水产养殖是指在人为控制条件下养殖鱼类、 虾蟹类、贝类、软体动物、藻类等水产品，养殖 方式可分为池塘养殖、陆基工厂循环水养殖和网 箱养殖三大类，主要业务环节包括育种选择、 养殖环境控制、投喂、病害防控、捕捞等。目 前，中国的水产养殖形式已由粗放型向集约型转 变，生产结构不断调整升级，但较低的劳动生产 率、生产效率和资源利用率，低质量的水产品以及缺乏安全保障等问题都严重制约中国水产养殖 业的快速发展。中国在 2002—2016 年期间一直 是世界上更大的鱼类和鱼类产品出口国，但随着 近年来国外发达国家智能化、信息化的渔业生产 模式逐渐开展，挪威等欧盟国家和地区成为领先 的鱼类和鱼类产品市场，而中国目前仍处于从传 统养殖向现代化养殖的过渡阶段，智能化建设尚 不完善。因此，利用现代信息技术实现中国智慧 渔业建设已成为目前水产养殖领域的重要任务 。

随着物联网、大数据、人工智能等新一代信 息技术的不断进步，在水产养殖中利用机器替代 人工成为可能 。其中，农业物联网技术可感知 和传输养殖场信息，实现智能装备的互联；大数据与云计算技术完成信息的存储、分析和处理， 实现养殖信息的数字化，人工智能技术作为智能 化养殖中最重要的一部分，通过模拟人类的思维 和智能行为，学习物联网和大数据提供的海量信 息，对产生的问题进行分析和判断，最终完成决策任务，实现养殖场精准作业。物联网、大数据 和人工智能三者相辅相成，深度融合，共同为加 快中国完成水产养殖转型升级阶段提供技术支持。与传统技术相比，人工智能技术侧重对问题的计算、处理、分析、预测和规划，这也是实现 机器代替人工的关键 。人工智能技术在水产养殖中应用的总体结构、过程和相关技术如图 1所 示。在传输和收集数据之后，人工智能技术进行 数据归纳、分析以及经验学习，最后制定相关管 理决策。

为更好地总结人工智能技术在水产养殖中的研究和应用现状，本文按照水产养殖中主要的业务对象和生产环节，梳理了人工智能在“生命信 息获取、水产生物生长调控与决策、鱼类疾病预测与诊断、水产养殖环境感知与调控，以及水产养殖水下机器人”5 个方面的国内外研究进展， 详细阐述了人工智能如何为水产养殖提供技术支持，总结了技术发展面临的挑战，同时提出了未为更好地总结人工智能技术在水产养殖中的 研究和应用现状，本文按照水产养殖中主要的业务对象和生产环节，梳理了人工智能在“生命信息获取、水产生物生长调控与决策、鱼类疾病预 测与诊断、水产养殖环境感知与调控，以及水产养殖水下机器人”5 个方面的国内外研究进展， 详细阐述了人工智能如何为水产养殖提供技术支持，总结了技术发展面临的挑战，同时提出了未

2 应用研究现状和挑战

基于以上人工智能技术在水产养殖中重要性的说明，本节将重点介绍人工智技术如何在信息 获取、问题判断、决策分析，以及智能作业等主要环节进行应用。并通过对研究现状的总结，阐 明目前技术发展面临的挑战和困难，为有针对性地解决水产养殖技术瓶颈、制定有效的解决方案 提供参考。

2.1 水产生物生命信息获取

现代水产养殖中主要依靠传感器获得鱼、 虾、贝等水产生物的生命信息，这些信息不仅量 大且杂乱，难以被充分利用。作为实现“机器换 人”的关键技术，人工智能技术的首要任务就是 获取水下生物生命信息，具体内容为种类、行为 识别和生物量估算。其中种类和行为识别的主要对象为鱼类 。该过程是利用水产养殖对象的外 部特征进行相关生命信息的获取，这些特征信息 也是开发应用水产养殖领域智能化监测 *** 的数 据基础 。种类识别过程必须要排除输入的多 余信息、抽取出关键的信息，并将分阶段获得的 信息整理成一个完整的知识印象 。人工智能 技术在水产养殖信息获取关键技术主要技术方 法、具体流程如图2所示。

2.1.1 鱼种类识别

在水产养殖实践中，通常在同一池塘中同时 养殖几个品种的鱼，因此，在收获期有必要根据 鱼种和大小对鱼进行分级分类，以达到更佳销售 效果。人工智能技术主要依靠机器视觉的 *** 对 鱼种类进行识别，其基本过程为：①获取鱼类图 像信息；②对输入的图像提取鱼个体形态、颜 色、纹理等人为设定的特征；③根据这些特征训 练分类器；④将特征向量输入分类器实现种类识 别［10,11］ 。基于人工智能技术对鱼类进行种类分类的 *** 有神经 *** 分类法、 决策树、 Bayes分类法以及支持向量机等。

