水产养殖智能投饲系统研究进展和存在问题

左渠，田云臣，马国强

水产养殖智能投饲系统研究进展和存在问题

左渠，田云臣通信作者，马国强

（天津农学院 计算机与信息工程学院，天津 300392）

集约化、规模化、设施化水产养殖的不断发展对投饲系统提出了新的要求。智能投饲系统以其自动化、智能化的特点成为提高饲料利用率、控制养殖成本的重要手段。首先介绍投饲系统的发展进程和智能投饲系统的概念及结构，然后分别从智能投饲硬件装备和鱼类摄食强度智能分析两方面详细介绍了水产养殖智能投饲系统的研究进展，最后指出了目前我国智能投饲系统存在的与产业结合不密切、系统性不足及市场化程度不高等问题。

水产养殖；智能投饲；摄食强度；研究进展

我国是水产养殖大国，养殖产量已经超过了全球总产量的70%[1]。水产养殖作为我国农业生产的重要组成部分，在推动我国农业经济发展、提高人民生活水平等方面扮演着重要角色，但还存在成本高、效益低等问题，因此降低饵料成本十分重要。但单纯减少饵料投喂量，不仅不符合养殖动物的生长规律，还会间接加大水产养殖风险，反而降低效益，因此合理的投喂是决定水产养殖效率和成本的主要因素[2]。我国的水产养殖投喂经历了人工、机械、自动等不同的发展阶段，随着物联网、人工智能等信息技术的进步和集约化、规模化养殖不断扩大，智能投饲系统发展迅速。

1 投饲系统的发展进程

我国投饲装备的试制始于20世纪70年代末。1978年以后，渔业机械仪器研究所（现中国水产科学研究院渔业机械仪器研究所）研制成功多种类型的自动型投饲机和增氧投饲机，中国农业大学研制出螺旋输送式供料和机械振动分料供料2种投饲机，一批企业也相继试制、生产了多种投饲机。但由于投饲机技术不够成熟，性能不太稳定，加上养殖户对投饲机产品认识不足，投饲装备的普及率长期处于较低水平。从上世纪90年代中期开始，养殖户逐渐认识到使用投饲机可以提高饲料的利用率，有助于增产、增收，因而投饲机的产销量开始大幅度提高[3]。此后，国家陆续出台了多个农机产品补贴政策，进一步促进了投饲机发展[4]。

国外投饲系统的研究相对国内较早，技术相对较为成熟。在挪威、美国、加拿大等国自动化投饵系统已得到较为广泛应用，智能投饲系统的研究也取得了良好进展。

随着鱼类生理学、营养学和行为学研究不断深入，人们应用计算机技术和传感器技术开发出能在线计算养殖对象饲料需求量的投饲装备。这种投饲机配备了各种监测和反馈设备，具有一定的自动判断养殖对象饲料需求的能力，被认为是具有高适应性的智能投饲系统，以此展开了水产养殖智能投饲系统的研究。

2 智能投饲系统及其研究进展

智能投饲系统（图1）将传感器、机器视觉、物联网等智能化信息技术应用于传统的投饲装备，除具有基本的投放饲料功能外，还可以根据养殖品种、生长发育周期、养殖密度、水质条件、养殖动物行为等进行调整，实现精准化、智能化按需投喂，具有自动化、一体化程度高的优点。

图1 智能投饲系统

水产养殖智能投饲系统研究主要分为两类：一类是智能投饲装备的研究，从硬件设备角度出发，通过应用传感器、控制器等优化投饲系统，使之达到智能化的要求；另一类是鱼类摄食强度的研究，从计算机软件角度出发，利用机器视觉技术、图像处理技术、智能算法等对鱼类的摄食行为进行评估以获取投饲量，或是通过对水质环境的监控自动调整投饲量与投饲时间，实现智能化投喂。

