水產(chǎn)養(yǎng)殖投喂裝備發(fā)展現(xiàn)狀研究

摘要：

中國(guó)目前的養(yǎng)殖水產(chǎn)出口量與水產(chǎn)產(chǎn)量均位于世界前列，為保證養(yǎng)殖水產(chǎn)產(chǎn)品的產(chǎn)品質(zhì)量和人的飲食健康，對(duì)養(yǎng)殖水產(chǎn)進(jìn)行精細(xì)化投喂，研發(fā)改進(jìn)精準(zhǔn)投喂裝備就顯得尤為重要。目前，產(chǎn)業(yè)強(qiáng)調(diào)水產(chǎn)養(yǎng)殖裝備的精細(xì)化、數(shù)字化、智能化，通過(guò)對(duì)基于視覺(jué)、聲音、被動(dòng)自需式、生長(zhǎng)環(huán)境建模決策四種不同角度的智能投喂系統(tǒng)研究進(jìn)展綜述，研究水產(chǎn)養(yǎng)殖中智能投喂系統(tǒng)的發(fā)展趨勢(shì)，通過(guò)數(shù)字化和智能技術(shù)，投喂裝備實(shí)現(xiàn)精準(zhǔn)管理，提升養(yǎng)殖效益，強(qiáng)調(diào)創(chuàng)新對(duì)于推動(dòng)水產(chǎn)養(yǎng)殖行業(yè)發(fā)展至關(guān)重要，以期為水產(chǎn)養(yǎng)殖投喂裝備的數(shù)字化、精準(zhǔn)化發(fā)展打開(kāi)新思路。

關(guān)鍵詞：水產(chǎn)養(yǎng)殖；投喂裝備；智能化；數(shù)字化；精準(zhǔn)化

中圖分類號(hào)：S969

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：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(xiàng)目：江蘇省現(xiàn)代農(nóng)機(jī)裝備與裝備示范推廣項(xiàng)目（NJ2020—48）；江蘇省種業(yè)振興揭榜掛帥項(xiàng)目（JBGS〔2021〕137）；亞夫科技服務(wù)項(xiàng)目（KF（23）1210）

第一作者：陳天兄，女，1976年生，江蘇寶應(yīng)人，碩士，高級(jí)工程師；研究方向?yàn)樗a(chǎn)養(yǎng)殖裝備。E-mail： byctx@163.com

通訊作者：柏宗春，男，1981年生，江蘇寶應(yīng)人，博士，副研究員；研究方向?yàn)橹悄苻r(nóng)機(jī)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(lái)，中國(guó)水產(chǎn)養(yǎng)殖產(chǎn)業(yè)產(chǎn)值連年大幅提升，水產(chǎn)出口量位于世界前列，而在養(yǎng)殖水產(chǎn)出口量占水產(chǎn)總出口量超過(guò)80%［1］。為了提高養(yǎng)殖水產(chǎn)出口質(zhì)量，保障水產(chǎn)出口和共給，對(duì)養(yǎng)殖水產(chǎn)投喂裝備的研究尤為重要。

魚(yú)類投喂系統(tǒng)是指為維護(hù)魚(yú)類正常生命活動(dòng)、生長(zhǎng)及繁殖，而投喂配合飼料的一切標(biāo)準(zhǔn)及方法，包括魚(yú)類對(duì)營(yíng)養(yǎng)物質(zhì)及能量的需求、日糧水平、投喂頻率、投喂方法等參數(shù)［2］。影響魚(yú)類的攝食量和食欲強(qiáng)度的因素為：生理特性和營(yíng)養(yǎng)需求；外界環(huán)境和生產(chǎn)管理。傳統(tǒng)的粗放式投喂往往與魚(yú)類實(shí)際攝食需求有較大差異，容易出現(xiàn)飼料投喂不足或過(guò)量的現(xiàn)象，造成養(yǎng)殖系統(tǒng)效益較低、餌料浪費(fèi)以及水體污染等問(wèn)題。而精準(zhǔn)投喂系統(tǒng)根據(jù)魚(yú)類實(shí)際攝食需求在特定的時(shí)間段內(nèi)投喂適量的飼料，以滿足魚(yú)類生長(zhǎng)、代謝等所需營(yíng)養(yǎng)需求，最大程度的提高飼料營(yíng)養(yǎng)利用率。因此，需要根據(jù)養(yǎng)殖對(duì)象實(shí)際需食量水平和攝食行為的變化，運(yùn)用智能控制算法和現(xiàn)代監(jiān)測(cè)裝備手段，研發(fā)魚(yú)類攝食智能精準(zhǔn)投喂系統(tǒng)。

