水產(chǎn)養(yǎng)殖中魚類投喂策略研究綜述

俞國燕，張宏亮，劉皞春，王俊會(huì)

(1 廣東海洋大學(xué)機(jī)械與動(dòng)力工程學(xué)院，廣東 湛江 524088；2 南方海洋科學(xué)與工程廣東省實(shí)驗(yàn)室(湛江)，廣東 湛江 524088)

水產(chǎn)養(yǎng)殖業(yè)的現(xiàn)代化需要依賴于現(xiàn)代裝備與工程技術(shù)的不斷進(jìn)步，需要多種學(xué)科、多種技術(shù)的集成與綜合應(yīng)用[1]。自1989年以來，中國水產(chǎn)品總產(chǎn)量已連續(xù)20多年位居世界首位，養(yǎng)殖產(chǎn)量占世界總產(chǎn)量的70%以上，是世界上唯一的養(yǎng)殖產(chǎn)量超過捕撈產(chǎn)量的國家[2]。在水產(chǎn)養(yǎng)殖中，飼料是其中最主要的可變成本，一般占養(yǎng)殖總成本的50%～80%[3]。傳統(tǒng)的人工或機(jī)械化作業(yè)是根據(jù)養(yǎng)殖人員的經(jīng)驗(yàn)確定投飼量，這會(huì)增加水產(chǎn)養(yǎng)殖生產(chǎn)成本。魚類攝食的飼料需求量因魚種、生長階段以及生活環(huán)境的不同而存在差異。有效控制飼料用量是減少水產(chǎn)養(yǎng)殖生產(chǎn)成本的關(guān)鍵，也是提升養(yǎng)殖效益的重要途徑。

介紹了基于人工經(jīng)驗(yàn)、生物能流的魚群生長攝食模型，基于機(jī)器視覺及機(jī)器聲學(xué)感知魚群攝食活動(dòng)的技術(shù)手段和智能投喂控制系統(tǒng)等方面的發(fā)展?fàn)顩r，闡述了實(shí)現(xiàn)按需投飼各階段研究方向，為水產(chǎn)養(yǎng)殖投喂策略及投飼裝備設(shè)計(jì)提供參考。

1 魚類生長攝食模型

1.1 基于人工經(jīng)驗(yàn)的魚群攝食需求模型

人工經(jīng)驗(yàn)方法通常基于大量養(yǎng)殖觀察經(jīng)驗(yàn)，以回歸擬合分析方法建立魚群生長營養(yǎng)需求與飼料投喂量相關(guān)的數(shù)學(xué)方程，以養(yǎng)殖魚體質(zhì)量或體長的百分比決定飼料需求量。Cui等[4]基于多次喂養(yǎng)試驗(yàn)，根據(jù)投喂率、水溫和體質(zhì)量建立魚體生長速度的預(yù)測模型，并以此數(shù)據(jù)建立魚群飼料需求與體質(zhì)量增長的經(jīng)驗(yàn)表。Boehlert等[5]使用多個(gè)回歸模型分析以魚體生長、日均投喂量、水溫以及試驗(yàn)魚體初始體質(zhì)量為自變量，建立日均攝食量與體質(zhì)量生長的預(yù)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(zhì)量和其營養(yǎng)成分之間的關(guān)系[6-7]。養(yǎng)殖環(huán)境的復(fù)雜性、多變性為人工經(jīng)驗(yàn)預(yù)測模型帶來諸多干擾。例如，水溫恒定時(shí)，魚體質(zhì)量的立方根與養(yǎng)殖時(shí)間呈線性關(guān)系[8]，而在水溫變化的情況下，魚類屬于變溫動(dòng)物，其生長情況也會(huì)隨著外界條件的變動(dòng)發(fā)生變動(dòng)。因此，水溫等外部環(huán)境對模型預(yù)測的干擾因素，需要在構(gòu)建模型時(shí)加以重視。

