水產養殖投喂裝備發展現狀研究

摘要：

中國目前的養殖水產出口量與水產產量均位于世界前列，為保證養殖水產產品的產品質量和人的飲食健康，對養殖水產進行精細化投喂，研發改進精準投喂裝備就顯得尤為重要。目前，產業強調水產養殖裝備的精細化、數字化、智能化，通過對基于視覺、聲音、被動自需式、生長環境建模決策四種不同角度的智能投喂系統研究進展綜述，研究水產養殖中智能投喂系統的發展趨勢，通過數字化和智能技術，投喂裝備實現精準管理，提升養殖效益，強調創新對于推動水產養殖行業發展至關重要，以期為水產養殖投喂裝備的數字化、精準化發展打開新思路。

關鍵詞：水產養殖；投喂裝備；智能化；數字化；精準化

中圖分類號：S969

文獻標識碼：A

文章編號：2095-5553 （2024） 04-0045

-06

收稿日期：2022年10月25日" 修回日期：2022年12月6日

基金項目：江蘇省現代農機裝備與裝備示范推廣項目（NJ2020—48）；江蘇省種業振興揭榜掛帥項目（JBGS〔2021〕137）；亞夫科技服務項目（KF（23）1210）

第一作者：陳天兄，女，1976年生，江蘇寶應人，碩士，高級工程師；研究方向為水產養殖裝備。E-mail： byctx@163.com

通訊作者：柏宗春，男，1981年生，江蘇寶應人，博士，副研究員；研究方向為智能農機裝備。E-mail： vipmaple@126.com

Research on the development" situation of aquatic feeding equipment

Chen Tianxiong1， Fan Junjie2，3，4， Zhang Rixi1， Liu Jianlong3， 4， Bai Zongchun3， 4， Sun Jianguo5

（1. Baoying Agricultural and Rural Bureau， Yangzhou， 225800， China; 2. School of Automation， Nanjing

University of Information Science and Technology， Nanjing， 210044， China; 3. Institute of Agricultural Facilities

and Equipment， Jiangsu Academy of Agricultural Sciences， Nanjing， 210014， China; 4. Key Laboratory for

Protected Agricultural Engineering in the Middle and Lower Reaches of Yangtze River， Ministry of Agriculture and

Rural Affairs， Nanjing， 210014， China； 5. Siyang Shuanggao Aquatic Technology Co.， Ltd.， Suqian， 223734， China）

Abstract：

China’s current aquaculture export volume and production of aquaculture products are in the forefront of the world. In order" to ensure the quality of aquaculture products and human dietary health， it is particularly important to refine the feeding of aquaculture products and develop and improve precise feeding equipment. At present， the industry emphasizes the refinement， digitization and intelligence of aquaculture equipment. This article reviews the research progress of intelligent feeding systems based on four different perspectives such as vision， sound， passive self-demand and growth environment modeling and decision-making， and studies the development trend of intelligent feeding systems in aquaculture. Through digital and intelligent technology， precise management of feeding equipment is achieved to improve breeding efficiency. Emphasizing innovation is crucial for promoting the development of the aquaculture industry， in order to open up new ideas for the digital and precise development of aquaculture feeding equipment.

Keywords：

aquaculture; feeding equipment; intelligentize; digitization; precision

0 引言

近年來，中國水產養殖產業產值連年大幅提升，水產出口量位于世界前列，而在養殖水產出口量占水產總出口量超過80%［1］。為了提高養殖水產出口質量，保障水產出口和共給，對養殖水產投喂裝備的研究尤為重要。

魚類投喂系統是指為維護魚類正常生命活動、生長及繁殖，而投喂配合飼料的一切標準及方法，包括魚類對營養物質及能量的需求、日糧水平、投喂頻率、投喂方法等參數［2］。影響魚類的攝食量和食欲強度的因素為：生理特性和營養需求；外界環境和生產管理。傳統的粗放式投喂往往與魚類實際攝食需求有較大差異，容易出現飼料投喂不足或過量的現象，造成養殖系統效益較低、餌料浪費以及水體污染等問題。而精準投喂系統根據魚類實際攝食需求在特定的時間段內投喂適量的飼料，以滿足魚類生長、代謝等所需營養需求，最大程度的提高飼料營養利用率。因此，需要根據養殖對象實際需食量水平和攝食行為的變化，運用智能控制算法和現代監測裝備手段，研發魚類攝食智能精準投喂系統。

