沈煒皓 崔海朋 徐以軍

（青島杰瑞工控技術(shù)有限公司，山東 青島 266061）

0 引言

近年來(lái)，水產(chǎn)養(yǎng)殖逐步由近海走向深遠(yuǎn)海，但不論是何種養(yǎng)殖環(huán)境，餌料使用的合理性都將直接影響?zhàn)B殖作業(yè)效率、養(yǎng)殖收益以及養(yǎng)殖水體環(huán)境[1]。

為降低飼料成本，提高勞動(dòng)生產(chǎn)率，解決喂料不均勻、不準(zhǔn)確等問(wèn)題，挪威、日本、加拿大等水產(chǎn)養(yǎng)殖強(qiáng)國(guó)均研制并使用自動(dòng)投喂系統(tǒng)[2]。挪威AKVA 公司的Marina CCS自動(dòng)投喂系統(tǒng)，利用風(fēng)機(jī)高速空氣流，將飼料從下料裝置噴射到主輸送管道，通過(guò)分配閥投放至目標(biāo)網(wǎng)箱內(nèi)，該系統(tǒng)可提高投餌效率。雖然目前的自動(dòng)投喂系統(tǒng)可在一定程度上提高投喂準(zhǔn)確性及效率，但大多數(shù)只可定時(shí)、定量、自動(dòng)投喂控制，無(wú)法根據(jù)養(yǎng)殖海域水文氣象、水質(zhì)參數(shù)等環(huán)境信息及魚(yú)類(lèi)行為信息進(jìn)行攝食規(guī)律分析計(jì)算，難以確定最佳投喂方式，及時(shí)調(diào)控投喂參數(shù)[3]。

該文通過(guò)采集養(yǎng)殖海域水文氣象、水質(zhì)參數(shù)等環(huán)境信息，結(jié)合機(jī)器視覺(jué)技術(shù)，獲取魚(yú)類(lèi)圖像，提取魚(yú)類(lèi)圖像特征參數(shù)，分析魚(yú)類(lèi)行為及魚(yú)類(lèi)攝食規(guī)律，再利用RBF 網(wǎng)絡(luò)分析環(huán)境信息、魚(yú)類(lèi)行為與魚(yú)群攝食量之間的關(guān)系，得出最優(yōu)投喂量，實(shí)現(xiàn)科學(xué)投喂，從而達(dá)到降低餌料成本、提高養(yǎng)殖收益和保護(hù)養(yǎng)殖水體環(huán)境的目的。

1 環(huán)境信息監(jiān)測(cè)系統(tǒng)

環(huán)境信息監(jiān)測(cè)系統(tǒng)如圖1 所示，包括養(yǎng)殖海域水文氣象監(jiān)測(cè)子系統(tǒng)、養(yǎng)殖水體水質(zhì)參數(shù)監(jiān)測(cè)子系統(tǒng)，可實(shí)現(xiàn)養(yǎng)殖海域環(huán)境信息全面感知。

圖1 環(huán)境信息監(jiān)測(cè)系統(tǒng)

養(yǎng)殖海域水文氣象監(jiān)測(cè)子系統(tǒng)通過(guò)設(shè)置高集成度、高靈敏度的智能觀監(jiān)測(cè)浮標(biāo)，主要由波浪潮位傳感器、氣象一體化傳感器、海洋流速儀、能見(jiàn)度傳感器等組成，實(shí)現(xiàn)養(yǎng)殖海域海況的智能化、網(wǎng)絡(luò)化觀監(jiān)測(cè)。波浪潮位傳感器可對(duì)各監(jiān)測(cè)點(diǎn)潮位、波向、波高、浪高等參數(shù)進(jìn)行監(jiān)測(cè)。氣象一體化傳感器與能見(jiàn)度傳感器配合使用，實(shí)現(xiàn)養(yǎng)殖海域氣溫、氣壓、濕度、風(fēng)速、風(fēng)向、雨量傳統(tǒng)六要素及能見(jiàn)度等氣象信息的實(shí)時(shí)觀測(cè)。利用海洋流速儀進(jìn)行養(yǎng)殖海域流速、流向的實(shí)時(shí)觀監(jiān)測(cè)，輸出準(zhǔn)確的流速、流向監(jiān)測(cè)數(shù)據(jù)，為深海養(yǎng)殖災(zāi)害預(yù)警提供準(zhǔn)確可靠的數(shù)據(jù)保證。