人工經(jīng)驗(yàn)方法未考慮魚體內(nèi)在生物營養(yǎng)能量關(guān)系及外部環(huán)境對魚體增長的交互作用影響，故基于人工經(jīng)驗(yàn)確定的投喂量無法滿足現(xiàn)代養(yǎng)殖對精準(zhǔn)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(tài)特性對魚體飼料需求量估算并不準(zhǔn)確，更多的研究者以魚體生物能結(jié)合養(yǎng)殖環(huán)境，從而科學(xué)預(yù)測魚群的飼料需求。劉曉娟等[9]以魚體儲(chǔ)積能、基礎(chǔ)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(gòu)建生物能量學(xué)模型，預(yù)測飼料攝入量。Genaro等[10]以實(shí)際養(yǎng)殖環(huán)境的水溫、溶氧、魚齡和魚體質(zhì)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(shù)，從而提高飼料攝入量的預(yù)測精度。Chen等[11]提出一種利用反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)和思維進(jìn)化算法(MEA)的群體魚類飼料攝入預(yù)測模型，以水溫、溶氧、平均魚體質(zhì)量和魚群數(shù)量作為BPNN模型的輸入，通過MEA優(yōu)化BPNN模型的初始權(quán)重和閾值，最后通過訓(xùn)練自動(dòng)建立魚群飼料攝入量與養(yǎng)殖環(huán)境之間的數(shù)學(xué)關(guān)系。

在水產(chǎn)養(yǎng)殖中，用FCR表示飼料轉(zhuǎn)化為魚體質(zhì)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(yù)測體質(zhì)量和FCR評價(jià)模型相關(guān)性[13]。劉穎等[14]采用統(tǒng)計(jì)分析方法對魚類生長、營養(yǎng)需求進(jìn)行研究并建立生長模型，可以得到更準(zhǔn)確、更科學(xué)的數(shù)據(jù)。在實(shí)際養(yǎng)殖中，根據(jù)不同的養(yǎng)殖密度和養(yǎng)殖規(guī)模建立適宜的魚類生長模型，有利于優(yōu)化養(yǎng)殖管理模式[15]。使用數(shù)學(xué)模型評估魚群的飼料需求量，需要工作人員針對養(yǎng)殖魚群的養(yǎng)殖環(huán)境及魚體信息進(jìn)行前期試驗(yàn)及信息收集，然后建立魚群飼料攝入量與影響魚群攝入強(qiáng)度因素之間的數(shù)學(xué)關(guān)系。科學(xué)預(yù)測飼料投喂量，并以此設(shè)計(jì)構(gòu)建相關(guān)飼料投喂方法，達(dá)到投喂和精細(xì)化養(yǎng)殖的目的，從而減少養(yǎng)殖生產(chǎn)成本。

2 投喂控制策略

2.1 基于機(jī)器視覺的投喂控制方法

2.1.1 魚群行為

通過計(jì)算機(jī)視覺技術(shù)監(jiān)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(huì)表現(xiàn)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(dòng)動(dòng)態(tài)過程。近年來，隨著人工智能的發(fā)展，基于魚類攝食行為反饋的投喂技術(shù)研究已成為熱點(diǎn)[20]。湯一平等[21]設(shè)計(jì)了一種基于3D計(jì)算機(jī)視覺的魚類行為分析系統(tǒng)，以實(shí)現(xiàn)從三維視角對魚類進(jìn)行監(jiān)測并分析魚類運(yùn)動(dòng)行為。根據(jù)魚類行為決定飼料需求量，滿足魚群攝食水平，實(shí)現(xiàn)飼料按需投喂。

在針對魚群單體行為檢測方面，根據(jù)一定數(shù)量的個(gè)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(diǎn)。Liu等[22]利用相機(jī)拍攝大西洋鮭魚攝食活動(dòng)，以攝食活動(dòng)指數(shù)(CVFAI)評價(jià)攝食強(qiáng)度，通過幀間差分法消除水面反光疊加影響，比對攝食活動(dòng)指數(shù)(CVFAI)和人工觀測進(jìn)食指數(shù)(MOFAI)，用此指數(shù)來啟停自動(dòng)投飼機(jī)。趙建等[23]提出了一種改進(jìn)動(dòng)能模型的魚類攝食活動(dòng)指數(shù)(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(yùn)動(dòng)規(guī)律從而實(shí)現(xiàn)評價(jià)魚群攝食強(qiáng)度關(guān)系。陳彩文等[24-25]通過提取目標(biāo)魚群的圖像特征，利用均值背景建模生成無魚區(qū)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(diǎn)差值，得出魚群的攝食活動(dòng)強(qiáng)度。