國外對投喂裝備的研究較早，加拿大、美國、英國等國已經有了比較成熟和完善的自動化水產投喂裝備。我國于20世紀70年代末中科院研制出第一臺多功能投飼機，水產投喂裝備研究一直從未間斷，加上國家的重視，養殖水產投喂裝備的研究一直穩步發展。

本文通過對基于圖像識別、聲音識別、供需式、生長環境建模決策四種不同角度的智能投喂系統研究進展的綜述，提出其存在問題和發展建議，以期為水產養殖投喂裝備的數字化、精準化發展打開新思路。

1 水產養殖投喂裝備研究現狀

1.1 基于圖像識別的投喂裝備

圖像識別技術是一種涉及計算機科學、人工智能等多領域的交叉學科，具有效率高、成本低和非接觸式等作業特點，廣泛應用于水產養殖領域。比如魚群數量估測、魚體尺度和質量估測、魚類品種鑒定、殘餌估測、魚品質檢測和魚攝食行為檢測等。其中，殘餌量估測信息和魚類攝食行為檢測信息可用于水產養殖對象攝食狀態、攝食食欲強度的監測，作為構建精準投喂系統的有效輸入參數［3］。

基于檢測反饋式的殘餌量投喂裝備，主要利用圖像處理和光學成像裝備，對投喂過程中殘餌進行估測，當殘餌量超過一定量時，立即向控制系統發送決策信號，停止投喂作業。Sadoul等［4］通過水下拍攝裝置實時監測網箱式養殖投喂過程的殘餌量，將殘餌量閾值作為決策指標，衡量適宜的停止投喂時間，平均測量誤差約為10%；Cho等［5］構建了一套基于圖像識別裝備的海洋鮭魚養殖網箱殘餌精準識別和估測系統，攝像機放置于網箱水深8 m處，可以同時觀測殘餌量和魚群攝食狀況，從而判斷停止投喂時間；Mly等［6］也基于圖像識別技術研制了一種殘餌檢測裝備，并以響應時間、漏檢量作為指標進行靜、動態試驗，研究系統作業性能、工作參數、設計參數，以提升投喂裝備的決策能力。

針對殘餌監測系統在面對不同養殖環境、不同屬性飼料的適用性等問題。Atoum等［7］基于圖像識別技術結合殘餌估測裝置，研發了一套適合于飼料殘餌檢測的裝備。挪威基于殘餌檢測裝置和圖像識別技術開發了一種CCS智能投喂裝備，并進行了商業化應用。An等［8］研制一套池塘養殖殘餌檢測裝備，該裝備基于自適應閾值的殘餌量檢測模型，主要適用于小范圍、低密度養殖的投飼環境。以上研究主要針對網箱式水產養殖，獲取準確、可靠的殘餌量估測值是其應用的關鍵。由于飼料顆粒尺寸小以及水體自然反光和透明度的影響，在獲取可靠的殘餌圖像非常困難。

近年來，隨著科技的發展和對魚類行為檢測的不斷深入，基于魚類攝食行為的智能投喂裝備已成為水產養殖研究領域的熱點。魚類不同的食欲狀態與不同的攝食行為有很強的相關性。目前魚類攝食行為的研究主要分為兩個方面：個體攝食行為和群體攝食行為。Ballintijn等［9］以投喂區魚體的數量來表征魚的食欲強度，進而確定適宜的飼料量。Eguiraun等［10］利用近紅外傳感器，運用狄洛尼三角剖分算法進行魚群體中多目標追蹤，以研究魚類攝食行為。喬峰等［11］研發了一套基于圖像識別的智能投喂裝備，利用經過處理的魚群攝食活動圖像建立攝食魚群密度、面積和攝食強度的模型，進而精準控制投飼設備的投喂量。以上圖像識別方法均需監測魚的位置或追蹤他們，來量化其攝食行為。

1.2 基于聲音識別的投喂裝備

與圖像識別裝備相比，基于聲音識別的裝備在水中具有更大的優勢，不易受水體環境參數的干擾，是檢測殘餌量、攝食行為等參數的有效方法［12］。目前基于聲音識別的投喂裝備研究主要涉及從攝食音頻、聲吶圖像、生物遙測和聲學馴化等四個方面。

