pk＝(I‑KkHk)Pk|k‑1

其中，Kk是卡尔曼增益矩阵，Pk|k‑1是在时间步k的预测协方差矩阵，Hk是观测矩阵， 是观测矩阵的转置，Rk是观测噪声协方差矩阵， 是在时间步k的更新后的状态估计矩阵，是在时间步k的预测状态矩阵，I是单位矩阵，Pk在时间步k的更新后的协方差矩阵，Pk|k‑1是在时间步k的预测协方差矩阵。

6.根据权利要求1所述的一种水流估计与船舶吃水线监测的联合设计方法，其特征在于：所述步骤S3中对采集的吃水线图像进行预处理，然后根据预处理后的图像计算得到吃水线图像可信度，包括以下步骤，S3.1、对图像进行去噪：图像往往含有噪声，为减少随机噪声，提高图像的清晰度，使用高斯核函数对图像进行卷积，去除掉高斯噪声；

S3.2、增强对比度，改善图像的视觉效果，使图像细节更加清晰，使用直方图均衡化，如下式：

其中，r(k)是输入图像的灰度级，T(r(k))是灰度级r(k)的累积概率，s(k)是输出图像的灰度级，k是图像中像素灰度级，nj是灰度级为j的像素值，n是总像素值；

S3.3、经过图像预处理，计算得到吃水线图像可信度C：

其中，Ne是检测到的边缘像素数量，Nt是图像总像素数量， 是图像噪声的方差。

7.根据权利要求1所述的一种水流估计与船舶吃水线监测的联合设计方法，其特征在于：所述步骤S4中，水下机器人(4)通过收集自身位置、速度和姿态数据，以及吃水线图像可信度，进行联合的姿态校正，使吃水线图像可信度达到阈值并实现姿态的稳定，优化函数如下表示：其中， 是水下机器人(4)的最小化目标函数，n是总的时间步数，vi(t)是第i个水下机器人在时间t的实际速度， 是第i个水下机器人(4)在时间t的预测速度，q是当前姿态四元数，qd是期望的姿态四元数，λ是权重系数，C是吃水线图像可信度。

8.根据权利要求1所述的一种水流估计与船舶吃水线监测的联合设计方法，其特征在于：所述步骤S5中对预处理后的吃水线图像使用边缘检测算法识别图像中的边缘，并采用双阈值分割来分离出图像中吃水线，具体包括以下步骤，S5.1、计算吃水线图像中每个像素点的梯度幅度和方向；

S5.2、应用非极大值抑制，细化边缘；

S5.3、应用双阈值检测来确定真实和潜在的边缘；

S5.4、通过边缘跟踪和滞后阈值确定边缘。

9.一种水流估计与船舶吃水线监测的系统，其特征在于：使用权利要求1‑8任意一项所述的联合设计方法，包括位于水下机器人(4)上的感知模块、推进器模块、控制模块及无线通讯模块。

10.根据权利要求9所述的一种水流估计与船舶吃水线监测的系统，其特征在于：所述感知模块包括用于在水面采集船舶吃水线的机载摄像头、用于获取水流流速的多普勒测速仪；所述推进器模块包括用于提供动力的水下推进器及其驱动模块；所述控制模块包括用于数据处理和模型部署的处理单元和用于获取水下机器人(4)位姿的惯性导航定位仪；所述无线通讯模块包括用于水下机器人(4)间通讯的无线射频通讯器和用于岸基控制中心(1)与水下机器人(4)通讯的电磁通讯器。