在群體行為檢測方面，胡利永等[26]利用機(jī)器視覺技術(shù)采集魚群攝食時(shí)的聚集程度以及產(chǎn)生的水花作為圖像特征區(qū)域從而描述魚群攝食規(guī)律特征參數(shù)，并以此規(guī)律隨時(shí)間變化曲線提出飼料量計(jì)算模型，但因魚群聚集時(shí)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(qū)域內(nèi)的主動(dòng)聚集程度實(shí)現(xiàn)對養(yǎng)殖對象的實(shí)時(shí)自動(dòng)投喂。該方法由于魚群聚集時(shí)會(huì)導(dǎo)致魚群重疊次數(shù)增大，監(jiān)測的魚群數(shù)量失真，使飼料預(yù)測值小于魚群實(shí)際需求量。Zhou等[28]使用近紅外機(jī)器視覺和ANFIS模型，根據(jù)魚攝食后移動(dòng)行為，研發(fā)了以攝食行為為輸入?yún)?shù)的自適應(yīng)控制系統(tǒng)，從而控制投飼量，該模型可以達(dá)到98%的進(jìn)食決策精度。郭強(qiáng)等[29]在圖像信息采集時(shí)以魚群形狀及紋理信息作為檢測標(biāo)準(zhǔn)，并作為BP神經(jīng)網(wǎng)絡(luò)的輸入量，從而檢測魚群的攝食活力水平強(qiáng)度，該方法的準(zhǔn)確識(shí)別率達(dá)到98%。相對于圖像識(shí)別單一的魚群行為紋理特征，該方法無須考慮水面波動(dòng)及反光燈影響評價(jià)因素，從而提高了檢測精度。

利用機(jī)器視覺技術(shù)手段對魚群攝食活動(dòng)行為及強(qiáng)度進(jìn)行分析，可提高圖像處理能力及準(zhǔn)確率，從而控制投飼機(jī)及時(shí)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(jī)是否啟停，當(dāng)魚群攝食活力較強(qiáng)時(shí)，飼料剩余量較少，反之則多。在殘飼識(shí)別與計(jì)數(shù)檢測方面，F(xiàn)oster等[30]利用水下攝像機(jī)對網(wǎng)箱內(nèi)下落飼料顆粒進(jìn)行監(jiān)測和計(jì)數(shù)，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(shù)誤差約為10%；Liu等[31]提出一種計(jì)算剩余飼料量的算法，使用Qtsu閾值法和線性時(shí)間成分標(biāo)記算法，檢測殘余飼料量，該算法在處理非均勻光照條件時(shí)計(jì)算的飼料顆數(shù)相當(dāng)準(zhǔn)確。

將殘余飼料量作為投飼機(jī)啟停的控制指標(biāo)，實(shí)現(xiàn)以魚為主體的自發(fā)式需求投飼控制策略。如張榮標(biāo)等[32]發(fā)明了一種循環(huán)水養(yǎng)殖浮餌自動(dòng)投放方法與裝置，該方法基于機(jī)器視覺采集目標(biāo)區(qū)域浮料殘余量，以當(dāng)前投飼機(jī)工作速度和工作時(shí)間為BP神經(jīng)網(wǎng)絡(luò)模型輸入?yún)?shù)從而控制投飼機(jī)投喂量。王吉祥[33]以分水嶺算法識(shí)別圖像中的飼料形狀，根據(jù)殘余飼料量和魚群進(jìn)食行為作為模糊控制算法的輸入變量，以投飼機(jī)工作時(shí)間為輸出變量，建立模糊控制器以及控制表，實(shí)現(xiàn)養(yǎng)殖魚群按需投喂。

監(jiān)測殘余飼料量時(shí)攝像頭固定在某一點(diǎn)，目標(biāo)水域拍攝面積較小，且該技術(shù)方法對攝像頭性能要求較高，較多魚群攝食時(shí)進(jìn)行浮料剩余量的信息采集誤差較大，不適應(yīng)于大范圍養(yǎng)殖水域。

