人工智能在水產養殖中研究應用分析與未來展望

徐家利

（浙江機電職業技術學院 浙江，杭州 310053）

水產養殖是指在人為因素的干擾下，培育、繁殖和收獲水生動物的生產活動，當前我國的水產養殖存在著粗放養殖、水產生物質量低的問題。而人工智能則是利用信息技術完成過去只有人類才能夠從事的智能工作。將人工智能應用至水產養殖中不僅能夠節約人力、物力，還能夠提升水產養殖的質量水平。

1 人工智能在水產養殖中的研究應用現狀

1.1 獲得水產生物生命信息研究

精準識別水產養殖魚類信息的研究：當前人工智能技術中的神經網絡和支持向量機兩種方法由于其自身的良好特性被充分應用于識別水產養殖魚的信息當中。具體的人工智能識別流程如下，首先利用圖像獲取工具攝影魚類的相關信息，其次對魚類展開分析，需要由人工先行設定魚的大小、形態等外在特性，再利用特征訓練分類器，根據設定好的魚類特性，進行信息識別。需要注意的是信息識別和分類的人工智能技術多種多樣，需要根據實際情況進行合理選擇，那么具體的魚類信息識別方式除了已經提到的兩種，還包括決策樹、Bayes分類法等，但是這兩種方法由于其本身存在較大缺陷，已經較少應用。水產生物行為識別研究:人工智能中的機器視覺方法可以充分滿足這一要求，以魚類為例，Israeli的研究表明，當水環境當中的氧氣含量變小時，魚類的游動頻率和深淺程度都會發生改變。并且，魚類在水環境中覓食行為是否積極能夠側面的反映水的質量、發生的變化，以及是否存在不利于生物生存的物質存在。基于此，也便于水產養殖人員及時的了解水質信息，并進行水質改善。除此之外，檢測特定魚類行為的程序、魚類視頻追蹤系統和魚類攝食行為捕捉器等人工智能技術的研究也已經相當完備。

生物量估算研究：當前廣泛用于生物量估算的方法為通過視覺系統完成估算，而這一方法主要用于水產生物當中的魚類，具體的工作流程為首先在光源充足的情況下利用相機、水下攝影機等設備完成拍攝，再將拍攝的圖像和視頻等內容上傳至計算機，由計算機完成圖像、視頻等拍攝內容的導出、預處理和特征提取等工作，進而獲得魚類的計算機視覺、大小、顏色和紋理等圖像內容。并且早在上世紀20年，國外相關領域就擁有了間接完成生物量估算工作的想法，并且研究取得了一定的成效，但并沒有運用人工智能技術，估算精確度較低，而當今基于視覺系統的估算方法很好的解決了這一問題。

1.2 水產生物生長過程研究

生長決策研究：人工智能技術以水產生物生長的環境因素、水產生物本身的體型數據信息為依據，利用計算機技術展開運算，將環境和水產生物體型聯系起來，構造水產生物生長模型，并根據模型結果，通過相應的決策支持系統，完成水產生物生長決策確定。那么當前決策支持系統的研究已經十分完善，無論是支撐決策支持系統工作的組成系統，還是用戶界面，都能夠高效運行。除此之外，新型魚類生產決策方案的提出和魚類生長模型的建立完善，都為水產生物生長決策提供了人工智能技術的支持。

智能喂養控制研究：當前的智能喂養控制主要包括兩種方式，分別是通過檢測飼料殘余確定喂食數量和分析水產生物攝入飼料的頻率確定喂食數量，并且針對這兩種方式，國內外相關的企業已經研究了完備的喂食系統。國外涉及到了殘余飼料計數裝備研制，國內涉及到了魚類攝入飼料行為檢測系統和自動投食的設備研制。