在这些经典的 *** 中，决策树和 Bayes分类 法对缺失数据不够敏感、算法简单、结果误差较 大，已较少使用。而神经 *** 和支持向量机这两 种 *** 以强大的泛化能力和较好的鲁棒性，近年 来在鱼种类识别中被广泛应用。鱼种类识别过程 中需要对多个不同种类的鱼进行分类，因此，需 要大量的数据集。目前研究中使用的数据集可分 为公开数据集和采集数据集两种。Jalal 等［17］ 将 光流和高斯混合模型与YOLO深层神经 *** 相结 合，对 Fish4knowledge和西澳大学公开数据集中 进 行 鱼 种 类 划 分 ， 准 确 率 分 别 为 91.64％ 和 79.8％，达到了两个数据集分类的更好效果。但 这类研究局限在对特定场景下鱼类的识别，未能 很好地减少水产养殖中环境等因素产生的识别误 差。还有一部分学者从实际问题出发，通过水下 摄像机等图像获取工具对真实水产养殖环境情况 下的鱼进行分类。吴一全等［18］ 提出了一种基于 Krawtchouk矩、灰度共生矩阵和蜂群优化多核最 小二乘支持向量机的识别 *** ，利用该 *** 对鳊鱼等5种淡水鱼进行了分类识别，识别精度均达 到 91.67% 以上。除此之外，深度学习 *** 以其 独特的视觉特征，在鱼种类划分上取得了较好的 效果。胡涛［19］ 针对船载电子监控场景下的目标 检测，提出了基于深度学习的鱼类目标检测方 法，对 7种鱼成功进行划分，该 *** 对于复杂背 景下低分辨率小目标具有较好的识别效果。

从目前已发表的文献中可以看出，根据所需 要识别的鱼类进行特征训练的模型准确率都较 高，但由于这些模型是针对特定数据集设计的， 并不适用所有的数据集，其迁移能力较差，可识别的鱼种类也较少，只能在特定环境中应用。此 外，光强和鱼运动产生的表型性状和纹理变化也 为鱼种类识别带来了巨大挑战，在未来的研究中 还需重点关注水下图像获取平台参数的改善，提高图像质量，延长设备寿命，从而减少生产投入，进行统一规模化养殖。

2.1.2 鱼类行为识别

水产生物对其生存环境十分敏感，当受到水 体环境压力胁迫时，其游泳和摄食行为以及体色 会发生不同程度变化。这些行为动作具有一定的 连续性和时间相关性，利用机器视觉 *** 可通过 分析视频相邻帧的时间和空间序列得到相关动作 信息，例如，Israeli 发现当水中溶氧过低时， 鱼类的游泳速度和深度有降低趋势，鱼群的整体 分布也会更加分散。在被疾病感染时，鱼类会伴 随明显游速降低，跃出水面行为频率增加等 。 除此之外，鱼类个体摄食行为可反映水环境清洁 程度、水质变化以及水中是否存在有害物质等问 题，工作人员可根据这些行为判断水环境是否适合养殖，从而为生产管理者及时采取相应措施提 供有效信息，达到更大的效益收入。

利用人工智能技术对鱼类游泳行为识别研究较早，主要通过视频监测系统对鱼类运动轨迹进 行监测并描述。Mirat 等开发了一款名为 Ze‐ bra Zoom 的自动化程序来检测斑马鱼的运动。 Fukunaga 等基于混合高斯模型 ， 搭 建 了 GroupTracker视频跟踪系统，可对严重遮挡情况 下的鱼类进行跟踪，在跟踪的过程中提取出如速 度、游泳距离、转弯方向等信息以判断单个鱼的 行为。Perez-Escudero等［24］ 开发了名为 idTracker 的视觉系统，采用多轨迹算法，在记录动物的视 频中找到每只动物的指纹来追踪个体，并通过标 识防止误跟踪。除了鱼类轨迹跟踪外，人工智能 技术还主要集中应用在对鱼类摄食行为识别和强度量化上。例如，Alzubi 等［25］ 通过结合传统的 机器视觉和支持向量机对鱼类摄食行为进行识别 分析。张重阳等［26］ 针对目前检测 *** 特征单一、 样本数量少、鲁棒性低等问题，利用 BP 神经网 络提取图像中鱼群摄食时的颜色、形状和纹理等 特征，并对其进行归一化和特征融合处理，测量 精度达 97.1%，比传统单一纹理特征 *** 准确率 提高了4.1%。

目前科研团队利用人工智能技术已进行了鱼 类游泳行为与环境因子变化关系的研究，但大都 是在低氧或有毒物质等 *** 环境下进行的，针对 温度、pH 或鱼群密度等压力因子研究的较少。 近年来，Pautsina等［27］ 、Wei等［28］ 研究人员尝试 开发基于池塘养殖环境的鱼类复杂行为的检测系 统，但由于受到如水体浑浊、摄像机镜头内滋生 藻类等不可避免的、不受控制的意外情况干扰， 导致系统稳定性差，还未能大面积应用。除此之 外，目前研究的算法大多只在特定的场景下效果 较好，通用性较差，因此，在未来的发展中可重 点关注池塘养殖环境特点，建立可在一定养殖条 件范围和一类鱼中通用的量化模型，提供更加方 便快捷的行为识别 *** 。

2.1.3 生物量估算

水产养殖中的生物量是指在特定水域中鱼 类、虾类的总重量。不同生长期的鱼类、虾类等 生物量信息至关重要，因为管理人员需根据此信 息优化喂养需求并做出有效决策。生物的重量与 其体长和图像面积之间存在一定的关系，因此可 以利用间接估测重量的 *** 来预测水产生物每天 饲料摄入量，监测水产生物生长速度，控制养殖 密度，确定更佳收获时间，确保设施投资资本的 更佳利用［29,30］ 。早在 20 世纪 20 年代，国外学者 就已开展了利用鱼的形状特征和重量之间的关系 作为评估生长速度的 *** ［31,32］ ，但主要是依靠手 工测量研究其相关性，自动化水平较低。计算机 视觉技术的图像分析 *** 无接触式测量的特点为 水产养殖生物量估计带来了新的挑战和机遇。

