基于六軸傳感器的魚群攝食規律與投飼方法研究

潘世琦,毛罕平,王斌,曹海洋,朱蘇冀,葉玉婷,王恩光

(1 江蘇大學農業工程學院,江蘇 鎮江 212013;2 現代農業裝備與技術教育部重點實驗室,江蘇 鎮江 212013)

在過去的三十多年中,中國水產養殖規模得到了迅速的發展,2020年的人工養殖魚類占比已經超過了80%[1]。現有的養殖方法大多依靠人工,智能化水平不高。因此,如何提高人工養殖的智能化水平是目前重要的研究方向。目前集約化養殖中的飼料占養殖成本的比例相對較大,占總成本的50%～80%[2-4],故大多研究都朝著飼料利用最大化的方向進行。由于受人為因素的影響,養殖人員無法準確了解投飼量是否滿足了魚的生長需求。不合適的投飼量不僅影響魚的生長性能,而且容易分解產生氨氮等有毒物質,對水體產生污染[5-9]。因此,科學投飼是提升養殖效益的重要手段。

近年來,根據魚的攝食欲望提供合適飼料量的自動投飼系統已成為重要的研究方向[10-12]。趙思琪等[13]將水質參數進行模糊邏輯推理,計算目標投飼量,提高了飼料利用率。向坤等[14]利用三軸傳感器將水面波動的信息傳遞給投飼機,提出了一種魚群攝食欲望評價指標。魏玉艷等[15]根據魚群的聚集度,判斷魚的饑餓強度,從而確定投飼量。Hu等[16]利用深度學習技術判別因攝食引起的波浪大小,控制是否投飼,精度可達93.2%。喬峰[17]通過魚群攝食過程中白色像素點隨時間變化的規律進行投飼,對魚的饑餓程度有很好的識別效果。Hu等[18]開發了一種智能反饋控制系統,利用紅外光電傳感器觀測鰻魚的攝食行為,利用PLC代替定時器控制是否繼續給料。

以上方法多是從視覺角度進行研究,并沒有將波浪和魚群進食的規律結合起來。本研究通過在魚池中對鯽魚進行定點投飼,根據數據生成曲線圖,擬合魚群攝食的函數曲線。同時,提取曲線圖中的特征參數,對能表征鯽魚攝食狀況的特征參數進行對比分析,得到攝食規律,從而判斷是否需要繼續投飼。根據規律去改進傳統的投飼方案,從鯽魚生長需求出發,使投飼更加合理可靠。同時,達到提高養殖效率的效果。

1 材料

本研究在江蘇大學現代農業裝備與技術教育部重點實驗室進行,試驗進行25 d,每天投飼2次,共收集了100組數據,數據的采樣頻率是1 Hz。傳感器選用維特智能六軸傳感器BWT61CL,尺寸為51.3 mm×36 mm×15 mm,傳感器放置在泡沫塑料中,泡沫塑料的尺寸為65 mm×50 mm×30 mm。采用中科五號鯽魚苗,數量是50條,體長8～11cm,平均質量15±2 g,魚池規格是直徑1 m,高0.6 m,可裝水470 L。飼料采用鯽魚苗專用膨化高蛋白飼料(粗蛋白≥32.0%、粗脂肪≥4.0%、粗纖維≤4.0%、水分≤8.0%、粗灰分≤10.0%、總磷≥0.5%、鈣≤3.0%、賴氨酸≥0.5%)。魚缸換水和清理利用的是電動抽水吸便器,型號d5360,流量2 200 L/h。圓形框用以限制飼料擴散的范圍,材料選用空心的PVC管,圓框內徑250 mm,外徑270 mm。水靜置3 d。水溫控制在20～26℃,pH控制在6.5～8.5。供氧采用220 V增氧機,循環水泵為XQP-1500,功率23 W,流量1 500 L/h。視頻圖像通過相機(GOPRO HERO9 Black)獲取,相機固定在魚池的上方邊緣處,通過藍牙連接,將畫面傳輸給手機,在手機上觀察魚的進食狀況。

2 方法

在對魚進行投飼后,利用六軸傳感器對波浪進行數據采集,利用Matlab進行數據處理,生成魚群進食狀態變化曲線圖。提取圖中的特征參數,在SPSS中通過主成分分析進行降維,減少特征參數個數。在不同間隔時間段下,利用主成分分析各參數貢獻率,選擇合適的間隔進行投飼。采用以上方法去判斷波浪的大小,利用波浪的波動程度反應魚進食欲望的強烈程度,波動曲線變化幅度大則視為進食欲望強烈,反之視為欲望弱。根據所得出的投飼方案和投飼量計算方法,利用改進后的投飼方法在1號魚池和2號魚池進行投飼,每次的投飼量為原先投飼總量的10%。投飼過程結束0.5 h后取出殘余飼料,將殘余飼料烘干,利用Ohaus奧豪斯電子天平AR1530 稱重。

