水产养殖中鱼类投喂策略研究综述

俞国燕，张宏亮，刘皞春，王俊会

(1 广东海洋大学机械与动力工程学院，广东 湛江 524088；2 南方海洋科学与工程广东省实验室(湛江)，广东 湛江 524088)

水产养殖业的现代化需要依赖于现代装备与工程技术的不断进步，需要多种学科、多种技术的集成与综合应用[1]。自1989年以来，中国水产品总产量已连续20多年位居世界首位，养殖产量占世界总产量的70%以上，是世界上唯一的养殖产量超过捕捞产量的国家[2]。在水产养殖中，饲料是其中最主要的可变成本，一般占养殖总成本的50%～80%[3]。传统的人工或机械化作业是根据养殖人员的经验确定投饲量，这会增加水产养殖生产成本。鱼类摄食的饲料需求量因鱼种、生长阶段以及生活环境的不同而存在差异。有效控制饲料用量是减少水产养殖生产成本的关键，也是提升养殖效益的重要途径。

介绍了基于人工经验、生物能流的鱼群生长摄食模型，基于机器视觉及机器声学感知鱼群摄食活动的技术手段和智能投喂控制系统等方面的发展状况，阐述了实现按需投饲各阶段研究方向，为水产养殖投喂策略及投饲装备设计提供参考。

1 鱼类生长摄食模型

1.1 基于人工经验的鱼群摄食需求模型

人工经验方法通常基于大量养殖观察经验，以回归拟合分析方法建立鱼群生长营养需求与饲料投喂量相关的数学方程，以养殖鱼体质量或体长的百分比决定饲料需求量。Cui等[4]基于多次喂养试验，根据投喂率、水温和体质量建立鱼体生长速度的预测模型，并以此数据建立鱼群饲料需求与体质量增长的经验表。Boehlert等[5]使用多个回归模型分析以鱼体生长、日均投喂量、水温以及试验鱼体初始体质量为自变量，建立日均摄食量与体质量生长的预测模型。等速线性回归方程或异速方程可以用来描述鱼体质量和其营养成分之间的关系[6-7]。养殖环境的复杂性、多变性为人工经验预测模型带来诸多干扰。例如，水温恒定时，鱼体质量的立方根与养殖时间呈线性关系[8]，而在水温变化的情况下，鱼类属于变温动物，其生长情况也会随着外界条件的变动发生变动。因此，水温等外部环境对模型预测的干扰因素，需要在构建模型时加以重视。

人工经验方法未考虑鱼体内在生物营养能量关系及外部环境对鱼体增长的交互作用影响，故基于人工经验确定的投喂量无法满足现代养殖对精准投喂的要求。

1.2 基于生物能流的鱼群摄食需求模型

单一的鱼体形态特性对鱼体饲料需求量估算并不准确，更多的研究者以鱼体生物能结合养殖环境，从而科学预测鱼群的饲料需求。刘晓娟等[9]以鱼体储积能、基础代谢能、热增能以及尿液和鳃的代谢能，估算鱼体消化饲料能量，确定鱼体对饲料的需求量，构建生物能量学模型，预测饲料摄入量。Genaro等[10]以实际养殖环境的水温、溶氧、鱼龄和鱼体质量等对鱼体代谢和生长的影响因素作为模型输入量，使用模糊逻辑控制技术，从而提高饲料摄入量的预测精度。Chen等[11]提出一种利用反向传播神经网络(BPNN)和思维进化算法(MEA)的群体鱼类饲料摄入预测模型，以水温、溶氧、平均鱼体质量和鱼群数量作为BPNN模型的输入，通过MEA优化BPNN模型的初始权重和阈值，最后通过训练自动建立鱼群饲料摄入量与养殖环境之间的数学关系。

