《Aquacultural Engineering》：Adaptive Graph Learning with Dynamic Neural ODE for Feeding Intensity Analysis of Pearl Gentian Grouper in a Recirculating Aquaculture System
编辑推荐：
王洪波|马泽双|周洪|田云晨|刘浩辉|孙展硕|贾雷|胡金城|胡明峰智能养殖重点实验室（部委与省级共建），农业农村部，天津农业大学，天津300392，中国摘要在循环水养殖系统（RAS）中，准确评估饲料投放强度对于精准喂养和水质管理至关重要。然而，传统的手动观察方法具有主观性和低效率
王洪波|马泽双|周洪|田云晨|刘浩辉|孙展硕|贾雷|胡金城|胡明峰
智能养殖重点实验室（部委与省级共建），农业农村部，天津农业大学，天津300392，中国
摘要
在循环水养殖系统（RAS）中，准确评估饲料投放强度对于精准喂养和水质管理至关重要。然而，传统的手动观察方法具有主观性和低效率，而现有的单一模态和直接的多模态方法仍然容易受到环境噪声、视觉遮挡以及跨模态语义对齐不足的影响。为了解决这些问题，本研究提出了一种名为FAMNet的音视频多模态框架，用于离散饲料投放强度的识别和连续饲料状态评估。首先建立了一个包含3,052个音视频样本的同步数据集。然后，开发了一个改进的轻量级声学分支来提取具有区分性的频谱表示，同时引入了一个带有平衡神经常微分方程（Balanced Neural ODE）的视觉分支来模拟鱼群行为的连续时空演变。此外，设计了一个具有局部-全局节点配置的特征驱动动态跨模态图，以增强异构声学和视觉特征之间的结构感知交互和自适应融合。此外，构建了一个基于物理原理的饲料投放强度指数（PFI），通过熵引导的自适应加权整合了分类置信度、活动能量和运动稳定性，实现了连续量化。该框架在四个饲料投放强度水平上达到了98.2%的分类准确率，并在声学噪声、视觉遮挡和数据集内鱼体大小变化的情况下表现出良好的鲁棒性。这些结果表明，所提出的方法不仅提高了饲料投放强度的识别性能，还为水产养殖中的智能喂养管理提供了一个可解释的连续评估工具。
引言
监测鱼的饲料投放强度对于精准喂养、饲料利用、水质调节和生产效率具有重要意义。在循环水养殖系统（RAS）中，由于高养殖密度、复杂的操作条件以及多种环境因素的干扰，这项任务变得尤为具有挑战性。特别是，RAS在珍珠紫鲈的大规模养殖方面显示出巨大潜力，这种杂交物种结合了Epinephelus fuscoguttatus的快速生长特性和Epinephelus lanceolatus的耐盐性和抗压性，从而具有显著的商业价值（Qin等人，2025年）。然而，在这种密集养殖条件下，准确且连续地量化饲料行为仍然很困难（Qin等人，2025年）。
传统的喂养管理仍然主要依赖于人工经验，这容易导致主观偏差，常常导致过度喂养或喂养不足。剩余饲料的分解可使氨氮和硝酸盐浓度增加30-50%，从而加剧生物过滤负担，增加水质恶化和细菌疾病的风险（Zhang等人，2025年；Huang等人，2024a年）。此外，珍珠紫鲈在进食时表现出明显的群集行为，表现为非进食期间在底部休息，进食期间在表面密集聚集。相关的行为动态和声学反应在不同饲料投放强度水平上有显著差异，而手动观察受到水质透明度、光照变化和鱼体遮挡的强烈限制（Liu等人，2014年；Dong等人，2024年）。这些限制突显了客观和自动化饲料强度分析的必要性。
为了克服手动观察的局限性，已经探索了许多单一模态方法。在基于视觉的研究中，MFE-MobileViTv3（Zhang等人，2025年）、FFAUNet（Huang等人，2024b年）、MSIF-MobileNetV3（Zhang等人，2023年）和双标签MobileViT-SENet（Zhang等人，2024年）改进了饲料分析的空间和语义特征建模。早期的基于CNN和注意力机制的视觉模型在受控条件下也取得了中等准确率（Zhou等人，2019年；Yang等人，2021年）。然而，视觉方法对低光照、高浊度、反射和鱼体重叠非常敏感，在成像质量下降的情况下准确率可能会降低15-20%（Huang等人，2024a年；Feng等人，2024年）。更重要的是，纯视觉方法忽略了进食过程中产生的互补声学线索，因此可能无法捕捉到珍珠紫鲈的全部行为特征，尤其是在底部休息和快速迁移阶段。
声学分析为饲料强度识别提供了另一种有效途径。基于Swin Transformer的ASST（Zeng等人，2023年），以及使用Mel、GFCC和RMS描述符的系统性评估（Du等人，2023a年；Du等人，2023b年），在饲料相关声音分析方面展示了强大的区分能力。然而，实际水产养殖环境中的声学信号经常受到持续泵浦噪声和气泡干扰的污染，这显著降低了识别可靠性，将弱喂养状态和非喂养状态之间的误分类率增加到12-15%（Du等人，2023b年；Du等人，2024年）。因此，多维特征融合被建议作为一种提高鲁棒性的有前景策略（Iqbal等人，2024年；Ma等人，2024年）。