基于视觉系统的水产生物量估算研究对象主要是鱼类，重点对长度、面积、重量等参数进行 估算［33,34］ 。生物量估算系统框图如图 3 所示，估 算系统主要由相机、光源以及计算机组成。其中 相机分为水上摄像机和水下摄像机两种，可单独 或同时使用；光源用来弥补水下图像较暗的缺 陷，而计算机则是对获取的图像进行预处理和特 征提取实现对生物量信息估算。Costa等［35］ 基于 鱼的侧面轮廓形态，利用偏最小二乘模型估计养 殖鲈鱼的重量，其均方根误差为 16.03，该 *** 也证明了鱼的体长与重量之间具有很强的线性关 系 （R2 =0.9772），为活鱼在线分拣和等级划分提 供相关技术支持。与 Costa 等［36］ 人不同，Verdal 等［37］ 从欧洲无鳍鲈鱼幼鱼的侧面图像中使用面 积、周长、长度、高度和体积等参数对幼虫 （体 重范围从 20.0 mg 到 419.3 mg） 进行体重估计， 试验测得 R2 =0.98，实现了对欧洲鲈鱼幼鱼生长 的监测。Viazzi 等［38］ 基于去掉尾鳍的鱼侧面图 像，利用面积、长度和高度估计自由游动鱼的 重量，该 *** 很好的改善了质量估计模型效果 （R2 =0.99），并且证明与长度、高度等参数相比， 利用面积进行鱼体重估计效果更好。

在集约化水产养殖环境中，生物量信息的获 取非常困难并具有一定挑战性。其中一个主要原 因是水下生物，尤其鱼类在自由移动的情况下非 常敏感，环境中的光照强度、可见度和稳定性都 无法控制；另一个原因是在对性状进行计算时不 应该干扰动物的生长或造成压力，大大限制了传 感器、声学等会对生物造成伤害的技术的应用。

在未来的发展中，可以采用多技术信息融合的 *** 提高目标识别的准确性，例如将机器视觉 技术与声学技术相结合，用图像弥补声呐信号无 法监测到的区域，再充分利用声学技术不依赖光 强的特性进行计数。除此之外，还可以将人工智 能技术与光谱成像技术相结合，开发生物量估算 新 *** ，进一步提高表型参数测量的精度和智能 化水平。

2.2 水产生物生长调控与决策

2.2.1 生长决策调控

池塘环境因素对鱼类的生长有极大的影响， 其中溶解氧、pH、水温等指标尤为重要［39］ 。过 高的氨氮含量会对水体造成污染，直接或间接造 成水产生物的大量死亡；过高的溶解氧含量则会 造成资源的浪费。因此有必要了解水产生物生长 周期内生长与环境因素之间的逻辑关系［40,41］ ，找到最适合其生长的环境控制方案，从而避免水体 污染和资源浪费。人工智能技术在生长决策调控 中应用主要为根据环境参数以及一个养殖周期内 生物的体长、体重等数据，利用计算机分析体重 与各个环境因素之间关系，建立其相应的生长模 型，再通过决策支持系统综合 模型结果，提出高效的生长调 控方案，实现生长阶段智能化 控制。

基于人工智能技术的生长 调控决策支持系统通常包括数 据库、模型库、策略评估系统、 人机接口和用户界面等，具有 系统性、动态性、机理性、预 测 性 、 通 用 性 、 研 究 性 等 特 点［43］ 。生长决策调控主要应用在网箱和工厂循 环水等大规模养殖中。Cobo等［44］ 提出了一种网 箱养殖的鱼类生长决策方案，使用粒子群优化确 定更佳生长策略，在养殖过程中更大化当前生产 利润。Supriatna 等［45］ 利用每一年的总投入和总 收入产量等，使用非线性最小二乘法构建生长模 型，在不阻碍渔业可持续发展的前提下，估算鱼 群种内增长率并及时预警鱼类种群的更大允许生物量。Supriatna团队根据以上研究基础，开发了 一款决策支持系统，结合使用感知机和人工神经 *** 的 *** 建立鱼类生长模型，估算更大可持续 产量，及时调整生长方案，为实现更大生产量提 供技术支持［46］ 。Kamisetti等［47］ 设计了一种用于 淡水虾、鱼类养殖的池塘管理决策系统，通过测 量溶解氧、pH、温度、进料量等参数，利用决 策支持系统在线预测压力影响因子，及时采取环 境调控措施，制定最适合鱼和虾类的生长方案。 准确掌握鱼类生长、死亡等特征是研究其种 群行为进行资源评估的重要 *** 。目前对鱼类生 长的预测有多种 *** 可以选择，最常用的即为 Logistic 增长模型和 Gompertz 增长模型。由于每 个模型采用的原理和 *** 不同，目的和适用范围 也都不同，导致用户难以挑选适合的模型。虽然 从文献中看，所使用的生长模型可以为生长调控 提供决策信息，但其通用性和实用性较差。大多 参数都是针对特定种类进行预测，难以应用于其 他水域和种类。要将模型应用扩展到更大空间则 需要获取更为详细的数据，且随着调控参数的增 多，模型的精度和适用性也会受到影响。在初步 探索鱼类生长调控模型开发和应用后，模块化和 综合应用将会成为未来水产生物生长调控和决策 的发展方向。

2.2.2 智能投喂控制

在水产养殖中，科学合理地投喂是提高养殖 效率、降低成本的主要因素。近年来，基于新一 代信息技术的发展，根据水生动物行为和生长状 态的变化进行智能投喂控制越来越受到人们的关注。智能投喂控制是根据水质及水产行为参数构 建养殖饲料配方模型，可以自动确定鱼类、虾类 等的摄食需求，决策出更优投喂方案［48,49］ ，从而 降低劳动成本，提高生产效益 。

