1 引 言

水產(chǎn)養(yǎng)殖是指在人為控制條件下養(yǎng)殖魚類、蝦蟹類、貝類、軟體動物、藻類等水產(chǎn)品，養(yǎng)殖方式可分為池塘養(yǎng)殖、陸基工廠循環(huán)水養(yǎng)殖和網(wǎng)箱養(yǎng)殖三大類，主要業(yè)務環(huán)節(jié)包括育種選擇、養(yǎng)殖環(huán)境控制、投喂、病害防控、捕撈等。目前，中國的水產(chǎn)養(yǎng)殖形式已由粗放型向集約型轉變，生產(chǎn)結構不斷調整升級，但較低的勞動生產(chǎn)率、生產(chǎn)效率和資源利用率，低質量的水產(chǎn)品以及缺乏安全保障等問題都嚴重制約中國水產(chǎn)養(yǎng)殖業(yè)的快速發(fā)展。中國在2002—2016年期間一直是世界上最大的魚類和魚類產(chǎn)品出口國，但隨著近年來國外發(fā)達國家智能化、信息化的漁業(yè)生產(chǎn)模式逐漸開展，挪威等歐盟國家和地區(qū)成為領先的魚類和魚類產(chǎn)品市場，而中國目前仍處于從傳統(tǒng)養(yǎng)殖向現(xiàn)代化養(yǎng)殖的過渡階段，智能化建設尚不完善。因此，利用現(xiàn)代信息技術實現(xiàn)中國智慧漁業(yè)建設已成為目前水產(chǎn)養(yǎng)殖領域的重要任務。

隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等新一代信息技術的不斷進步，在水產(chǎn)養(yǎng)殖中利用機器替代人工成為可能。其中，農(nóng)業(yè)物聯(lián)網(wǎng)技術可感知和傳輸養(yǎng)殖場信息，實現(xiàn)智能裝備的互聯(lián)；大數(shù)據(jù)與云計算技術完成信息的存儲、分析和處理，實現(xiàn)養(yǎng)殖信息的數(shù)字化，人工智能技術作為智能化養(yǎng)殖中最重要的一部分，通過模擬人類的思維和智能行為，學習物聯(lián)網(wǎng)和大數(shù)據(jù)提供的海量信息，對產(chǎn)生的問題進行分析和判斷，最終完成決策任務，實現(xiàn)養(yǎng)殖場精準作業(yè)。物聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能三者相輔相成，深度融合，共同為加快中國完成水產(chǎn)養(yǎng)殖轉型升級階段提供技術支持。與傳統(tǒng)技術相比，人工智能技術側重對問題的計算、處理、分析、預測和規(guī)劃，這也是實現(xiàn)機器代替人工的關鍵。人工智能技術在水產(chǎn)養(yǎng)殖中應用的總體結構、過程和相關技術如圖1所示。在傳輸和收集數(shù)據(jù)之后，人工智能技術進行數(shù)據(jù)歸納、分析以及經(jīng)驗學習，最后制定相關管理決策。

圖1 人工智能為水產(chǎn)養(yǎng)殖提供技術支持邏輯框圖

Fig.1 Logical block diagram of artificial intelligence provides technical support for aquaculture

為更好地總結人工智能技術在水產(chǎn)養(yǎng)殖中的研究和應用現(xiàn)狀，本文按照水產(chǎn)養(yǎng)殖中主要的業(yè)務對象和生產(chǎn)環(huán)節(jié)，梳理了人工智能在“生命信息獲取、水產(chǎn)生物生長調控與決策、魚類疾病預測與診斷、水產(chǎn)養(yǎng)殖環(huán)境感知與調控，以及水產(chǎn)養(yǎng)殖水下機器人”5個方面的國內外研究進展，詳細闡述了人工智能如何為水產(chǎn)養(yǎng)殖提供技術支持，總結了技術發(fā)展面臨的挑戰(zhàn)，同時提出了未來發(fā)展展望，以期為人工智能在水產(chǎn)養(yǎng)殖中的應用和推進提供參考，為中國智慧漁業(yè)和農(nóng)業(yè)現(xiàn)代化發(fā)展提供新方法和新思路。

2 應用研究現(xiàn)狀和挑戰(zhàn)

基于以上人工智能技術在水產(chǎn)養(yǎng)殖中重要性的說明，本節(jié)將重點介紹人工智技術如何在信息獲取、問題判斷、決策分析，以及智能作業(yè)等主要環(huán)節(jié)進行應用。并通過對研究現(xiàn)狀的總結，闡明目前技術發(fā)展面臨的挑戰(zhàn)和困難，為有針對性地解決水產(chǎn)養(yǎng)殖技術瓶頸、制定有效的解決方案提供參考。

2.1　水產(chǎn)生物生命信息獲取

現(xiàn)代水產(chǎn)養(yǎng)殖中主要依靠傳感器獲得魚、蝦、貝等水產(chǎn)生物的生命信息，這些信息不僅量大且雜亂，難以被充分利用。作為實現(xiàn)“機器換人”的關鍵技術，人工智能技術的首要任務就是獲取水下生物生命信息，具體內容為種類、行為識別和生物量估算。其中種類和行為識別的主要對象為魚類。該過程是利用水產(chǎn)養(yǎng)殖對象的外部特征進行相關生命信息的獲取，這些特征信息也是開發(fā)應用水產(chǎn)養(yǎng)殖領域智能化監(jiān)測方法的數(shù)據(jù)基礎。種類識別過程必須要排除輸入的多余信息、抽取出關鍵的信息，并將分階段獲得的信息整理成一個完整的知識印象。人工智能技術在水產(chǎn)養(yǎng)殖信息獲取關鍵技術主要技術方法、具體流程如圖2所示。

圖2 信息獲取關鍵技術

Fig. 2 Key technologies for information acquisition

2.1.1　魚種類識別

在水產(chǎn)養(yǎng)殖實踐中，通常在同一池塘中同時養(yǎng)殖幾個品種的魚，因此，在收獲期有必要根據(jù)魚種和大小對魚進行分級分類，以達到最佳銷售效果。人工智能技術主要依靠機器視覺的方法對魚種類進行識別，其基本過程為：①獲取魚類圖像信息；②對輸入的圖像提取魚個體形態(tài)、顏色、紋理等人為設定的特征；③根據(jù)這些特征訓練分類器；④將特征向量輸入分類器實現(xiàn)種類識別?；谌斯ぶ悄芗夹g對魚類進行種類分類的方法有神經(jīng)網(wǎng)絡分類法、決策樹、Bayes分類法以及支持向量機等。