在水產養殖中，與基于圖像識別的投喂裝備相比，聲吶成像是一種具有明顯優勢的裝備，利用聲波傳感系統可得到高質量的圖像而不易受水產養殖環境的影響［13］，將圖像處理得到的結果來指導魚類的投喂。Gatan等［14］通過聲波傳感器監測殘餌量來決策是否投喂。挪威也通過多普勒聲學傳感器來區分飼料顆粒和其他物質，基于網箱底部殘餌量的監測來進行投喂。加拿大研制出一種基于水下聲波傳感器的魚類行為和運動監測裝備，以獲取深海網箱中魚群的密度和位置，魚的食欲強度和魚群位置的改變有很強的相關性，當魚群饑餓時，將升至水面攝食，當魚群的不餓時，將沉入底部，通過魚群密度和位置信息的監測以指導投喂。Reis等［15］利用聲吶成像和分束原理來研究個體魚的3D位置信息和運動行為。聲吶成像裝備主要應用于深海養殖環境，不適用于池塘養殖和小水域的水產養殖模式。聲吶成像裝備價格比較昂貴，不是一般養殖戶和企業可以接收的。

生物遙測由發射器和信號接收器組成，可實時、準確的追蹤個體魚類的運動和行為［16］。挪威基于生物遙測研制一種魚類行為監測裝備，該裝備利用智能算法分析聲音信號，在線監測和確定魚個體所處位置、運動方向和速度，進而指導投喂作業。Wright等［17］通過聲學加速度傳感器研究厚唇鯔和鯉魚的行為變化，結果表明在進食期它們的游泳速度會明顯增加，因此生物遙測可用于個體魚行為特征的監測，進而用來魚類食欲強度的量化。這種方法的缺點是需要在魚體表或體內植入信號發射器。另外，生物遙測裝備價格比較昂貴，沒有廣泛商用，以科研機構的基礎性、探索性研究為主。

魚類生物學特性和聲學能力的前人研究發現魚類的聽覺在50～1 500 Hz范圍內，特定魚類擁有辨別聲音頻率的能力，利用聲音信號可以實現魚類的馴化管理，提升魚群投飼區的聚集度，減少餌料浪費［18］。張國勝等［19］通過正弦波魚群進行聲音馴化后，魚群在投飼區達到約95%的聚集率。胡運燊等［20］研究了聲音馴化魚類的有效作業范圍，結果顯示水下聲音的傳播損失為30 lgr，許氏平鲉魚（Sebastes schlegeli）和黃蓋鰈魚（Limanda aspera）的有效作用范圍分別約為52.2 m和44.5 m。Macaulay等［21］基于魚群馴化使鯨魚在400 Hz時進行投喂效果最佳，研究還發現魚群體之間的社會學習促進作用，當個體或少數魚基于魚群馴化獲得環境的新信息，可以通過群體之間相互作用和觀察帶動其他的魚。Lagardere等［22］研究也顯示基于低音頻信號可以有效吸引魚群到固定地點進行采食。

1.3 基于供需式的投喂裝備

供需式的投喂裝備又稱為Demand-feeding投喂裝備，該裝備根據魚類攝食節律和自身食欲強度自動地決定何時進食和停食，滿足養殖對象的不定時、不定量的投喂作業需求，提高了魚類攝食福利［23］。

Flood等［24］設計了一種基于供需式的大馬哈魚養殖投喂裝備，該裝備由微型電腦進行控制，當魚群觸碰傳感器時，會觸發飼料分配器，經控制器反饋至投喂裝備，滿足精準按需投喂。Pratiwy等［25］開發了適合研制了一種基于供需式羅非魚養殖系統的投飼裝備，該裝備相比于傳統投喂方式，魚群平均體重增加約13%，該裝備在鯛魚、鮭魚等養殖中也得到廣泛應用［26-28］。然而，特定品種的魚群存在等級分布，占統治地位的魚會阻止低等級的魚接近觸發器和投飼區域，導致魚群長勢不均、個體存在較大差異的問題，影響飼料的高效利用；在高密度的工廠化水產養殖環境中，供需式投喂裝備的觸發式傳感器易被魚群無意觸發，而導致餌料浪費。該方法的應用需要提前馴化魚類，這難易在實際水產養殖生產中實現。

