人工智能在水产养殖中研究应用分析与未来展望

徐家利

（浙江机电职业技术学院 浙江，杭州 310053）

水产养殖是指在人为因素的干扰下，培育、繁殖和收获水生动物的生产活动，当前我国的水产养殖存在着粗放养殖、水产生物质量低的问题。而人工智能则是利用信息技术完成过去只有人类才能够从事的智能工作。将人工智能应用至水产养殖中不仅能够节约人力、物力，还能够提升水产养殖的质量水平。

1 人工智能在水产养殖中的研究应用现状

1.1 获得水产生物生命信息研究

精准识别水产养殖鱼类信息的研究：当前人工智能技术中的神经网络和支持向量机两种方法由于其自身的良好特性被充分应用于识别水产养殖鱼的信息当中。具体的人工智能识别流程如下，首先利用图像获取工具摄影鱼类的相关信息，其次对鱼类展开分析，需要由人工先行设定鱼的大小、形态等外在特性，再利用特征训练分类器，根据设定好的鱼类特性，进行信息识别。需要注意的是信息识别和分类的人工智能技术多种多样，需要根据实际情况进行合理选择，那么具体的鱼类信息识别方式除了已经提到的两种，还包括决策树、Bayes分类法等，但是这两种方法由于其本身存在较大缺陷，已经较少应用。水产生物行为识别研究:人工智能中的机器视觉方法可以充分满足这一要求，以鱼类为例，Israeli的研究表明，当水环境当中的氧气含量变小时，鱼类的游动频率和深浅程度都会发生改变。并且，鱼类在水环境中觅食行为是否积极能够侧面的反映水的质量、发生的变化，以及是否存在不利于生物生存的物质存在。基于此，也便于水产养殖人员及时的了解水质信息，并进行水质改善。除此之外，检测特定鱼类行为的程序、鱼类视频追踪系统和鱼类摄食行为捕捉器等人工智能技术的研究也已经相当完备。

生物量估算研究：当前广泛用于生物量估算的方法为通过视觉系统完成估算，而这一方法主要用于水产生物当中的鱼类，具体的工作流程为首先在光源充足的情况下利用相机、水下摄影机等设备完成拍摄，再将拍摄的图像和视频等内容上传至计算机，由计算机完成图像、视频等拍摄内容的导出、预处理和特征提取等工作，进而获得鱼类的计算机视觉、大小、颜色和纹理等图像内容。并且早在上世纪20年，国外相关领域就拥有了间接完成生物量估算工作的想法，并且研究取得了一定的成效，但并没有运用人工智能技术，估算精确度较低，而当今基于视觉系统的估算方法很好的解决了这一问题。

1.2 水产生物生长过程研究

生长决策研究：人工智能技术以水产生物生长的环境因素、水产生物本身的体型数据信息为依据，利用计算机技术展开运算，将环境和水产生物体型联系起来，构造水产生物生长模型，并根据模型结果，通过相应的决策支持系统，完成水产生物生长决策确定。那么当前决策支持系统的研究已经十分完善，无论是支撑决策支持系统工作的组成系统，还是用户界面，都能够高效运行。除此之外，新型鱼类生产决策方案的提出和鱼类生长模型的建立完善，都为水产生物生长决策提供了人工智能技术的支持。

智能喂养控制研究：当前的智能喂养控制主要包括两种方式，分别是通过检测饲料残余确定喂食数量和分析水产生物摄入饲料的频率确定喂食数量，并且针对这两种方式，国内外相关的企业已经研究了完备的喂食系统。国外涉及到了残余饲料计数装备研制，国内涉及到了鱼类摄入饲料行为检测系统和自动投食的设备研制。

1.3 水产生物疾病预控研究

疾病预测研究：人工智能技术的应用能够充分解决预测不准确，预测用时长的问题，具体的应用流程如下，首先需要利用人工智能技术做好水产养殖水环境的监测工作，并根据水环境中存在的风险因素，建立水产生物疾病预测系统，而其中主要涉及到支持向量机、预警系统、疾病预测系统等技术。其次，再根据疾病预测结果开展疾病诊断并采取相应的措施。

疾病诊断研究：当前人工智能技术在疾病诊断中应用主要体现在模型诊断和案例推理两种方法上。首先涉及到的是模型诊断，在数据库的搜索栏输入当前水产生物的疾病症状，筛选出与当前症状相似的疾病种类，将其具体的症状和当前的疾病症状展开进一步比对，根据比对的结果确定疾病的种类并进一步采取措施。而我国目前已经建成了完备的水产生物疾病知识库，为模型诊断提供支持。

1.4 水产养殖环境控制研究

水环境研究：运用人工智能技术展开水质的监测主要依赖于计算机技术，通过测量辅助数据的方式，达到水质测量的目的。近些年，我国研究学者提出了水质非线性组合预测预警方法，降低了传统水质预测方式耗费的时间，提高了预测准确性，也提升了预测方法适用的普遍性。

