水產養殖中魚類投喂策略研究綜述

俞國燕，張宏亮，劉皞春，王俊會

(1 廣東海洋大學機械與動力工程學院，廣東 湛江 524088；2 南方海洋科學與工程廣東省實驗室(湛江)，廣東 湛江 524088)

水產養殖業的現代化需要依賴于現代裝備與工程技術的不斷進步，需要多種學科、多種技術的集成與綜合應用[1]。自1989年以來，中國水產品總產量已連續20多年位居世界首位，養殖產量占世界總產量的70%以上，是世界上唯一的養殖產量超過捕撈產量的國家[2]。在水產養殖中，飼料是其中最主要的可變成本，一般占養殖總成本的50%～80%[3]。傳統的人工或機械化作業是根據養殖人員的經驗確定投飼量，這會增加水產養殖生產成本。魚類攝食的飼料需求量因魚種、生長階段以及生活環境的不同而存在差異。有效控制飼料用量是減少水產養殖生產成本的關鍵，也是提升養殖效益的重要途徑。

介紹了基于人工經驗、生物能流的魚群生長攝食模型，基于機器視覺及機器聲學感知魚群攝食活動的技術手段和智能投喂控制系統等方面的發展狀況，闡述了實現按需投飼各階段研究方向，為水產養殖投喂策略及投飼裝備設計提供參考。

1 魚類生長攝食模型

1.1 基于人工經驗的魚群攝食需求模型

人工經驗方法通常基于大量養殖觀察經驗，以回歸擬合分析方法建立魚群生長營養需求與飼料投喂量相關的數學方程，以養殖魚體質量或體長的百分比決定飼料需求量。Cui等[4]基于多次喂養試驗，根據投喂率、水溫和體質量建立魚體生長速度的預測模型，并以此數據建立魚群飼料需求與體質量增長的經驗表。Boehlert等[5]使用多個回歸模型分析以魚體生長、日均投喂量、水溫以及試驗魚體初始體質量為自變量，建立日均攝食量與體質量生長的預測模型。等速線性回歸方程或異速方程可以用來描述魚體質量和其營養成分之間的關系[6-7]。養殖環境的復雜性、多變性為人工經驗預測模型帶來諸多干擾。例如，水溫恒定時，魚體質量的立方根與養殖時間呈線性關系[8]，而在水溫變化的情況下，魚類屬于變溫動物，其生長情況也會隨著外界條件的變動發生變動。因此，水溫等外部環境對模型預測的干擾因素，需要在構建模型時加以重視。

人工經驗方法未考慮魚體內在生物營養能量關系及外部環境對魚體增長的交互作用影響，故基于人工經驗確定的投喂量無法滿足現代養殖對精準投喂的要求。

1.2 基于生物能流的魚群攝食需求模型

單一的魚體形態特性對魚體飼料需求量估算并不準確，更多的研究者以魚體生物能結合養殖環境，從而科學預測魚群的飼料需求。劉曉娟等[9]以魚體儲積能、基礎代謝能、熱增能以及尿液和鰓的代謝能，估算魚體消化飼料能量，確定魚體對飼料的需求量，構建生物能量學模型，預測飼料攝入量。Genaro等[10]以實際養殖環境的水溫、溶氧、魚齡和魚體質量等對魚體代謝和生長的影響因素作為模型輸入量，使用模糊邏輯控制技術，從而提高飼料攝入量的預測精度。Chen等[11]提出一種利用反向傳播神經網絡(BPNN)和思維進化算法(MEA)的群體魚類飼料攝入預測模型，以水溫、溶氧、平均魚體質量和魚群數量作為BPNN模型的輸入，通過MEA優化BPNN模型的初始權重和閾值，最后通過訓練自動建立魚群飼料攝入量與養殖環境之間的數學關系。