1.4 基于生長環境建模的投喂裝備

近年來，隨著水質參數對魚類生長影響研究的增多，基于水質參數的水產投喂方法已成為研究的熱點。溶解氧、水溫、pH值、鹽度、氨氮等養殖環境參數會直接影響魚類攝食需求量、食欲強度餌料轉化率，而溶解氧、鹽度和溫度是最主要的影響因素［29］。魚群攝食活動的改變也會間接反映水質參數的變化。

Borquez-Lopez等［30］研究表明溶解氧和水溫對日餌料需求量和轉化率均產生影響，當溫度為27℃和溶解氧飽和度為100%時，蝦的攝食需求量最大。Eissa等［31］開發了一種基于模糊控制的海鱸魚智能投喂裝備，該裝備通過溶解氧和溫度因素對海鱸魚攝食影響的試驗，建立Mamdani模型調控投飼率，試驗結果比傳統投飼方式節省餌料約29%，而且海鱸魚生長速度無顯著差異；Li等［32］利用水質參數和模糊控制算法優化了水產養殖系統的投喂策略，通過試驗測定了水質參數對水產養殖飼料需求量和餌料同化率的影響，試驗結果顯示餌料系數同比降低35%。Mansour等［33］利用投喂過程養殖水體中溶解氧濃度的變化率表征魚群食欲強度，并研制了一套基于神經網絡的模糊控制算法，以指導投喂裝備的開始和停止。吳強澤［34］利用模糊控制算法，把溶解氧、體質量和水溫作為輸入參數，把投喂量作為輸出參數，研究了池塘水產養殖投喂裝備。盛平等［35］利用水質傳感器檢測養殖水體的溶解氧濃度，當溶解氧濃度達到5.5mg/L時，自動投喂。周志剛等［36］利用銀鯽的能量學研究試驗數據，建立了體質量與攝食能量需求之間的相關性，用于指導投喂。張磊［37］研究建立了黃顙魚的攝食率與溫度、體質量的關系模型。以上研究表明，基于生長環境建模的投喂裝備操作簡單、成本較低、抗外界環境干擾強，符合我國池塘水產養殖模式要求，但投喂裝備的投喂決策需要模糊控制理論，這使得投喂裝備的科學性、可靠性受到主觀因素影響。

2 存在問題

水產養殖中最主要的成本是飼料，增強飼料的精細化、高效化管理是提高養殖和環境效益的關鍵。根據國內外水產養殖投喂裝備的現狀可知，國外在水產養殖精準投喂裝備的研究較為廣泛，而國內在水產養殖精準投喂裝備的研究發展緩慢，仍以粗放型的投喂養殖模式為主。

1）" 基于圖像識別的投喂裝備，其特點是成本較低、檢測方便、構建簡單，但其要求較高的殘餌、魚群圖像質量，適宜于水質條件、透明度、光源等較好的水產養殖系統。在實際水產養殖環境中，存在光照和水波反射、水體透明度低、光線弱等諸多方面的問題，易造成獲取的圖像質量較低、圖像獲取難度較大，使得該方法的穩定性、可靠性大大降低。

2）" 基于聲音識別的投喂裝備，克服了水質和光照等環境因素的影響，具有廣泛的應用價值，適合于深水的水產養殖。在實際水產養殖過程中，此方法易受水產養殖環境噪音的影響和干擾，會大大降低使其準確性和可靠性。此外，利用聲音識別的投喂裝備成本較高，又進一步制約了其應用，目前主要應用場景為一些商業農場。

3）" 基于供需式的投喂裝備，利用魚群的攝食規律和食欲強度進行不定時和不定量的投喂，最大化的實現飼料利用率。試驗結果顯示魚群體中存在社會等級高阻止社會低等級靠近觸發器和投飼區域的現象，易導致魚群長勢不一和個體存在較大差異的問題，飼料營養利用率達不到最大化；在高密度的水產養殖環境中，供需式的投喂裝備的觸發式傳感器很容易被誤觸，導致餌料浪費；魚類的有效的馴化是此方法的應用基礎，但這難以在實際水產養殖中實現。供需式的投喂裝備適用范圍和進一步推廣受限于其本身的局限性。