2.1 智能投饲装备研究进展

智能投饲装备从应用范围可分为池塘养殖、工厂化养殖和网箱养殖3种类型。

2.1.1 池塘养殖智能投饲装备

随着养殖面积的逐渐增大，各种适用于大面积池塘养殖的投饲装备也在不断地研制开发。研究人员结合池塘条件，重点解决了投饲装备存在的投喂范围小、投喂距离近、抛料不均匀等问题。同时，集成自动控制、气力传输、自动称重等技术与装置，基本实现了投饲系统的自动化。

吴强泽等[5]研发了以可编程逻辑控制器（Programmable Logic Controlle，PLC）为控制中心的智能投饲机，通过水温传感器（Troll-9500）监测水温对鱼类摄食行为的影响。结果表明，鱼类生长对水温有很高的要求，在最适合的水温环境下，摄食效果也最高。在此基础上，设计了一种以水温为输入参数的定时控制方法（水温为控制变量，时间为输出变量），根据当天水温平均值决定第二天的投饲次数。

徐志强等[6]研发的远程精准化投喂投饲机，主要通过提高风机的功率来实现更远距离（至少600米）、更高精度（定量）、更自动化（定时）的投饲。驱动控制采用USS protocol协议，PLC控制器与变频器之间采用RS485总线通讯，大大减少了PLC模拟量与数字量扩展模块的工作。研究结果表明，在多池塘投喂作业时，投饵量可达1.05 t/h，抛投半径≥7 m，定量精度为最小投饲量（25± 2%）kg。

顾靖峰[7]引入集中气力输送投饲、水质增氧一元化设计理念，将气力输送与水体增氧功能有机整合，研发了自动投饲增氧系统。系统采用集中式设计，设有大型组合料仓，以满足多个投饲设备的投饲需要，采用独创的无动力旋转撒料器，播撒距离大，可360度无死角投饵，并且主控机可“一机两用”，实现了气力输送与增氧曝气功能有机整合。

杨朦朦[8]研发了一种能进行精准化投喂作业的智能投饲装备，其基本结构由送料装置、称重装置和抛料装置组成。由于安装了称重装置，实现了饲料重量的实时读取，根据水温和溶氧量设计了二维模糊控制器，将水温和溶氧量输入模糊控制器后得到精准的投喂量。结果表明，预定投喂量与实际投喂量之间的误差均控制在0.2%～1.7%范围以内。

2.1.2 工厂化养殖智能投饲装备

水产养殖面临资源、环境、成本、效率等诸多约束，因此具有环保效果好、生产效率高、占地面积小等优点的工厂化养殖逐渐成为水产养殖的发展方向，对智能投饲装备提出了新的要求。针对工厂化养殖投饲装备的需求，综合运用路径规划、传感器、计算机软件及物联网技术，研发的轨道式、自走式投饲装备以及多层水槽式工厂化循环水养殖系统智能投饲车，实现了定时、定量、定点投饲。

袁凯等[9]研发的轨道式自动投饲系统，建立了一种由H型钢轨道、电动滑车、超声波距离传感器、拉压力传感器、料仓和下料机构、电力和控制系统等组成的轨道式自动投饲系统模式，能一次完成一个车间里多达几十个鱼池或其中任意鱼池的定时、定量精确投饲。

刘晖等[10]研发的自走式投饲机，应用AT89S51单片机作为核心控制处理器，通过红外线反射式光电传感器对路径进行采集和单片机控制，使饵料装载底盘能够根据预先设定的黑色引导线自主行走到达投饵工位，完成投饵作业。此外，还可根据养殖面积、养殖品种，快速变更投饵方式。

刘思[11]研发了一种基于PLC的自动投饲机，在实验平台上测试了行走速度、定位精度、投饲速度和投饲精度4个系统性能指标，实现了集上料、行走、投饲功能于一体的定点、定时、定量全自动化饲料投喂以及运行状态和历史数据实时查询等功能。行走速度18 m/min，投饲速度1 kg/min，投饲精度0.5%～2.2%，定位精度110 mm。

