中國水產養(yǎng)殖的生產模式已由粗放型向集約型轉變,生產結構不斷調整升級,生產水平不斷提高。但較低的勞動生產率、生產效率和資源利用率,低質量的水產品以及缺乏安全保障等問題都嚴重制約中國水產養(yǎng)殖業(yè)的快速發(fā)展。利用現(xiàn)代信息技術,研究智能設備來實現(xiàn)精確、自動化和智能化的水產養(yǎng)殖,提高漁業(yè)生產力和資源利用率是解決上述矛盾的主要途徑。水產養(yǎng)殖中的人工智能是研究利用計算機實現(xiàn)水產養(yǎng)殖的過程,也就是利用機器和計算機監(jiān)視水下生物的生長,進行問題判斷、討論和分析,提出養(yǎng)殖相關決策,完成自動化養(yǎng)殖。為深入了解人工智能技術在水產養(yǎng)殖中的研究發(fā)展現(xiàn)狀,本文從水產養(yǎng)殖的生命信息獲取、水產生物生長調控與決策、魚類疾病預測與診斷、水產養(yǎng)殖環(huán)境感知與調控,以及水產養(yǎng)殖水下機器人5個具體方面入手,結合生產中面臨的實際問題,分析了人工智能在水產養(yǎng)殖中的研究應用現(xiàn)狀和技術特點;闡述了人工智能應用的主要技術手段和原理,總結了近年來人工智能技術在水產養(yǎng)殖中的最新應用研究進展,分析了當前人工智能技術在水產養(yǎng)殖發(fā)展中面臨的主要問題和挑戰(zhàn),并提出了推動水產養(yǎng)殖轉型的主要建議,以期為加速推進中國漁業(yè)數(shù)字化、精準化和智慧化提供參考。 

【文章來源】：智慧農業(yè)(中英文). 2020,2(03)

【文章頁數(shù)】：20 頁

【部分圖文】：

基于機器學習的水產養(yǎng)殖環(huán)境因子預測流程

隨著物聯(lián)網、大數(shù)據(jù)、人工智能等新一代信息技術的不斷進步，在水產養(yǎng)殖中利用機器替代人工成為可能[3]。其中，農業(yè)物聯(lián)網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)網和大數(shù)據(jù)提供的海量信息，對產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、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[4]。人工智能技術在水產養(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、分析以及經驗學習，最后制定相關管理決策。為更好地總結人工智能技術在水產養(yǎng)殖中的研究和應用現(xiàn)狀，本文按照水產養(yǎng)殖中主要的業(yè)務對象和生產環(huán)節(jié)，梳理了人工智能在“生命信息獲取、水產生物生長調控與決策、魚類疾病預測與診斷、水產養(yǎng)殖環(huán)境感知與調控，以及水產養(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養(yǎng)殖中的應用和推進提供參考，為中國智慧漁業(yè)和農業(yè)現(xiàn)代化發(fā)展提供新方法和新思路。

現(xiàn)代水產養(yǎng)殖中主要依靠傳感器獲得魚、蝦、貝等水產生物的生命信息，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[5]。該過程是利用水產養(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)應用水產養(yǎng)殖領域智能化監(jiān)測方法的數(shù)據(jù)基礎[6,7]。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[8,9]。人工智能技術在水產養(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。2.1.1 魚種類識別

【參考文獻】：
期刊論文
[1]基于熒光法的溶解氧傳感器研制及試驗[J]. 顧浩,王志強,吳昊,蔣永年,郭亞.  智慧農業(yè)(中英文). 2020(02)
[2]水產養(yǎng)殖中魚類投喂策略研究綜述[J]. 俞國燕,張宏亮,劉皞春,王俊會.  漁業(yè)現(xiàn)代化. 2020(01)
[3]基于自適應模糊神經網絡的魚類投喂預測方法研究[J]. 陳瀾,楊信廷,孫傳恒,王以忠,徐大明,周超.  中國農業(yè)科技導報. 2020(02)
[4]機器視覺技術在水下機器人中的應用研究現(xiàn)狀及展望[J]. 林海燕,王皓.  信息記錄材料. 2019(09)
[5]基于長短時記憶網絡（LSTM）的蟹塘溶解氧估算優(yōu)化方法[J]. 朱南陽,吳昊,尹達恒,王志強,蔣永年,郭亞.  智慧農業(yè). 2019(03)
[6]全國水生動物疾病遠程輔助診斷服務網在水產病害防控中的應用[J]. 張鋒,尹紀元.  中國水產. 2019(02)
[7]基于近紅外機器視覺的魚類攝食強度評估方法研究[J]. 周超,徐大明,吝凱,陳瀾,張松,孫傳恒,楊信廷.  智慧農業(yè). 2019(01)
[8]基于多特征融合與機器學習的魚類攝食行為的檢測[J]. 張重陽,陳明,馮國富,郭強,周旭,侍國忠,陳冠奇.  湖南農業(yè)大學學報(自然科學版). 2019(01)
[9]大數(shù)據(jù)時代人工智能技術在農業(yè)領域的研究進展[J]. 陳桂芬,李靜,陳航,安宇.  中國農業(yè)文摘-農業(yè)工程. 2019(01)
[10]水產養(yǎng)殖水質檢測與控制技術研究進展分析[J]. 尹寶全,曹閃閃,傅澤田,白雪冰.  農業(yè)機械學報. 2019(02)

博士論文
[1]水產養(yǎng)殖溶解氧智能預測方法研究[D]. 宦娟.江蘇大學 2019
[2]基于機器學習的池塘養(yǎng)殖水質關鍵因子預測方法研究[D]. 于輝輝.中國農業(yè)大學 2018
[3]循環(huán)水養(yǎng)殖游泳型魚類精準投喂研究[D]. 趙建.浙江大學 2018
[4]基于計算智能的水產養(yǎng)殖水質預測預警方法研究[D]. 劉雙印.中國農業(yè)大學 2014

碩士論文
[1]基于RBF神經網絡補償器的水下機器人運動控制研究[D]. 韓凌云.山東大學 2019
[2]基于深度學習的魚類識別研究[D]. 胡濤.浙江工業(yè)大學 2019
[3]基于視覺增強的水下機器人目標識別與定位[D]. 湯忠強.東南大學 2018
[4]基于機器學習理論的水質預測技術研究[D]. 笪英云.浙江師范大學 2015
[5]基于多Agent的水產智能增氧關鍵技術研究[D]. 簡玉梅.上海海洋大學 2014



本文編號：3299269