養(yǎng)殖水體水質(zhì)參數(shù)監(jiān)測(cè)子系統(tǒng)是利用多參數(shù)水質(zhì)傳感器，實(shí)現(xiàn)養(yǎng)殖區(qū)域水質(zhì)參數(shù)的集中監(jiān)測(cè)，包括溫度、葉綠素、溶解氧、鹽度、pH 值、濁度、氨氮等養(yǎng)殖水質(zhì)參數(shù)，為深海養(yǎng)殖監(jiān)測(cè)點(diǎn)區(qū)域內(nèi)資源現(xiàn)狀分析與水質(zhì)預(yù)警提供有效的數(shù)據(jù)支撐。通過(guò)數(shù)字通信手段及無(wú)線網(wǎng)絡(luò)通信技術(shù)，將養(yǎng)殖海域的水文氣象、養(yǎng)殖水體水質(zhì)參數(shù)數(shù)據(jù)傳回岸基控制中心，實(shí)現(xiàn)養(yǎng)殖海域水文氣象、水質(zhì)參數(shù)的綜合集中監(jiān)控，包括浪、涌、流、氣溫、氣壓、濕度、風(fēng)速、風(fēng)向、雨量、水質(zhì)參數(shù)等信息。同時(shí)，岸基控制中心具備養(yǎng)殖海域水文氣象以及水質(zhì)參數(shù)監(jiān)測(cè)數(shù)據(jù)的查詢(xún)、分析、趨勢(shì)曲線顯示等功能，實(shí)現(xiàn)數(shù)據(jù)統(tǒng)計(jì)、模型驅(qū)動(dòng)等多樣化的形式展示[4]，水文氣象、養(yǎng)殖水質(zhì)參數(shù)的全面數(shù)字化處理，可直觀生動(dòng)地展示養(yǎng)殖海域水文氣象、水質(zhì)參數(shù)的相應(yīng)信息及變化趨勢(shì)，接收由各區(qū)域采集的信息，滿(mǎn)足各級(jí)用戶(hù)水文氣象和水質(zhì)參數(shù)監(jiān)測(cè)數(shù)據(jù)的查看等需求。

2 魚(yú)類(lèi)行為識(shí)別系統(tǒng)

魚(yú)類(lèi)行為識(shí)別系統(tǒng)是通過(guò)機(jī)器視覺(jué)、神經(jīng)網(wǎng)絡(luò)等技術(shù)，觀測(cè)魚(yú)類(lèi)行為的智能識(shí)別系統(tǒng)[5]。魚(yú)類(lèi)識(shí)別系統(tǒng)硬件裝置如圖2 所示，一般由水下攝像機(jī)、圖像視頻采集卡、計(jì)算機(jī)等組成。其中，水下攝像機(jī)是重要組成部分，主要完成水下魚(yú)類(lèi)圖像視頻的采集，實(shí)現(xiàn)全方位多角度的魚(yú)類(lèi)行為監(jiān)視工作。利用圖像視頻采集卡和計(jì)算機(jī)，可按照需求保留長(zhǎng)期的魚(yú)類(lèi)圖像視頻采集資料。管理人員可以在岸基控制中心遠(yuǎn)程觀察魚(yú)類(lèi)生長(zhǎng)情況。

圖2 魚(yú)類(lèi)行為識(shí)別系統(tǒng)硬件

魚(yú)類(lèi)行為識(shí)別軟件系統(tǒng)針對(duì)深海養(yǎng)殖過(guò)程中魚(yú)類(lèi)全生命周期內(nèi)行為識(shí)別與分析技術(shù)的薄弱性問(wèn)題，綜合運(yùn)用多特征融合識(shí)別、圖像檢索分析、大數(shù)據(jù)算法技術(shù)，通過(guò)構(gòu)建并優(yōu)化魚(yú)類(lèi)生長(zhǎng)行為匹配模型，深度研究魚(yú)類(lèi)生長(zhǎng)識(shí)別與產(chǎn)量評(píng)估技術(shù)、魚(yú)類(lèi)表征病態(tài)行為識(shí)別技術(shù)、水質(zhì)誘發(fā)異常行為識(shí)別技術(shù)、攝食行為識(shí)別技術(shù)，突破制約魚(yú)類(lèi)全生命周期生長(zhǎng)跟蹤的多元行為識(shí)別分析技術(shù)，提升魚(yú)類(lèi)科學(xué)養(yǎng)殖水平。

基于計(jì)算機(jī)視覺(jué)的魚(yú)類(lèi)生長(zhǎng)全過(guò)程行為識(shí)別技術(shù)，通過(guò)圖像采集、預(yù)處理、運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤等流程，結(jié)合人工智能算法進(jìn)行魚(yú)類(lèi)行為分析，實(shí)現(xiàn)魚(yú)類(lèi)游泳、攝食和體色變化等魚(yú)類(lèi)生長(zhǎng)全過(guò)程行為識(shí)別與量化分析。

