综述：人工智能赋能的水产养殖工程系统：面向设计的感知、建模与部署架构综述

《Computers and Electronics in Agriculture》：Artificial intelligence-enabled aquacultural engineering systems: A design-oriented review of sensing, modelling, and deployment architectures

　　

人工智能赋能的水产养殖工程系统：面向设计的感知、建模与部署架构综述
• 为水产养殖工程核心领域提出了五种可部署的人工智能（AI）参考架构。
• 在水产养殖AI中共享的ESP32/Raspberry Pi/YOLO/MQTT/TinyML技术栈。
• 边缘推理和耐生物污损设计优于算法新颖性。
• 数据集稀缺和跨农场可迁移性被研究人员确定为关键瓶颈。
• 研究人员将147项原始研究综合为一个系统工程设计框架。

1. Introduction
本文针对人工智能赋能的水产养殖工程系统，以设计为导向综述了2023–2026年间在五个高影响力领域（水质管理、饲料管理、疾病管理、遗传选择与表型监测）中的AI集成研究。文章指出传统养殖依赖人工监测，而低成本传感、嵌入式计算与无线连接的发展正在改变系统管理方式。综述强调系统级综合，提取从感知到执行的重复模式，并转化为适合商业部署的参考架构。

1.1. Review methodology and study selection
采用结构化的按领域文献检索，在Web of Science、Scopus和IEEE Xplore中检索2023–2026年研究。共获得3100条记录，经去重、筛选后保留147项研究，其中水质管理39项、饲料管理42项、疾病管理26项、表型29项、遗传选择11项。每项研究均需明确体现AI在水产养殖工程问题中的应用。

2. AI-enabled water quality management
2.1. Input
水质管理研究覆盖室内水箱、土塘、生物絮团系统、循环水养殖系统（RAS）及近海网箱等环境。核心监测变量集中在温度、pH、溶解氧（DO）和浊度，氨氮等营养盐指标在集约系统中日益重要。主要输入模态为原位电化学与光学探针，支持低成本嵌入式硬件（Arduino、ESP32）；视觉和遥感（无人机高光谱、卫星数据）作为新兴补充。

2.2. Preprocessing
预处理策略具有强模态依赖性。传感器时间序列采用最小-最大归一化、z-score标准化、四分位距滤波或移动平均平滑。相机数据侧重关键帧提取和图像增强（U-Net降噪）。光谱数据需辐射与大气校正，并采用一阶差分、Savitzky-Golay平滑、竞争自适应重加权采样（CARS）和连续投影算法（SPA）进行特征选择。滑动窗口分割和经验模态分解（EMD）/集成经验模态分解（EEMD）用于处理时间序列非平稳性。

2.3. Model
模型分为经典机器学习（随机森林、支持向量机、梯度提升）、深度学习（LSTM、GRU、Transformer）和混合/规则系统（模糊推理）。分类和预测准确性已超过98%，但跨地理和季节的泛化证据有限。研究发现混合架构如TFN、ConvLSTM、AODEGRU、IBM-MPC等展示了改进的预测或控制性能，但均为研究内比较。

2.4. Application
应用输出以连续参数预测、分类标签或合成指数（水质指数WQI、水污染指数WCI、水产环境指数AEI）呈现，支持实时监测、预警和控制决策。用户交互通过Web仪表盘或移动应用实现，新出现的自然语言界面仍在早期阶段。商业采用的主要瓶颈是将预测转化为可操作的管理建议。

2.5. Design-oriented synthesis and reference system architecture
参考架构优先考虑操作可行性和技术成熟度，采用多传感器阵列（至少DO、pH、温度、浊度），轻量级预处理（移动平均、线性插值、min-max归一化），长短期记忆网络（LSTM）/门控循环单元（GRU）或量化混合变体作为时序预测模型，以及移动仪表盘和应用层决策支持。成本可低至约200美元，但需考虑传感器耗材、维护（每1–2周清洁防生物污损，约15天校准一次）等总拥有成本。跨场迁移需要重新校准。

3. AI-enabled feed management
3.1. Input
饲料管理研究主要基于循环水养殖系统（RAS）和室外土塘、海上网箱，以罗非鱼、大西洋鲑、大口黑鲈等为主要物种。RGB视觉是主要模态，因其非接触且兼容现有监控基础设施；水听器和成像声纳用于浑浊环境，惯性测量单元（IMU）捕捉水面振动。溶解氧等生理生态指标提供环境背景。