智能投喂控制可分为检测残饵决定投喂量和 分析行为确定摄食强度估测投喂量两种 *** 。如 挪威 AKVA 集团开发的 Akva *** art CCS 投喂系 统，通过安装残饵数量计数器和残饵收集装置， 当残饵数量达到阈值时，水下摄像头辅助确认残 饵剩余信息，系统将会根据反馈信号停止投喂， 该系统是目前世界上信赖程度较高的投喂系 统［51］ 。Atoum 等［52］ 利用计算机视觉技术设计了 一种可识别室内循环水养殖中浮性饲料的滤波 器，成功区分了饵料区和非饵料区，并利用局部 搜索 *** 提高计算残饵量精度和效率。在鱼类摄 食行为方面，北京农业信息技术研究中心杨信 廷、周超团队已利用计算机视觉、红外光谱等多 种 *** 完成了对鱼类摄食行为监测和投喂自动控 制的研究，为解决当前水产养殖中存在的投喂量 不合理、饲料浪费严重等问题，为促进精准养 殖、智慧渔业发展做出了重要贡献［53-55］ 。浙江大 学叶章颖、赵健团队利用计算机视觉相关图像处 理等 *** ，对鱼群实时摄食欲望程度进行了表征 和量化，将鱼类的摄食强度分为四个等级，所提 出的方案对循环水养殖中游泳型鱼类的高效投喂 具有较强的理论指导作用，是近几年设计的较成 功的智能化投喂系统［56,57］ 。进一步对以上几种具 有代表性的国内外鱼类摄食系统进行对比，结果 如表1所示。

水产养殖中的投喂工作是一个复杂的系统工 程，有许多影响因素。由于鱼类等水生动物运动 速度快，其运动会引起身体重叠、遮挡等不利因 素从而影响监测 *** 的准确性。在未来的发展中 还需充分利用信息技术手段，深入了解水产养殖 环境、生物生理和饲料质量等因素对鱼类摄食行 为和生长的持续影响，将人工智能技术与大数 据、物联网等技术结合，采用多信息融合的方 法，从多个角度获取所需数据，弥补因个体重叠 以及监测技术单一造成的数据丢失等缺陷。

2.3 鱼类疾病预测与诊断

2.3.1 疾病预测

自 1993 年中国沿海养殖区大规模爆发对虾 流行病以来，水产病害已成为影响中国水产品质 量和安全的主要因素。传统人工直接检测鱼类、 虾类等水生动物疾病 *** 存在耗时久、准确性差 等弊端，引起的误诊、滞后诊断等问题已对水产 养殖业造成了严重的直接或间接损失，难以满足 现代化渔业发展的需求［60］ 。随着现代科学的进 步和智慧农业的发展，一些研究学者开始利用相 应的推理手段和信息技术 *** 对水产动物疾病进 行预测和诊断，辅助养殖人员以及相关部门做好 防范和预警工作，防止疾病的大面积爆发，减少经济损失。

基于人工智能技术的鱼类疾病预测主要是利 用水质监测结果，建立鱼类疾病预测模型，构建 完善的鱼类疾病预测系统。Li 等［61］ 利用支持向 量机的 *** 构建了温度、溶解氧、化学需氧量等 水质因子与鱼病之间的关系模型，并开发了相关 的预警系统和基于 web 的鱼类疾病在线预测系 统。陈浩成等［62］ 以养殖种类、养殖阶段、病原 体、感染部位、水温、地域作为输入因素，将鱼 类疾病种类作为输出单元，利用 BP 神经 *** 方 法建立了池塘养殖疾病诊断模型，预测结果更大 误差为0.3667，在误差允许范围之内。

目前鱼类疾病的预测研究较难，相关文献较少。由于鱼类疾病传播的不确定性，且影响因素 众多，单一的预测模型无法考虑周全的情况。基于深度学习的模型需要以大量的历史数据为基础，由于受到数据源的限制，往往会导致预测结 果不够准确。基于机器学习的模型预测 *** 中， 应用 BP 神经 *** 可对多因素影响过程预测，但 该 *** 目前在鱼类疾病的预测方面还未广泛应用，因此今后可以尝试建立多种 BP 神经 *** 模型对相应的鱼类疾病进行患病风险的预测，提早发现以减少经济损失。

2.3.2 疾病诊断

疾病发生时通常伴随着生物性状的改变，疾 病作为可反映鱼体生命活动是否受扰乱的依据， 可从鱼类的游动状况和颜色、纹理等表型性状， 对鱼的病因做出初步判断［63,64］ 。深入了解鱼类的 病原、病因、发病机理和防治手段，能够有效控 制鱼病的扩散，具有重要经济价值。

目前进行鱼病诊断常用的 *** 为基于模型诊 断和基于案例推理、知识库比对诊断两种 *** ， 其具体诊断流程如图 4所示。首先从数据库中找 到与发病症状类似的疾病类型，然后进一步进行 结果比对，确定疾病类型后制定相应的治疗方 案。集美大学水产学院在 1997 年首次研究并开 发了鱼病专家诊断系统，开创了中国鱼类疾病诊 断智能化平台建设先河［65］ 。关于鱼病知识库的 研究方面，温继文和傅泽田［66］ 建立了具有全面 性、可靠性和精确性的鱼病知识库，将鱼病诊断 知识的获取工作分为问题识别阶段、概念化阶 段、形式化阶段和知识实现阶段、知识测试阶 段，并形成了统一的认识和规范。案例推理是对 出现的疾病状态进行分析，与案例库中已经确诊 的案例进行比对，确定鱼病种类。在 2000 年， Hori 等［67,68］ 将鱼病诊断的推理知识构造分为 3 层，有效地解决了鱼病诊断的灵活性问题，减少 了巨大搜索空间的负担，并为进一步知识建模及 系统快速有效推理打下了基础。郭永洪和傅泽 田［69］ 对水产养殖中鱼病诊断的具体内容和特征 进行分析，提出了将案例知识与规则相结合的方 法，有效地解决了鱼病诊断时效性差的问题，并 提高了系统的运行效率。除此之外，基于模型诊断和数据驱动的诊断 *** 已逐步应用，基于这两 种方式的人工智能技术在使用时通常利用传感 器、物联网等设备对鱼类个体参数进行采集，计 算机再根据这些参数判断出鱼类个体是否发生疾 病以及疾病的种类等。例如，Xu 和 Wu ［70］ 将粗 糙集与神经 *** 紧密联系起来建立了高性能系 统，该模型综合了粗糙集的强大提取能力和神经 *** 出色的分类能力，可实现对鱼类疾病快速、 大规模诊断。