4）" 基于生長環境建模的投喂裝備，目前水質環境利用傳感器和物聯網等技術手段可實現實時監測，但受水產水質因素非線性和隨機性等特點，很難實現有效地預測。在水產養殖中，水質環境因素不僅復雜而且相互影響，大大增加了預測的難度，近年來水產養殖的水質環境預測也成為研究的熱點。目前關于水產養殖水質多因子的預測模型研究很多，這些預測模型基本上在實驗室內進行，實際應用較少。因此，目前關于水產養殖水質的預測模型和理論的研究仍處于初步階段，研究應重點關注多因子水質的預測模型和方法。

3 發展建議

3.1 加強水產行為學與投喂裝備的融合

利用計算機視覺計數對魚群的數量、速度、聚集度等行為學特征進行建模分析，建立魚群行為學特征模型。利用自調節神經網絡模糊信息系統將實驗得到的各個行為學參數進行特征關聯，通過決策系統最終輸出投餌量和投餌速度構成投喂策略。

3.2 推動產學研協同創新

以企業為主體、市場為導向，產學研深度融合，創新要素高效轉化。深化水產種業基礎性公益性研究，加大關鍵核心技術攻關力度，開展長周期研發項目試點。加快運用現代化水產養殖設施裝備，加強自動飼喂裝備研發，提升水產養殖技術裝備現代化和信息化水平。

3.3 加大政府投入和補貼

充分發揮政府作用，推進水產養殖治理體系和治理能力現代化，提高水產投喂裝備覆蓋率，將漁業智能養殖設備列入農機購置補貼范圍，解決高度自動化水產投喂裝備引進成本高，操作難度大的問題。引導產業多元化投資，健全市場體制，研發與推廣并舉，合作與競爭共進，只有需求側的需求落地，才能為共給側的研發和升級提供動力，為水產投喂裝備產業注入新活力。

4 結語

近年來，我國水產養殖產業發展迅猛，水產產出能力不斷增加，針對水產投喂的新技術、新裝備不斷涌現，極大地提升了水產養殖效率，降低了勞動強度。然而，由于水產養殖是一個系統工程，因此，亟需研究人員依據不同養殖規模和養殖要求，尋求合適的投喂裝備方法及裝備，研制出配套性好、投喂精度高、投喂效率高的成套水產投喂裝備，從而推動我國水產養殖機械的發展，提升水產養殖業的機械化水平。

參 考 文 獻

［1］ 馮雙星. 基于深度學習的魚類攝食強度探測與智能投喂系統研究［D］. 南寧： 廣西大學， 2023.

Feng Shuangxing. Deep learning based fish feeding intensity detection and intelligent feeding system ［D］. Nanning： Guangxi University， 2023.

［2］ 莽琦， 徐鋼春， 朱健， 等. 中國水產養殖發展現狀與前景展望［J］. 漁業現代化， 2022， 49（2）： 1-9.

Mang Qi， Xu Gangchun， Zhu Jian， et al. Developmental status and prospective vision for China’s aquaculture ［J］. Fishery Modernization， 2022， 49（2）： 1-9.

［3］ 鄭書康. 基于計算機視覺的魚類行為學規律與精準投喂的研究［D］. 杭州： 浙江大學， 2021.

Zheng Shukang. Research on fish vision and precision feeding based on computer vision ［D］. Hangzhou： Zhejiang University， 2021.

［4］ Sadoul B， Mengues E P， Friggens N， et al. A new method for measuring group behaviours of fish shoals from recorded videos taken in near aquaculture conditions ［J］. Aquaculture， 2014， 430： 179-187.

［5］ Cho C Y， Bureau D P. Reduction of waste output from salmonis aquaculture through feeds and feeding ［J］. Progressive Fish-Culturist， 1997， 59（2）： 155-160.

［6］ Mly H， Aamodt A， Misimi E. A spatio-temporal recurrent network for salmon feeding action recognition from underwater videos in aquaculture ［J］. Computers and Electronics in Agriculture， 2019， 167： 105087.

［7］ Atoum Y， Srivastava S， Liu X. Automatic feeding control for dense aquaculture fish tanks ［J］. IEEE Signal Processing Letters， 2014， 22（8）： 1089-1093.

［8］ An D， Hao J， Wei Y， et al. Application of computer vision in fish intelligent feeding system—A review ［J］. Aquaculture Research， 2021， 52（2）： 423-437.

［9］ Ballintijn C M， Juch P J W. Interaction of respiration with coughing， feeding， vision and oculomotor control in fish ［J］. Brain Behavior and Evolution， 1984， 25（2-3）： 99-108.