1.3 水產生物疾病預控研究

疾病預測研究：人工智能技術的應用能夠充分解決預測不準確，預測用時長的問題，具體的應用流程如下，首先需要利用人工智能技術做好水產養殖水環境的監測工作，并根據水環境中存在的風險因素，建立水產生物疾病預測系統，而其中主要涉及到支持向量機、預警系統、疾病預測系統等技術。其次，再根據疾病預測結果開展疾病診斷并采取相應的措施。

疾病診斷研究：當前人工智能技術在疾病診斷中應用主要體現在模型診斷和案例推理兩種方法上。首先涉及到的是模型診斷，在數據庫的搜索欄輸入當前水產生物的疾病癥狀，篩選出與當前癥狀相似的疾病種類，將其具體的癥狀和當前的疾病癥狀展開進一步比對，根據比對的結果確定疾病的種類并進一步采取措施。而我國目前已經建成了完備的水產生物疾病知識庫，為模型診斷提供支持。

1.4 水產養殖環境控制研究

水環境研究：運用人工智能技術展開水質的監測主要依賴于計算機技術，通過測量輔助數據的方式，達到水質測量的目的。近些年，我國研究學者提出了水質非線性組合預測預警方法，降低了傳統水質預測方式耗費的時間，提高了預測準確性，也提升了預測方法適用的普遍性。

氧氣含量控制研究：基于人工智能技術的氧氣含量控制方法是先對水環境中的氧氣含量進行監測，再將監測數據反饋至智能控制系統，該系統按照預先設置的氧氣含量極值完成自動控制氧氣輸送工作。當前基于人工智能輸送氧氣的方式主要包括直接控制和預測控制，直接控制主要依賴于設定好的輸氧極值以及相關的程序，自主開展輸氧活動。而預測控制是根據水環境氧氣變化規律進行輸氧控制。

1.5 無人水下潛水器研究

我國無人水下潛水器的研究具有起步較晚的特點，依然處于研究的初級階段，研究團隊由高校人才和科研所聯合組成。主要研究成果集中在水下目標識別、路徑規劃與導航和控制與作業三方面。

2 人工智能在水產養殖中的研究應用瓶頸

2.1 水產生物生命信息不完善

當前水產生物生命信息獲取渠道較為單一，過于依賴水產生物的外部特征。并且當前人工智能技術應用于水產生物生命信息獲取的對象集中于魚類、蝦類，能夠服務的對象較少。除此之外，以魚類為代表的水產生物的信息獲取環境較為單一，只有在特定環境下，現有的信息獲取模型才能夠充分發揮作用，并且一旦環境的光照、溫度等因素發生變化，就無法完全識別信息。

2.2 水產生物生長監測限制性較強

大量預測模型的存在就給水產生物生長監測提供了機遇，同時也帶來了用戶無法確定模型的使用范圍、選擇合適預測模型的挑戰。同時預測模型存在通用性差的特點，也難以廣泛的進行應用。而人工智能在喂養當中的應用主要是以水產生物的外形和活動軌跡為依據確定喂食的數量，但是水產生物運動速度較快，數量較大，通?？赡艹霈F重疊的情況，進而導致喂食數量的確定不準確。

2.3 水產生物基本預控不全面

雖然數據庫的建立能夠根據以往的疾病案例確定當前水產生物的疾病狀況，但是當前依然存在研究投入較少的情況，并且由于水產生物本身疾病變化具有不確定性和突變性，因此目前的疾病預測無法完全滿足相關要求。其次在疾病診斷環節，水產生物一旦發病，即表現為涉及范圍廣、治療困難，但是水產生物本身數量較大、種類較多，也給疾病的診斷帶來了極大的困難。因此，探索常用的水產生物疾病診斷手段，將其與人工智能技術充分結合起來是十分有必要的。

2.4 水產養殖環境調控能力較差

水環境中的水質預測模型研究已十分充分，但是預測模型研究數量的增加，并不代表著適用環境的增加，當前預測模型的應用還是在特定的環境條件下進行的，實用性、適用性較差，與實際情況的聯系不緊密。并且水環境中的氧氣含量智能控制系統雖然能夠滿足水產養殖的需求，但是這一系統的建設成本較高，集約化程度較低，需要大量人力、物力資源的消耗來維持系統的正常運轉。