无论是模型诊断、案例推理还是诊断系统等 *** ，都是在鱼类个体表面发生了一定形状改变 后进行的病害诊断，容易错过更佳治疗期，因 此，对病害进行早期诊断极为重要。

单一的性状监测无法准确反映水产生物疾病 状态。因此，综合分析生物多个表型性状，并建 立复杂的诊断模型将为未来疾病类型的确定和治 疗提供更多的可靠依据。但由于鱼类发病的周期 时间以及发病种类都是不固定因素，且水产养殖 环境中覆盖面积大、获得自然水环境下的病鱼图 片困难较大、影响因素多、研究成本较高，因 此，近年来大多采用生物病毒检测等 *** 进行鱼 类疾病的诊断，但智能化程度较低。在今后的发 展中，可将人工智能技术与病毒检测等 *** 结合 使用，确保疾病判断的准确性和 *** 的适用性。

2.4 水产养殖环境感知与调控

水环境是水生生物赖以生存的环境，水环境 的优劣将直接影响水产品的生长和发育情况。优 质的水环境是保障水产养殖产量和质量的关键因素［71,72］ 。基于人工智能技术的水产养殖环境调控 主要集中在水质预测和增氧控制两方面，本节通 过对人工智能技术在这两方面的应用现状进行阐 述，以期为养殖人员预测水质参数的变化、预防 水产生物疾病、降低经济损失和风险等提供 指导。

2.4.1 水质预测

对水质参数进行实时监测和调控是水产养殖 过程中的重要环节，也是保证水产品质量的重要 措施。目前传感器、物联网等技术手段已经在水 质环境大面积实时监测中得到应用，然而由于水 质参数存在非线性、随机性以及依赖性等特点， 硬件监测无法实现有效地预测［75］ 。在实际水产 养殖中，水质环境参数不仅特征复杂且相互影 响，使得预测的难度大大增加，水质环境预测也 成为近几年学者在水产养殖领域的研究热点之 一［76］ 。基于人工智能技术的水质环境预测是指 借助计算机软、硬件技术，寻求某些不能或者不 易测量的变量与其余易获取变量之间的关系，通 过测量相关的辅助变量间接的获取被估计主导变 量的含量，常用 *** 包括灰色预测法、回归分 析、神经 *** 和支持向量机等［77,78］ 。在人工智能 发展初期，主要采用机器学习的 *** 建立参数预 测模型，基于该 *** 进行水质预测主要采用的算 法和处理流程如图 5所示。但在进行大量数据处 理时，预测模型缺乏鲁棒性，长期建模能力和普 遍性也较差，无法充分反映数据的本质特征，随 着深度学习技术逐步兴起，良好的应用性和非线 性逼近能力弥补了传统 *** 的不足［79,80］ 。

早在 1925 年，美国学者 Phelps 和 Streeter 在 对 Ohio 河污染情况的可度量水质因素的分析过 程中，首次提出并创建了氧平衡模型，该模型具 有一定的实际应用价值。近年来，中国在水 质预测方面已取得较大进步。刘双印 提出了 基于最小二乘支持向量回归机的水质非线性组合 预测预警 *** ，与前向神经 *** 相比，该 *** 的 均方根误差MSE和运行时间分别降低了67.9%和 2.3464 s，可以基本满足水产养殖溶解氧预测的需要。孟连子［83］ 采用支持向量回归机的 *** ， 选择径向基核函数，然后通过网格搜索法全面搜 索并逐级缩小更优参数的搜索范围，实现了更佳 参数的自动获取，对不同程度水质污染情况的预 测准确率均在 92% 以上。宦娟［84］ 通过对溶解氧 时间序列进行自相关分析并用自适应蚁群算法以 及最小二乘支持向量机参数建立更优预测模型， 模型的均方根误差MSE为0.1745，决定系数R2 为 0.9843，具有较好的预测精度和泛化能力。Liu 等［85］ 通过分析溶解氧与外界时空关系的表征特 征、学习原理、因子序列等，利用注意力机制循 环神经 *** 实现了对溶解氧短期和长期的准确预测。

需要。孟连子［83］ 采用支持向量回归机的 *** ， 选择径向基核函数，然后通过网格搜索法全面搜 索并逐级缩小更优参数的搜索范围，实现了更佳 参数的自动获取，对不同程度水质污染情况的预 测准确率均在 92% 以上。宦娟［84］ 通过对溶解氧 时间序列进行自相关分析并用自适应蚁群算法以 及最小二乘支持向量机参数建立更优预测模型， 模型的均方根误差MSE为0.1745，决定系数R2 为 0.9843，具有较好的预测精度和泛化能力。Liu 等［85］ 通过分析溶解氧与外界时空关系的表征特 征、学习原理、因子序列等，利用注意力机制循 环神经 *** 实现了对溶解氧短期和长期的准确预测。