肖红俊等[12]研发的多层水槽式工厂化循环水养殖系统智能投饲车由循迹小车、投饲装置和控制系统等组成，能根据红外对管采集的轨道信息和压力传感器采集的饲料信息判别是否投饲或补料，进而实现智能定点定量投饲。运行速度达到0.5～2.2 m/s，投饲的定位精度误差在2 cm以内，投饲量误差能控制在10 g以内。

2.1.3 网箱养殖智能投饲装备

发展深水网箱养殖是增加水产品供给的重要途径，在我国具有非常广阔的发展前景。按照网箱养殖模式，网箱养殖智能投饲装备可分为水面网箱投饲和深水网箱投饲2种，科研人员也研发了相应的智能投饲系统。水面网箱养殖智能投饲系统重点解决投饲劳动强度大的问题，深水网箱养殖智能投饲系统则主要基于实时观察鱼类的生长状况实现精准投饲。

李康宁等[13]研发的可定量投饲的移动式淡水网箱自动投饲机，主要应用了传感器、轨道传动和PLC技术。其核心部件是定量下料机构，通过控制步进电机的旋转角度，进而控制旋转叶轮的旋转角位移，实现定量投饲。结合行走系统、定量下料机构和左右抛料机构，实现了移动式投饲。

刘志强等[14]研发的海上网箱养殖投饲炮，可投放颗粒饲料和用作饲料的鲜杂鱼，速率可调，输送管道直径110 mm。投饲炮可投喂长度≤15 cm的鲜杂鱼和当量直径≤4 cm的颗粒饲料，颗粒饲料投放距离为4.5～18.2 m，投放效率为14.8～ 19.2 kg/min。鲜杂鱼投放距离为6.6～16.9 m，投放效率为15.1～19.7 kg/min。

张旭泽等[15]设计的深海网箱全自动投饵系统，采用4G网络传输数据，将各种数据通过4G移动网络发送至最近的岸基中转站，之后通过网络传输给控制端电脑，从而控制投饲机的全自动投料工作，并监控网箱以及鱼群的活动状况。该投饲机采用泡沫浮体结构，可以抵御大风浪的海况。经长时间观测和对数据进行分析研究，投饵机达到了预期效果，大黄鱼单箱成活率提高到92％。

2.2 鱼类摄食强度评估研究进展

鱼类食欲可以通过摄食状况反映，对指导投喂至关重要，根据鱼类食欲自动调整投喂量是近年来研究和发展的趋势。利用机器视觉获取鱼类摄食的实时图像[16]，通过图像处理、提取特征值以判断鱼类的摄食行为，为基于摄食行为反馈的智能投饲装备研发奠定了基础。

陈彩文等[17]提出了一种通过分析鱼群的纹理来评估鱼群摄食活动强度的方法。首先利用均值背景建模重建出没有鱼群的背景图片，提取出目标鱼群，使用灰度共生矩阵对逆差矩、相关性、能量和对比度4个纹理特征进行分析，得到鱼群的摄食活动强度。试验结果表明，鱼群纹理的对比度与传统方法面积法得到的鱼群摄食活动强度的线性决定系数可达0.894 2。

ZHOU等[18]提出了一种基于卷积神经网络（Convolutional Neural Networks，CNN）和机器视觉的鱼食强度自动分级方法。首先，在饲喂过程中收集图像，并使用旋转、缩放和平移技术进行图像增强。然后，在训练数据时集中对CNN进行训练，并使用训练后的CNN模型对鱼的食欲水平进行分级。最后，对该方法的性能进行评估，并与其他定量和定性的饲喂强度评估方法进行比较。结果表明，该方法分级精度达到90％。