在這些經(jīng)典的方法中，決策樹和Bayes分類法對缺失數(shù)據(jù)不夠敏感、算法簡單、結果誤差較大，已較少使用。而神經(jīng)網(wǎng)絡和支持向量機這兩種方法以強大的泛化能力和較好的魯棒性，近年來在魚種類識別中被廣泛應用。魚種類識別過程中需要對多個不同種類的魚進行分類，因此，需要大量的數(shù)據(jù)集。目前研究中使用的數(shù)據(jù)集可分為公開數(shù)據(jù)集和采集數(shù)據(jù)集兩種。Jalal等將光流和高斯混合模型與YOLO深層神經(jīng)網(wǎng)絡相結合，對Fish4knowledge和西澳大學公開數(shù)據(jù)集中進行魚種類劃分，準確率分別為91.64％和79.8％，達到了兩個數(shù)據(jù)集分類的最好效果。但這類研究局限在對特定場景下魚類的識別，未能很好地減少水產(chǎn)養(yǎng)殖中環(huán)境等因素產(chǎn)生的識別誤差。還有一部分學者從實際問題出發(fā)，通過水下攝像機等圖像獲取工具對真實水產(chǎn)養(yǎng)殖環(huán)境情況下的魚進行分類。吳一全等提出了一種基于Krawtchouk矩、灰度共生矩陣和蜂群優(yōu)化多核最小二乘支持向量機的識別方法，利用該方法對鳊魚等5種淡水魚進行了分類識別，識別精度均達到91.67%以上。除此之外，深度學習方法以其獨特的視覺特征，在魚種類劃分上取得了較好的效果。胡濤針對船載電子監(jiān)控場景下的目標檢測，提出了基于深度學習的魚類目標檢測方法，對7種魚成功進行劃分，該方法對于復雜背景下低分辨率小目標具有較好的識別效果。

從目前已發(fā)表的文獻中可以看出，根據(jù)所需要識別的魚類進行特征訓練的模型準確率都較高，但由于這些模型是針對特定數(shù)據(jù)集設計的，并不適用所有的數(shù)據(jù)集，其遷移能力較差，可識別的魚種類也較少，只能在特定環(huán)境中應用。此外，光強和魚運動產(chǎn)生的表型性狀和紋理變化也為魚種類識別帶來了巨大挑戰(zhàn)，在未來的研究中還需重點關注水下圖像獲取平臺參數(shù)的改善，提高圖像質量，延長設備壽命，從而減少生產(chǎn)投入，進行統(tǒng)一規(guī)?；B(yǎng)殖。

2.1.2　魚類行為識別

水產(chǎn)生物對其生存環(huán)境十分敏感，當受到水體環(huán)境壓力脅迫時，其游泳和攝食行為以及體色會發(fā)生不同程度變化。這些行為動作具有一定的連續(xù)性和時間相關性，利用機器視覺方法可通過分析視頻相鄰幀的時間和空間序列得到相關動作信息，例如，Israeli［20］發(fā)現(xiàn)當水中溶氧過低時，魚類的游泳速度和深度有降低趨勢，魚群的整體分布也會更加分散。在被疾病感染時，魚類會伴隨明顯游速降低，躍出水面行為頻率增加等［21］。除此之外，魚類個體攝食行為可反映水環(huán)境清潔程度、水質變化以及水中是否存在有害物質等問題，工作人員可根據(jù)這些行為判斷水環(huán)境是否適合養(yǎng)殖，從而為生產(chǎn)管理者及時采取相應措施提供有效信息，達到最大的效益收入。

利用人工智能技術對魚類游泳行為識別研究較早，主要通過視頻監(jiān)測系統(tǒng)對魚類運動軌跡進行監(jiān)測并描述。Mirat等開發(fā)了一款名為Zebra Zoom的自動化程序來檢測斑馬魚的運動。Fukunaga等基于混合高斯模型，搭建了GroupTracker視頻跟蹤系統(tǒng)，可對嚴重遮擋情況下的魚類進行跟蹤，在跟蹤的過程中提取出如速度、游泳距離、轉彎方向等信息以判斷單個魚的行為。Perez-Escudero等開發(fā)了名為idTracker的視覺系統(tǒng)，采用多軌跡算法，在記錄動物的視頻中找到每只動物的指紋來追蹤個體，并通過標識防止誤跟蹤。除了魚類軌跡跟蹤外，人工智能技術還主要集中應用在對魚類攝食行為識別和強度量化上。例如，Alzubi等通過結合傳統(tǒng)的機器視覺和支持向量機對魚類攝食行為進行識別分析。張重陽等針對目前檢測方法特征單一、樣本數(shù)量少、魯棒性低等問題，利用BP神經(jīng)網(wǎng)絡提取圖像中魚群攝食時的顏色、形狀和紋理等特征，并對其進行歸一化和特征融合處理，測量精度達97.1%，比傳統(tǒng)單一紋理特征方法準確率提高了4.1%。

目前科研團隊利用人工智能技術已進行了魚類游泳行為與環(huán)境因子變化關系的研究，但大都是在低氧或有毒物質等刺激環(huán)境下進行的，針對溫度、pH或魚群密度等壓力因子研究的較少。近年來，Pautsina等、Wei等研究人員嘗試開發(fā)基于池塘養(yǎng)殖環(huán)境的魚類復雜行為的檢測系統(tǒng)，但由于受到如水體渾濁、攝像機鏡頭內滋生藻類等不可避免的、不受控制的意外情況干擾，導致系統(tǒng)穩(wěn)定性差，還未能大面積應用。除此之外，目前研究的算法大多只在特定的場景下效果較好，通用性較差，因此，在未來的發(fā)展中可重點關注池塘養(yǎng)殖環(huán)境特點，建立可在一定養(yǎng)殖條件范圍和一類魚中通用的量化模型，提供更加方便快捷的行為識別方法。

2.1.3　生物量估算

水產(chǎn)養(yǎng)殖中的生物量是指在特定水域中魚類、蝦類的總重量。不同生長期的魚類、蝦類等生物量信息至關重要，因為管理人員需根據(jù)此信息優(yōu)化喂養(yǎng)需求并做出有效決策。生物的重量與其體長和圖像面積之間存在一定的關系，因此可以利用間接估測重量的方法來預測水產(chǎn)生物每天飼料攝入量，監(jiān)測水產(chǎn)生物生長速度，控制養(yǎng)殖密度，確定最佳收獲時間，確保設施投資資本的最佳利用。早在20世紀20年代，國外學者就已開展了利用魚的形狀特征和重量之間的關系作為評估生長速度的方法，但主要是依靠手工測量研究其相關性，自動化水平較低。計算機視覺技術的圖像分析方法無接觸式測量的特點為水產(chǎn)養(yǎng)殖生物量估計帶來了新的挑戰(zhàn)和機遇。