［10］ Eguiraun H， Casquero O， Martinez I. The Shannon entropy trend of a fish system estimated by a machine vision approach seems to reflect the molar se： Hg ratio of its feed ［J］. Entropy， 2018， 20（2）： 90-90.

［11］ 喬峰， 鄭堤， 胡利永， 等. 基于機器視覺實時決策的智能投餌系統研究［J］. 工程設計學報， 2015， 22（6）： 528-533.

Qiao Feng， Zheng Di， Hu Liyong， et al. Research on smart bait casting machine based on machine vision technology ［J］. Chinese Journal of Engineering Design， 2015， 22（6）： 528-533.

［12］ 唐榮， 陳軍， 劉世晶， 等. 基于聲學方法的水產養殖投飼反饋技術研究進展［J］. 漁業現代化， 2019， 46（3）： 15-21.

Tang Rong， Chen Jun， Liu Shijing， et al. Progress of research on feedback technology of feeding in aquaculture based on acoustic methods ［J］. Fishery Modernization， 2019， 46（3）： 15-21.

［13］ Brunnschweiler J M. Tracking free-ranging sharks with hand-fed intra-gastric acoustic transmitters ［J］. Marine and Freshwater Behavior and Physiology， 2009， 42（3）：201-209.

［14］ Gatan R， Julien B， Julie B， et al. Passive acoustic monitoring reveals feeding attempts at close range from soaking demersal long lines by two killer whale ecotypes ［J］. Marine Mammal Science， 2021， 38（1）： 304-325.

［15］ Reis J， Peixoto S， Soares R， et al. Passive acoustic monitoring as a tool to assess feed response and growth of shrimp in ponds and research systems ［J］. Aquaculture， 2022， 546： 737326.

［16］ 李明磊. 深水網箱中水聲魚群遠程監測系統的研究［D］. 廈門： 廈門大學， 2007.

Li Minglei. Study on an underwater acoustic remote monitor system for bred fish in net cages of deep water ［D］. Xiamen： Xiamen University， 2007.

［17］ Wright D E， Eastcott A. Association of an acoustic signal with operant conditioned feeding responses in thick lipped mullet， Crenimugil labrosus （Risso） and common carp， Cyprinus carpio （L.） ［J］. Journal of Fish Biology， 1982， 21（6）： 693-698.

［18］ 張小康， 許肖梅. 基于水聲多波束技術的深水網箱魚群狀態遠程監測儀研究［J］. 儀器儀表學報， 2009， 30（8）： 1656-1661.

Zhang Xiaokang， Xu Xiaomei. Remote monitoring system for offshore fish cage based on underwater acoustic multi-beam technique ［J］. Chinese Journal of Scientific Instrument， 2009， 30（8）： 1656-1661.

［19］ 張國勝， 張沛東， 陳勇， 等. 鯽幼魚音響馴化的研究［J］. 大連水產學院學報， 2002， 1（9）： 48-52.

Zhang Guosheng， Zhang Peidong， Chen Yong， et al. Acoustic behaviors control of juvenile carassius auratus linnaeus ［J］. Journal of Dalian Fisheries University， 2002， 1（9）： 48-52.

［20］ 胡運燊， 石小濤， 劉德富， 等. 聲音導魚技術的分析與展望［J］. 水生態學雜志，2013， 34（4）： 89-94.

Hu Yunsheng， Shi Xiaotao， Liu Defu， et al. Technology analysis and outlook for the sound guidance fish ［J］. Journal of Hydroecology， 2013， 34（4）： 89-94.

［21］ Macaulay M C， Wishner K F， Daly K L. Acoustic scattering from zooplankton and micronekton in relation to a whale feeding site near Georges Bank and Cape Cod ［J］. Continental Shelf Research， 1995， 15（04-05）： 509-537.

［22］ Lagardere J P， Mallekh R， Mariani A. Acoustic characteristics of two feeding modes used by brown trout （Salmo trutta）， rainbow trout （Oncorhynchus mykiss） and turbot （Scophthalmus maximus） ［J］. Aquaculture， 2004， 240（1-4）： 607-616.

［23］ Leal E， Fernandez-Duran B，Guillot R， et al. Stress-induced effects on feeding behavior and growth performance of the sea bass （Dicentrarchus labrax）： A self-feeding approach ［J］. Journal of Comparative Physiology B， 2011， 181（8）： 1035-1044.