利用水下攝像機(jī)進(jìn)行魚(yú)類(lèi)狀態(tài)數(shù)據(jù)采集，對(duì)圖像大小、采集頻率、圖像進(jìn)行存儲(chǔ)，傳輸至智能分析軟件，但因?yàn)轸~(yú)類(lèi)對(duì)海水環(huán)境背景具有一定的體色適應(yīng)性且與海水背景色區(qū)分度較小。因此，需要對(duì)采集到的魚(yú)類(lèi)圖像進(jìn)行預(yù)處理，然后提取魚(yú)類(lèi)圖像特征，并建立有關(guān)魚(yú)類(lèi)行為識(shí)別算法模型，分類(lèi)識(shí)別魚(yú)類(lèi)行為[6]。魚(yú)類(lèi)行為識(shí)別包括圖像預(yù)處理、特征提取、魚(yú)類(lèi)生長(zhǎng)信息模型構(gòu)建等流程，如圖 3 所示。另外，水下攝像機(jī)采集到的魚(yú)類(lèi)圖像中存在圖像噪聲，所以在提取特征前，需要進(jìn)行圖像預(yù)處理操作，包括灰度化、圖像增強(qiáng)、濾波去噪等流程[7]。

圖3 魚(yú)類(lèi)行為識(shí)別流程

在魚(yú)類(lèi)行為識(shí)別建模之前，需要提取魚(yú)類(lèi)特征信息，包括魚(yú)類(lèi)的形狀、大小、紋理、顏色和輪廓等特征信息。建立魚(yú)類(lèi)正常行為的標(biāo)準(zhǔn)樣本數(shù)據(jù)庫(kù)，為魚(yú)類(lèi)行為識(shí)別算法的建模提供核心數(shù)據(jù)。通過(guò)計(jì)算機(jī)圖像識(shí)別技術(shù)對(duì)不同水質(zhì)、餌料條件下的魚(yú)類(lèi)表征、攝食行為、異常行為進(jìn)行識(shí)別，并與魚(yú)類(lèi)生長(zhǎng)周期行為進(jìn)行樣本匹配，利用權(quán)重化特征的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建出魚(yú)類(lèi)行為識(shí)別模型，建立魚(yú)類(lèi)全生命周期內(nèi)的生長(zhǎng)與評(píng)估模型，并制作魚(yú)類(lèi)行為模式檢測(cè)器，然后通過(guò)魚(yú)類(lèi)行為檢測(cè)器對(duì)魚(yú)類(lèi)出現(xiàn)的行為模式進(jìn)行行為樣本匹配，完成魚(yú)類(lèi)行為識(shí)別，使魚(yú)類(lèi)智能生長(zhǎng)控制的綜合效益達(dá)到最優(yōu)[8]。

3 基于RBF 網(wǎng)絡(luò)算法的智能投喂系統(tǒng)

3.1 RBF 網(wǎng)絡(luò)算法

高斯形函數(shù)（Gaussian）是一種局部響應(yīng)函數(shù)，它是目前最常用的徑向基函數(shù)，RBF 網(wǎng)絡(luò)能夠?qū)崿F(xiàn)局部逼近，其逼近性能較強(qiáng)，可按照任意的精度逼近任意連續(xù)函數(shù)。另外，其具備學(xué)習(xí)收斂速度快、泛化能力強(qiáng)的特點(diǎn)，在圖像處理、系統(tǒng)建模等方面得到廣泛應(yīng)用。RBF 網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示。

圖4 RBF 網(wǎng)絡(luò)結(jié)構(gòu)圖

RBF 網(wǎng)絡(luò)算法如公式（1）、公式（2）所示[9]。

式中：x為RBF 網(wǎng)絡(luò)輸入；j為隱含層第j個(gè)節(jié)點(diǎn)；T 為轉(zhuǎn)置，W*為RBF 的理想權(quán)值，設(shè)定的RBF 網(wǎng)絡(luò)權(quán)值自適應(yīng)律為W；ε為RBF 網(wǎng)絡(luò)的逼近誤差；cj為示基函數(shù)中心；bj為隱含層第j個(gè)節(jié)點(diǎn)基帶參數(shù)；h（x）為高斯核函數(shù)；h（x）由[hj]T組成，hj為高斯基函數(shù)輸出；f（x）為理想全值下的RBF 網(wǎng)絡(luò)輸出。

3.2 基于環(huán)境信息與魚(yú)類(lèi)行為的智能投喂系統(tǒng)