國(guó)外對(duì)投喂裝備的研究較早，加拿大、美國(guó)、英國(guó)等國(guó)已經(jīng)有了比較成熟和完善的自動(dòng)化水產(chǎn)投喂裝備。我國(guó)于20世紀(jì)70年代末中科院研制出第一臺(tái)多功能投飼機(jī)，水產(chǎn)投喂裝備研究一直從未間斷，加上國(guó)家的重視，養(yǎng)殖水產(chǎn)投喂裝備的研究一直穩(wěn)步發(fā)展。

本文通過(guò)對(duì)基于圖像識(shí)別、聲音識(shí)別、供需式、生長(zhǎng)環(huán)境建模決策四種不同角度的智能投喂系統(tǒng)研究進(jìn)展的綜述，提出其存在問(wèn)題和發(fā)展建議，以期為水產(chǎn)養(yǎng)殖投喂裝備的數(shù)字化、精準(zhǔn)化發(fā)展打開(kāi)新思路。

1 水產(chǎn)養(yǎng)殖投喂裝備研究現(xiàn)狀

1.1 基于圖像識(shí)別的投喂裝備

圖像識(shí)別技術(shù)是一種涉及計(jì)算機(jī)科學(xué)、人工智能等多領(lǐng)域的交叉學(xué)科，具有效率高、成本低和非接觸式等作業(yè)特點(diǎn)，廣泛應(yīng)用于水產(chǎn)養(yǎng)殖領(lǐng)域。比如魚(yú)群數(shù)量估測(cè)、魚(yú)體尺度和質(zhì)量估測(cè)、魚(yú)類品種鑒定、殘餌估測(cè)、魚(yú)品質(zhì)檢測(cè)和魚(yú)攝食行為檢測(cè)等。其中，殘餌量估測(cè)信息和魚(yú)類攝食行為檢測(cè)信息可用于水產(chǎn)養(yǎng)殖對(duì)象攝食狀態(tài)、攝食食欲強(qiáng)度的監(jiān)測(cè)，作為構(gòu)建精準(zhǔn)投喂系統(tǒng)的有效輸入?yún)?shù)［3］。

基于檢測(cè)反饋式的殘餌量投喂裝備，主要利用圖像處理和光學(xué)成像裝備，對(duì)投喂過(guò)程中殘餌進(jìn)行估測(cè)，當(dāng)殘餌量超過(guò)一定量時(shí)，立即向控制系統(tǒng)發(fā)送決策信號(hào)，停止投喂作業(yè)。Sadoul等［4］通過(guò)水下拍攝裝置實(shí)時(shí)監(jiān)測(cè)網(wǎng)箱式養(yǎng)殖投喂過(guò)程的殘餌量，將殘餌量閾值作為決策指標(biāo)，衡量適宜的停止投喂時(shí)間，平均測(cè)量誤差約為10%；Cho等［5］構(gòu)建了一套基于圖像識(shí)別裝備的海洋鮭魚(yú)養(yǎng)殖網(wǎng)箱殘餌精準(zhǔn)識(shí)別和估測(cè)系統(tǒng)，攝像機(jī)放置于網(wǎng)箱水深8 m處，可以同時(shí)觀測(cè)殘餌量和魚(yú)群攝食狀況，從而判斷停止投喂時(shí)間；Mly等［6］也基于圖像識(shí)別技術(shù)研制了一種殘餌檢測(cè)裝備，并以響應(yīng)時(shí)間、漏檢量作為指標(biāo)進(jìn)行靜、動(dòng)態(tài)試驗(yàn)，研究系統(tǒng)作業(yè)性能、工作參數(shù)、設(shè)計(jì)參數(shù)，以提升投喂裝備的決策能力。

