精准投喂技术的核心在于通过传感器、物联网、大数据分析等现代信息技术，对养殖水体的温度、溶氧量、pH值等关键参数进行实时监测，并结合鱼类的生长模型，预测其摄食需求。通过这种方式，养殖者可以科学地制定投喂计划，避免过量投喂导致的饲料浪费和水质恶化，同时也能确保鱼类获得充足的营养，促进其健康生长。目前，精准投喂技术在对虾、鲈等高价值水产养殖品种中得到了较为广泛的应用。采用精准投喂技术的养殖系统，可提高饲料转化率，降低养殖成本，减少氮磷排放对环境的负面影响。
1 水产养殖精准投喂技术应用的基础
传统粗放的投喂方式下，喂养人员根据自身的工作经验自主判断投喂量，导致实际投喂的饲料与鱼类实际的摄食需求存在较大的差异。为实现精准投喂，要综合考虑鱼类摄食的内外部因素，从鱼类生理学、养殖环境、养殖管理等方面入手，结合现代化的信息技术与智能算法，识别和监测鱼类的行为，构建精准投喂系统，实现对鱼群的精准投喂。
随着信息技术的发展，机器视觉技术、图像处理技术等开始在水产养殖中得到了广泛的应用。机器视觉技术结合图像处理算法，识别提取鱼类摄食的图像特征，计算出鱼类摄食后剩余的饲料颗粒数，进而评估出鱼类的摄食强度。同时，深度学习技术为识别鱼类的特征提供新的助力，通过有效的分类检测，细化了鱼类识别的过程，和传统的人工观察相比，大大提高了识别的准确性和效率。深度学习模型能够从大量的摄食行为数据中学习到鱼类摄食的模式和特征，从而实现对不同种类、不同生长阶段鱼类摄食行为的自动识别。此外，结合物联网技术，可以实现对养殖环境参数的实时监测，如水温、溶氧量、pH值等，这些参数与鱼类的摄食行为密切相关，为精准投喂提供了重要的参考依据。这些技术的开发为水产养殖精准投喂技术的应用打下了基础。
2 水产养殖精准投喂技术应用的现状
2.1 深度学习视角下的精准投喂技术
以深度学习量化鱼类的摄食行为逐渐取代了机器学习。在鱼类智能投喂算法领域，已成功应用卷积神经网络对鱼类的摄食强度进行分类与识别，从而为水产养殖业提供了智能化的解决方案。
程淑红等
[1]对红鲫的运动轨迹与水质变化之间的相互关系进行了深入研究，在研究过程中，提取了红鲫的多种运动特征参数，包括速度、加速度、曲率以及邻近特征等，将这些参数按照不同的水质条件进行分类，然后利用支持向量机分类器进行输入处理，以识别红鲫的异常运动行为。李脉等
[2]从机器视觉出发探究智能投喂策略，基于深度神经网络和水面图像纹理判别技术，提出了检测残饲的识别方法，从而实现自适应投喂；其研究结果表明，智能投喂系统能够代替人工投喂，实现无人化的投喂养殖。李鹏龙等
[3]从深度学习的视角提出鱼类跟踪技术，在跟踪获取鱼类轨迹与姿态的基础上，获取鱼类的摄食行为，为精准喂食设备的研发提供了理论支持。李振波等
[4]基于机器视角，提出了鱼类轮廓提取算法及鱼体长度的测量方法，并分析图像采集设备的应用情况，为鱼群的饵料投喂提供了一定的参考依据。黄平等
[5]基于深度学习提出了一种识别鱼类摄食状态的算法，借助深度相机及HSV颜色转换算法，解决了鱼群识别困难的问题，并设计了一种结构简单的神经网络模型；研究显示其模型识别的准确率可达97.81%，为精准分析鱼类摄食行为、实现精准投喂提供了一定的参考。基于这些研究，水产养殖领域中深度学习模型的迁移性和性能得到了显著提升。
2.2 声音信息分析视角下的精准投喂技术
对于鱼类摄食行为的捕捉，可通过机器视觉、水质传感器、声学等行为量化分析。然而，机器视觉在水下环境中的应用受到诸多因素的制约，尤其是鱼类相互重叠、光线条件以及相机拍摄角度的影响。鱼类摄食行为的识别与分类任务因其特殊性和复杂性，往往难以获取清晰有效的图像信息。此外，由于水体的浊度较高以及对比度较低，加之鱼类快速移动和饲料颗粒细小密集，导致拍摄得到的图像常常出现模糊不清的情况，这些因素共同限制了机器视觉技术在水下环境中的应用效果。水质的改变，包括温度、酸碱度（pH值）以及溶解氧的含量，能够间接反映出鱼类的饥饿状况，但准确性并不高。在声学领域，鱼类在进行摄食、繁殖等不同行为时，会产生不同的声音，这些声音的产生与鱼鳔和鱼鳍的运动变化有关。在喂食过程中，鱼类快速摆动尾巴、碰撞、咬合、吞咽等动作会引起声音信号的相应变化；在鱼类捕食时，特定频率范围内的声学强度与捕食行为的强度存在一致性。此外，声学强度与饲料需求及饥饿程度之间呈现出线性相关性。因此，声学监测可以作为评估鱼类摄食强度的指标。