圖1為1號魚池,鯽魚養殖在兩個魚池中,投飼時間為每天的8:00和18:00,投飼量為37.5 g,投飼時間10 min,圖2為投飼過程中觀察采集到第10、60、140、200秒時的圖像。通過對鯽魚的投飼觀察發現,在魚池中的魚群攝食狀態存在一定的規律,除投飼過程外,魚群基本上是在水下靜止和緩慢無規則游動的,因而水面正常處于平靜狀態。投飼后,魚群的運動逐漸變得劇烈直至最高峰,然后逐漸減弱直至進食過程結束。因此,可以通過對水面波浪大小的研究去判斷魚的進食規律,根據發現的規律決定魚的投飼方案,提高飼料的利用率[19-22]。

圖1 魚池Fig.1 Fish pond

圖2 魚類攝食過程的圖像Fig.2 Image of fish feeding process

通過觀察圖2可以發現,魚群在投飼之后,并沒有立即進食,而是以群體的方式逐漸靠近飼料附近。大概在喂料30 s后,魚群中的大部分會進入所設置的投飼區域進食。因而,在投飼30 s后開始計時。

每次開始測量前,會把循環水裝置和氧氣泵關閉3 min左右,3 min后水在沒有魚的干擾時,水面趨于平靜。這樣做一是為了讓魚適應沒有供氧和循環水的環境,減少環境的變化對它造成的應激反應;二是防止這兩種裝置產生的水波對數據產生影響。

根據傳感器收集25 d的數據集,利用Origin生成原始數據圖,縱坐標為原始數據的平均數如圖3,根據三軸加速度和角速度的圖像,根據水波的幅值可以發現鯽魚的進食不是一個持續的過程,平均會有7個階段,強烈進食一段時間后會出現暫停或者減緩的情況,隔一段時間后會又有一段進食,在更長一 段時間后,又會強烈進食,隨后水面逐漸平靜。在間隔的時間中,也會有個別的魚到水面進食。

圖3 原始數據圖Fig.3 Raw data diagram

如圖4所示,對加速度和角速度幅值的絕對值進行積分,加速度絕對值的積分基本是一條直線,角速度絕對值的積分圖曲線變化明顯,曲線斜率大小可以反映波浪的大小。對比三軸方向數據的角速度的絕對值積分,發現進食規律具有相似性。

圖4 幅值絕對值累積圖Fig.4 Cumulative graph of amplitude absolute value

對三軸方向數據的角速度絕對值積分取平均值,得出x、y、z軸方向的曲線x1、y1、z1。取三軸的均值c=(x1+y1+z1)/3,得出魚群進食狀態變化曲線如圖5所示。

圖5 魚群進食狀態變化曲線圖Fig.5 Variation curve of feeding state of fish

由圖5可以看出,魚群的攝食過程是階段性的。進食過程開始的110 s左右,魚群攝食活動強烈,然后會有近60 s的空閑期,接著又會有近110 s的進食過程,第二次的空閑期有130 s左右,魚群緊接著100 s的進食期,然后進入空閑期,水面逐漸趨于平靜期。空閑期不是沒有魚進食,而是偶爾會有魚到水面進食,并不是以群體的方式。平靜期是指長時間水面無波動,魚都在水面以下活動。

3 投飼量建模計算分析

由于養殖兩組個體大小相同的鯽魚,攝食時呈現的規律具有相似性,所以選用上述試驗中的兩組數據作為投飼量計算的依據。即根據1號和2號魚池鯽魚養殖中上午8:00和下午18:00的投飼數據得出4組規律曲線函數。

在軟件Matlab上利用最小二乘法對數據進行線性擬合,得波浪大小與時間的關系函數。

擬合度R-square都大于0.9。分析整條曲線段,測量其中的一些常見的特征參數,分別是最大值、最小值、平均值、峰峰值、標準差和均方根。利用SPSS進行主成分分析,對關系函數中的數據段進行分析,并進行模型系數和歸一化計算如圖6所示。

圖6 實際情況主成分貢獻率圖Fig.6 Actual principal component contribution rate diagram

圖7為不同間隔時間段主成分貢獻率。考慮到每個階段的時間,最短階段是40 s左右,最長進食階段是110 s左右,因此分別取40 s、50 s、60 s為間隔,繼續分析數據。對比函數曲線如表3所示,發現40 s為間隔的時候,有3個代表特征參數不同;50 s為間隔,角速度最小值的貢獻率相差最大,有2個代表特征參數不同;而取60 s的時候,只有一個代表特征參數不同,其余參數的貢獻率都接近實際情況。所以取60 s為間隔進行分析和投飼。

圖7 不同間隔時間段主成分貢獻率圖Fig.7 Principal component contribution graph at different intervals