氧气含量控制研究：基于人工智能技术的氧气含量控制方法是先对水环境中的氧气含量进行监测，再将监测数据反馈至智能控制系统，该系统按照预先设置的氧气含量极值完成自动控制氧气输送工作。当前基于人工智能输送氧气的方式主要包括直接控制和预测控制，直接控制主要依赖于设定好的输氧极值以及相关的程序，自主开展输氧活动。而预测控制是根据水环境氧气变化规律进行输氧控制。

1.5 无人水下潜水器研究

我国无人水下潜水器的研究具有起步较晚的特点，依然处于研究的初级阶段，研究团队由高校人才和科研所联合组成。主要研究成果集中在水下目标识别、路径规划与导航和控制与作业三方面。

2 人工智能在水产养殖中的研究应用瓶颈

2.1 水产生物生命信息不完善

当前水产生物生命信息获取渠道较为单一，过于依赖水产生物的外部特征。并且当前人工智能技术应用于水产生物生命信息获取的对象集中于鱼类、虾类，能够服务的对象较少。除此之外，以鱼类为代表的水产生物的信息获取环境较为单一，只有在特定环境下，现有的信息获取模型才能够充分发挥作用，并且一旦环境的光照、温度等因素发生变化，就无法完全识别信息。

2.2 水产生物生长监测限制性较强

大量预测模型的存在就给水产生物生长监测提供了机遇，同时也带来了用户无法确定模型的使用范围、选择合适预测模型的挑战。同时预测模型存在通用性差的特点，也难以广泛的进行应用。而人工智能在喂养当中的应用主要是以水产生物的外形和活动轨迹为依据确定喂食的数量，但是水产生物运动速度较快，数量较大，通常可能出现重叠的情况，进而导致喂食数量的确定不准确。

2.3 水产生物基本预控不全面

虽然数据库的建立能够根据以往的疾病案例确定当前水产生物的疾病状况，但是当前依然存在研究投入较少的情况，并且由于水产生物本身疾病变化具有不确定性和突变性，因此目前的疾病预测无法完全满足相关要求。其次在疾病诊断环节，水产生物一旦发病，即表现为涉及范围广、治疗困难，但是水产生物本身数量较大、种类较多，也给疾病的诊断带来了极大的困难。因此，探索常用的水产生物疾病诊断手段，将其与人工智能技术充分结合起来是十分有必要的。

2.4 水产养殖环境调控能力较差

水环境中的水质预测模型研究已十分充分，但是预测模型研究数量的增加，并不代表着适用环境的增加，当前预测模型的应用还是在特定的环境条件下进行的，实用性、适用性较差，与实际情况的联系不紧密。并且水环境中的氧气含量智能控制系统虽然能够满足水产养殖的需求，但是这一系统的建设成本较高，集约化程度较低，需要大量人力、物力资源的消耗来维持系统的正常运转。

2.5 无人水下潜水器需要进一步研究

无人水下潜水器的目标识别工作主要依托水下摄影机完成，但是由于水产养殖环境的复杂性，摄影的质量无法保证，并且拍摄的距离较短，无法准确完成目标识别工作。而路径规划与导航工作方法和无人水下潜水器的工作速度不匹配，是阻碍该项工作高效开展的重要因素。最后涉及到控制与作业。由于无人水下潜水器的研究还停留在初级阶段，因此大多数实践都是在实验室完成，没有充分考虑到在实际作业过程中可能会遇到的外界因素干扰。

3 人工智能在水产养殖中研究应用未来展望

3.1 增加水产生物生命信息获取渠道

水产生物生命信息的获取是人工智能应用于水产养殖的首要任务，但是这些信息存在着数量庞大、种类繁多的特定，因此人工智能技术在发挥作用的过程中，要借助多方平台，便于信息获取。而精准识别水产养殖鱼类信息是重要内容，鱼类作为水产养殖的主要生物，是满足水产市场需求和养殖者经济来源的主要支撑。而基于当前的养殖模式，不同的鱼类往往在同一场地完成养殖，那么做好鱼类信息的识别是很有必要的，有助于获得更大的经济效益。养殖环境对于水产养殖生物的影响巨大，养殖环境中最重要的便是水环境，当水环境发生变化时，水产生物的行为以及外形都会发生一定变化。生物量估算，水产养殖生物不同生长阶段的生物量信息对于判断其生长状态来说十分重要，是养殖人员做出喂食、收获等决策的重要依据，因此利用人工智能技术做好生物量的计算工作是十分有必要的。例如在增加水产生物生命信息获取渠道的过程中，首先要能够精确捕捉到主要需要识别的水产生物种类为鱼类，并对鱼类和其他生物种类的活动轨迹、数量特征等信息进行采集，并将采集到的信息转化为数据，以庞大的数据基础作为人工智能在水产养殖中发挥作用的基础。其次涉及到精准识别水产养殖鱼类信息，要求针对不同的鱼类所拥有不同养殖期和收获期的特点，精准识别水产养殖鱼的信息，做好分类工作，及时进行收获和销售。再次涉及到了养殖环境，获得水产养殖生物的行为动作信息对于更好的开展水产养殖具有重要意义，根据其行为动作的变化具有一定的规律性和时间密切相关的特性，通过水下摄影和系统分析的方式，侧重总结不同水环境和不同时间节点下水产生物的行为动作信息变化。最后涉及到了生物量估算，由于水产生物的生物总重量和其体型长短、大小成正比关系，因此可以通过养殖人员喂食的数量和频率计算其体型，间接达到生物总重量计算的目的，从而能够精准计算水产生物的生长期、收获期，及时的进行捕捞和出售。