基于視覺系統(tǒng)的水產(chǎn)生物量估算研究對象主要是魚類，重點對長度、面積、重量等參數(shù)進行估算。生物量估算系統(tǒng)框圖如圖3所示，估算系統(tǒng)主要由相機、光源以及計算機組成。其中相機分為水上攝像機和水下攝像機兩種，可單獨或同時使用；光源用來彌補水下圖像較暗的缺陷，而計算機則是對獲取的圖像進行預處理和特征提取實現(xiàn)對生物量信息估算。Costa等基于魚的側面輪廓形態(tài)，利用偏最小二乘模型估計養(yǎng)殖鱸魚的重量，其均方根誤差為16.03，該方法也證明了魚的體長與重量之間具有很強的線性關系（R2=0.9772），為活魚在線分揀和等級劃分提供相關技術支持。與Costa等不同，Verdal等從歐洲無鰭鱸魚幼魚的側面圖像中使用面積、周長、長度、高度和體積等參數(shù)對幼蟲（體重范圍從20.0 mg到419.3 mg）進行體重估計，試驗測得R2=0.98，實現(xiàn)了對歐洲鱸魚幼魚生長的監(jiān)測。Viazzi等基于去掉尾鰭的魚側面圖像，利用面積、長度和高度估計自由游動魚的重量，該方法很好的改善了質量估計模型效果（R2=0.99），并且證明與長度、高度等參數(shù)相比，利用面積進行魚體重估計效果更好。

圖3 生物量估算系統(tǒng)框圖

Fig. 3 Block diagram of biomass estimation system

在集約化水產(chǎn)養(yǎng)殖環(huán)境中，生物量信息的獲取非常困難并具有一定挑戰(zhàn)性。其中一個主要原因是水下生物，尤其魚類在自由移動的情況下非常敏感，環(huán)境中的光照強度、可見度和穩(wěn)定性都無法控制；另一個原因是在對性狀進行計算時不應該干擾動物的生長或造成壓力，大大限制了傳感器、聲學等會對生物造成傷害的技術的應用。

在未來的發(fā)展中，可以采用多技術信息融合的方法提高目標識別的準確性，例如將機器視覺技術與聲學技術相結合，用圖像彌補聲吶信號無法監(jiān)測到的區(qū)域，再充分利用聲學技術不依賴光強的特性進行計數(shù)。除此之外，還可以將人工智能技術與光譜成像技術相結合，開發(fā)生物量估算新方法，進一步提高表型參數(shù)測量的精度和智能化水平。

2.2　水產(chǎn)生物生長調控與決策

2.2.1　生長決策調控

池塘環(huán)境因素對魚類的生長有極大的影響，其中溶解氧、pH、水溫等指標尤為重要。過高的氨氮含量會對水體造成污染，直接或間接造成水產(chǎn)生物的大量死亡；過高的溶解氧含量則會造成資源的浪費。因此有必要了解水產(chǎn)生物生長周期內生長與環(huán)境因素之間的邏輯關系，找到最適合其生長的環(huán)境控制方案，從而避免水體污染和資源浪費。人工智能技術在生長決策調控中應用主要為根據(jù)環(huán)境參數(shù)以及一個養(yǎng)殖周期內生物的體長、體重等數(shù)據(jù)，利用計算機分析體重與各個環(huán)境因素之間關系，建立其相應的生長模型，再通過決策支持系統(tǒng)綜合模型結果，提出高效的生長調控方案，實現(xiàn)生長階段智能化控制。

基于人工智能技術的生長調控決策支持系統(tǒng)通常包括數(shù)據(jù)庫、模型庫、策略評估系統(tǒng)、人機接口和用戶界面等，具有系統(tǒng)性、動態(tài)性、機理性、預測性、通用性、研究性等特。生長決策調控主要應用在網(wǎng)箱和工廠循環(huán)水等大規(guī)模養(yǎng)殖中。Cobo等提出了一種網(wǎng)箱養(yǎng)殖的魚類生長決策方案，使用粒子群優(yōu)化確定最佳生長策略，在養(yǎng)殖過程中最大化當前生產(chǎn)利潤。Supriatna等利用每一年的總投入和總收入產(chǎn)量等，使用非線性最小二乘法構建生長模型，在不阻礙漁業(yè)可持續(xù)發(fā)展的前提下，估算魚群種內增長率并及時預警魚類種群的最大允許生物量。Supriatna團隊根據(jù)以上研究基礎，開發(fā)了一款決策支持系統(tǒng)，結合使用感知機和人工神經(jīng)網(wǎng)絡的方法建立魚類生長模型，估算最大可持續(xù)產(chǎn)量，及時調整生長方案，為實現(xiàn)最大生產(chǎn)量提供技術支持。Kamisetti等設計了一種用于淡水蝦、魚類養(yǎng)殖的池塘管理決策系統(tǒng)，通過測量溶解氧、pH、溫度、進料量等參數(shù)，利用決策支持系統(tǒng)在線預測壓力影響因子，及時采取環(huán)境調控措施，制定最適合魚和蝦類的生長方案。

準確掌握魚類生長、死亡等特征是研究其種群行為進行資源評估的重要方法。目前對魚類生長的預測有多種方法可以選擇，最常用的即為Logistic增長模型和Gompertz增長模型。由于每個模型采用的原理和方法不同，目的和適用范圍也都不同，導致用戶難以挑選適合的模型。雖然從文獻中看，所使用的生長模型可以為生長調控提供決策信息，但其通用性和實用性較差。大多參數(shù)都是針對特定種類進行預測，難以應用于其他水域和種類。要將模型應用擴展到更大空間則需要獲取更為詳細的數(shù)據(jù)，且隨著調控參數(shù)的增多，模型的精度和適用性也會受到影響。在初步探索魚類生長調控模型開發(fā)和應用后，模塊化和綜合應用將會成為未來水產(chǎn)生物生長調控和決策的發(fā)展方向。

2.2.2　智能投喂控制

在水產(chǎn)養(yǎng)殖中，科學合理地投喂是提高養(yǎng)殖效率、降低成本的主要因素。近年來，基于新一代信息技術的發(fā)展，根據(jù)水生動物行為和生長狀態(tài)的變化進行智能投喂控制越來越受到人們的關注。智能投喂控制是根據(jù)水質及水產(chǎn)行為參數(shù)構建養(yǎng)殖飼料配方模型，可以自動確定魚類、蝦類等的攝食需求，決策出最優(yōu)投喂方案，從而降低勞動成本，提高生產(chǎn)效益。

