图1人工智能为水产养殖提供技术支持逻辑框图
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，同时提出了未来发展展望，以期为人工智能在水产养殖中的应用和推进提供参考，为中国智慧渔业和农业现代化发展提供新方法和新思路。
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
图2信息获取关键技术
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，以达到最佳销售效果。人工智能技术主要依靠机器视觉的方法对鱼种类进行识别，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。基于人工智能技术对鱼类进行种类分类的方法有神经网络分类法、决策树、Bayes分类法以及支持向量机等。
2.1.2鱼类行为识别
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‐braZoom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。张重阳等针对目前检测方法特征单一、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方法准确率提高了4.1%。
2.1.3生物量估算
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。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。
图3生物量估算系统框图
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方法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，开发生物量估算新方法，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。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，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。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最佳生长策略，在养殖过程中最大化当前生产利润。Supriatna等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最大允许生物量。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网络的方法建立鱼类生长模型，估算最大可持续产量，及时调整生长方案，为实现最大生产量提供技术支持。Kamisetti等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方法。目前对鱼类生长的预测有多种方法可以选择，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方法不同，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
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方法的准确性。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
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。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方法为基于模型诊断和基于案例推理、知识库比对诊断两种方法，其具体诊断流程如图4所示。
图4鱼类疾病诊断流程图
无论是模型诊断、案例推理还是诊断系统等方法，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，容易错过最佳治疗期，因此，对病害进行早期诊断极为重要。
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。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
图5基于机器学习的水产养殖环境因子预测流程
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方法的不足。
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5mg/L，当水中溶解氧低于3mg/L时，鱼类减少摄食，逐渐停止生长；当溶解氧小于2mg/L时，鱼类开始浮头；当溶解氧小于1mg/L时，鱼类开始大量死亡。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。传统水产养殖模式中的增氧方法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方法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。
掌晓峰等提出了基于模糊径向基（FRBF）神经网络改进的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方法比模糊PID控制方法超调量缩小2倍，达到稳态用时缩短了10min，最大稳态误差减小了3倍。简玉梅根据池塘养殖规模的差异，基于多Agent的方法，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网络模型的基础上，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，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，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。
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。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
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
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。人工智能技术在水下机器人应用中的最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网络、自适应控制、模糊控制等方法对水下机器人进行作业控制。Xu等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方法，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。韩凌云利用径向基神经网络控制器整体补偿控制水下机器人运动，并利用Lyapunov方法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。
3未来展望与建议
（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方法。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。
（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方法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。