因此，最近的研究越来越多地关注多模态融合。U-FFIA（Cui等人，2025年）、MMFINet（Gu等人，2025年）和模态注意力门控方法（Du等人，2024年）证明了音视频互补性在复杂环境条件下的显著增强鲁棒性。此外，三流融合架构（Dong等人，2024年）和两阶段特征选择框架（Cai等人，2024年）为多模态表示学习提供了有价值的见解。尽管这些研究证实了多模态感知的潜力，但大多数现有方法仍然存在连续群体动态建模不足、异构声学和视觉特征之间的语义对齐较弱以及连续强度评估的可解释性有限的问题。此外，这些挑战不仅限于RAS，在池塘和笼养水产养殖中也存在；然而，在RAS中由于高养殖密度、受限的养殖空间和连续的设备运行，这些问题通常更为严重。
总体而言，现有的循环水养殖系统饲料强度分析方法仍面临三个主要限制。首先，单一模态方法容易受到环境干扰的影响，无法完全描述鱼群的复杂喂养行为。其次，当前的多模态方法在模拟动态交互和异构声学和视觉特征之间的语义对齐方面仍然不足。第三，现有研究对可解释的连续强度评估的关注有限，而这对于实际喂养决策非常重要。为了解决这些挑战，本研究提出了一种用于珍珠紫鲈饲料强度分析的集成音视频框架。具体来说，引入了平衡神经常微分方程来模拟群体行为的连续时间演变，构建了一个特征驱动的动态跨模态图来捕捉细粒度的声学-视觉交互，并通过熵引导的自适应加权设计了一个基于物理原理的饲料强度指数。广泛的实验表明，该框架在所研究的RAS条件下实现了卓越的准确率和鲁棒性，包括声学噪声、视觉遮挡和数据集内鱼体大小变化。这些结果表明，所提出的方法在RAS中的饲料强度分析方面具有潜力。
章节片段
数据集
本研究于2025年4月在中国天津滨海新区的一个循环水养殖系统（RAS）中进行，实验持续了七天。实验水箱的面积约为30平方米，水深为1米；系统配置的示意图如图1所示。在实验期间，使用BARLUS相机（型号SKU E3G5MPCX10）以1080p的分辨率和每秒30帧的帧率连续收集视频数据。
整体架构
本研究提出了一种名为FAMNet（Feeding Analysis Multimodal Network）的多模态鱼类饲料强度识别模型，旨在充分利用水下声学信号和视频数据以实现高精度的鱼类喂养状态分类。所提出框架的整体架构如图3所示。
如图3所示，FAMNet整合了一个声学模态特征提取网络、一个具有动态特征建模的视觉模态编码器以及一个图
实验设置
为了确保所提出方法的可重复性，主要实施细节总结如下。数据集被分为训练集、验证集和测试集，采用分层随机分割，比例为60%:20%:20%，并使用固定的随机种子42来保证所有实验中数据划分的一致性。采用分层分割是为了保持每个子集中的原始类别分布，特别是考虑到非喂养类别包含
结论
本研究提出了一种用于循环水养殖系统中珍珠紫鲈的集成音视频饲料强度分析框架。通过联合建模空间外观、声学模式和时间动态，所提出的方法能够在轻微干扰条件下实现稳健的饲料强度识别，而严重的视觉遮挡仍会导致性能显著下降。
具体来说，引入了一个平衡神经常微分方程来捕捉
未引用的参考文献
(Huang等人，2024年；Huang和Vadloori，2024年；Du等人，2023年；Du等人，2023年；Du等人，2024年)
资助
本工作得到了智能农业重点实验室2024年开放基金项目（项目编号2024-TJAULSBF-2404）、天津市关键技术研发计划（项目编号24YFZCSN00200、23YFZCSN00310）、2024年赣南地区科技计划项目（项目编号2024ZY1NC004）、2023年黑龙江省重点研发计划“揭开领导者”项目（项目编号2023ZXJ02C04）以及中国国家重点研发计划（项目编号2020YFD0900600）的支持
CRediT作者贡献声明
刘浩辉：调查、数据整理。孙展硕：可视化、调查。周洪：撰写 – 审稿与编辑、监督。田云晨：撰写 – 审稿与编辑、监督、项目管理、资金获取。胡明峰：监督、数据整理。贾雷：撰写 – 审稿与编辑、监督。胡金城：撰写 – 审稿与编辑、监督。马泽双：撰写 – 初稿、软件、方法论、概念化。王洪波：
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
作者感谢循环水养殖系统的工作人员和技术人员在数据收集和实验实施过程中的协助。本工作得到了智能农业重点实验室2024年开放基金项目（项目编号2024-TJAULSBF-2404）、天津市关键技术研发计划（项目编号24YFZCSN00200和23YFZCSN00310）、2024年赣南地区科技计划项目（项目编号2024ZY1NC004）以及2023年