針對(duì)殘餌監(jiān)測(cè)系統(tǒng)在面對(duì)不同養(yǎng)殖環(huán)境、不同屬性飼料的適用性等問(wèn)題。Atoum等［7］基于圖像識(shí)別技術(shù)結(jié)合殘餌估測(cè)裝置，研發(fā)了一套適合于飼料殘餌檢測(cè)的裝備。挪威基于殘餌檢測(cè)裝置和圖像識(shí)別技術(shù)開(kāi)發(fā)了一種CCS智能投喂裝備，并進(jìn)行了商業(yè)化應(yīng)用。An等［8］研制一套池塘養(yǎng)殖殘餌檢測(cè)裝備，該裝備基于自適應(yīng)閾值的殘餌量檢測(cè)模型，主要適用于小范圍、低密度養(yǎng)殖的投飼環(huán)境。以上研究主要針對(duì)網(wǎng)箱式水產(chǎn)養(yǎng)殖，獲取準(zhǔn)確、可靠的殘餌量估測(cè)值是其應(yīng)用的關(guān)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(lái)，隨著科技的發(fā)展和對(duì)魚(yú)類行為檢測(cè)的不斷深入，基于魚(yú)類攝食行為的智能投喂裝備已成為水產(chǎn)養(yǎng)殖研究領(lǐng)域的熱點(diǎn)。魚(yú)類不同的食欲狀態(tài)與不同的攝食行為有很強(qiáng)的相關(guān)性。目前魚(yú)類攝食行為的研究主要分為兩個(gè)方面：個(gè)體攝食行為和群體攝食行為。Ballintijn等［9］以投喂區(qū)魚(yú)體的數(shù)量來(lái)表征魚(yú)的食欲強(qiáng)度，進(jìn)而確定適宜的飼料量。Eguiraun等［10］利用近紅外傳感器，運(yùn)用狄洛尼三角剖分算法進(jìn)行魚(yú)群體中多目標(biāo)追蹤，以研究魚(yú)類攝食行為。喬峰等［11］研發(fā)了一套基于圖像識(shí)別的智能投喂裝備，利用經(jīng)過(guò)處理的魚(yú)群攝食活動(dòng)圖像建立攝食魚(yú)群密度、面積和攝食強(qiáng)度的模型，進(jìn)而精準(zhǔn)控制投飼設(shè)備的投喂量。以上圖像識(shí)別方法均需監(jiān)測(cè)魚(yú)的位置或追蹤他們，來(lái)量化其攝食行為。

1.2 基于聲音識(shí)別的投喂裝備

與圖像識(shí)別裝備相比，基于聲音識(shí)別的裝備在水中具有更大的優(yōu)勢(shì)，不易受水體環(huán)境參數(shù)的干擾，是檢測(cè)殘餌量、攝食行為等參數(shù)的有效方法［12］。目前基于聲音識(shí)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(cè)和聲學(xué)馴化等四個(gè)方面。

