基于环境信息和鱼类行为的智能投喂系统研究

沈炜皓 崔海朋 徐以军

（青岛杰瑞工控技术有限公司，山东 青岛 266061）

0 引言

近年来，水产养殖逐步由近海走向深远海，但不论是何种养殖环境，饵料使用的合理性都将直接影响养殖作业效率、养殖收益以及养殖水体环境[1]。

为降低饲料成本，提高劳动生产率，解决喂料不均匀、不准确等问题，挪威、日本、加拿大等水产养殖强国均研制并使用自动投喂系统[2]。挪威AKVA 公司的Marina CCS自动投喂系统，利用风机高速空气流，将饲料从下料装置喷射到主输送管道，通过分配阀投放至目标网箱内，该系统可提高投饵效率。虽然目前的自动投喂系统可在一定程度上提高投喂准确性及效率，但大多数只可定时、定量、自动投喂控制，无法根据养殖海域水文气象、水质参数等环境信息及鱼类行为信息进行摄食规律分析计算，难以确定最佳投喂方式，及时调控投喂参数[3]。

该文通过采集养殖海域水文气象、水质参数等环境信息，结合机器视觉技术，获取鱼类图像，提取鱼类图像特征参数，分析鱼类行为及鱼类摄食规律，再利用RBF 网络分析环境信息、鱼类行为与鱼群摄食量之间的关系，得出最优投喂量，实现科学投喂，从而达到降低饵料成本、提高养殖收益和保护养殖水体环境的目的。

1 环境信息监测系统

环境信息监测系统如图1 所示，包括养殖海域水文气象监测子系统、养殖水体水质参数监测子系统，可实现养殖海域环境信息全面感知。

图1 环境信息监测系统

养殖海域水文气象监测子系统通过设置高集成度、高灵敏度的智能观监测浮标，主要由波浪潮位传感器、气象一体化传感器、海洋流速仪、能见度传感器等组成，实现养殖海域海况的智能化、网络化观监测。波浪潮位传感器可对各监测点潮位、波向、波高、浪高等参数进行监测。气象一体化传感器与能见度传感器配合使用，实现养殖海域气温、气压、湿度、风速、风向、雨量传统六要素及能见度等气象信息的实时观测。利用海洋流速仪进行养殖海域流速、流向的实时观监测，输出准确的流速、流向监测数据，为深海养殖灾害预警提供准确可靠的数据保证。

养殖水体水质参数监测子系统是利用多参数水质传感器，实现养殖区域水质参数的集中监测，包括温度、叶绿素、溶解氧、盐度、pH 值、浊度、氨氮等养殖水质参数，为深海养殖监测点区域内资源现状分析与水质预警提供有效的数据支撑。通过数字通信手段及无线网络通信技术，将养殖海域的水文气象、养殖水体水质参数数据传回岸基控制中心，实现养殖海域水文气象、水质参数的综合集中监控，包括浪、涌、流、气温、气压、湿度、风速、风向、雨量、水质参数等信息。同时，岸基控制中心具备养殖海域水文气象以及水质参数监测数据的查询、分析、趋势曲线显示等功能，实现数据统计、模型驱动等多样化的形式展示[4]，水文气象、养殖水质参数的全面数字化处理，可直观生动地展示养殖海域水文气象、水质参数的相应信息及变化趋势，接收由各区域采集的信息，满足各级用户水文气象和水质参数监测数据的查看等需求。

2 鱼类行为识别系统

鱼类行为识别系统是通过机器视觉、神经网络等技术，观测鱼类行为的智能识别系统[5]。鱼类识别系统硬件装置如图2 所示，一般由水下摄像机、图像视频采集卡、计算机等组成。其中，水下摄像机是重要组成部分，主要完成水下鱼类图像视频的采集，实现全方位多角度的鱼类行为监视工作。利用图像视频采集卡和计算机，可按照需求保留长期的鱼类图像视频采集资料。管理人员可以在岸基控制中心远程观察鱼类生长情况。

图2 鱼类行为识别系统硬件

鱼类行为识别软件系统针对深海养殖过程中鱼类全生命周期内行为识别与分析技术的薄弱性问题，综合运用多特征融合识别、图像检索分析、大数据算法技术，通过构建并优化鱼类生长行为匹配模型，深度研究鱼类生长识别与产量评估技术、鱼类表征病态行为识别技术、水质诱发异常行为识别技术、摄食行为识别技术，突破制约鱼类全生命周期生长跟踪的多元行为识别分析技术，提升鱼类科学养殖水平。

基于计算机视觉的鱼类生长全过程行为识别技术，通过图像采集、预处理、运动目标检测与跟踪等流程，结合人工智能算法进行鱼类行为分析，实现鱼类游泳、摄食和体色变化等鱼类生长全过程行为识别与量化分析。