尽管目前已经开展了众多水质多因子预测模 型的研究，但由于这类预测模型大多在实验室条 件下进行，可解决实际问题的应用较少。因此， 目前对水质综合状况的预测预警理论和 *** 研究 仍处于探索阶段，还需结合实际生产情况，重点 关注可实际应用的多因子水质情况预测 *** 。

2.4.2 增氧控制

溶解氧作为水产养殖环境中最重要的制约性 因子之一，水质低氧或高氧都会严重影响水下生 物的生长和产出，甚至造成大面积死亡，恶化水 质环境。以鱼类为例，一般鱼类对于溶解氧的最 适需求量为 5 mg/L，当水中溶解氧低于 3 mg/L 时，鱼类减少摄食，逐渐停止生长；当溶解氧小 于2 mg/L时，鱼类开始浮头；当溶解氧小于1 mg/L时，鱼类开始大量死亡［86］ 。因此，对水产养殖 环境中溶解氧含量的精准监测和控制可为水质管 理提供有效的指导，降低水产养殖的经济损失和 风险［87］ 。传统水产养殖模式中的增氧 *** 存在 监测和控制分离，传输能量消耗大，增氧能耗 高，极易产生富氧和缺氧等问题。基于人工智能 的增氧 *** 是指利用传感器等监测设备对池塘中 的溶解氧含量进行实时检测，再将获取的数据通 过物联网反馈给智能控制系统，智能控制系统根 据适用该养殖场内生物生长溶解氧含量的上限和 下限，对增氧机进行智能控制，从而提高操作的 可靠性和易用性，节省大量人力物力［88］ 。

基于人工智能进行增氧控制的 *** 主要可分 为直接控制和预测控制两种。直接控制是指智能 系统根据水质实时环境直接制定方案进行控制， 常用 *** 有模糊控制［89］ 和专家系统控制［90］ 两 种。预测控制是指在充分掌握溶解氧变化规律的 基础上进行的智能控制，常用的 *** 有时间序 列、数理统计、神经 *** 以及支持向量机，或几 种 *** 结合使用［91］ 。人工智能增氧控制系统具 有计算、知识处理、协同等能力，可以弥补单独 使用增氧机系统不能直接和环境交互的缺点，在 水产养殖智能控制中融入人工智能技术已是大势 所趋掌 晓 峰 等［92］ 提 出 了 基 于 模 糊 径 向 基 （Fuzzy Radial Basis Function，FRBF） 神经 *** 改进的PID控制策略，在某中华绒螯蟹养殖基地 进行控制器应用试验对比，试验结果证明所提出 的控制 *** 比模糊PID控制 *** 超调量缩小2倍， 达到稳态用时缩短了10 min，更大稳态误差减小 了 3 倍。简玉梅［93］ 根据池塘养殖规模的差异， 基于多 Agent的 *** ，建立了多因素影响下溶解 氧的模糊控制算法，分别设计了单台增氧机溶解 氧闭环控制模型和多台增氧机联动控制模型，发 现基于多 Agent水产智能增氧的能耗较以往有明 显降低。Huang 等［94］ 通过溶解氧监测系统，建 立了水产养殖环境中溶解氧的数学模型，在模糊 控制理论的基础上，实现了溶解氧的模糊控制。

江南大学郭亚团队在长短时记忆 *** 模型的基础 上，优化反向传播时的损失函数，提出了提高低 溶解氧含量估算精度的溶解氧预测模型 LDOLSTM ［95］ ，并研发了基于荧光法的溶解氧传感 器，能够精准感知和预测溶解氧含量［96］ ，为增 氧控制提供了高效的决策方案，对降低水产养殖 成本、提高溶解氧估算精度有着重要的作用。

一套完整的增氧控制系统不仅能实时监测池 塘中溶解氧含量，还具备定时控制、阈值控制、 变频控制等功能。目前国内已开发的增氧控制系 统基本可以达到水产养殖行业中日常运行要求， 但系统集成度较差，所需成本较高。在未来的发 展中，还应重点提高增氧控制系统的智能化、精 准控制、稳定运行、高度集成水平，从而在实际生产中可以准确判断当前池塘溶解氧状态，及时 输出相应的控制决策，有效地节约劳动力投入、 减少电力能源消耗、降低养殖生产风险，进一步 促进传统养殖生产的方式转变。

2.5 水产养殖水下机器人

水产养殖水下机器人又称为无人水下潜水 器，是指可以对水产养殖水体环境进行远程监 测、感知养殖对象信息和实现智能作业功能的机 器人，可实现清理、放苗、饲养、管理、收获等 智能化作业，但目前大多处于实验室研究阶段， 未能在实际生产中广泛应用。水下机器人根据与 水面支持系统间的联系方式可以分为遥控水下机 器人和自治水下机器人两类，其涉及的关键技术 分类和应用如图6所示。

遥控水下机器人是指通过脐带缆和母船进行 通信，由母船通过电缆向其提供动力、实施遥控 操作。遥控水下机器人多为开架式结构，易于布 置和安装设备，具有作业能力强、适应能力强和 操作灵活等优点。其缺点一是因电缆长度有限导致活动范围较小，二是因电缆碰撞失效和断裂导 致本体丢失的可能。自治水下机器人自带动力， 和母船之间没有脐带缆连接，可以通过自主决策 来完成运动路径的规划，多呈流线型来减小运动 阻力从而获取更长的工作时间，具有活动范围大、智能化、隐蔽性好等优点，缺点则是作业时 间受携带的动力限制［98,99］ 。水下机器人将人工智 能、探测识别、信息融合、智能控制、模式识 别、系统集成等技术应用于同一载体上，完成如 电缆敷设检查、海底矿藏调查、捞救作业、环境 监测及江河水库大坝检查等工作。