智能投喂控制可分為檢測殘餌決定投喂量和分析行為確定攝食強度估測投喂量兩種方法。如挪威AKVA集團開發(fā)的Akvasmart CCS投喂系統(tǒng)，通過安裝殘餌數(shù)量計數(shù)器和殘餌收集裝置，當殘餌數(shù)量達到閾值時，水下攝像頭輔助確認殘餌剩余信息，系統(tǒng)將會根據(jù)反饋信號停止投喂，該系統(tǒng)是目前世界上信賴程度較高的投喂系統(tǒng)。Atoum等利用計算機視覺技術設計了一種可識別室內循環(huán)水養(yǎng)殖中浮性飼料的濾波器，成功區(qū)分了餌料區(qū)和非餌料區(qū)，并利用局部搜索方法提高計算殘餌量精度和效率。在魚類攝食行為方面，北京農(nóng)業(yè)信息技術研究中心楊信廷、周超團隊已利用計算機視覺、紅外光譜等多種方法完成了對魚類攝食行為監(jiān)測和投喂自動控制的研究，為解決當前水產(chǎn)養(yǎng)殖中存在的投喂量不合理、飼料浪費嚴重等問題，為促進精準養(yǎng)殖、智慧漁業(yè)發(fā)展做出了重要貢獻。浙江大學葉章穎、趙健團隊利用計算機視覺相關圖像處理等方法，對魚群實時攝食欲望程度進行了表征和量化，將魚類的攝食強度分為四個等級，所提出的方案對循環(huán)水養(yǎng)殖中游泳型魚類的高效投喂具有較強的理論指導作用，是近幾年設計的較成功的智能化投喂系統(tǒng)。進一步對以上幾種具有代表性的國內外魚類攝食系統(tǒng)進行對比，結果如表1所示。

表1 近5年國內外典型魚類攝食系統(tǒng)對比

Table1 Comparison of typical fish feeding systems in the past five years

新窗口打開| 下載CSV

水產(chǎn)養(yǎng)殖中的投喂工作是一個復雜的系統(tǒng)工程，有許多影響因素。由于魚類等水生動物運動速度快，其運動會引起身體重疊、遮擋等不利因素從而影響監(jiān)測方法的準確性。在未來的發(fā)展中還需充分利用信息技術手段，深入了解水產(chǎn)養(yǎng)殖環(huán)境、生物生理和飼料質量等因素對魚類攝食行為和生長的持續(xù)影響，將人工智能技術與大數(shù)據(jù)、物聯(lián)網(wǎng)等技術結合，采用多信息融合的方法，從多個角度獲取所需數(shù)據(jù)，彌補因個體重疊以及監(jiān)測技術單一造成的數(shù)據(jù)丟失等缺陷。

2.3　魚類疾病預測與診斷

2.3.1　疾病預測

自1993年中國沿海養(yǎng)殖區(qū)大規(guī)模爆發(fā)對蝦流行病以來，水產(chǎn)病害已成為影響中國水產(chǎn)品質量和安全的主要因素。傳統(tǒng)人工直接檢測魚類、蝦類等水生動物疾病方法存在耗時久、準確性差等弊端，引起的誤診、滯后診斷等問題已對水產(chǎn)養(yǎng)殖業(yè)造成了嚴重的直接或間接損失，難以滿足現(xiàn)代化漁業(yè)發(fā)展的需求。隨著現(xiàn)代科學的進步和智慧農(nóng)業(yè)的發(fā)展，一些研究學者開始利用相應的推理手段和信息技術方法對水產(chǎn)動物疾病進行預測和診斷，輔助養(yǎng)殖人員以及相關部門做好防范和預警工作，防止疾病的大面積爆發(fā)，減少經(jīng)濟損失。

基于人工智能技術的魚類疾病預測主要是利用水質監(jiān)測結果，建立魚類疾病預測模型，構建完善的魚類疾病預測系統(tǒng)。Li等利用支持向量機的方法構建了溫度、溶解氧、化學需氧量等水質因子與魚病之間的關系模型，并開發(fā)了相關的預警系統(tǒng)和基于web的魚類疾病在線預測系統(tǒng)。陳浩成等以養(yǎng)殖種類、養(yǎng)殖階段、病原體、感染部位、水溫、地域作為輸入因素，將魚類疾病種類作為輸出單元，利用BP神經(jīng)網(wǎng)絡方法建立了池塘養(yǎng)殖疾病診斷模型，預測結果最大誤差為0.3667，在誤差允許范圍之內。

目前魚類疾病的預測研究較難，相關文獻較少。由于魚類疾病傳播的不確定性，且影響因素眾多，單一的預測模型無法考慮周全的情況?；谏疃葘W習的模型需要以大量的歷史數(shù)據(jù)為基礎，由于受到數(shù)據(jù)源的限制，往往會導致預測結果不夠準確。基于機器學習的模型預測方法中，應用BP神經(jīng)網(wǎng)絡可對多因素影響過程預測，但該網(wǎng)絡目前在魚類疾病的預測方面還未廣泛應用，因此今后可以嘗試建立多種BP神經(jīng)網(wǎng)絡模型對相應的魚類疾病進行患病風險的預測，提早發(fā)現(xiàn)以減少經(jīng)濟損失。

2.3.2　疾病診斷

疾病發(fā)生時通常伴隨著生物性狀的改變，疾病作為可反映魚體生命活動是否受擾亂的依據(jù)，可從魚類的游動狀況和顏色、紋理等表型性狀，對魚的病因做出初步判斷。深入了解魚類的病原、病因、發(fā)病機理和防治手段，能夠有效控制魚病的擴散，具有重要經(jīng)濟價值。

目前進行魚病診斷常用的方法為基于模型診斷和基于案例推理、知識庫比對診斷兩種方法，其具體診斷流程如圖4所示。首先從數(shù)據(jù)庫中找到與發(fā)病癥狀類似的疾病類型，然后進一步進行結果比對，確定疾病類型后制定相應的治療方案。集美大學水產(chǎn)學院在1997年首次研究并開發(fā)了魚病專家診斷系統(tǒng)，開創(chuàng)了中國魚類疾病診斷智能化平臺建設先河。關于魚病知識庫的研究方面，溫繼文和傅澤田建立了具有全面性、可靠性和精確性的魚病知識庫，將魚病診斷知識的獲取工作分為問題識別階段、概念化階段、形式化階段和知識實現(xiàn)階段、知識測試階段，并形成了統(tǒng)一的認識和規(guī)范。案例推理是對出現(xiàn)的疾病狀態(tài)進行分析，與案例庫中已經(jīng)確診的案例進行比對，確定魚病種類。在2000年，Hori等將魚病診斷的推理知識構造分為3層，有效地解決了魚病診斷的靈活性問題，減少了巨大搜索空間的負擔，并為進一步知識建模及系統(tǒng)快速有效推理打下了基礎。郭永洪和傅澤田對水產(chǎn)養(yǎng)殖中魚病診斷的具體內容和特征進行分析，提出了將案例知識與規(guī)則相結合的方法，有效地解決了魚病診斷時效性差的問題，并提高了系統(tǒng)的運行效率。除此之外，基于模型診斷和數(shù)據(jù)驅動的診斷方法已逐步應用，基于這兩種方式的人工智能技術在使用時通常利用傳感器、物聯(lián)網(wǎng)等設備對魚類個體參數(shù)進行采集，計算機再根據(jù)這些參數(shù)判斷出魚類個體是否發(fā)生疾病以及疾病的種類等。例如，Xu和Wu將粗糙集與神經(jīng)網(wǎng)絡緊密聯(lián)系起來建立了高性能系統(tǒng)，該模型綜合了粗糙集的強大提取能力和神經(jīng)網(wǎng)絡出色的分類能力，可實現(xiàn)對魚類疾病快速、大規(guī)模診斷。