2.5 無人水下潛水器需要進一步研究

無人水下潛水器的目標識別工作主要依托水下攝影機完成，但是由于水產養殖環境的復雜性，攝影的質量無法保證，并且拍攝的距離較短，無法準確完成目標識別工作。而路徑規劃與導航工作方法和無人水下潛水器的工作速度不匹配，是阻礙該項工作高效開展的重要因素。最后涉及到控制與作業。由于無人水下潛水器的研究還停留在初級階段，因此大多數實踐都是在實驗室完成，沒有充分考慮到在實際作業過程中可能會遇到的外界因素干擾。

3 人工智能在水產養殖中研究應用未來展望

3.1 增加水產生物生命信息獲取渠道

水產生物生命信息的獲取是人工智能應用于水產養殖的首要任務，但是這些信息存在著數量龐大、種類繁多的特定，因此人工智能技術在發揮作用的過程中，要借助多方平臺，便于信息獲取。而精準識別水產養殖魚類信息是重要內容，魚類作為水產養殖的主要生物，是滿足水產市場需求和養殖者經濟來源的主要支撐。而基于當前的養殖模式，不同的魚類往往在同一場地完成養殖，那么做好魚類信息的識別是很有必要的，有助于獲得更大的經濟效益。養殖環境對于水產養殖生物的影響巨大，養殖環境中最重要的便是水環境，當水環境發生變化時，水產生物的行為以及外形都會發生一定變化。生物量估算，水產養殖生物不同生長階段的生物量信息對于判斷其生長狀態來說十分重要，是養殖人員做出喂食、收獲等決策的重要依據，因此利用人工智能技術做好生物量的計算工作是十分有必要的。例如在增加水產生物生命信息獲取渠道的過程中，首先要能夠精確捕捉到主要需要識別的水產生物種類為魚類，并對魚類和其他生物種類的活動軌跡、數量特征等信息進行采集，并將采集到的信息轉化為數據，以龐大的數據基礎作為人工智能在水產養殖中發揮作用的基礎。其次涉及到精準識別水產養殖魚類信息，要求針對不同的魚類所擁有不同養殖期和收獲期的特點，精準識別水產養殖魚的信息，做好分類工作，及時進行收獲和銷售。再次涉及到了養殖環境，獲得水產養殖生物的行為動作信息對于更好的開展水產養殖具有重要意義，根據其行為動作的變化具有一定的規律性和時間密切相關的特性，通過水下攝影和系統分析的方式，側重總結不同水環境和不同時間節點下水產生物的行為動作信息變化。最后涉及到了生物量估算，由于水產生物的生物總重量和其體型長短、大小成正比關系，因此可以通過養殖人員喂食的數量和頻率計算其體型，間接達到生物總重量計算的目的，從而能夠精準計算水產生物的生長期、收獲期，及時的進行捕撈和出售。

3.2 完善水產生物生長監測技術

生長決策是水產生物生長監測的重要內容，水產養殖環境中水環境所含的各個元素對于水產生物會造成十分重要的影響，其中最為關鍵的是氧氣含量和水溫控制。氧氣含量短缺會導致其他氣體含量的增加，進而可能會導致水產生物死亡的情況出現，如二氧化碳含量增加，但是如果水環境中的氧氣含量過大，不僅對于水產生物的生長沒有益處，甚至還會造成資源浪費的情況出現，增加了養殖成本。因此做好水產生物生長決策，確定適合的水環境調節策略是十分有必要的。而喂食是維持水產生物生命，促使其正常生長的重要手段，并且隨著近幾年人們生活水平的不斷提升，對于水產養殖的數量和質量都提出了更高的要求，因此水產生物的智能喂養控制越來越被水產養殖行業所重視。例如在完善水產生物生長監測技術的過程中，首先涉及到了生長決策，做好水產生物生長決策，確定適合的水環境調節策略。其次涉及到了智能喂養控制，智能喂養是基于水環境和水產生物的體型、行為等信息確定喂養飼料的種類和時間的科學喂養方法，該方式的應用需要融入人工智能技術，進而能夠自主的計算出水產生物攝入飼料的數量和時間，并且通過智能喂養控制，不僅僅能夠促進水產生物的科學養殖，還能夠節約人力資源成本，從而降低水產養殖的總成本，擴大獲得的經濟效益。