赵建等[19]提出了一种基于改进动能模型的鱼群摄食活动强度评估方法。该方法避免了鱼群目标的前景提取和对鱼群内个体的跟踪，直接以由鱼群摄食活动引起的水面反光区域变化特征为关键因素进行分析。首先，在色调/饱和/值（Hue/ Saturation/Value，HSV）色彩空间下对水面反光区域进行分割、提取；其次，利用Lucas-Kanade光流、统计学方法以及信息熵对反光区域变化的不规律程度进行计算和分析；最后，结合反光区域的变化幅度信息实现对鱼群摄食活动强度的评估。通过试验结果对比分析，该方法在单轮多次饱食投喂（间隔时间（40±2）s）下，针对不同肠胃饱满指数（20.35±10、150.61±10）的罗非鱼均能较好地描述鱼群摄食活动强度。

乔峰等[20]采用机器视觉技术与嵌入式系统构建了用于实时判断鱼群摄食状况的图像采集和处理系统。通过图像处理技术提取鱼群位置、数量特征值，得到鱼群摄食规律；建立了投饵机下料和抛料等执行机构运动学与动力学模型；结合实时图像处理结果得到鱼群摄食规律和投饵机的执行机构模型，构建智能投饵系统，并对投饵效果进行了验证。通过4组试验结果对比表明，以白色像素点与总像素点比例小于10%作为停止投饵的判别标准是合理的，在保证鱼群吃饱的情况下，平均饵料利用率提高7.92%。

CHEN等[21]提出了一种利用反向传播神经网络（Back Propagation Neural Network，BPNN）和思维进化算法（Mind Evolutionary Algorithm，MEA）的群体鱼类饲料摄入预测模型。首先，选择水温、溶解氧、平均鱼重和鱼数4个因素作为BPNN模型的输入。其次，通过MEA优化BPNN的初始权重和阈值，以提高匹配精度。再次，通过训练获得了预测模型。试验结果表明，预测值与实测值之间的相关系数达到0.96。

郭俊[22]研究了一种基于图像与声音信息融合技术的鱼群摄食规律及投饵策略。通过图像采集处理技术，反映鱼群的摄食规律；通过声学技术（水听器采集声音信号）分析鱼群在摄食过程中声音信号的变化规律，计算出鱼群摄食声功率，以反映鱼类的摄食需求；最后通过模糊集理论融合方法计算出投饵量及投饵速度。

3 存在的问题

尽管我国的水产养殖智能投饲系统研究取得了一定进展，但由于技术、成本等因素制约，还存在一些需要解决的问题。

（1）尽管物联网、人工智能等信息技术的进步推动了水产养殖智能投饲系统的发展，但与水产养殖产业的深度融合还远远不够，水产养殖中动物行为获取、识别、分析的自动化、智能化水平仍有待提高。

（2）现有智能投饲系统有的注重投饲效率，有的关注投饲方式，有的突出自动化程度，未能将养殖品种、养殖模式、觅食习性、机械性能、智能化水平等作为一个整体进行研究，系统性不高。

（3）过于强调技术的先进性，忽视了系统的成本、实用性、可靠性、不同养殖模式的适应性，导致智能投饲系统的市场化程度不高。

[1] 杨宁生，袁永明，孙英泽，等. 物联网技术在我国水产养殖上的应用发展对策[J]. 中国工程科学，2016，18（3）：57-61.

[2] ZHOU C，XU D，LIN K，et al. Intelligent feeding control methods in aquaculture with anemphasis on fish：a review[J]. Reviews in Aquaculture，2018，10：975-993.

[3] 葛一健. 我国投饲机产品的发展与现状分析[J]. 渔业现代化，2010，37（4）：63-65.

[4] 庄保陆，郭根喜. 水产养殖自动投饵装备研究进展与应用[J]. 南方水产，2008（4）：67-72.

[5] 吴强泽，袁永明. 基于PLC的投饲机定时控制器的设计[J]. 安徽农业科学，2015，43（34）：350-352.

[6] 徐志强，王涛，鲍旭腾，等. 池塘养殖自动投饲系统远程精准化升级与验证[J]. 中国工程机械学报，2015，13（3）：272-276.

[7] 顾靖峰. 基于物联网技术的集中式自动投饲增氧集成系统装备的开发应用[J]. 农业开发与装备，2016（3）：57-58.