在水产养殖中，用FCR表示饲料转化为鱼体质量的效率[12]，利用Fish-PrFEQ生物能因子分解方法建立鱼类生长饲料需求与废物排放模型，以鱼体预测体质量和FCR评价模型相关性[13]。刘颖等[14]采用统计分析方法对鱼类生长、营养需求进行研究并建立生长模型，可以得到更准确、更科学的数据。在实际养殖中，根据不同的养殖密度和养殖规模建立适宜的鱼类生长模型，有利于优化养殖管理模式[15]。使用数学模型评估鱼群的饲料需求量，需要工作人员针对养殖鱼群的养殖环境及鱼体信息进行前期试验及信息收集，然后建立鱼群饲料摄入量与影响鱼群摄入强度因素之间的数学关系。科学预测饲料投喂量，并以此设计构建相关饲料投喂方法，达到投喂和精细化养殖的目的，从而减少养殖生产成本。

2 投喂控制策略

2.1 基于机器视觉的投喂控制方法

2.1.1 鱼群行为

通过计算机视觉技术监测鱼群行为已有大量研究[16-17]。研究表明，鱼类饥饿程度不同会表现出不同摄食行为[18]。Eriksen等[19]通过对大西洋蛙自身摄食行为的分析，研究鱼群摄食行为游动动态过程。近年来，随着人工智能的发展，基于鱼类摄食行为反馈的投喂技术研究已成为热点[20]。汤一平等[21]设计了一种基于3D计算机视觉的鱼类行为分析系统，以实现从三维视角对鱼类进行监测并分析鱼类运动行为。根据鱼类行为决定饲料需求量，满足鱼群摄食水平，实现饲料按需投喂。

在针对鱼群单体行为检测方面，根据一定数量的个体摄食行为，从而判断鱼类群体饥饿程度成为一种新的研究热点。Liu等[22]利用相机拍摄大西洋鲑鱼摄食活动，以摄食活动指数(CVFAI)评价摄食强度，通过帧间差分法消除水面反光叠加影响，比对摄食活动指数(CVFAI)和人工观测进食指数(MOFAI)，用此指数来启停自动投饲机。赵建等[23]提出了一种改进动能模型的鱼类摄食活动指数(CVFAI)检测方法，使用Lucas-Kanade光流法及信息熵方法分析图像，得出鱼群运动规律从而实现评价鱼群摄食强度关系。陈彩文等[24-25]通过提取目标鱼群的图像特征，利用均值背景建模生成无鱼区域图片，使用图片背景减法提取鱼群图片，最后对比分析摄食前后图像中鱼群像素点差值，得出鱼群的摄食活动强度。

在群体行为检测方面，胡利永等[26]利用机器视觉技术采集鱼群摄食时的聚集程度以及产生的水花作为图像特征区域从而描述鱼群摄食规律特征参数，并以此规律随时间变化曲线提出饲料量计算模型，但因鱼群聚集时间较长从而影响该投喂模型的精度。Alzubi等[27]提出通过对鱼类在指定投喂区域内的主动聚集程度实现对养殖对象的实时自动投喂。该方法由于鱼群聚集时会导致鱼群重叠次数增大，监测的鱼群数量失真，使饲料预测值小于鱼群实际需求量。Zhou等[28]使用近红外机器视觉和ANFIS模型，根据鱼摄食后移动行为，研发了以摄食行为为输入参数的自适应控制系统，从而控制投饲量，该模型可以达到98%的进食决策精度。郭强等[29]在图像信息采集时以鱼群形状及纹理信息作为检测标准，并作为BP神经网络的输入量，从而检测鱼群的摄食活力水平强度，该方法的准确识别率达到98%。相对于图像识别单一的鱼群行为纹理特征，该方法无须考虑水面波动及反光灯影响评价因素，从而提高了检测精度。