在水產養殖中，用FCR表示飼料轉化為魚體質量的效率[12]，利用Fish-PrFEQ生物能因子分解方法建立魚類生長飼料需求與廢物排放模型，以魚體預測體質量和FCR評價模型相關性[13]。劉穎等[14]采用統計分析方法對魚類生長、營養需求進行研究并建立生長模型，可以得到更準確、更科學的數據。在實際養殖中，根據不同的養殖密度和養殖規模建立適宜的魚類生長模型，有利于優化養殖管理模式[15]。使用數學模型評估魚群的飼料需求量，需要工作人員針對養殖魚群的養殖環境及魚體信息進行前期試驗及信息收集，然后建立魚群飼料攝入量與影響魚群攝入強度因素之間的數學關系。科學預測飼料投喂量，并以此設計構建相關飼料投喂方法，達到投喂和精細化養殖的目的，從而減少養殖生產成本。

2 投喂控制策略

2.1 基于機器視覺的投喂控制方法

2.1.1 魚群行為

通過計算機視覺技術監測魚群行為已有大量研究[16-17]。研究表明，魚類饑餓程度不同會表現出不同攝食行為[18]。Eriksen等[19]通過對大西洋蛙自身攝食行為的分析，研究魚群攝食行為游動動態過程。近年來，隨著人工智能的發展，基于魚類攝食行為反饋的投喂技術研究已成為熱點[20]。湯一平等[21]設計了一種基于3D計算機視覺的魚類行為分析系統，以實現從三維視角對魚類進行監測并分析魚類運動行為。根據魚類行為決定飼料需求量，滿足魚群攝食水平，實現飼料按需投喂。

在針對魚群單體行為檢測方面，根據一定數量的個體攝食行為，從而判斷魚類群體饑餓程度成為一種新的研究熱點。Liu等[22]利用相機拍攝大西洋鮭魚攝食活動，以攝食活動指數(CVFAI)評價攝食強度，通過幀間差分法消除水面反光疊加影響，比對攝食活動指數(CVFAI)和人工觀測進食指數(MOFAI)，用此指數來啟停自動投飼機。趙建等[23]提出了一種改進動能模型的魚類攝食活動指數(CVFAI)檢測方法，使用Lucas-Kanade光流法及信息熵方法分析圖像，得出魚群運動規律從而實現評價魚群攝食強度關系。陳彩文等[24-25]通過提取目標魚群的圖像特征，利用均值背景建模生成無魚區域圖片，使用圖片背景減法提取魚群圖片，最后對比分析攝食前后圖像中魚群像素點差值，得出魚群的攝食活動強度。

在群體行為檢測方面，胡利永等[26]利用機器視覺技術采集魚群攝食時的聚集程度以及產生的水花作為圖像特征區域從而描述魚群攝食規律特征參數，并以此規律隨時間變化曲線提出飼料量計算模型，但因魚群聚集時間較長從而影響該投喂模型的精度。Alzubi等[27]提出通過對魚類在指定投喂區域內的主動聚集程度實現對養殖對象的實時自動投喂。該方法由于魚群聚集時會導致魚群重疊次數增大，監測的魚群數量失真，使飼料預測值小于魚群實際需求量。Zhou等[28]使用近紅外機器視覺和ANFIS模型，根據魚攝食后移動行為，研發了以攝食行為為輸入參數的自適應控制系統，從而控制投飼量，該模型可以達到98%的進食決策精度。郭強等[29]在圖像信息采集時以魚群形狀及紋理信息作為檢測標準，并作為BP神經網絡的輸入量，從而檢測魚群的攝食活力水平強度，該方法的準確識別率達到98%。相對于圖像識別單一的魚群行為紋理特征，該方法無須考慮水面波動及反光燈影響評價因素，從而提高了檢測精度。

