探究水产养殖中的智能投饵技术

探究水产养殖中的智能投饵技术

唐燕红450501197512170628

摘要：在水产养殖中，饲料成本占水产养殖总成本的40%-80%，是影响水产养殖效率的最大因素。因此，如何实现科学饲喂是降低栽培成本、增加栽培经济效益的关键。智能饲喂是利用各种传感器获取鱼类种群投饵过程中的国际信息，并将信息带回管理系统，与相关算法和模型一起主动改变饲喂政策的饲喂方式，是实现科学饲喂、提高配合饲料利用率的有效途径。

关键词：水产养殖；智能投饵；机器视觉

引言

近年来，传感器技术快速发展，在水产养殖中的应用益发广泛。传感器能高效收集养殖过程中的各项参数，已有许多研究人员通过量化传感器获取的信息来分析水产养殖动物的行为特征，且取得一系列成果。智能投饵系统是利用传感器获取水产养殖动物摄食过程中的全局信息，辅助自动投饵系统结合摄食需求进行投喂的系统。该系统可通过光学传感器直接获取摄食过程中的图像，分析水产养殖动物摄食行为或通过检测残余颗粒饲料评估摄食强度;为避免光照和目标重叠的影响，也可通过声学传感器监测残余配合饲料或水产养殖动物摄食过程中发出的声信号来评估摄食强度;还可通过水质参数传感器监测pH值、温度、溶解氧等水质参数，通过分析水质参数与食欲的关系来评估水产养殖动物的摄食强度;通过生物模型预测总摄食量也是主要手段之一。智能投饵系统能够根据水产养殖动物摄食需求动态调整投喂策略，以最低的成本及环境代价使水产养殖动物创造最大的价值。因此，要实现科学投喂，就必须结合水产养殖动物摄食需求，充分考虑影响其食欲的因素，如水质参数、光照强度及生物的年龄、性别、尺寸等，做出更加科学合理的投喂决策。

1基于机器视觉的智能投饵方法

机器视觉技术作为一项快速、客观、无损的检测方法，非常适用于水产养殖动物视觉属性的测量。经研究发现，水产养殖动物的摄食状况会直接影响其生长发育，摄食过程中的行为特征可作为判断水产养殖动物摄食需求的依据。基于机器视觉技术对水产养殖动物食欲的评估主要是通过提取摄食过程中的图像特征，分析其摄食行为，进而判断水产养殖动物摄食强度。鱼类摄食行为分析方法分为个体行为分析和群体行为分析2种。基于个体的行为分析可有效监测个体鱼类的摄食行为，但是在实际养殖环境中，对个体目标的监测与跟踪会受到目标重叠、光照强度等因素的影响，导致准确度不高。因此，将鱼群作为研究对象，成为了摄食行为研究的热点。

图像纹理分析技术是当前机器视觉领域研究的一个重要方向，图像纹理特征与图像的色彩信息无关，它能反映出不同图像的空间组成特征。陈雨琦等对水面波纹进行前景提取，采用快速傅里叶变换处理原始图像，并通过支持向量机(Support vector machine,SVM)分类，量化摄食过程中水面波纹的离散度，评估鱼群摄食强度，准确率达99.24%。通过将多特征融合，能够更准确地反映鱼群摄食强度。陈彩文等利用灰度共生矩阵分析逆差矩、相关性、能量与对比度4个纹理特征，评估鱼群摄食强度，与传统面积法相比较，线性决定系数达到0.8942。陈明等在陈彩文等的基础上，采集图像的颜色、形状与纹理特征，利用Relief特征选择和XG Boost(Extreme gradient boosting)算法筛选出3个摄食因子，再结合加权融合方法确定最佳权重，对摄食强度进行评估。与传统面积法相比较，线性决定系数达0.9043，识别准确率高达98.89%。相较于单一分析图像纹理特征，该方法结合多因子分析摄食强度，准确率更高。

利用机器视觉技术分析鱼类摄食行为评估摄食强度，具有成本低、易开发、直观等特点。但在实际养殖条件下，图像质量会受水体浑浊度、目标重叠等因素影响，且在昏暗的条件下，需要额外光源，易造成光污染，影响鱼类福利，使用近红外光可改善该问题。此外，当分析鱼群运动轨迹时，往往需要使用双目或多相机系统，这不仅增加了成本，还增加了算法的复杂程度。鱼群摄食行为分析的准确性取决于图像质量，在控制成本的前提下，机器视觉技术应不断增强图像质量，优化算法，提高系统响应速度。因此，机器视觉技术离真正应用到生产现场还有不少难题需要解决。