3.2. Preprocessing
预处理包括图像/视频标准化（调整大小、灰度化、亮度对比度调节）、帧提取（均匀采样、滑动窗口）、运动相关预处理（光流、二值化、灰度共生矩阵GLCM纹理分析）、音频信号变换（梅尔频谱图、短时傅里叶变换STFT、常数Q变换CQT）以及数据增强和归一化。

3.3. Model
模型分为卷积神经网络（CNN）（ResNet-50、VGG16）、YOLO检测器（YOLOv8）、Transformer（ViT、Swin）、递归/混合模型和图形/模糊逻辑系统。混合多模态架构（如MMFINet、三流网络）达到高精度，部署导向模型（YOLO-Feed、MobileViT-CoordAtt）在边缘设备上实现实时推理。

3.4. Application
输出包括摄食强度分类（无、弱、中、强）、饥饿估计、残饵检测和生物量指标。这些信号通过自适应神经模糊推理系统（ANFIS）或模糊控制器驱动投饵机。消息队列遥测传输（MQTT）协议用于通信。现场评估显示可减少15%–27%的饲料浪费，并降低约三分之一劳动力需求。

3.5. Design-oriented synthesis and reference system architecture
参考架构优先采用RGB视觉（架空/水下摄像头），预处理为224×224像素重采样和高斯模糊。模型选用MobileViT-CoordAtt（4.09 MB内存）或YOLO-Feed，部署于NVIDIA Jetson Nano或Raspberry Pi等边缘板，通过MQTT控制ANFIS驱动的投饵机。该系统可降低饲料浪费15%–27%，减少三分之一人力。

4. AI-enabled disease management
4.1. Input
疾病管理在循环水养殖系统（RAS）、网箱、池塘和实验室水箱中实施。RGB图像和视频是主要模态，包括离水面采集和现场水下图像。显微镜图像用于病原体识别，行为视频跟踪捕捉游泳轨迹和平衡障碍。环境遥测（温度、pH、DO等）通过IoT模块集成。表面增强拉曼光谱（SERS）提供生化特征。硬件倾向于Raspberry Pi、ESP32及支持设备上推理的RISC-V微控制器。

4.2. Preprocessing
视觉管道进行图像重缩放、对比度增强、照明校正、噪声抑制、感兴趣区域提取和数据增强。显微镜图像标准化，光谱信号进行基线校正、平滑和归一化。时间序列遥测进行缺失值处理、平滑、离群值过滤和统计归一化，并分割为固定长度窗口。生成式增强用于缓解数据集不平衡。

4.3. Model
模型分为空间视觉识别网络（CNN、单阶段目标检测）、时间序列模型（循环神经网络RNN、强化学习用于易感指数估计）和多模态融合框架。轻量级骨干网络（如YOLO、MobileNet）用于边缘部署。新兴方向包括状态空间模型（Mamba系列）与查询式检测Transformer（RT-DETR）结合的多目标跟踪，支持行为疾病监测。

4.4. Application
应用包括自动视觉病变检测（实时边界框和分类）、早期预警行为监测（异常轨迹、平衡障碍）和预测性风险评估（基于环境遥测的概率风险指数）。分子检测（SERS）用于实验室确认。系统提供决策支持或与自动控制框架集成，边缘实现支持远程农场实时警报。

4.5. Design-oriented synthesis and reference system architecture
参考架构包含四个功能层：输入层以RGB相机为核心，可选遥测和光谱输入；预处理层进行模态特定信号调理；模型层使用轻量级CNN/YOLO进行病变定位，时间序列模型或强化学习估计易感性；应用层输出实时病变警报、异常评分或风险指标。实现采用Raspberry Pi或微控制器进行边缘推理，减少云依赖。

5. AI-enabled genetic selection and broodstock management
5.1. Input
该领域证据库最窄（n=11）。输入包括全基因组标记数据（单核苷酸多态性SNP芯片、全基因组测序WGS、结构变异），以及系谱、表型数据（体重、体长）和自动图像表型。在某些系统中，环境和管理变量被纳入。

5.2. Preprocessing
基因组质量控制包括过滤低频变异和低基因型个体（次要等位基因频率阈值约0.05，检出率阈值接近0.90）。缺失基因型通过Beagle、Wright算法