利用機器視覺技術手段對魚群攝食活動行為及強度進行分析，可提高圖像處理能力及準確率，從而控制投飼機及時啟停。

2.1.2 殘余飼料量

采集飼料食用信息反映魚群攝食水平，從而確定投飼機是否啟停，當魚群攝食活力較強時，飼料剩余量較少，反之則多。在殘飼識別與計數檢測方面，Foster等[30]利用水下攝像機對網箱內下落飼料顆粒進行監測和計數，通過視頻圖像序列中的未食用飼料，獲取殘余飼料量，其平均技術誤差約為10%；Liu等[31]提出一種計算剩余飼料量的算法，使用Qtsu閾值法和線性時間成分標記算法，檢測殘余飼料量，該算法在處理非均勻光照條件時計算的飼料顆數相當準確。

將殘余飼料量作為投飼機啟停的控制指標，實現以魚為主體的自發式需求投飼控制策略。如張榮標等[32]發明了一種循環水養殖浮餌自動投放方法與裝置，該方法基于機器視覺采集目標區域浮料殘余量，以當前投飼機工作速度和工作時間為BP神經網絡模型輸入參數從而控制投飼機投喂量。王吉祥[33]以分水嶺算法識別圖像中的飼料形狀，根據殘余飼料量和魚群進食行為作為模糊控制算法的輸入變量，以投飼機工作時間為輸出變量，建立模糊控制器以及控制表，實現養殖魚群按需投喂。

監測殘余飼料量時攝像頭固定在某一點，目標水域拍攝面積較小，且該技術方法對攝像頭性能要求較高，較多魚群攝食時進行浮料剩余量的信息采集誤差較大，不適應于大范圍養殖水域。

2.2 基于機器聲學的投喂控制方法

2.2.1 聲吶監測

聲吶成像技術被應用于海洋漁業監測，魚群游動位置反映出魚群饑餓程度，即發生覓食行為。使用水聲傳感器監測魚群位置，并根據檢測到魚群位置密度從而決定是否投喂，這一理論已被證明并用于實踐[34]。荊丹翔等[35]采用成像聲吶固定測量方法，通過走航方式采集水下魚群信息，獲取魚群水下三維運動軌跡，獲悉魚群行為，為監測魚群覓食行為的投喂控制系統提供技術基礎。相對于水下使用機器視覺技術檢測魚群行為，聲吶成像技術不需考慮光照的影響。但水下聲吶的使用易受噪聲影響，研究發現，船舶運行時的噪聲可以改變魚類的集群行為[36-37]。對于單個魚體覓食行為的檢測研究，Holmes等[38]采用DIDSON聲吶裝置計算蛙魚長度，具有較高的準確性。Tuser等[39]深入研究DIDSON聲學圖像中魚類的體長特征信息，建立了單體魚體長特征與聲學圖像模型關系。

類似機器視覺檢測殘余飼料原理，彭磊等[40]利用多普勒顆粒傳感器對飼料進行追蹤定位，同時多普勒顆粒傳感器實時對魚群的位置及密度進行反饋，區分飼料與其他物質，并計算未被魚群食用而沉入網箱底部的飼料數量，當殘余飼料量低于系統預定值、魚群位于殘余飼料區域且密度較大時，控制器開啟投飼機進行投喂；反之，控制器關閉投飼機，停止投喂。王順杰等[41]提出一種采用回聲探測方法進行智能投飼監控的系統，魚群饑餓程度較高時，滲透到網箱底部的飼料比率很低，隨著飼料投喂量增大，魚群饑餓程度減小，網箱底部的飼料逐漸增加，利用這一特點來決定投飼機是否啟停。

2.2.2 攝食音頻

通過對魚類攝食音頻的研究，發現魚群攝食特定音頻可作為魚群攝食強度的分析依據，并由此控制投飼系統[42]。湯濤林等[43]通過構建聲學監測平臺，采集羅非魚攝食時產生的聲信號，研究表明，攝食聲音的聲功率與攝食活力呈正相關。與基于機器視覺監測魚群攝食特性和殘余飼料量的投飼方法相比，采用魚群攝食音頻的投飼技術，其主要缺點是養殖環境噪聲會與魚群攝食特定音頻發生混疊，在工廠化養殖中，這種缺陷將更加明顯，循環水處理單元的噪聲會使該方法完全失控。