利用机器视觉技术手段对鱼群摄食活动行为及强度进行分析，可提高图像处理能力及准确率，从而控制投饲机及时启停。

2.1.2 残余饲料量

采集饲料食用信息反映鱼群摄食水平，从而确定投饲机是否启停，当鱼群摄食活力较强时，饲料剩余量较少，反之则多。在残饲识别与计数检测方面，Foster等[30]利用水下摄像机对网箱内下落饲料颗粒进行监测和计数，通过视频图像序列中的未食用饲料，获取残余饲料量，其平均技术误差约为10%；Liu等[31]提出一种计算剩余饲料量的算法，使用Qtsu阈值法和线性时间成分标记算法，检测残余饲料量，该算法在处理非均匀光照条件时计算的饲料颗数相当准确。

将残余饲料量作为投饲机启停的控制指标，实现以鱼为主体的自发式需求投饲控制策略。如张荣标等[32]发明了一种循环水养殖浮饵自动投放方法与装置，该方法基于机器视觉采集目标区域浮料残余量，以当前投饲机工作速度和工作时间为BP神经网络模型输入参数从而控制投饲机投喂量。王吉祥[33]以分水岭算法识别图像中的饲料形状，根据残余饲料量和鱼群进食行为作为模糊控制算法的输入变量，以投饲机工作时间为输出变量，建立模糊控制器以及控制表，实现养殖鱼群按需投喂。

监测残余饲料量时摄像头固定在某一点，目标水域拍摄面积较小，且该技术方法对摄像头性能要求较高，较多鱼群摄食时进行浮料剩余量的信息采集误差较大，不适应于大范围养殖水域。

2.2 基于机器声学的投喂控制方法

2.2.1 声呐监测

声呐成像技术被应用于海洋渔业监测，鱼群游动位置反映出鱼群饥饿程度，即发生觅食行为。使用水声传感器监测鱼群位置，并根据检测到鱼群位置密度从而决定是否投喂，这一理论已被证明并用于实践[34]。荆丹翔等[35]采用成像声呐固定测量方法，通过走航方式采集水下鱼群信息，获取鱼群水下三维运动轨迹，获悉鱼群行为，为监测鱼群觅食行为的投喂控制系统提供技术基础。相对于水下使用机器视觉技术检测鱼群行为，声呐成像技术不需考虑光照的影响。但水下声呐的使用易受噪声影响，研究发现，船舶运行时的噪声可以改变鱼类的集群行为[36-37]。对于单个鱼体觅食行为的检测研究，Holmes等[38]采用DIDSON声呐装置计算蛙鱼长度，具有较高的准确性。Tuser等[39]深入研究DIDSON声学图像中鱼类的体长特征信息，建立了单体鱼体长特征与声学图像模型关系。

类似机器视觉检测残余饲料原理，彭磊等[40]利用多普勒颗粒传感器对饲料进行追踪定位，同时多普勒颗粒传感器实时对鱼群的位置及密度进行反馈，区分饲料与其他物质，并计算未被鱼群食用而沉入网箱底部的饲料数量，当残余饲料量低于系统预定值、鱼群位于残余饲料区域且密度较大时，控制器开启投饲机进行投喂；反之，控制器关闭投饲机，停止投喂。王顺杰等[41]提出一种采用回声探测方法进行智能投饲监控的系统，鱼群饥饿程度较高时，渗透到网箱底部的饲料比率很低，随着饲料投喂量增大，鱼群饥饿程度减小，网箱底部的饲料逐渐增加，利用这一特点来决定投饲机是否启停。

2.2.2 摄食音频

通过对鱼类摄食音频的研究，发现鱼群摄食特定音频可作为鱼群摄食强度的分析依据，并由此控制投饲系统[42]。汤涛林等[43]通过构建声学监测平台，采集罗非鱼摄食时产生的声信号，研究表明，摄食声音的声功率与摄食活力呈正相关。与基于机器视觉监测鱼群摄食特性和残余饲料量的投饲方法相比，采用鱼群摄食音频的投饲技术，其主要缺点是养殖环境噪声会与鱼群摄食特定音频发生混叠，在工厂化养殖中，这种缺陷将更加明显，循环水处理单元的噪声会使该方法完全失控。