2.2 基于機(jī)器聲學(xué)的投喂控制方法

2.2.1 聲吶監(jiān)測

聲吶成像技術(shù)被應(yīng)用于海洋漁業(yè)監(jiān)測，魚群游動(dòng)位置反映出魚群饑餓程度，即發(fā)生覓食行為。使用水聲傳感器監(jiān)測魚群位置，并根據(jù)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(shí)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(yùn)動(dòng)軌跡，獲悉魚群行為，為監(jiān)測魚群覓食行為的投喂控制系統(tǒng)提供技術(shù)基礎(chǔ)。相對于水下使用機(jī)器視覺技術(shù)檢測魚群行為，聲吶成像技術(shù)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(fā)現(xiàn)，船舶運(yùn)行時(shí)的噪聲可以改變魚類的集群行為[36-37]。對于單個(gè)魚體覓食行為的檢測研究，Holmes等[38]采用DIDSON聲吶裝置計(jì)算蛙魚長度，具有較高的準(zhǔn)確性。Tuser等[39]深入研究DIDSON聲學(xué)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(xué)圖像模型關(guān)系。

類似機(jī)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(jìn)行追蹤定位，同時(shí)多普勒顆粒傳感器實(shí)時(shí)對魚群的位置及密度進(jìn)行反饋，區(qū)分飼料與其他物質(zhì)，并計(jì)算未被魚群食用而沉入網(wǎng)箱底部的飼料數(shù)量，當(dāng)殘余飼料量低于系統(tǒng)預(yù)定值、魚群位于殘余飼料區(qū)域且密度較大時(shí)，控制器開啟投飼機(jī)進(jìn)行投喂；反之，控制器關(guān)閉投飼機(jī)，停止投喂。王順杰等[41]提出一種采用回聲探測方法進(jìn)行智能投飼監(jiān)控的系統(tǒng)，魚群饑餓程度較高時(shí)，滲透到網(wǎng)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(wǎng)箱底部的飼料逐漸增加，利用這一特點(diǎn)來決定投飼機(jī)是否啟停。

2.2.2 攝食音頻

通過對魚類攝食音頻的研究，發(fā)現(xiàn)魚群攝食特定音頻可作為魚群攝食強(qiáng)度的分析依據(jù)，并由此控制投飼系統(tǒng)[42]。湯濤林等[43]通過構(gòu)建聲學(xué)監(jiān)測平臺(tái)，采集羅非魚攝食時(shí)產(chǎn)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(guān)。與基于機(jī)器視覺監(jiān)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(shù)，其主要缺點(diǎn)是養(yǎng)殖環(huán)境噪聲會(huì)與魚群攝食特定音頻發(fā)生混疊，在工廠化養(yǎng)殖中，這種缺陷將更加明顯，循環(huán)水處理單元的噪聲會(huì)使該方法完全失控。

在識(shí)別魚群行為時(shí)，非饑餓反應(yīng)的突發(fā)式魚群行為，會(huì)誘導(dǎo)投飼機(jī)開啟，導(dǎo)致過度投喂，影響水質(zhì)環(huán)境；在殘余飼料量采集過程中，非飼料物會(huì)增加采集到的殘余飼料量，導(dǎo)致投飼機(jī)欠投，不利于魚群生長。在此基礎(chǔ)上的投喂策略，需要加快投飼系統(tǒng)軟硬件的感知精度，提高系統(tǒng)的響應(yīng)頻率，提高系統(tǒng)的容錯(cuò)率。

2.3 智能投喂控制系統(tǒng)