圖4 魚類疾病診斷流程圖

Fig. 4 Flowchart of fish disease diagnosis

無論是模型診斷、案例推理還是診斷系統(tǒng)等方法，都是在魚類個體表面發(fā)生了一定形狀改變后進行的病害診斷，容易錯過最佳治療期，因此，對病害進行早期診斷極為重要。

單一的性狀監(jiān)測無法準確反映水產(chǎn)生物疾病狀態(tài)。因此，綜合分析生物多個表型性狀，并建立復雜的診斷模型將為未來疾病類型的確定和治療提供更多的可靠依據(jù)。但由于魚類發(fā)病的周期時間以及發(fā)病種類都是不固定因素，且水產(chǎn)養(yǎng)殖環(huán)境中覆蓋面積大、獲得自然水環(huán)境下的病魚圖片困難較大、影響因素多、研究成本較高，因此，近年來大多采用生物病毒檢測等方法進行魚類疾病的診斷，但智能化程度較低。在今后的發(fā)展中，可將人工智能技術與病毒檢測等方法結合使用，確保疾病判斷的準確性和方法的適用性。

2.4　水產(chǎn)養(yǎng)殖環(huán)境感知與調控

水環(huán)境是水生生物賴以生存的環(huán)境，水環(huán)境的優(yōu)劣將直接影響水產(chǎn)品的生長和發(fā)育情況。優(yōu)質的水環(huán)境是保障水產(chǎn)養(yǎng)殖產(chǎn)量和質量的關鍵因素?；谌斯ぶ悄芗夹g的水產(chǎn)養(yǎng)殖環(huán)境調控主要集中在水質預測和增氧控制兩方面，本節(jié)通過對人工智能技術在這兩方面的應用現(xiàn)狀進行闡述，以期為養(yǎng)殖人員預測水質參數(shù)的變化、預防水產(chǎn)生物疾病、降低經(jīng)濟損失和風險等提供指導。

2.4.1　水質預測

對水質參數(shù)進行實時監(jiān)測和調控是水產(chǎn)養(yǎng)殖過程中的重要環(huán)節(jié)，也是保證水產(chǎn)品質量的重要措施。目前傳感器、物聯(lián)網(wǎng)等技術手段已經(jīng)在水質環(huán)境大面積實時監(jiān)測中得到應用，然而由于水質參數(shù)存在非線性、隨機性以及依賴性等特點，硬件監(jiān)測無法實現(xiàn)有效地預測。在實際水產(chǎn)養(yǎng)殖中，水質環(huán)境參數(shù)不僅特征復雜且相互影響，使得預測的難度大大增加，水質環(huán)境預測也成為近幾年學者在水產(chǎn)養(yǎng)殖領域的研究熱點之一?；谌斯ぶ悄芗夹g的水質環(huán)境預測是指借助計算機軟、硬件技術，尋求某些不能或者不易測量的變量與其余易獲取變量之間的關系，通過測量相關的輔助變量間接的獲取被估計主導變量的含量，常用方法包括灰色預測法、回歸分析、神經(jīng)網(wǎng)絡和支持向量機等。在人工智能發(fā)展初期，主要采用機器學習的方法建立參數(shù)預測模型，基于該方法進行水質預測主要采用的算法和處理流程如圖5所示。但在進行大量數(shù)據(jù)處理時，預測模型缺乏魯棒性，長期建模能力和普遍性也較差，無法充分反映數(shù)據(jù)的本質特征，隨著深度學習技術逐步興起，良好的應用性和非線性逼近能力彌補了傳統(tǒng)方法的不足。

圖5 基于機器學習的水產(chǎn)養(yǎng)殖環(huán)境因子預測流程

Fig. 5 Prediction flow chart of aquaculture environmental factors based on machine learning

早在1925年，美國學者Phelps和Streeter在對Ohio河污染情況的可度量水質因素的分析過程中，首次提出并創(chuàng)建了氧平衡模型，該模型具有一定的實際應用價值。近年來，中國在水質預測方面已取得較大進步。劉雙印提出了基于最小二乘支持向量回歸機的水質非線性組合預測預警方法，與前向神經(jīng)網(wǎng)絡相比，該方法的均方根誤差MSE和運行時間分別降低了67.9%和2.3464 s，可以基本滿足水產(chǎn)養(yǎng)殖溶解氧預測的需要。孟連子采用支持向量回歸機的方法，選擇徑向基核函數(shù)，然后通過網(wǎng)格搜索法全面搜索并逐級縮小最優(yōu)參數(shù)的搜索范圍，實現(xiàn)了最佳參數(shù)的自動獲取，對不同程度水質污染情況的預測準確率均在92%以上。宦娟通過對溶解氧時間序列進行自相關分析并用自適應蟻群算法以及最小二乘支持向量機參數(shù)建立最優(yōu)預測模型，模型的均方根誤差MSE為0.1745，決定系數(shù)R2為0.9843，具有較好的預測精度和泛化能力。Liu等通過分析溶解氧與外界時空關系的表征特征、學習原理、因子序列等，利用注意力機制循環(huán)神經(jīng)網(wǎng)絡實現(xiàn)了對溶解氧短期和長期的準確預測。

盡管目前已經(jīng)開展了眾多水質多因子預測模型的研究，但由于這類預測模型大多在實驗室條件下進行，可解決實際問題的應用較少。因此，目前對水質綜合狀況的預測預警理論和方法研究仍處于探索階段，還需結合實際生產(chǎn)情況，重點關注可實際應用的多因子水質情況預測方法。