被动声学技术与机器学习的融合已成功应用于鱼类种类的识别以及鱼类数量的统计等领域。鱼类摄食行为的声学监测技术被用来观察其摄食活动。在摄食声学反馈技术领域，通常采用水听器和高速摄像机作为监测工具。同时，对不同水生生物的摄食声学和运动行为进行监测。特定频率范围内的摄食特征信号能够用来估算饲料的消耗量。因此，鱼类摄食产生的声学信号被视为评估摄食强度的关键指标。孙巍等
[6]运用被动声学技术与机器学习算法相结合的方法，对鱼类品种的识别、鱼群数量的统计以及鱼群活跃度等方面进行了深入研究；通过水听器和声学记录仪收集了鳊和鲫在相同比例、不同混合数量下的水声信号，并筛选出与淡水鱼混合数量显著相关的特征参数，进而构建了多元回归模型；该模型展现了良好的识别性能，能够准确反映鱼群声音与其数量之间的关系。这一研究成果证实了鱼群被动声学信息在水产养殖中的应用价值。
2.3 摄食行为视角下的精准投喂技术
鱼类摄食行为主要体现在鱼群的饥饿程度上，为提高水产养殖的投喂精准度，则需要根据鱼的饥饿程度按需投喂，从而避免养殖过程中过度投喂现象的发生，过度投喂不仅会增加养殖成本、降低养殖效益，而且会破坏水产养殖的环境。因此，养殖过程中，要根据鱼群的生长变化进行科学的投喂，而鱼类在不同阶段不同状态下的摄食行为是不同的，故相应的投喂策略也需要针对性地进行改变。
从鱼类摄食行为的表征及鱼类的摄食需求情况看，以机器视觉、光学、声学等技术为手段，结合算法模型量化分析鱼类的摄食强度，能为精准投喂系统提供更准确的投喂指导。相应的精准投喂系统如
图1所示。鱼类的摄食行为又可分为个体行为与群体行为，个体摄食行为的识别主要是通过红外相机、生物遥测等技术，评判鱼类的生长、活动参数，进而指导相关人员精准投喂。
群体行为特征，包括移动速度、方向、分散程度、相互作用力、位置等，以及由摄食活动引起的水面波动变化，能够揭示与食欲强度相关信息的关键在于有效地提取和分类识别表征食欲强度行为特征的参数。乔峰等
[7]通过采用图像处理技术，如灰度分析、滤波处理和二值化处理，对投饲区域鱼群的摄食活动图像进行分析，构建了鱼群摄食面积、密度和强度的量化模型；这使得投饲设备的精准调控成为可能，并显著提高了饵料的利用率，使之达到了91%以上。
为了消除水花和光线等因素对监测精度的干扰，可采用近红外机器视觉技术，并通过支持向量机与灰度梯度共生矩阵处理鱼群摄食图像；再结合适用于多目标追踪的狄洛尼三角剖分算法，以群聚指数和运动强度作为量化指标，对摄食行为进行量化分析。在高密度养殖的实际环境中，由于养殖群体间的相互交错、重叠和遮挡，基于视觉追踪和定位的行为量化分析方法面临较大挑战，其可靠性亦受到严峻考验。而基于生物遥测的个体追踪技术为此类研究提供了便利条件，通过使用遥测发射器、信号接收器、处理器等组件，并利用转换算法模型对获取的声学信号进行处理分析，可实现对鱼个体行为参数（如位置、速度、方向等）的在线实时监测。
3 结语
尽管当前水产养殖精准投喂技术已取得显著进展，但仍存在一些问题和挑战。
现有的技术在不同养殖环境和鱼类种类中的适应性仍需进一步优化。不同种类的鱼类具有不同的摄食习性和行为模式，因此需要开发更为通用和灵活的算法模型以适应各种情况。
成本问题也是一个不容忽视的因素。尽管精准投喂技术能够显著提高饲料利用率，但其初期投资成本较高，包括遥测设备、图像处理系统等，这可能会限制其在小型养殖场中的应用。
然而，随着人工智能和机器学习技术的不断进步，精准投喂技术有望实现更高水平的自动化和智能化。例如，通过深度学习算法，系统能够更加准确地识别和预测鱼类的摄食行为，从而实现更加精细化的投喂策略。
此外，结合物联网技术，可以实现养殖环境的实时监测和远程控制，进一步提高养殖管理的效率和效果。
京公网安备11010202008535号
PDF
(382KB)