在水產(chǎn)養(yǎng)殖中，與基于圖像識(shí)別的投喂裝備相比，聲吶成像是一種具有明顯優(yōu)勢(shì)的裝備，利用聲波傳感系統(tǒng)可得到高質(zhì)量的圖像而不易受水產(chǎn)養(yǎng)殖環(huán)境的影響［13］，將圖像處理得到的結(jié)果來(lái)指導(dǎo)魚(yú)類的投喂。Gatan等［14］通過(guò)聲波傳感器監(jiān)測(cè)殘餌量來(lái)決策是否投喂。挪威也通過(guò)多普勒聲學(xué)傳感器來(lái)區(qū)分飼料顆粒和其他物質(zhì)，基于網(wǎng)箱底部殘餌量的監(jiān)測(cè)來(lái)進(jìn)行投喂。加拿大研制出一種基于水下聲波傳感器的魚(yú)類行為和運(yùn)動(dòng)監(jiān)測(cè)裝備，以獲取深海網(wǎng)箱中魚(yú)群的密度和位置，魚(yú)的食欲強(qiáng)度和魚(yú)群位置的改變有很強(qiáng)的相關(guān)性，當(dāng)魚(yú)群饑餓時(shí)，將升至水面攝食，當(dāng)魚(yú)群的不餓時(shí)，將沉入底部，通過(guò)魚(yú)群密度和位置信息的監(jiān)測(cè)以指導(dǎo)投喂。Reis等［15］利用聲吶成像和分束原理來(lái)研究個(gè)體魚(yú)的3D位置信息和運(yùn)動(dòng)行為。聲吶成像裝備主要應(yīng)用于深海養(yǎng)殖環(huán)境，不適用于池塘養(yǎng)殖和小水域的水產(chǎn)養(yǎng)殖模式。聲吶成像裝備價(jià)格比較昂貴，不是一般養(yǎng)殖戶和企業(yè)可以接收的。

生物遙測(cè)由發(fā)射器和信號(hào)接收器組成，可實(shí)時(shí)、準(zhǔn)確的追蹤個(gè)體魚(yú)類的運(yùn)動(dòng)和行為［16］。挪威基于生物遙測(cè)研制一種魚(yú)類行為監(jiān)測(cè)裝備，該裝備利用智能算法分析聲音信號(hào)，在線監(jiān)測(cè)和確定魚(yú)個(gè)體所處位置、運(yùn)動(dòng)方向和速度，進(jìn)而指導(dǎo)投喂作業(yè)。Wright等［17］通過(guò)聲學(xué)加速度傳感器研究厚唇鯔和鯉魚(yú)的行為變化，結(jié)果表明在進(jìn)食期它們的游泳速度會(huì)明顯增加，因此生物遙測(cè)可用于個(gè)體魚(yú)行為特征的監(jiān)測(cè)，進(jìn)而用來(lái)魚(yú)類食欲強(qiáng)度的量化。這種方法的缺點(diǎn)是需要在魚(yú)體表或體內(nèi)植入信號(hào)發(fā)射器。另外，生物遙測(cè)裝備價(jià)格比較昂貴，沒(méi)有廣泛商用，以科研機(jī)構(gòu)的基礎(chǔ)性、探索性研究為主。

魚(yú)類生物學(xué)特性和聲學(xué)能力的前人研究發(fā)現(xiàn)魚(yú)類的聽(tīng)覺(jué)在50～1 500 Hz范圍內(nèi)，特定魚(yú)類擁有辨別聲音頻率的能力，利用聲音信號(hào)可以實(shí)現(xiàn)魚(yú)類的馴化管理，提升魚(yú)群投飼區(qū)的聚集度，減少餌料浪費(fèi)［18］。張國(guó)勝等［19］通過(guò)正弦波魚(yú)群進(jìn)行聲音馴化后，魚(yú)群在投飼區(qū)達(dá)到約95%的聚集率。胡運(yùn)燊等［20］研究了聲音馴化魚(yú)類的有效作業(yè)范圍，結(jié)果顯示水下聲音的傳播損失為30 lgr，許氏平鲉魚(yú)（Sebastes schlegeli）和黃蓋鰈魚(yú)（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(yú)群馴化使鯨魚(yú)在400 Hz時(shí)進(jìn)行投喂效果最佳，研究還發(fā)現(xiàn)魚(yú)群體之間的社會(huì)學(xué)習(xí)促進(jìn)作用，當(dāng)個(gè)體或少數(shù)魚(yú)基于魚(yú)群馴化獲得環(huán)境的新信息，可以通過(guò)群體之間相互作用和觀察帶動(dòng)其他的魚(yú)。Lagardere等［22］研究也顯示基于低音頻信號(hào)可以有效吸引魚(yú)群到固定地點(diǎn)進(jìn)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(jù)魚(yú)類攝食節(jié)律和自身食欲強(qiáng)度自動(dòng)地決定何時(shí)進(jìn)食和停食，滿足養(yǎng)殖對(duì)象的不定時(shí)、不定量的投喂作業(yè)需求，提高了魚(yú)類攝食福利［23］。

