基于FFD-YOLO算法的循环水养殖系统鱼苗精准投喂方法研究

为解决循环水养殖系统(RAS)中鱼苗投喂效率低、饲料浪费严重的问题，南京农业大学团队开发了集成FFD-YOLO检测网络与模糊PID控制的精准投喂系统。研究通过改进的GhostNet-BiFPN-CA网络实现91.33%检测精度，结合EDEM仿真优化槽轮参数，推荐40%和80%两种饲料覆盖率，投喂误差<12.6%，显著促进鱼苗生长。该研究为工业化RAS养殖提供了智能解决方案。

　　

随着长江"十年禁渔"政策的实施，我国水产养殖业面临转型升级的迫切需求。循环水养殖系统(RAS)因其环境可控、生产效率高等优势成为重要解决方案。然而在鱼苗培育环节，传统投喂方式存在明显缺陷：固定投喂量易造成饲料浪费，残留饲料污染水质；人工观察难以精准判断鱼苗摄食状态；现有自动投喂设备多针对成鱼设计，无法适应鱼苗体型小、摄食行为隐蔽等特点。更关键的是，当前研究多聚焦单一检测指标——或分析鱼群活动，或监测残饵数量，缺乏多维度综合判断体系。

针对这些行业痛点，南京农业大学杨海辉、王晓婵团队在《Aquaculture Reports》发表创新研究，提出融合计算机视觉与机电控制的精准投喂方案。研究团队通过改进YOLOv5算法构建FFD-YOLO检测网络，集成GhostNet轻量化模块、双向特征金字塔网络(BiFPN)和坐标注意力机制(CA)，实现对鱼苗摄食姿态和残饵的双重检测。配合EDEM离散元仿真优化槽轮参数，结合Python数值模拟确定最佳饲料覆盖率，最终开发出包含状态检测、投喂控制、精准下料和变量分配四大模块的智能系统。

关键技术方法包括：1)使用LabelImg标注560张水下图像构建数据集，通过旋转、翻转等增强至11000张；2)采用RDK-X3边缘AI控制器处理图像，STM32单片机控制执行机构；3)基于Box-Behnken设计优化槽轮结构参数；4)应用Delaunay三角剖分量化鱼群聚集度；5)通过粒子群算法(PSO)优化PID参数。

【鱼苗摄食状态检测结果】

改进的FFD-YOLO模型达到91.33%精确度、74.15%召回率和85.06% mAP_0.5，检测速度75FPS。相比原YOLOv5s模型，mAP_0.5提升3.39%，且训练曲线更平稳。在搭载RDK-X3处理器的实际场景中，可实现5FPS的实时检测，成功识别"角度摄食(>)"和"垂直摄食(|)"两种典型姿态。

【精准下料系统验证】

EDEM仿真表明：粒径0.5-1.5mm饲料的最佳参数组合为转速45RPM、10槽、轴径42mm。台架试验证实该配置下1-2秒即可稳定下料，变异系数(CV)<2.5%。5秒内最大下料量81g，满足多轮投喂需求。

【变量分配系统优化】

Python模拟发现：群聚半径<50%水域面积时，40%覆盖率最佳；>50%时需80%覆盖率。Fuzzy-PID控制器实现5.62%超调量和0.16%稳态误差，较PSO-PID响应更平稳。EDEM显示1600RPM转速可使饲料覆盖全水面，25°偏转角能改善分布均匀性。

【系统整体性能】

使用1.0mm饲料的现场测试显示：在图像清晰条件下，下料误差<10.2%，分布误差<12.6%；图像模糊时误差增至18.4%和24.1%。60天养殖试验证实，该方法使大口黑鲈(Micropterus salmoides)鱼苗饲料转化率(FCR)降至1.16，较人工投喂提升5.7%。

研究团队在讨论中指出，该方法创新性地将残饵检测与摄食行为分析相结合，通过多轮投喂策略动态调整总量。虽然在水质浑浊条件下的检测稳定性有待提升，但已显著降低劳动强度（投喂频次减少50%）和饲料浪费（残饵量下降31%）。这项研究为RAS智能化发展提供了重要技术支撑，特别适合对饲料成本敏感的鱼苗培育阶段。未来通过扩大数据集和优化光学系统，有望进一步拓展应用场景。