[8] 杨朦朦. 池塘养殖精准投喂量投饵机的研究[D]. 上海：上海海洋大学，2018.

[9] 袁凯，庄保陆，倪琦，等. 室内工厂化水产养殖自动投饲系统设计与试验[J]. 农业工程学报，2013，29（3）：169-176.

[10] 刘晖，杨有泉，邓素芳，等. 基于AT89S51的自走式投饵机械装置控制系统设计[J]. 农业网络信息，2017（2）：124-128.

[11] 刘思. 基于PLC的自动投饵控制系统设计[D]. 湛江：广东海洋大学，2017.

[12] 肖红俊，刘凯，李莉莉，等. 多层水槽式工厂化循环水养殖系统智能投饲车设计[J]. 渔业现代化，2019，46（10）：21-26.

[13] 李康宁，李南南，刘利，等. 淡水网箱养殖自动投饵机设计[J]. 河北渔业，2018（4）：48-51.

[14] 刘志强，刘双喜，李伟，等. 海上网箱养殖投饲炮的设计与试验[J]. 渔业现代化，2015，42（3）：38-42.

[15] 张旭泽，周敏珑，穆晓伟. 深海网箱全自动投饲机械结构设计[J]. 机械工程师，2015（9）：120-124.

[16] 徐愫，田云臣，马国强，等. 计算机视觉在水产养殖与生产领域的应用[J]. 天津农学院学报，2014，21（4）：43-46.

[17] 陈彩文，杜永贵，周超，等. 基于图像纹理特征的养殖鱼群摄食活动强度评估[J]. 农业工程学报，2017，33（5）：232-237.

[18] ZHOU C，XU D M，CHEN L，et al. Evaluation of fish feeding intensity in aquaculture using a convolutional neural network and machine vision[J]. Aquaculture，2019，507：457-465.

[19] 赵建，朱松明，叶章颖，等. 循环水养殖游泳型鱼类摄食活动强度评估方法研究[J]. 农业机械学报，2016，47（8）：288-293.

[20] 乔峰，郑堤，胡利永，等. 基于机器视觉实时决策的智能投饵系统研究[J]. 工程设计学报，2015，22（6）：528-533.

[21] CHEN L，YANG X T，SUN C H，et al. Feed intake prediction model for group fish using the MEA-BP neural network in intensive aquaculture[J]. Information Processing in Agriculture，2020，7（2）：261-271.

[22] 郭俊. 基于图像与声音信息的养殖鱼群摄食规律与投饵技术研究[D]. 宁波：宁波大学，2018.

Research progress and problems of aquaculture intelligent feeding system

Zuo Qu, Tian YunchenCorresponding Author, Ma Guoqiang

（College of Computer and Information Engineering, Tianjin Agricultural University, Tianjin 300392, China）

The continuous development of intensive, large-scale facility aquaculture has put forward new requirements for feeding systems. The intelligent feeding system has become an important means to improve feed utilization rate and control breeding costs due to its automatic and intelligent characteristics. This article first introduced the development process, the concept and structure of the intelligent feeding system, and then detailed the research progress of the intelligent feeding system for aquaculture from the aspects of intelligent feeding hardware and intelligent analysis of fish feeding intensity. Finally, it pointed out that China’s current intelligent feeding system has some problems such as lack of close integration with industry, lack of systematicity and low degree of marketization.

aquaculture; intelligent feeding; feeding intensity; research progress

1008-5394（2020）04-0073-05

10.19640/j.cnki.jtau.2020.04.014

S969.31

A

2020-04-13

国家重点研发计划（2020YFD0900600）；现代农业产业技术体系专项资金资助（CARS-47）

左渠（1997—），男，硕士在读，主要从事水产养殖物联网技术研究工作。E-mail：zuoqu1001@163.com。

田云臣（1967—），男，教授，硕士，主要从事农业信息技术研究工作。E-mail：tianyunchen@tjau.edu.cn。

责任编辑：张爱婷