Flood等［24］設(shè)計(jì)了一種基于供需式的大馬哈魚(yú)養(yǎng)殖投喂裝備，該裝備由微型電腦進(jìn)行控制，當(dāng)魚(yú)群觸碰傳感器時(shí)，會(huì)觸發(fā)飼料分配器，經(jīng)控制器反饋至投喂裝備，滿足精準(zhǔn)按需投喂。Pratiwy等［25］開(kāi)發(fā)了適合研制了一種基于供需式羅非魚(yú)養(yǎng)殖系統(tǒng)的投飼裝備，該裝備相比于傳統(tǒng)投喂方式，魚(yú)群平均體重增加約13%，該裝備在鯛魚(yú)、鮭魚(yú)等養(yǎng)殖中也得到廣泛應(yīng)用［26-28］。然而，特定品種的魚(yú)群存在等級(jí)分布，占統(tǒng)治地位的魚(yú)會(huì)阻止低等級(jí)的魚(yú)接近觸發(fā)器和投飼區(qū)域，導(dǎo)致魚(yú)群長(zhǎng)勢(shì)不均、個(gè)體存在較大差異的問(wèn)題，影響飼料的高效利用；在高密度的工廠化水產(chǎn)養(yǎng)殖環(huán)境中，供需式投喂裝備的觸發(fā)式傳感器易被魚(yú)群無(wú)意觸發(fā)，而導(dǎo)致餌料浪費(fèi)。該方法的應(yīng)用需要提前馴化魚(yú)類，這難易在實(shí)際水產(chǎn)養(yǎng)殖生產(chǎn)中實(shí)現(xiàn)。

1.4 基于生長(zhǎng)環(huán)境建模的投喂裝備

近年來(lái)，隨著水質(zhì)參數(shù)對(duì)魚(yú)類生長(zhǎng)影響研究的增多，基于水質(zhì)參數(shù)的水產(chǎn)投喂方法已成為研究的熱點(diǎn)。溶解氧、水溫、pH值、鹽度、氨氮等養(yǎng)殖環(huán)境參數(shù)會(huì)直接影響魚(yú)類攝食需求量、食欲強(qiáng)度餌料轉(zhuǎn)化率，而溶解氧、鹽度和溫度是最主要的影響因素［29］。魚(yú)群攝食活動(dòng)的改變也會(huì)間接反映水質(zhì)參數(shù)的變化。