2.4.2　增氧控制

溶解氧作為水產(chǎn)養(yǎng)殖環(huán)境中最重要的制約性因子之一，水質低氧或高氧都會嚴重影響水下生物的生長和產(chǎn)出，甚至造成大面積死亡，惡化水質環(huán)境。以魚類為例，一般魚類對于溶解氧的最適需求量為5 mg/L，當水中溶解氧低于3 mg/L時，魚類減少攝食，逐漸停止生長；當溶解氧小于2 mg/L時，魚類開始浮頭；當溶解氧小于1 mg/L時，魚類開始大量死亡。因此，對水產(chǎn)養(yǎng)殖環(huán)境中溶解氧含量的精準監(jiān)測和控制可為水質管理提供有效的指導，降低水產(chǎn)養(yǎng)殖的經(jīng)濟損失和風險。傳統(tǒng)水產(chǎn)養(yǎng)殖模式中的增氧方法存在監(jiān)測和控制分離，傳輸能量消耗大，增氧能耗高，極易產(chǎn)生富氧和缺氧等問題?；谌斯ぶ悄艿脑鲅醴椒ㄊ侵咐脗鞲衅鞯缺O(jiān)測設備對池塘中的溶解氧含量進行實時檢測，再將獲取的數(shù)據(jù)通過物聯(lián)網(wǎng)反饋給智能控制系統(tǒng)，智能控制系統(tǒng)根據(jù)適用該養(yǎng)殖場內生物生長溶解氧含量的上限和下限，對增氧機進行智能控制，從而提高操作的可靠性和易用性，節(jié)省大量人力物力。

基于人工智能進行增氧控制的方法主要可分為直接控制和預測控制兩種。直接控制是指智能系統(tǒng)根據(jù)水質實時環(huán)境直接制定方案進行控制，常用方法有模糊控制和專家系統(tǒng)控制兩種。預測控制是指在充分掌握溶解氧變化規(guī)律的基礎上進行的智能控制，常用的方法有時間序列、數(shù)理統(tǒng)計、神經(jīng)網(wǎng)絡以及支持向量機，或幾種方法結合使用。人工智能增氧控制系統(tǒng)具有計算、知識處理、協(xié)同等能力，可以彌補單獨使用增氧機系統(tǒng)不能直接和環(huán)境交互的缺點，在水產(chǎn)養(yǎng)殖智能控制中融入人工智能技術已是大勢所趨。

掌曉峰等提出了基于模糊徑向基（Fuzzy Radial Basis Function，F(xiàn)RBF）神經(jīng)網(wǎng)絡改進的PID控制策略，在某中華絨螯蟹養(yǎng)殖基地進行控制器應用試驗對比，試驗結果證明所提出的控制方法比模糊PID控制方法超調量縮小2倍，達到穩(wěn)態(tài)用時縮短了10 min，最大穩(wěn)態(tài)誤差減小了3倍。簡玉梅根據(jù)池塘養(yǎng)殖規(guī)模的差異，基于多Agent的方法，建立了多因素影響下溶解氧的模糊控制算法，分別設計了單臺增氧機溶解氧閉環(huán)控制模型和多臺增氧機聯(lián)動控制模型，發(fā)現(xiàn)基于多Agent水產(chǎn)智能增氧的能耗較以往有明顯降低。Huang等過溶解氧監(jiān)測系統(tǒng)，建立了水產(chǎn)養(yǎng)殖環(huán)境中溶解氧的數(shù)學模型，在模糊控制理論的基礎上，實現(xiàn)了溶解氧的模糊控制。江南大學郭亞團隊在長短時記憶網(wǎng)絡模型的基礎上，優(yōu)化反向傳播時的損失函數(shù)，提出了提高低溶解氧含量估算精度的溶解氧預測模型LDO-LSTM，并研發(fā)了基于熒光法的溶解氧傳感器，能夠精準感知和預測溶解氧含量，為增氧控制提供了高效的決策方案，對降低水產(chǎn)養(yǎng)殖成本、提高溶解氧估算精度有著重要的作用。

一套完整的增氧控制系統(tǒng)不僅能實時監(jiān)測池塘中溶解氧含量，還具備定時控制、閾值控制、變頻控制等功能。目前國內已開發(fā)的增氧控制系統(tǒng)基本可以達到水產(chǎn)養(yǎng)殖行業(yè)中日常運行要求，但系統(tǒng)集成度較差，所需成本較高。在未來的發(fā)展中，還應重點提高增氧控制系統(tǒng)的智能化、精準控制、穩(wěn)定運行、高度集成水平，從而在實際生產(chǎn)中可以準確判斷當前池塘溶解氧狀態(tài)，及時輸出相應的控制決策，有效地節(jié)約勞動力投入、減少電力能源消耗、降低養(yǎng)殖生產(chǎn)風險，進一步促進傳統(tǒng)養(yǎng)殖生產(chǎn)的方式轉變。

2.5　水產(chǎn)養(yǎng)殖水下機器人

水產(chǎn)養(yǎng)殖水下機器人又稱為無人水下潛水器，是指可以對水產(chǎn)養(yǎng)殖水體環(huán)境進行遠程監(jiān)測、感知養(yǎng)殖對象信息和實現(xiàn)智能作業(yè)功能的機器人，可實現(xiàn)清理、放苗、飼養(yǎng)、管理、收獲等智能化作業(yè)，但目前大多處于實驗室研究階段，未能在實際生產(chǎn)中廣泛應用。水下機器人根據(jù)與水面支持系統(tǒng)間的聯(lián)系方式可以分為遙控水下機器人和自治水下機器人兩類，其涉及的關鍵技術分類和應用如圖6所示。

圖6 水下機器人關鍵技術分類應用[97]

Fig. 6 Key technologies classification and application of underwater robots

遙控水下機器人是指通過臍帶纜和母船進行通信，由母船通過電纜向其提供動力、實施遙控操作。遙控水下機器人多為開架式結構，易于布置和安裝設備，具有作業(yè)能力強、適應能力強和操作靈活等優(yōu)點。其缺點一是因電纜長度有限導致活動范圍較小，二是因電纜碰撞失效和斷裂導致本體丟失的可能。自治水下機器人自帶動力，和母船之間沒有臍帶纜連接，可以通過自主決策來完成運動路徑的規(guī)劃，多呈流線型來減小運動阻力從而獲取更長的工作時間，具有活動范圍大、智能化、隱蔽性好等優(yōu)點，缺點則是作業(yè)時間受攜帶的動力限制。水下機器人將人工智能、探測識別、信息融合、智能控制、模式識別、系統(tǒng)集成等技術應用于同一載體上，完成如電纜敷設檢查、海底礦藏調查、撈救作業(yè)、環(huán)境監(jiān)測及江河水庫大壩檢查等工作。