2基于声学技术的智能投饵方法

机器视觉技术能够直接获取鱼群摄食过程中的信息，辅助自动投饵系统做出最佳投喂决策。但机器视觉技术会受水质环境、养殖密度和光照等因素的限制，获取鱼群摄食过程中的图像难度增加。然而，声学技术不受水质环境和光照强度的影响，采集的数据更加准确，能有效反映摄食过程中各参数的变化。已有研究发现，鱼群摄食过程中的声信号特征与摄食强度有关，因此，可以根据鱼群摄食过程中发出的声音评估其摄食强度，调整投喂策略。Reis等通过对虾的对比养殖试验证明，使用被动声学反馈调整投饵的自动投饵系统产量更高。基于声学技术分析摄食强度主要是通过检测鱼群摄食过程中发出的声音频率，进而分析其摄食强度。

鱼类摄食过程大致可分为觅食、捕食和摄入3个步骤。觅食和捕食时，游泳会发出声音;摄入时，咀嚼食物发出声音。因此，根据鱼类摄食过程中发出的声音频率，可以分析鱼群摄食行为，评估摄食强度。汤涛林等使用水听器采集罗非鱼摄食过程中的声信号，摄食时，其声信号频率覆盖了0-6kHz，并发现声信号频率与其食欲呈正相关，因此，罗非鱼摄食时声频率的平均值可作为投喂依据。李志鹏等以单片机为控制核心，利用LabVIEW声信号采集控件识别鱼群摄食时的声信号，监测鱼群摄食状况，评估鱼群摄食强度，实时调整投喂策略。该装置实用性强，能够提高颗粒饲料利用率。声呐成像也被用于研究海洋中鱼类的行为，相比于机器视觉，声呐成像不会受光照强度和浑浊水体的影响。声呐图像不仅包括光学图像的部分信息，还包含回声强度、能量及其他信息，能更加全面地分析鱼类摄食行为，但成本较高。在某些养殖环境中，声学技术能更好地监测鱼类摄食行为，评估鱼群摄食强度。但声学技术易受噪声影响，且成本较高，适用于集约化养殖，在小型养殖池中容易存在检测盲点。

3基于残余配合饲料监测的智能投饵方法

残余配合饲料是水产养殖中废物的主要来源，也是影响水质的主要因素。分析鱼群摄食行为可以直接评估鱼群摄食强度，监测残余配合饲料则能间接反映鱼群摄食强度。因此，监测水体中残余配合饲料是制定科学投喂策略的重要手段之一。光学传感器能够直接获取水体中残余配合饲料的图像特征。Skoien等利用无人机检测水面残余配合饲料的分布。Atoum等开发了一种全自动投饵系统用于高密度养殖池，该系统采用高效的机器视觉系统连续检测鱼类摄食行为和残余配合饲料，结果显示比单一的检测方式准确率更高。为了解决水下光照不均匀的问题，Li等提出了一种自适应阈值分割算法检测水下残余配合饲料，准确率在80%-95.9%之间。该方法适用性广，能有效解决光照不均的问题，但图像质量较低。Pradana等研制了一种基于机器视觉的自动投饵机，该投饵机利用视觉监测和跟踪方法来确定残余配合饲料和水面波纹特征，并分析摄食过程中特征参数与时间的关系，以此评估鱼群摄食强度。

4结语

水产养殖的投喂管理是一个复杂工程，科学投喂受多方面因素影响，如水质参数、生物活动、光照强度等。传统养殖采用人工投喂或简单机械投喂，自动化程度低，劳动强度大，无法满足集约化养殖需求。随着无线通信技术和人工智能的发展，以及各类传感器精度的提高，对智能投饵技术的研究取得了一定成果，但基本都是在理想条件下试验获得，要实际应用到生产现场仍有不小的挑战。为了实现科学投喂，进一步增加养殖收益，增强系统的自动化、智能化水平，需将光学传感器、声学传感器、水质参数传感器、生物模型等技术与自动投饵系统相结合形成智能投饵系统。

参考文献

[1]李道亮，包建华.水产养殖水下作业机器人关键技术研究进展[J].农业工程学报，2018, 34(16): 1-9.

[2]左渠，田云臣，马国强.水产养殖智能投饲系统研究进展和存在问题[J].天津农学院学报，2020, 27(4): 73-77

[3]蓝蔚青,刘琳,孙晓红等.酸性电解水发生机理及在水产领域中的应用研究进展[J].食品与发酵工业,2020,46(04):294-298.

[4]于福田. 微酸性电解水对罗非鱼片杀菌和保鲜效果的研究[D].上海海洋大学,2019.