Borquez-Lopez等［30］研究表明溶解氧和水溫對(duì)日餌料需求量和轉(zhuǎn)化率均產(chǎn)生影響，當(dāng)溫度為27℃和溶解氧飽和度為100%時(shí)，蝦的攝食需求量最大。Eissa等［31］開(kāi)發(fā)了一種基于模糊控制的海鱸魚(yú)智能投喂裝備，該裝備通過(guò)溶解氧和溫度因素對(duì)海鱸魚(yú)攝食影響的試驗(yàn)，建立Mamdani模型調(diào)控投飼率，試驗(yàn)結(jié)果比傳統(tǒng)投飼方式節(jié)省餌料約29%，而且海鱸魚(yú)生長(zhǎng)速度無(wú)顯著差異；Li等［32］利用水質(zhì)參數(shù)和模糊控制算法優(yōu)化了水產(chǎn)養(yǎng)殖系統(tǒng)的投喂策略，通過(guò)試驗(yàn)測(cè)定了水質(zhì)參數(shù)對(duì)水產(chǎn)養(yǎng)殖飼料需求量和餌料同化率的影響，試驗(yàn)結(jié)果顯示餌料系數(shù)同比降低35%。Mansour等［33］利用投喂過(guò)程養(yǎng)殖水體中溶解氧濃度的變化率表征魚(yú)群食欲強(qiáng)度，并研制了一套基于神經(jīng)網(wǎng)絡(luò)的模糊控制算法，以指導(dǎo)投喂裝備的開(kāi)始和停止。吳強(qiáng)澤［34］利用模糊控制算法，把溶解氧、體質(zhì)量和水溫作為輸入?yún)?shù)，把投喂量作為輸出參數(shù)，研究了池塘水產(chǎn)養(yǎng)殖投喂裝備。盛平等［35］利用水質(zhì)傳感器檢測(cè)養(yǎng)殖水體的溶解氧濃度，當(dāng)溶解氧濃度達(dá)到5.5mg/L時(shí)，自動(dòng)投喂。周志剛等［36］利用銀鯽的能量學(xué)研究試驗(yàn)數(shù)據(jù)，建立了體質(zhì)量與攝食能量需求之間的相關(guān)性，用于指導(dǎo)投喂。張磊［37］研究建立了黃顙魚(yú)的攝食率與溫度、體質(zhì)量的關(guān)系模型。以上研究表明，基于生長(zhǎng)環(huán)境建模的投喂裝備操作簡(jiǎn)單、成本較低、抗外界環(huán)境干擾強(qiáng)，符合我國(guó)池塘水產(chǎn)養(yǎng)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(xué)性、可靠性受到主觀因素影響。

2 存在問(wèn)題

水產(chǎn)養(yǎng)殖中最主要的成本是飼料，增強(qiáng)飼料的精細(xì)化、高效化管理是提高養(yǎng)殖和環(huán)境效益的關(guān)鍵。根據(jù)國(guó)內(nèi)外水產(chǎn)養(yǎng)殖投喂裝備的現(xiàn)狀可知，國(guó)外在水產(chǎn)養(yǎng)殖精準(zhǔn)投喂裝備的研究較為廣泛，而國(guó)內(nèi)在水產(chǎn)養(yǎng)殖精準(zhǔn)投喂裝備的研究發(fā)展緩慢，仍以粗放型的投喂養(yǎng)殖模式為主。

1）" 基于圖像識(shí)別的投喂裝備，其特點(diǎn)是成本較低、檢測(cè)方便、構(gòu)建簡(jiǎn)單，但其要求較高的殘餌、魚(yú)群圖像質(zhì)量，適宜于水質(zhì)條件、透明度、光源等較好的水產(chǎn)養(yǎng)殖系統(tǒng)。在實(shí)際水產(chǎn)養(yǎng)殖環(huán)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(wèn)題，易造成獲取的圖像質(zhì)量較低、圖像獲取難度較大，使得該方法的穩(wěn)定性、可靠性大大降低。

2）" 基于聲音識(shí)別的投喂裝備，克服了水質(zhì)和光照等環(huán)境因素的影響，具有廣泛的應(yīng)用價(jià)值，適合于深水的水產(chǎn)養(yǎng)殖。在實(shí)際水產(chǎn)養(yǎng)殖過(guò)程中，此方法易受水產(chǎn)養(yǎng)殖環(huán)境噪音的影響和干擾，會(huì)大大降低使其準(zhǔn)確性和可靠性。此外，利用聲音識(shí)別的投喂裝備成本較高，又進(jìn)一步制約了其應(yīng)用，目前主要應(yīng)用場(chǎng)景為一些商業(yè)農(nóng)場(chǎng)。