3.2 完善水产生物生长监测技术

生长决策是水产生物生长监测的重要内容，水产养殖环境中水环境所含的各个元素对于水产生物会造成十分重要的影响，其中最为关键的是氧气含量和水温控制。氧气含量短缺会导致其他气体含量的增加，进而可能会导致水产生物死亡的情况出现，如二氧化碳含量增加，但是如果水环境中的氧气含量过大，不仅对于水产生物的生长没有益处，甚至还会造成资源浪费的情况出现，增加了养殖成本。因此做好水产生物生长决策，确定适合的水环境调节策略是十分有必要的。而喂食是维持水产生物生命，促使其正常生长的重要手段，并且随着近几年人们生活水平的不断提升，对于水产养殖的数量和质量都提出了更高的要求，因此水产生物的智能喂养控制越来越被水产养殖行业所重视。例如在完善水产生物生长监测技术的过程中，首先涉及到了生长决策，做好水产生物生长决策，确定适合的水环境调节策略。其次涉及到了智能喂养控制，智能喂养是基于水环境和水产生物的体型、行为等信息确定喂养饲料的种类和时间的科学喂养方法，该方式的应用需要融入人工智能技术，进而能够自主的计算出水产生物摄入饲料的数量和时间，并且通过智能喂养控制，不仅仅能够促进水产生物的科学养殖，还能够节约人力资源成本，从而降低水产养殖的总成本，扩大获得的经济效益。

3.3 全面开展水产生物疾病预控

疾病预控的第一项任务是疾病预测，传统的水产生物疾病检测方法主要围绕鱼类、虾类展开，不仅服务对象单一，并且该方法预测不准确、用时较长等问题的存在，都无法满足水产生物疾病预测的要求。近些年爆发水产生物疾病的速率越来越高，规模越来越大，水产病害的形式变得严峻起来，因此做好水产疾病预测工作，及时采取相应的应对措施，降低养殖行业的损失是很有必要的。第二项任务是疾病诊断，尽早确定水产生物的患病原因，并采取相应的治疗措施，避免疾病的进一步恶化和范围的扩展，可以有效降低因此可能会造成的经济损失。例如在全面开展水产生物疾病预控的过程中，首先涉及到了疾病预测，其次涉及到了疾病诊断，当水产生物患有疾病时，往往会体现在水产生物的体型外表上，也会体现在水产生物的活动频率上，因此，基于这两个因素判断水产生物是否患有疾病，是疾病诊断的重要环节。并且通过观察水产生物的体型外表和活动频率也能够判断产生疾病的原因所在。而要想及时完成水产生物疾病诊断，需要在现有疾病预控系统的基础上，进一步进行研究，除了发挥对于已经出现疾病的诊断作用，还能够在疾病出现前进行防控。

3.4 增强水产养殖环境调控能力

水环境是水产养殖环境中最重要的内容，而水质又是决定水环境质量的重要因素，因此做好水质参数的控制是十分有必要的。氧气作为水产养殖行业水环境中最为关键的因素，含量过高或过低都会对水产生物造成不利影响，甚至是微小的氧气含量数值变化，都可能会造成水产生物的死亡、养殖环境的恶化，因此做好氧气含量的控制工作是十分有必要的。例如在增强水产养殖环境调控能力的过程中，由于环境感知传感器是水质参数监测和氧气含量监测主要的应用仪器，因此进行改进和完善是十分有必要的，可以在单一环境感知传感器的功能中添加摄影功能和参数采集功能。那么可以进一步探索更有效的方式分析传感器上传的数据，如决策树等方法。这样既能够保证水产生物的活跃，也能够保证经济效益的获得。

3.5 加快无人水下潜水器的研究

无人水下潜水器能够根据程序设定自主完成水产养殖的一系列工作内容。其动力来源主要依托于连接的电缆，除却电缆长度限制这一缺点，无人水下潜水器具有灵活性强、持续作业能力强等优势。基于我国无人水下潜水器的研究现状，需要进一步加快研究步伐。例如在加快无人水下潜水器研究的过程中，针对工作环境限制较多的问题，要加大适应各种水环境潜水器的研制力度，如在深海环境则研制重心较稳、体型较大的潜水器，而在池塘则需要研制体型较小、能够灵活挪动的潜水器。而针对受外界因素干扰较大的问题，要提升潜水器迅速识别目标的能力，提升其工作适应性和准确性。

4 结语

人工智能在水产养殖中的应用研究已经取得了一定的成果，但依然存在一些应用方面的瓶颈，本文虽然具有针对性的提出了五条应用策略，却无法解决全部的问题，仍需要从业人员的共同努力，促使人工智能在水产养殖中的应用随着时代的进步，科学技术的发展变得更加深入。