在識別魚群行為時，非饑餓反應的突發式魚群行為，會誘導投飼機開啟，導致過度投喂，影響水質環境；在殘余飼料量采集過程中，非飼料物會增加采集到的殘余飼料量，導致投飼機欠投，不利于魚群生長。在此基礎上的投喂策略，需要加快投飼系統軟硬件的感知精度，提高系統的響應頻率，提高系統的容錯率。

2.3 智能投喂控制系統

智能控制器能夠根據魚群的食欲進行自適應調整并提供滿足魚體生長營養需求的飼料，從而降低人工勞動成本，提高漁獲效益。喬峰等[44]根據魚群位置與數量特征值獲取魚群攝食規律，并設計智能投喂系統，實現實時決策下的按需投飼。吳帆等[45]設計了一種風光互補、可移動的智能探測投飼系統，通過互補發電給整套投飼裝置供電，利用振動傳感器自動探測魚群并發出報警，控制投飼小車靈活移動至投飼點，從而實現自動投飼。Xu等[46]開發了一種室內集約化養殖投飼系統，在分析魚群攝食影響因素的基礎上，建立專家知識庫、投飼數據庫、飼料配方模型以及投飼決策模型的投飼控制策略，為集約化水產養殖飼料投喂決策提供新的實現手段。結合先進控制算法設計智能控制器，以魚群飼料需求為輸出變量，從而實現按需投喂。

3 展望

3.1 針對生長特性建立攝食飼料需求模型

單一的通過數學模型難以實現精準投喂。因魚群生長各階段差異性及環境因子影響，魚群生長對飼料的需求宏觀上是確定的、連續的，飼料需求量按其生長時間延長而增加。在實際養殖生產中，養殖情況復雜多變，投飼量總體呈螺旋式上升，數學模型只能估計預測特定魚種在某段時間的階段性飼料需求，無法指導整個生產養殖過程，這也是制約水產養殖全過程實現精準投喂的難點和關鍵技術。根據魚體生長特性及影響攝食的因素，建立魚群生長飼料需求與投飼量實時變化并且具有自我補償的數學模型，可為智能投飼裝備提供理論基礎。

3.2 配置多功能傳感器，提高視覺聲學監測精度

以視覺聲學感知攝食活動為基礎的智能化投飼裝備的研發，受監控信息采集裝備軟硬件發展水平等影響。機器視覺在圖像采集過程中易受目標環境的影響，如水面反光、波動及振動噪聲等，聲學檢測技術對環境噪聲的克服是技術攻關點。在投飼裝備研發時配備具有糾錯校正信息采集傳感器，從而提高監測感知精度，使圖像或聲學信號更加真實地反映實時攝食行為。

3.3 結合智能控制算法，實現實時按需投喂

加強魚體生理特性、養殖環境系統、飼料營養配方、投飼裝備作業方式與魚體質量增長率之間的關聯性研究。建立魚群飼料攝入量與投飼量的映射關系，改進智能優化算法，提高算法效率，優化控制投飼機，加快投飼系統的響應頻率，減少控制系統的內擾，使投飼裝備能在非線性時，養殖系統能自適應調節，投飼數據可視化在線反饋，實現投飼系統的實時決策，投飼量滿足魚群生長需求。

3.4 綜合分析多影響攝食因素，投飼策略進一步

由自動化向智能化升級

隨著水產養殖業的迅速發展，智能化養魚已成為重要趨勢。智能化投喂是多技術融合應用工程，深入分析魚群養殖環境、魚種生長生理特性、生長飼料需求特點及飼料投喂質量，建立自適應投飼決策數學模型，進一步由投飼自動化升級到智能化。在投飼策略上，物聯網、人工智能算法、無線傳輸等技術應用于智能投飼系統。多因素養殖環境在線監測、魚群最佳攝食曲線分析以及投飼路徑規劃等是智能投飼系統的關鍵著力點。