3）" 基于供需式的投喂裝備，利用魚(yú)群的攝食規(guī)律和食欲強(qiáng)度進(jìn)行不定時(shí)和不定量的投喂，最大化的實(shí)現(xiàn)飼料利用率。試驗(yàn)結(jié)果顯示魚(yú)群體中存在社會(huì)等級(jí)高阻止社會(huì)低等級(jí)靠近觸發(fā)器和投飼區(qū)域的現(xiàn)象，易導(dǎo)致魚(yú)群長(zhǎng)勢(shì)不一和個(gè)體存在較大差異的問(wèn)題，飼料營(yíng)養(yǎng)利用率達(dá)不到最大化；在高密度的水產(chǎn)養(yǎng)殖環(huán)境中，供需式的投喂裝備的觸發(fā)式傳感器很容易被誤觸，導(dǎo)致餌料浪費(fèi)；魚(yú)類的有效的馴化是此方法的應(yīng)用基礎(chǔ)，但這難以在實(shí)際水產(chǎn)養(yǎng)殖中實(shí)現(xiàn)。供需式的投喂裝備適用范圍和進(jìn)一步推廣受限于其本身的局限性。

4）" 基于生長(zhǎng)環(huán)境建模的投喂裝備，目前水質(zhì)環(huán)境利用傳感器和物聯(lián)網(wǎng)等技術(shù)手段可實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)，但受水產(chǎn)水質(zhì)因素非線性和隨機(jī)性等特點(diǎn)，很難實(shí)現(xiàn)有效地預(yù)測(cè)。在水產(chǎn)養(yǎng)殖中，水質(zhì)環(huán)境因素不僅復(fù)雜而且相互影響，大大增加了預(yù)測(cè)的難度，近年來(lái)水產(chǎn)養(yǎng)殖的水質(zhì)環(huán)境預(yù)測(cè)也成為研究的熱點(diǎn)。目前關(guān)于水產(chǎn)養(yǎng)殖水質(zhì)多因子的預(yù)測(cè)模型研究很多，這些預(yù)測(cè)模型基本上在實(shí)驗(yàn)室內(nèi)進(jìn)行，實(shí)際應(yīng)用較少。因此，目前關(guān)于水產(chǎn)養(yǎng)殖水質(zhì)的預(yù)測(cè)模型和理論的研究仍處于初步階段，研究應(yīng)重點(diǎn)關(guān)注多因子水質(zhì)的預(yù)測(cè)模型和方法。

3 發(fā)展建議

3.1 加強(qiáng)水產(chǎn)行為學(xué)與投喂裝備的融合

利用計(jì)算機(jī)視覺(jué)計(jì)數(shù)對(duì)魚(yú)群的數(shù)量、速度、聚集度等行為學(xué)特征進(jìn)行建模分析，建立魚(yú)群行為學(xué)特征模型。利用自調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)模糊信息系統(tǒng)將實(shí)驗(yàn)得到的各個(gè)行為學(xué)參數(shù)進(jìn)行特征關(guān)聯(lián)，通過(guò)決策系統(tǒng)最終輸出投餌量和投餌速度構(gòu)成投喂策略。

3.2 推動(dòng)產(chǎn)學(xué)研協(xié)同創(chuàng)新

以企業(yè)為主體、市場(chǎng)為導(dǎo)向，產(chǎn)學(xué)研深度融合，創(chuàng)新要素高效轉(zhuǎn)化。深化水產(chǎn)種業(yè)基礎(chǔ)性公益性研究，加大關(guān)鍵核心技術(shù)攻關(guān)力度，開(kāi)展長(zhǎng)周期研發(fā)項(xiàng)目試點(diǎn)。加快運(yùn)用現(xiàn)代化水產(chǎn)養(yǎng)殖設(shè)施裝備，加強(qiáng)自動(dòng)飼喂裝備研發(fā)，提升水產(chǎn)養(yǎng)殖技術(shù)裝備現(xiàn)代化和信息化水平。