中國于20世紀90年代開始研究水下機器人，目前國內利用人工智能在水下機器人中的應用研究團隊主要來自哈爾濱工程大學、中國科學院沈陽自動化研究所、中國船舶科學研究中心、浙江大學、華中科技大學等。本節(jié)從目標識別、路徑規(guī)劃與導航、控制與作業(yè)3方面說明人工智能技術如何在水下機器人領域中應用，以及研究現(xiàn)狀和技術瓶頸。

2.5.1　目標識別

水產(chǎn)養(yǎng)殖水下機器人為實現(xiàn)定位和作業(yè)首先要進行水下目標的識別，在準確獲取目標信息后才能做出決策控制。基于人工智能技術的目標識別是指利用計算機視覺的方法，對水下攝像機采集的圖像進行智能化信息提取，之后對圖像感興趣區(qū)域利用邊界、聚類、閾值、區(qū)域和人工神經(jīng)網(wǎng)絡等分割方法進行處理，提取出感興趣區(qū)域后再用主動輪廓法、神經(jīng)網(wǎng)絡、多特征融合和機器學習等方法進行目標識別，無需外界干預，能夠基本滿足水下近距離快速準確識別目標的要求，并且具有較強的適應性。Cai等針對目標識別時面臨的水質渾濁和目標遮擋等問題，提出了一種基于轉移強化學習的多自主水下機器人協(xié)同目標識別方法，對干擾環(huán)境下的目標信息進行了強化訓練，保證了算法的實時性；在渾水、目標遮擋、光線不足、背景復雜以及目標重疊5種環(huán)境下進行仿真實驗，發(fā)現(xiàn)所提出的模型可以減少相似數(shù)據(jù)的重復計算，確保該方法的時效性。湯中強針對水下目標的三維位置估計問題，采用加速穩(wěn)健特征點（Speeded Up Robust Features，SURF）的光流跟蹤法對特征點進行跟蹤，該算法在成本低于傳感器測量的基礎上，可對目標物實時定位，為機器人水下作業(yè)提供了保障。賈玉珍和王玥為了削弱復雜惡劣的環(huán)境對水下成像造成的不利影響，并滿足水下機器人目標識別任務實時性的需求，提出了基于人工魚群算法優(yōu)化BP神經(jīng)網(wǎng)絡的水下目標識別算法，試驗結果表明該方法的準確率較粒子群優(yōu)化神經(jīng)網(wǎng)絡和免疫遺傳算法高出2%左右。

目前水下攝像機采集圖像的質量受海水濁度和能見度影響很大，總體成像距離較短。由于水下成像環(huán)境較為復雜，在成像過程中水體對光散射和吸收效應等影響，導致一般成像設備的作用距離只有幾米到十幾米，且圖像質量具有對比度低、邊緣模糊、色彩丟失、噪聲嚴重等不足，極大影響了水下目標的精準識別與定位。因此，研究利用的水下圖像恢復算法和智能識別算法是提高水下目標識別準確性的關鍵。

2.5.2　路徑規(guī)劃與導航

水下機器人導航與定位是水下機器人進行路徑規(guī)劃以及準確作業(yè)的關鍵。由于水產(chǎn)養(yǎng)殖環(huán)境復雜，使得機器人在水下導航與定位比在陸地困難。基于人工智能的水下機器人路徑規(guī)劃是指水下機器人通過視覺系統(tǒng)獲取水中環(huán)境圖像，提取圖像中的特征點實現(xiàn)全局和局部特征的匹配，同時使用濾波算法獲得所需的理想邊緣特征點，最終結合水下機器人和障礙物相關參數(shù)進行相應的路徑規(guī)劃，其主要方法分為建模和路徑搜索兩種。其中路徑規(guī)劃方法包括群智能和機器學習。群智能方法將路徑規(guī)劃問題轉化為最優(yōu)搜索問題，但該方法較依賴先驗的環(huán)境知識，而具有自主學習能力的機器學習方法無需考慮環(huán)境因素，可以更好地解決水下機器人在未知環(huán)境下的局部路徑規(guī)劃問題。

表2對目前常用的各類智能路徑規(guī)劃方法的優(yōu)缺點進行了比較，并列舉了最新的研究進展。從表2中可以看出，基于人工智能的各類路徑規(guī)劃方法已在水下機器人路徑規(guī)劃中廣泛應用，但仍存在一些需要解決的問題。例如，基于蟻群算法的路徑規(guī)劃方法無法適用水下機器人運動速度較快的情況?；谌斯ど窠?jīng)網(wǎng)絡的路徑規(guī)劃方法需要大量的數(shù)據(jù)樣本，所需訓練時間較久。針對以上問題，可考慮利用深度學習可靠穩(wěn)定、準確率高的特點，實現(xiàn)水下機器人在無任何訓練的前提下進行局部路徑規(guī)劃。

2.5.3　控制與作業(yè)

作業(yè)控制是水下機器人在水產(chǎn)養(yǎng)殖中實現(xiàn)自主作業(yè)的核心，對于水下機器人實現(xiàn)高精度、高穩(wěn)定性作業(yè)具有重要意義。由于水產(chǎn)養(yǎng)殖環(huán)境的復雜性、作業(yè)對象的多樣性和脆嫩易損性，要求水下機器人能夠精確穩(wěn)定地控制本體、機械臂和末端執(zhí)行器，在作業(yè)過程中實現(xiàn)自主行走、機器臂準確達到目標點、末端執(zhí)行器自主動作的有機協(xié)調，最終達到高精度、自主式作業(yè)的目的。人工智能技術在水下機器人應用中的最大優(yōu)勢在于無需事先了解水下機器人動力學知識，可對全部或部分非線性動力模型進行學習，并計算控制策略模型，當控制正確率足夠高時，再將仿真計算中的控制策略模型作為初始模型移植到水下機器人平臺并在真實的水產(chǎn)環(huán)境下學習。

隨著人工智能技術的廣泛應用，國內外學者主要利用神經(jīng)網(wǎng)絡、自適應控制、模糊控制等方法對水下機器人進行作業(yè)控制。Xu等提出了神經(jīng)模糊控制器來實現(xiàn)水下機器人操作系統(tǒng)跟蹤控制。雖然模糊控制器是一種不依賴于模型的智能控制方法，但是模糊控制的規(guī)則調整比較復雜，因此在實際應用中具有一定的難度。韓凌云利用徑向基神經(jīng)網(wǎng)絡控制器整體補償控制水下機器人運動，并利用Lyapunov方法證明了控制系統(tǒng)的漸近穩(wěn)定性，通過仿真驗證了該自適應控制系統(tǒng)的靈活性、自適應性和可行性。Carlucho等開發(fā)了適用于水下機器人自適應控制系統(tǒng)的強化學習框架，該框架將最原始的感知信息作為輸入，并輸出連續(xù)的控制策略行為，可有效解決自主水下機器人控制中命令混亂問題。