智能控制器能夠根據(jù)魚群的食欲進(jìn)行自適應(yīng)調(diào)整并提供滿足魚體生長營養(yǎng)需求的飼料，從而降低人工勞動(dòng)成本，提高漁獲效益。喬峰等[44]根據(jù)魚群位置與數(shù)量特征值獲取魚群攝食規(guī)律，并設(shè)計(jì)智能投喂系統(tǒng)，實(shí)現(xiàn)實(shí)時(shí)決策下的按需投飼。吳帆等[45]設(shè)計(jì)了一種風(fēng)光互補(bǔ)、可移動(dòng)的智能探測投飼系統(tǒng)，通過互補(bǔ)發(fā)電給整套投飼裝置供電，利用振動(dòng)傳感器自動(dòng)探測魚群并發(fā)出報(bào)警，控制投飼小車靈活移動(dòng)至投飼點(diǎn)，從而實(shí)現(xiàn)自動(dòng)投飼。Xu等[46]開發(fā)了一種室內(nèi)集約化養(yǎng)殖投飼系統(tǒng)，在分析魚群攝食影響因素的基礎(chǔ)上，建立專家知識(shí)庫、投飼數(shù)據(jù)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(chǎn)養(yǎng)殖飼料投喂決策提供新的實(shí)現(xiàn)手段。結(jié)合先進(jìn)控制算法設(shè)計(jì)智能控制器，以魚群飼料需求為輸出變量，從而實(shí)現(xiàn)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(shù)學(xué)模型難以實(shí)現(xiàn)精準(zhǔn)投喂。因魚群生長各階段差異性及環(huán)境因子影響，魚群生長對飼料的需求宏觀上是確定的、連續(xù)的，飼料需求量按其生長時(shí)間延長而增加。在實(shí)際養(yǎng)殖生產(chǎn)中，養(yǎng)殖情況復(fù)雜多變，投飼量總體呈螺旋式上升，數(shù)學(xué)模型只能估計(jì)預(yù)測特定魚種在某段時(shí)間的階段性飼料需求，無法指導(dǎo)整個(gè)生產(chǎn)養(yǎng)殖過程，這也是制約水產(chǎn)養(yǎng)殖全過程實(shí)現(xiàn)精準(zhǔn)投喂的難點(diǎn)和關(guān)鍵技術(shù)。根據(jù)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(shí)時(shí)變化并且具有自我補(bǔ)償?shù)臄?shù)學(xué)模型，可為智能投飼裝備提供理論基礎(chǔ)。

3.2 配置多功能傳感器，提高視覺聲學(xué)監(jiān)測精度

以視覺聲學(xué)感知攝食活動(dòng)為基礎(chǔ)的智能化投飼裝備的研發(fā)，受監(jiān)控信息采集裝備軟硬件發(fā)展水平等影響。機(jī)器視覺在圖像采集過程中易受目標(biāo)環(huán)境的影響，如水面反光、波動(dòng)及振動(dòng)噪聲等，聲學(xué)檢測技術(shù)對環(huán)境噪聲的克服是技術(shù)攻關(guān)點(diǎn)。在投飼裝備研發(fā)時(shí)配備具有糾錯(cuò)校正信息采集傳感器，從而提高監(jiān)測感知精度，使圖像或聲學(xué)信號更加真實(shí)地反映實(shí)時(shí)攝食行為。

3.3 結(jié)合智能控制算法，實(shí)現(xiàn)實(shí)時(shí)按需投喂

加強(qiáng)魚體生理特性、養(yǎng)殖環(huán)境系統(tǒng)、飼料營養(yǎng)配方、投飼裝備作業(yè)方式與魚體質(zhì)量增長率之間的關(guān)聯(lián)性研究。建立魚群飼料攝入量與投飼量的映射關(guān)系，改進(jìn)智能優(yōu)化算法，提高算法效率，優(yōu)化控制投飼機(jī)，加快投飼系統(tǒng)的響應(yīng)頻率，減少控制系統(tǒng)的內(nèi)擾，使投飼裝備能在非線性時(shí)，養(yǎng)殖系統(tǒng)能自適應(yīng)調(diào)節(jié)，投飼數(shù)據(jù)可視化在線反饋，實(shí)現(xiàn)投飼系統(tǒng)的實(shí)時(shí)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(jìn)一步

由自動(dòng)化向智能化升級

隨著水產(chǎn)養(yǎng)殖業(yè)的迅速發(fā)展，智能化養(yǎng)魚已成為重要趨勢。智能化投喂是多技術(shù)融合應(yīng)用工程，深入分析魚群養(yǎng)殖環(huán)境、魚種生長生理特性、生長飼料需求特點(diǎn)及飼料投喂質(zhì)量，建立自適應(yīng)投飼決策數(shù)學(xué)模型，進(jìn)一步由投飼自動(dòng)化升級到智能化。在投飼策略上，物聯(lián)網(wǎng)、人工智能算法、無線傳輸?shù)燃夹g(shù)應(yīng)用于智能投飼系統(tǒng)。多因素養(yǎng)殖環(huán)境在線監(jiān)測、魚群最佳攝食曲線分析以及投飼路徑規(guī)劃等是智能投飼系統(tǒng)的關(guān)鍵著力點(diǎn)。