3.3 加大政府投入和補(bǔ)貼

充分發(fā)揮政府作用，推進(jìn)水產(chǎn)養(yǎng)殖治理體系和治理能力現(xiàn)代化，提高水產(chǎn)投喂裝備覆蓋率，將漁業(yè)智能養(yǎng)殖設(shè)備列入農(nóng)機(jī)購(gòu)置補(bǔ)貼范圍，解決高度自動(dòng)化水產(chǎn)投喂裝備引進(jìn)成本高，操作難度大的問(wèn)題。引導(dǎo)產(chǎn)業(yè)多元化投資，健全市場(chǎng)體制，研發(fā)與推廣并舉，合作與競(jìng)爭(zhēng)共進(jìn)，只有需求側(cè)的需求落地，才能為共給側(cè)的研發(fā)和升級(jí)提供動(dòng)力，為水產(chǎn)投喂裝備產(chǎn)業(yè)注入新活力。

4 結(jié)語(yǔ)

近年來(lái)，我國(guó)水產(chǎn)養(yǎng)殖產(chǎn)業(yè)發(fā)展迅猛，水產(chǎn)產(chǎn)出能力不斷增加，針對(duì)水產(chǎn)投喂的新技術(shù)、新裝備不斷涌現(xiàn)，極大地提升了水產(chǎn)養(yǎng)殖效率，降低了勞動(dòng)強(qiáng)度。然而，由于水產(chǎn)養(yǎng)殖是一個(gè)系統(tǒng)工程，因此，亟需研究人員依據(jù)不同養(yǎng)殖規(guī)模和養(yǎng)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(chǎn)投喂裝備，從而推動(dòng)我國(guó)水產(chǎn)養(yǎng)殖機(jī)械的發(fā)展，提升水產(chǎn)養(yǎng)殖業(yè)的機(jī)械化水平。

參 考 文 獻(xiàn)

［1］ 馮雙星. 基于深度學(xué)習(xí)的魚(yú)類攝食強(qiáng)度探測(cè)與智能投喂系統(tǒng)研究［D］. 南寧： 廣西大學(xué)， 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(guó)水產(chǎn)養(yǎng)殖發(fā)展現(xiàn)狀與前景展望［J］. 漁業(yè)現(xiàn)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(jì)算機(jī)視覺(jué)的魚(yú)類行為學(xué)規(guī)律與精準(zhǔn)投喂的研究［D］. 杭州： 浙江大學(xué)， 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(jī)器視覺(jué)實(shí)時(shí)決策的智能投餌系統(tǒng)研究［J］. 工程設(shè)計(jì)學(xué)報(bào)， 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(xué)方法的水產(chǎn)養(yǎng)殖投飼反饋技術(shù)研究進(jìn)展［J］. 漁業(yè)現(xiàn)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(wǎng)箱中水聲魚(yú)群遠(yuǎn)程監(jiān)測(cè)系統(tǒng)的研究［D］. 廈門： 廈門大學(xué)， 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(shù)的深水網(wǎng)箱魚(yú)群狀態(tài)遠(yuǎn)程監(jiān)測(cè)儀研究［J］. 儀器儀表學(xué)報(bào)， 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(guó)勝， 張沛東， 陳勇， 等. 鯽幼魚(yú)音響馴化的研究［J］. 大連水產(chǎn)學(xué)院學(xué)報(bào)， 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(yùn)燊， 石小濤， 劉德富， 等. 聲音導(dǎo)魚(yú)技術(shù)的分析與展望［J］. 水生態(tài)學(xué)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(qiáng)澤. 池塘養(yǎng)殖智能投飼系統(tǒng)的研究［D］. 南京： 南京農(nóng)業(yè)大學(xué)， 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(shí)時(shí)水質(zhì)參數(shù)的智能養(yǎng)殖裝備設(shè)計(jì)［J］. 漁業(yè)現(xiàn)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(shí)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(yú)能量收支及生物能量學(xué)最適生長(zhǎng)模型的研究［D］. 武漢： 華中農(nóng)業(yè)大學(xué)， 2010.

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