3.3 全面開展水產生物疾病預控

疾病預控的第一項任務是疾病預測，傳統的水產生物疾病檢測方法主要圍繞魚類、蝦類展開，不僅服務對象單一，并且該方法預測不準確、用時較長等問題的存在，都無法滿足水產生物疾病預測的要求。近些年爆發水產生物疾病的速率越來越高，規模越來越大，水產病害的形式變得嚴峻起來，因此做好水產疾病預測工作，及時采取相應的應對措施，降低養殖行業的損失是很有必要的。第二項任務是疾病診斷，盡早確定水產生物的患病原因，并采取相應的治療措施，避免疾病的進一步惡化和范圍的擴展，可以有效降低因此可能會造成的經濟損失。例如在全面開展水產生物疾病預控的過程中，首先涉及到了疾病預測，其次涉及到了疾病診斷，當水產生物患有疾病時，往往會體現在水產生物的體型外表上，也會體現在水產生物的活動頻率上，因此，基于這兩個因素判斷水產生物是否患有疾病，是疾病診斷的重要環節。并且通過觀察水產生物的體型外表和活動頻率也能夠判斷產生疾病的原因所在。而要想及時完成水產生物疾病診斷，需要在現有疾病預控系統的基礎上，進一步進行研究，除了發揮對于已經出現疾病的診斷作用，還能夠在疾病出現前進行防控。

3.4 增強水產養殖環境調控能力

水環境是水產養殖環境中最重要的內容，而水質又是決定水環境質量的重要因素，因此做好水質參數的控制是十分有必要的。氧氣作為水產養殖行業水環境中最為關鍵的因素，含量過高或過低都會對水產生物造成不利影響，甚至是微小的氧氣含量數值變化，都可能會造成水產生物的死亡、養殖環境的惡化，因此做好氧氣含量的控制工作是十分有必要的。例如在增強水產養殖環境調控能力的過程中，由于環境感知傳感器是水質參數監測和氧氣含量監測主要的應用儀器，因此進行改進和完善是十分有必要的，可以在單一環境感知傳感器的功能中添加攝影功能和參數采集功能。那么可以進一步探索更有效的方式分析傳感器上傳的數據，如決策樹等方法。這樣既能夠保證水產生物的活躍，也能夠保證經濟效益的獲得。

3.5 加快無人水下潛水器的研究

無人水下潛水器能夠根據程序設定自主完成水產養殖的一系列工作內容。其動力來源主要依托于連接的電纜，除卻電纜長度限制這一缺點，無人水下潛水器具有靈活性強、持續作業能力強等優勢?；谖覈鵁o人水下潛水器的研究現狀，需要進一步加快研究步伐。例如在加快無人水下潛水器研究的過程中，針對工作環境限制較多的問題，要加大適應各種水環境潛水器的研制力度，如在深海環境則研制重心較穩、體型較大的潛水器，而在池塘則需要研制體型較小、能夠靈活挪動的潛水器。而針對受外界因素干擾較大的問題，要提升潛水器迅速識別目標的能力，提升其工作適應性和準確性。

4 結語

人工智能在水產養殖中的應用研究已經取得了一定的成果，但依然存在一些應用方面的瓶頸，本文雖然具有針對性的提出了五條應用策略，卻無法解決全部的問題，仍需要從業人員的共同努力，促使人工智能在水產養殖中的應用隨著時代的進步，科學技術的發展變得更加深入。