中国于20世纪90年代开始研究水下机器人， 目前国内利用人工智能在水下机器人中的应用研 究团队主要来自哈尔滨工程大学、中国科学院沈 阳自动化研究所、中国船舶科学研究中心、浙江 大学、华中科技大学等［100］ 。本节从目标识别、 路径规划与导航、控制与作业 3方面说明人工智 能技术如何在水下机器人领域中应用，以及研究 现状和技术瓶颈。

2.5.1 目标识别

水产养殖水下机器人为实现定位和作业首先 要进行水下目标的识别，在准确获取目标信息后 才能做出决策控制。基于人工智能技术的目标识 别是指利用计算机视觉的 *** ，对水下摄像机采 集的图像进行智能化信息提取，之后对图像感兴 趣区域利用边界、聚类、阈值、区域和人工神经 *** 等分割 *** 进行处理［101］ ，提取出感兴趣区 域后再用主动轮廓法［102］ 、神经 *** ［103］ 、多特征 融合［104］ 和机器学习［105］ 等 *** 进行目标识别， 无需外界干预，能够基本满足水下近距离快速准 确识别目标的要求，并且具有较强的适应性。 Cai 等［106］ 针对目标识别时面临的水质浑浊和目 标遮挡等问题，提出了一种基于转移强化学习的 多自主水下机器人协同目标识别 *** ，对干扰环 境下的目标信息进行了强化训练，保证了算法的 实时性；在浑水、目标遮挡、光线不足、背景复 杂以及目标重叠 5种环境下进行仿真实验，发现 所提出的模型可以减少相似数据的重复计算，确 保该 *** 的时效性。汤中强［107］ 针对水下目标的 三 维 位 置 估 计 问 题 ， 采 用 加 速 稳 健 特 征 点 （Speeded Up Robust Features，SURF） 的光流跟 踪法对特征点进行跟踪，该算法在成本低于传感 器测量的基础上，可对目标物实时定位，为机器人水下作业提供了保障。贾玉珍和王玥［108］ 为了 削弱复杂恶劣的环境对水下成像造成的不利影 响，并满足水下机器人目标识别任务实时性的需 求，提出了基于人工鱼群算法优化 BP 神经 *** 的水下目标识别算法，试验结果表明该 *** 的准 确率较粒子群优化神经 *** 和免疫遗传算法高出 2%左右。

目前水下摄像机采集图像的质量受海水浊度 和能见度影响很大，总体成像距离较短。由于水 下成像环境较为复杂，在成像过程中水体对光散 射和吸收效应等影响，导致一般成像设备的作用 距离只有几米到十几米，且图像质量具有对比度 低、边缘模糊、色彩丢失、噪声严重等不足，极 大影响了水下目标的精准识别与定位。因此，研 究利用的水下图像恢复算法和智能识别算法是提 高水下目标识别准确性的关键。

2.5.2 路径规划与导航

水下机器人导航与定位是水下机器人进行路 径规划以及准确作业的关键。由于水产养殖环境 复杂，使得机器人在水下导航与定位比在陆地困 难。基于人工智能的水下机器人路径规划是指水 下机器人通过视觉系统获取水中环境图像，提取 图像中的特征点实现全局和局部特征的匹配，同 时使用滤波算法获得所需的理想边缘特征点，最 终结合水下机器人和障碍物相关参数进行相应的 路径规划，其主要 *** 分为建模和路径搜索两 种［109-111］ 。其中路径规划 *** 包括群智能和机器 学习。群智能 *** 将路径规划问题转化为更优搜 索问题，但该 *** 较依赖先验的环境知识，而具 有自主学习能力的机器学习 *** 无需考虑环境因 素，可以更好地解决水下机器人在未知环境下的 局部路径规划问题。

表 2对目前常用的各类智能路径规划 *** 的 优缺点进行了比较，并列举了最新的研究进展。 从表 2中可以看出，基于人工智能的各类路径规 划 *** 已在水下机器人路径规划中广泛应用，但 仍存在一些需要解决的问题。例如，基于蚁群算 法的路径规划 *** 无法适用水下机器人运动速度较快的情况。基于人工神经 *** 的路径规划 *** 需要大量的数据样本，所需训练时间较久。针对 以上问题，可考虑利用深度学习可靠稳定、准确 率高的特点，实现水下机器人在无任何训练的前 提下进行局部路径规划。

2.5.3 控制与作业

作业控制是水下机器人在水产养殖中实现自 主作业的核心，对于水下机器人实现高精度、高 稳定性作业具有重要意义。由于水产养殖环境的 复杂性、作业对象的多样性和脆嫩易损性，要求 水下机器人能够精确稳定地控制本体、机械臂和 末端执行器，在作业过程中实现自主行走、机器 臂准确达到目标点、末端执行器自主动作的有机 协调，最终达到高精度、自主式作业的目的［129］ 。 人工智能技术在水下机器人应用中的更大优势在 于无需事先了解水下机器人动力学知识，可对全 部或部分非线性动力模型进行学习，并计算控制 策略模型，当控制正确率足够高时，再将仿真计 算中的控制策略模型作为初始模型移植到水下机 器人平台并在真实的水产环境下学习。