在识别鱼群行为时，非饥饿反应的突发式鱼群行为，会诱导投饲机开启，导致过度投喂，影响水质环境；在残余饲料量采集过程中，非饲料物会增加采集到的残余饲料量，导致投饲机欠投，不利于鱼群生长。在此基础上的投喂策略，需要加快投饲系统软硬件的感知精度，提高系统的响应频率，提高系统的容错率。

2.3 智能投喂控制系统

智能控制器能够根据鱼群的食欲进行自适应调整并提供满足鱼体生长营养需求的饲料，从而降低人工劳动成本，提高渔获效益。乔峰等[44]根据鱼群位置与数量特征值获取鱼群摄食规律，并设计智能投喂系统，实现实时决策下的按需投饲。吴帆等[45]设计了一种风光互补、可移动的智能探测投饲系统，通过互补发电给整套投饲装置供电，利用振动传感器自动探测鱼群并发出报警，控制投饲小车灵活移动至投饲点，从而实现自动投饲。Xu等[46]开发了一种室内集约化养殖投饲系统，在分析鱼群摄食影响因素的基础上，建立专家知识库、投饲数据库、饲料配方模型以及投饲决策模型的投饲控制策略，为集约化水产养殖饲料投喂决策提供新的实现手段。结合先进控制算法设计智能控制器，以鱼群饲料需求为输出变量，从而实现按需投喂。

3 展望

3.1 针对生长特性建立摄食饲料需求模型

单一的通过数学模型难以实现精准投喂。因鱼群生长各阶段差异性及环境因子影响，鱼群生长对饲料的需求宏观上是确定的、连续的，饲料需求量按其生长时间延长而增加。在实际养殖生产中，养殖情况复杂多变，投饲量总体呈螺旋式上升，数学模型只能估计预测特定鱼种在某段时间的阶段性饲料需求，无法指导整个生产养殖过程，这也是制约水产养殖全过程实现精准投喂的难点和关键技术。根据鱼体生长特性及影响摄食的因素，建立鱼群生长饲料需求与投饲量实时变化并且具有自我补偿的数学模型，可为智能投饲装备提供理论基础。

3.2 配置多功能传感器，提高视觉声学监测精度

以视觉声学感知摄食活动为基础的智能化投饲装备的研发，受监控信息采集装备软硬件发展水平等影响。机器视觉在图像采集过程中易受目标环境的影响，如水面反光、波动及振动噪声等，声学检测技术对环境噪声的克服是技术攻关点。在投饲装备研发时配备具有纠错校正信息采集传感器，从而提高监测感知精度，使图像或声学信号更加真实地反映实时摄食行为。

3.3 结合智能控制算法，实现实时按需投喂

加强鱼体生理特性、养殖环境系统、饲料营养配方、投饲装备作业方式与鱼体质量增长率之间的关联性研究。建立鱼群饲料摄入量与投饲量的映射关系，改进智能优化算法，提高算法效率，优化控制投饲机，加快投饲系统的响应频率，减少控制系统的内扰，使投饲装备能在非线性时，养殖系统能自适应调节，投饲数据可视化在线反馈，实现投饲系统的实时决策，投饲量满足鱼群生长需求。

3.4 综合分析多影响摄食因素，投饲策略进一步

由自动化向智能化升级

随着水产养殖业的迅速发展，智能化养鱼已成为重要趋势。智能化投喂是多技术融合应用工程，深入分析鱼群养殖环境、鱼种生长生理特性、生长饲料需求特点及饲料投喂质量，建立自适应投饲决策数学模型，进一步由投饲自动化升级到智能化。在投饲策略上，物联网、人工智能算法、无线传输等技术应用于智能投饲系统。多因素养殖环境在线监测、鱼群最佳摄食曲线分析以及投饲路径规划等是智能投饲系统的关键着力点。