取60 s為間隔和實際的情況相比較,發現加速度的最大值、平均值和標準差與角速度的最大值、平均值和均方根這6個指標,都是各自貢獻率前3的特征參數,更具有代表性,因而選擇這6個指標作為反映魚群進食狀態的特征參數。鯽魚進食的不同階段下,各特征參數的值都不相同,如圖8所示。由圖8可以看出,相比于非進食階段,鯽魚在進食階段,以上特征參數的值會更大,因而可以通過對特征參數值的大小判斷是否需要繼續進食投飼。

4 試驗驗證

4.1 試驗內容

試驗發現,并不是飼料投到水面上魚群開始就進食,中間會有一段緩沖時間,讓魚群去適應新的環境,并且魚發現飼料也需要時間,而魚的進食也不是連續的過程。所以如果采用連續投飼的方式可能不太適用于鯽魚,會造成飼料的浪費,過多的飼料分解在魚池也會污染水體[23-26]。

固定相機位置在魚池旁邊,通過藍牙連接手機和相機,可以在手機上觀察魚的進食畫面。傳感器將數據傳輸到電腦,利用Matlab軟件每隔60 s對收集到的一段數據進行分析,由于魚群在進食過程中的特征參數會與正常狀態有明顯差別,每個間隔時間段都對特定的特征參數進行提取,對每個特征參數都設置一個閾值,若連續3次發現其中2個及以上特征參數都低于各自設定的閾值,則認為投飼過程結束。Matlab根據傳感器傳輸的實時數據生成如圖5的魚群進食狀態變化圖,可以通過曲線的變化,判斷魚群的進食欲望強烈程度。每次人工投飼10%的總投飼量。其中,每次計算的時間都在投飼過程結束之后10 s,避免投飼造成的波浪對判斷產生影響。流程如圖9所示。傳統的投飼則是每次投飼魚群總質量的3%的飼料。對照組魚池采用傳統投飼,試驗組采用如圖9所示方法投飼,另設兩組重復試驗,最終結果取3組數據的平均數,每個魚池都養殖50條相同品種和規格的鯽魚,試驗時長25 d。試驗前、后對魚群的總質量進行稱重。采用SPSS軟件對所得數據進行分析,質量以平均數±標準誤差表示,P<0.05表示差異有統計學意義。

圖9 投飼方案流程圖Fig.9 Flow chart of feeding scheme

體質量相對增重率:

MRGR=100%×(m2-m1)/m1

(1)

飼料利用率:

MFE=100%×W1/W2

(2)

式中:m1是養殖開始時鯽魚總質量;m2是養殖結束時鯽魚總質量;W1是攝食飼料總質量;W2是投飼總質量。

4.2 試驗結果和分析

經25 d的投飼后,對兩組的結果進行統計,統計結果如表1所示。

表1 鯽魚體重相對增重率Tab.1 Relative weight gain rate of crucian carp

表1可知,對照組和試驗組的鯽魚在經過兩種不同的方式投飼25 d后,兩組的質量差異并不顯著。對照組的相對增重率為10.49%,試驗組的相對增重率為8.57%,試驗組的增重率要略低于對照組,原因可能是采用試驗組的方法投飼后,盡管剩余飼料得到了減少,但總投飼量也相對降低,導致鯽魚的相對增重率下降2%左右。對照組飼料平均利用率為79.50%,改進后的投飼方法利用率為87.16%,對比發現該方法在提高飼料的利用率方面效果顯著(P<0.05)。可以看出,盡管該方法對鯽魚的相對增重率略有下降,但可以顯著提高飼料的利用率,后續仍然有需改進。

傳統的漁業養殖多是采用池塘養殖,投飼方式多是根據魚的體質量數量用公式估算[27-32],這種方式的土地利用率低且飼料浪費嚴重。計算機視覺技術因其成本低和開發簡單,往往被用于魚類行為監測,但這種技術需要較好的光照條件,Hu等[33]利用深度學習技術識別魚吃飼料引起的波浪的大小,從而確定是否繼續或停止攝食,這種方法在光照充足的情況下效果較好,但實際場景的光照條件很難發揮這種方法的優勢。本研究提出的方法可以不受光照條件的限制,更能適應現代的工廠化養殖環境。向坤等[14]基于水面波動信息提出自適應投喂方法,但這種方法提出的魚群欲望評價指標單一,并不能較為全面地反映魚群的攝食行為變化。本研究的方法能夠更好地檢測出魚群的攝食行為變化,且不受光照條件的限制,在保證魚充分進食的情況下,節約飼料,相比于傳統的投飼方案,提高了飼料的利用率。

5 結論

針對目前對魚類投飼的問題,利用六軸傳感器對魚池水面波浪進行測量分析,實現對魚群進食狀態的實時監測。試驗發現,該方法對飼料的利用率達到了85%以上,對比傳統的投飼方式,該方式有效提高了飼料利用率,滿足了當前養殖要求,具有良好的應用前景。