利用水下摄像机进行鱼类状态数据采集，对图像大小、采集频率、图像进行存储，传输至智能分析软件，但因为鱼类对海水环境背景具有一定的体色适应性且与海水背景色区分度较小。因此，需要对采集到的鱼类图像进行预处理，然后提取鱼类图像特征，并建立有关鱼类行为识别算法模型，分类识别鱼类行为[6]。鱼类行为识别包括图像预处理、特征提取、鱼类生长信息模型构建等流程，如图 3 所示。另外，水下摄像机采集到的鱼类图像中存在图像噪声，所以在提取特征前，需要进行图像预处理操作，包括灰度化、图像增强、滤波去噪等流程[7]。

图3 鱼类行为识别流程

在鱼类行为识别建模之前，需要提取鱼类特征信息，包括鱼类的形状、大小、纹理、颜色和轮廓等特征信息。建立鱼类正常行为的标准样本数据库，为鱼类行为识别算法的建模提供核心数据。通过计算机图像识别技术对不同水质、饵料条件下的鱼类表征、摄食行为、异常行为进行识别，并与鱼类生长周期行为进行样本匹配，利用权重化特征的卷积神经网络构建出鱼类行为识别模型，建立鱼类全生命周期内的生长与评估模型，并制作鱼类行为模式检测器，然后通过鱼类行为检测器对鱼类出现的行为模式进行行为样本匹配，完成鱼类行为识别，使鱼类智能生长控制的综合效益达到最优[8]。

3 基于RBF 网络算法的智能投喂系统

3.1 RBF 网络算法

高斯形函数（Gaussian）是一种局部响应函数，它是目前最常用的径向基函数，RBF 网络能够实现局部逼近，其逼近性能较强，可按照任意的精度逼近任意连续函数。另外，其具备学习收敛速度快、泛化能力强的特点，在图像处理、系统建模等方面得到广泛应用。RBF 网络结构如图4 所示。

图4 RBF 网络结构图

RBF 网络算法如公式（1）、公式（2）所示[9]。

式中：x为RBF 网络输入；j为隐含层第j个节点；T 为转置，W*为RBF 的理想权值，设定的RBF 网络权值自适应律为W；ε为RBF 网络的逼近误差；cj为示基函数中心；bj为隐含层第j个节点基带参数；h（x）为高斯核函数；h（x）由[hj]T组成，hj为高斯基函数输出；f（x）为理想全值下的RBF 网络输出。

3.2 基于环境信息与鱼类行为的智能投喂系统

由于目前的深海养殖管控依旧停留在人工经验判断的层面，往往会根据经验粗放地调控养殖投喂等参数，造成不必要的饲料损失。基于养殖海域环境水文气象、养殖区域水体水质参数等关键环境参数及鱼类全生命周期资料，利用RBF 神经网络学习算法，调控投喂量、投喂速度、投喂时间等参数，可提高深海养殖智能化、信息化程度，实现深海养殖精准投喂管控。

将养殖海域水文气象、养殖水质参数以及鱼类行为状态等变量作为RBF 网络的输入，即将风速、风向、流速、水温、溶解氧、鱼类生长阶段和鱼体大小等对鱼类代谢和生长的影响因子作为RBF 网络的输入量，并将投喂量、投喂时间、投喂频率等参数作为RBF 网络的输出，根据养殖经验及专家试验数据，调整RBF 网络权值，改变输出量与各输入变量间的关系，建立鱼类生长对环境因子的响应模型以及鱼类的生长预测模型，具体的深海养殖智能投喂流程如图5所示。 基于已建立的鱼类生长对环境因子的响应模型以及鱼类的生长预测模型，预测鱼类在多环境因素协同作用下的生长速度，并根据鱼类的饥饿程度或摄食欲望进行量化，定量判断鱼类行为状态及关键环境参数下的投喂最佳值，建立最佳环境因子知识库。通过RBF 网络训练，不断完善该数学模型，并通过现场实时信息、鱼类行为等进行自动推理和决策，获得最佳投喂量等参数，通过管控平台控制投喂系统等相关设备，精准调控投喂时间、投喂量、投喂速度等参数。

图5 深海养殖智能投喂流程

4 结论

对机器视觉、RBF 网络算法等技术的研究，该文建立了基于环境信息与鱼类行为的智能投喂系统，该系统能够采集养殖海域环境信息、养殖水质参数信息及鱼类行为状态，并通过RBF 网络构建环境信息、鱼类行为与鱼群摄食量之间的关系模型，分析鱼类行为及鱼类摄食规律，获取最优投喂量、投喂时间、投喂时长等参数，实现智能投喂。在实际应用过程中，该系统能够解决如下问题：1） 提高饲料利用率，降低养殖成本。2） 获取养殖海域水文气象等环境信息、养殖水质参数。3） 实现鱼类行为的智能识别，并获得较为准确的鱼类摄食规律。