［24］ Flood M J， Noble C， Kagaya R， et al. Examining the daily feeding rhythms of amago Oncorhynchus masou using self-feeding systems ［J］. Aquaculture， 2011， 318（1-2）： 244-247.

［25］ Pratiwy M F， Kohbara J. Dualistic feeding pattern of Nile tilapia （Oreochromis niloticus， L.） reared under different self-feeding system conditions ［J］. Aquaculture Research， 2018， 49（2）： 969-976.

［26］ Shi C， Liu Y， Yi M M， et al. Comparison of time-restricted and ad libitum self-feeding on the growth， feeding behavior and daily digestive enzyme profiles of Atlantic salmon ［J］. Chinese Journal of Oceanology and Limnology， 2017， 35（4）： 729-736.

［27］ Vivas M， Rubio V C， Sánchez-Vázquez F J， et al. Dietary self-selection in sharpsnout seabream （Diplodus puntazzo） fed paired macronutrient feeds and challenged with protein dilution ［J］. Aquaculture， 2006， 251（2-4）： 430-437.

［28］ Valente L M P， Fauconneau B， Gomes E F S， et al. Feed intake and growth of fast and slow growing strains of rainbow trout （Oncorhynchus mykiss） fed by automatic feeders or by self-feeders ［J］. Aquaculture， 2001， 195（1-2）： 121-131.

［29］ Aghuzbeni S H H， Hajirezaee S， Matinfar A， et al. A preliminary study on polyculture of western white shrimp （Litopenaeus vannamei） with mullet （Mugil cephalus）： An assessment of water quality， growth parameters， feed intake efficiency and survival ［J］. Journal of Applied Animal Research， 2017， 45（1）： 247-251.

［30］ Borquez-Lopez R A， Casillas-Hernandez R， Lopez-Elias J A， et al. Improving feeding strategies for shrimp farming using fuzzy logic， based on water quality parameters ［J］. Aquacultural Engineering， 2018， 81： 38-45.

［31］ Eissa E S H， Baghdady E S， Gaafar A Y， et al. Assessing the influence of dietary Pediococcus acidilactici probiotic supplementation in the feed of European sea bass （Dicentrarchus labrax L.）（Linnaeus， 1758） on farm water quality， growth， feed utilization， survival rate， body composition， blood biochemical parameters， and intestinal histology ［J］. Aquaculture Nutrition， 2022， 2022： 1-11.

［32］ Li Y C， Zhang J M， Fu B， et al. Textural quality， growth parameters and oxidative responses in Nile tilapia （Oreochromis niloticus） fed faba bean water extract diet ［J］. PeerJ， 2022， 10： 19.

［33］ Mansour A T， Fayed W M， Alsaqufi A S， et al. Ameliorative effects of zeolite and yucca extract on water quality， growth performance， feed utilization， and hemato-biochemical parameters of European seabass reared at high stocking densities ［J］. Aquaculture Reports， 2022， 26： 101321.

［34］ 吳強澤. 池塘養殖智能投飼系統的研究［D］. 南京： 南京農業大學， 2016.

Wu Qiangze. Research on intelligent feeding system of pond aquaculture ［D］. Nanjing： Nanjing Agricultural University， 2016.

［35］ 盛平， 王英杰， 倪冬瑋. 基于實時水質參數的智能養殖裝備設計［J］. 漁業現代化， 2017， 44（1）： 1-5.

Sheng Ping， Wang Yingjie， Ni Dongwei. Design of intelligent aquaculture equipment based on real-time water quality monitoring ［J］. Fishery Modernization， 2017， 44（1）： 1-5.

［36］ 周志剛， 解綬啟， 崔奕波， 等. 異育銀鯽適宜投喂時間的建立［J］. 飼料廣角， 2003（13）： 37-39.

Zhou Zhigang， Xie Shouqi， Cui Yibo， et al. Establishment of suitable feeding time for allogynogenetic crucian carp ［J］. Feed China， 2003（13）： 37-39.

［37］ 張磊. 黃顙魚能量收支及生物能量學最適生長模型的研究［D］. 武漢： 華中農業大學， 2010.

Zhang Lei. Energy budget and optimum bioenergetic growth model of yellow catfish pelteobagrus fulvidraco ［D］.Wuhan： Huazhong Agricultural University， 2010.