随着人工智能技术的广泛应用，国内外学者 主要利用神经 *** 、自适应控制、模糊控制等方 法对水下机器人进行作业控制［130］ 。Xu 等［131］ 提 出了神经模糊控制器来实现水下机器人操作系统 跟踪控制。虽然模糊控制器是一种不依赖于模型 的智能控制 *** ，但是模糊控制的规则调整比较 复杂，因此在实际应用中具有一定的难度。韩凌 云［132］ 利用径向基神经 *** 控制器整体补偿控制 水下机器人运动，并利用 Lyapunov *** 证明了 控制系统的渐近稳定性，通过仿真验证了该自适 应控制系统的灵活性、自适应性和可行性。Car‐ lucho等［133］ 开发了适用于水下机器人自适应控制 系统的强化学习框架，该框架将最原始的感知信 息作为输入，并输出连续的控制策略行为，可有 效解决自主水下机器人控制中命令混乱问题。

目前人工智能技术在水下机器人中的应用研 究多数都是在实验室条件下进行的，与农田、果 园中的机器人相比，水产养殖中的机器人和智能装备面临的更大问题就是环境，水下机器会受到 风、浪、水压、酸碱度等复杂因素的严重干扰。 因此，在未来的发展中，需重点关注水下信号传 输技术和图像处理技术，这将为提高复杂环境下 水下机器人作业精度提供新策略。除此之外，还 需将机械手的精细化作业融合机械手的控制 *** 和抓取策略等内容作为研究重点，基于逆向强化 学习的 *** ，机械手可以推测主从式机械手操作 人员的意图，从而快速学习操作专家经验，这也 是水下机械手智能作业的一个发展方向。

3 未来展望与建议

人工智能技术在水产养殖中的应用主要在生 命信息获取、生长调控与决策、疾病预测与诊 断、环境感知与调控、水下机器人等领域。本文 阐述了人工智能技术在上述领域的研究和应用的 相关技术及最新进展，深度分析了在上述领域应 用中仍存在的待解决问题和困难。水产养殖环境 特有的生产方式、气候条件、地理位置、局域环 境、生物组成等因素的不确定性制约着人工智能 技术在水产养殖中的大范围应用，目前基于人工 智能技术在水产养殖中的各项应用大多处于试验 阶段，不能有效地转成产业。尽管如此，人工智 能技术仍然在数据处理、信息提取、实时监测、 决策管理等方面为水产养殖提供了相对高效的技 术 *** 。

（1） 生命信息获取。生命信息获取的手段需 要进一步改善，以获得更加完善、全面的相关数 据。例如用信息融合的 *** 将计算机视觉与传感 器、声学等技术结合，对水产养殖中的个体生物 和环境从多角度、多手段进行信息获取，弥补单 一技术获取信息存在监测“死角”的缺陷，实现 更加全面和智能化的水产养殖个体信息获取。

（2） 生长调控与决策。遥感卫星图像和地理 信息系统是预测模型的有效 *** 。目前遥感卫星 图像已用于估计海洋或淡水中的绿素与鱼类生长 之间的关系。因此，在未来的发展中可以进一步 确定遥感图像等与水产养殖中生物生长之间的关系，将人工智能技术与地理信息系统相结合开展 更多可适用实际生产中调控决策应用，并尝试解 决各类养殖环境下引起的客观问题，提出可解决 养殖生产问题的决策建议。

（3） 鱼类疾病预测和诊断。尽管研究团队已 开发了很多可投入使用的鱼类疾病诊断系统，但 都是对已发生疾病种类的判断，仅起到辅助诊断 的作用。而根据实际生产需要，鱼类疾病的预测 更加有助于提早发现病情，可重点关注以深度学 习为基础的鱼病预测 *** ，从时间序列和空间特 征两方面考虑，有效融合鱼病领域知识和深度学 习 *** ，构建可解释性强的预测模型是未来技术 创新的重要方向

（4） 环境感知。由于水产养殖中水质和环境 的影响因素较多且复杂，所需使用的环境感知传 感器种类较多，且变量不易控制，模型预测和控 制的通用性也较差。人工智能技术在此方向上有 很大的发展空间，硬件系统方面可集成水质传感 器与摄像机，开发集水质参数和水下图像一体的 环境感知系统。软件方面可进一步探索深度学 习、决策树等多因子参数预测和有效控制 *** 在 环境感知中的应用。

（5） 水下机器人。从国内外发展情况来看， 可实际应用和操作的水下机器人大多在深远海网 箱养殖环境中，在池塘养殖、工厂循环水养殖中 作业的小型机器人较少，需将人工智能技术更多 应用在池塘养殖、工厂循环水养殖机器人的研发 上，发展高可靠性、高集成度并具有综合补偿和 校正功能的小型机器人。除此之外，还需重点研 究干扰较大环境下目标生物的快速准确识别算 法，提高水产养殖水下作业机器人目标识别速度 和准确性。在水产养殖水下机器人可稳定作业的 前提下，提升控制系统的自适应性和容错能力。

针对中国目前水产养殖发展现状，建议加快 推进渔业数字化转型升级，在国家现代农业示范 区开展水产养殖数字渔业示范，对水产养殖区域 开展全天候、全覆盖、全状态数字化管理平台建 设。开发出一批具有实用价值的数据库和信息管理系统，突显渔业信息技术创新对产业发展的推 动作用。大力加强陆基工厂、网箱、工程化池塘 养殖的标准化建设，重点完善移动互联网、云计 算、大数据信息系统安全保障体系架构，对关键 数据安全进行防护和测评。推进渔业数字化资源 的分类和分级管理，实现全国统一、互联互通的 渔业精细管理。

作者：李道亮、，刘 畅

来源：智慧农业

欢迎大家在评论区交流分享

更多精彩资讯，请持续关注数字农业分会官方账号