目前人工智能技術在水下機器人中的應用研究多數(shù)都是在實驗室條件下進行的，與農(nóng)田、果園中的機器人相比，水產(chǎn)養(yǎng)殖中的機器人和智能裝備面臨的最大問題就是環(huán)境，水下機器會受到風、浪、水壓、酸堿度等復雜因素的嚴重干擾。因此，在未來的發(fā)展中，需重點關注水下信號傳輸技術和圖像處理技術，這將為提高復雜環(huán)境下水下機器人作業(yè)精度提供新策略。除此之外，還需將機械手的精細化作業(yè)融合機械手的控制方法和抓取策略等內容作為研究重點，基于逆向強化學習的方法，機械手可以推測主從式機械手操作人員的意圖，從而快速學習操作專家經(jīng)驗，這也是水下機械手智能作業(yè)的一個發(fā)展方向。

3 未來展望與建議

人工智能技術在水產(chǎn)養(yǎng)殖中的應用主要在生命信息獲取、生長調控與決策、疾病預測與診斷、環(huán)境感知與調控、水下機器人等領域。本文闡述了人工智能技術在上述領域的研究和應用的相關技術及最新進展，深度分析了在上述領域應用中仍存在的待解決問題和困難。水產(chǎn)養(yǎng)殖環(huán)境特有的生產(chǎn)方式、氣候條件、地理位置、局域環(huán)境、生物組成等因素的不確定性制約著人工智能技術在水產(chǎn)養(yǎng)殖中的大范圍應用，目前基于人工智能技術在水產(chǎn)養(yǎng)殖中的各項應用大多處于試驗階段，不能有效地轉成產(chǎn)業(yè)。盡管如此，人工智能技術仍然在數(shù)據(jù)處理、信息提取、實時監(jiān)測、決策管理等方面為水產(chǎn)養(yǎng)殖提供了相對高效的技術方法。

（1）生命信息獲取。生命信息獲取的手段需要進一步改善，以獲得更加完善、全面的相關數(shù)據(jù)。例如用信息融合的方法將計算機視覺與傳感器、聲學等技術結合，對水產(chǎn)養(yǎng)殖中的個體生物和環(huán)境從多角度、多手段進行信息獲取，彌補單一技術獲取信息存在監(jiān)測“死角”的缺陷，實現(xiàn)更加全面和智能化的水產(chǎn)養(yǎng)殖個體信息獲取。

（2）生長調控與決策。遙感衛(wèi)星圖像和地理信息系統(tǒng)是預測模型的有效方法。目前遙感衛(wèi)星圖像已用于估計海洋或淡水中的綠素與魚類生長之間的關系。因此，在未來的發(fā)展中可以進一步確定遙感圖像等與水產(chǎn)養(yǎng)殖中生物生長之間的關系，將人工智能技術與地理信息系統(tǒng)相結合開展更多可適用實際生產(chǎn)中調控決策應用，并嘗試解決各類養(yǎng)殖環(huán)境下引起的客觀問題，提出可解決養(yǎng)殖生產(chǎn)問題的決策建議。

（3）魚類疾病預測和診斷。盡管研究團隊已開發(fā)了很多可投入使用的魚類疾病診斷系統(tǒng)，但都是對已發(fā)生疾病種類的判斷，僅起到輔助診斷的作用。而根據(jù)實際生產(chǎn)需要，魚類疾病的預測更加有助于提早發(fā)現(xiàn)病情，可重點關注以深度學習為基礎的魚病預測方法，從時間序列和空間特征兩方面考慮，有效融合魚病領域知識和深度學習方法，構建可解釋性強的預測模型是未來技術創(chuàng)新的重要方向

（4）環(huán)境感知。由于水產(chǎn)養(yǎng)殖中水質和環(huán)境的影響因素較多且復雜，所需使用的環(huán)境感知傳感器種類較多，且變量不易控制，模型預測和控制的通用性也較差。人工智能技術在此方向上有很大的發(fā)展空間，硬件系統(tǒng)方面可集成水質傳感器與攝像機，開發(fā)集水質參數(shù)和水下圖像一體的環(huán)境感知系統(tǒng)。軟件方面可進一步探索深度學習、決策樹等多因子參數(shù)預測和有效控制方法在環(huán)境感知中的應用。

（5）水下機器人。從國內外發(fā)展情況來看，可實際應用和操作的水下機器人大多在深遠海網(wǎng)箱養(yǎng)殖環(huán)境中，在池塘養(yǎng)殖、工廠循環(huán)水養(yǎng)殖中作業(yè)的小型機器人較少，需將人工智能技術更多應用在池塘養(yǎng)殖、工廠循環(huán)水養(yǎng)殖機器人的研發(fā)上，發(fā)展高可靠性、高集成度并具有綜合補償和校正功能的小型機器人。除此之外，還需重點研究干擾較大環(huán)境下目標生物的快速準確識別算法，提高水產(chǎn)養(yǎng)殖水下作業(yè)機器人目標識別速度和準確性。在水產(chǎn)養(yǎng)殖水下機器人可穩(wěn)定作業(yè)的前提下，提升控制系統(tǒng)的自適應性和容錯能力。

針對中國目前水產(chǎn)養(yǎng)殖發(fā)展現(xiàn)狀，建議加快推進漁業(yè)數(shù)字化轉型升級，在國家現(xiàn)代農(nóng)業(yè)示范區(qū)開展水產(chǎn)養(yǎng)殖數(shù)字漁業(yè)示范，對水產(chǎn)養(yǎng)殖區(qū)域開展全天候、全覆蓋、全狀態(tài)數(shù)字化管理平臺建設。開發(fā)出一批具有實用價值的數(shù)據(jù)庫和信息管理系統(tǒng)，突顯漁業(yè)信息技術創(chuàng)新對產(chǎn)業(yè)發(fā)展的推動作用。大力加強陸基工廠、網(wǎng)箱、工程化池塘養(yǎng)殖的標準化建設，重點完善移動互聯(lián)網(wǎng)、云計算、大數(shù)據(jù)信息系統(tǒng)安全保障體系架構，對關鍵數(shù)據(jù)安全進行防護和測評。推進漁業(yè)數(shù)字化資源的分類和分級管理，實現(xiàn)全國統(tǒng)一、互聯(lián)互通的漁業(yè)精細管理。

作者：李道亮、、 劉暢

來源：智慧農(nóng)業(yè)