由于目前的深海養(yǎng)殖管控依舊停留在人工經(jīng)驗(yàn)判斷的層面，往往會(huì)根據(jù)經(jīng)驗(yàn)粗放地調(diào)控養(yǎng)殖投喂等參數(shù)，造成不必要的飼料損失?；陴B(yǎng)殖海域環(huán)境水文氣象、養(yǎng)殖區(qū)域水體水質(zhì)參數(shù)等關(guān)鍵環(huán)境參數(shù)及魚(yú)類(lèi)全生命周期資料，利用RBF 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，調(diào)控投喂量、投喂速度、投喂時(shí)間等參數(shù)，可提高深海養(yǎng)殖智能化、信息化程度，實(shí)現(xiàn)深海養(yǎng)殖精準(zhǔn)投喂管控。

將養(yǎng)殖海域水文氣象、養(yǎng)殖水質(zhì)參數(shù)以及魚(yú)類(lèi)行為狀態(tài)等變量作為RBF 網(wǎng)絡(luò)的輸入，即將風(fēng)速、風(fēng)向、流速、水溫、溶解氧、魚(yú)類(lèi)生長(zhǎng)階段和魚(yú)體大小等對(duì)魚(yú)類(lèi)代謝和生長(zhǎng)的影響因子作為RBF 網(wǎng)絡(luò)的輸入量，并將投喂量、投喂時(shí)間、投喂頻率等參數(shù)作為RBF 網(wǎng)絡(luò)的輸出，根據(jù)養(yǎng)殖經(jīng)驗(yàn)及專(zhuān)家試驗(yàn)數(shù)據(jù)，調(diào)整RBF 網(wǎng)絡(luò)權(quán)值，改變輸出量與各輸入變量間的關(guān)系，建立魚(yú)類(lèi)生長(zhǎng)對(duì)環(huán)境因子的響應(yīng)模型以及魚(yú)類(lèi)的生長(zhǎng)預(yù)測(cè)模型，具體的深海養(yǎng)殖智能投喂流程如圖5所示。 基于已建立的魚(yú)類(lèi)生長(zhǎng)對(duì)環(huán)境因子的響應(yīng)模型以及魚(yú)類(lèi)的生長(zhǎng)預(yù)測(cè)模型，預(yù)測(cè)魚(yú)類(lèi)在多環(huán)境因素協(xié)同作用下的生長(zhǎng)速度，并根據(jù)魚(yú)類(lèi)的饑餓程度或攝食欲望進(jìn)行量化，定量判斷魚(yú)類(lèi)行為狀態(tài)及關(guān)鍵環(huán)境參數(shù)下的投喂最佳值，建立最佳環(huán)境因子知識(shí)庫(kù)。通過(guò)RBF 網(wǎng)絡(luò)訓(xùn)練，不斷完善該數(shù)學(xué)模型，并通過(guò)現(xiàn)場(chǎng)實(shí)時(shí)信息、魚(yú)類(lèi)行為等進(jìn)行自動(dòng)推理和決策，獲得最佳投喂量等參數(shù)，通過(guò)管控平臺(tái)控制投喂系統(tǒng)等相關(guān)設(shè)備，精準(zhǔn)調(diào)控投喂時(shí)間、投喂量、投喂速度等參數(shù)。

圖5 深海養(yǎng)殖智能投喂流程

4 結(jié)論

對(duì)機(jī)器視覺(jué)、RBF 網(wǎng)絡(luò)算法等技術(shù)的研究，該文建立了基于環(huán)境信息與魚(yú)類(lèi)行為的智能投喂系統(tǒng)，該系統(tǒng)能夠采集養(yǎng)殖海域環(huán)境信息、養(yǎng)殖水質(zhì)參數(shù)信息及魚(yú)類(lèi)行為狀態(tài)，并通過(guò)RBF 網(wǎng)絡(luò)構(gòu)建環(huán)境信息、魚(yú)類(lèi)行為與魚(yú)群攝食量之間的關(guān)系模型，分析魚(yú)類(lèi)行為及魚(yú)類(lèi)攝食規(guī)律，獲取最優(yōu)投喂量、投喂時(shí)間、投喂時(shí)長(zhǎng)等參數(shù)，實(shí)現(xiàn)智能投喂。在實(shí)際應(yīng)用過(guò)程中，該系統(tǒng)能夠解決如下問(wèn)題：1） 提高飼料利用率，降低養(yǎng)殖成本。2） 獲取養(yǎng)殖海域水文氣象等環(huán)境信息、養(yǎng)殖水質(zhì)參數(shù)。3） 實(shí)現(xiàn)魚(yú)類(lèi)行為的智能識(shí)別，并獲得較為準(zhǔn)確的魚(yú)類(lèi)攝食規(guī)律。