虾塘里装 “水下耳朵”，PAM声学搭配AI视觉，投料不再靠猜！

将计算机视觉、人工智能、自动投喂系统与声学生物技术集成，可构建一套新型养殖解决方案，提升投喂效率、优化养殖产出，支撑盈利性可持续养虾模式落地。

虾类养殖领域的声学生物技术，为摄食行为解析与精准水产养殖开辟了全新路径。该技术若与计算机视觉、人工智能及自动投喂系统联动，能够形成智能化管控方案，提升饲料利用效率、稳定养殖产量，推动养虾产业走向可持续、高收益发展。

在现代对虾生产体系中，掌握虾类摄食行为是制定科学投喂方案、提升生产效能、增强养殖可持续性的核心基础。饲料成本在对虾养殖总运营成本中占比极高，精准核算饲料消耗量，兼具经济效益与生态环保价值。但养殖水体环境复杂，直接观测虾的摄食行为难度较大。因此，被动声学监测（Passive Acoustic Monitoring, PAM）技术日益受到科研人员与水产科技企业的重视。不同于主动声呐，PAM属于非侵入式监测手段，无需主动发射声波，仅被动采集水下环境声学信号，可捕捉对虾摄食时特有的咔嗒声。这种无干扰监测方式，既能丰富对虾摄食行为的研究维度，也为研发高精度、智能化自动投喂系统奠定基础。

该技术现已在全球多个核心对虾养殖区落地应用，帮助养殖户精细化饲料管控，减少饲料浪费。整套系统依靠高灵敏度水下拾音设备录制对虾摄食声响，再借助信号处理算法，实时识别、解析摄食相关声学信号；系统基于音频数据动态调整投喂量，匹配对虾实际摄食需求，提升饲料转化率，摆脱传统经验式投喂的局限。尽管声学驱动的商用投喂设备发展迅速，但相关底层数据集与算法大多属于企业专有技术，尚未向科研界公开。在此背景下，PAM也逐步成为可控实验条件下研究对虾摄食行为的重要科研工具。目前，养殖企业、饲料厂商与科研机构纷纷搭建专业声学实验室，用于投喂策略评估、饲料配方优化与新技术验证。依托精准投喂技术迭代，PAM助力对虾养殖实现高效生产、增收盈利与绿色可持续的多重目标。

一、依托实验室研究完善对虾声学监测技术

声学投喂系统已在养殖场持续验证实效，配套PAM实验室研究同步推进，为商业化应用夯实理论基础。近年来，巴西伯南布哥联邦农村大学（UFRPE）水产养殖技术实验室（LTA）已成为国际知名研究平台，聚焦在受控实验条件下，利用PAM技术评估凡纳滨对虾（*Penaeus vannamei*）的摄食行为。

> 图1：PAM应用案例，用于表征对虾摄食咔嗒声特征、评估摄食行为

该团队研究证实，声学生物技术不仅可支撑自动投喂装备开发，还有助于厘清营养水平、环境因子与养殖管理方式如何调控对虾摄食行为。

当前LTA的研究包含两个互补方向：其一，解析对虾摄食声信号特征，探究声信号随口器规格、蜕皮周期、饲料颗粒结构等变量的变化规律（图1）；其二，将声学活动强度作为摄食行为量化指标，评估虾体规格、养殖密度、饲料组分对摄食行为的影响。

综合实验结果表明，对虾摄食产生的声学信号是灵敏、非侵入式的摄食行为表征指标，科研人员可在多组实验条件下，定量解析对虾的行为响应。实验室可控试验与产业应用相结合，令PAM成为助推精准养虾发展的有力研究工具。

二、声学试验系统搭建

LTA的声学监测试验平台由水听器（水下录音设备）、多通道数字记录仪与高端信号处理器组成（图2）。水听器相当于水下麦克风，采集水体传播的声学信号；数字记录仪以高时间分辨率存储音频，采集的数据既可离线深度解析，也能通过算法实时运算。

> 图2：PAM系统在试验虾池与养殖缸部署示例，配备浸入式水听器与数字记录仪

试验方案根据研究目标差异化设计。针对测定摄食声声学特征的试验，研究在铺设吸音泡沫的水族箱内开展，泡沫垫层减少声波反射，削弱缸壁造成的波形畸变（图3），以此控制环境干扰，精准测定声学参数。

> 图3：实验室PAM系统示意图，用于评估养殖池内对虾摄食行为、表征摄食声特征

而面向对虾摄食行为研究、重点监测咔嗒声频次时序变化的试验，则在不同规格、不同放养密度的常规养殖池中开展（图3）。试验环境贴近商业化生产场景，便于评估营养、生物及环境因子对对虾摄食活动的影响。

三、对虾是否仅在摄食颗粒饲料时发声？

为解答该问题，一项最新研究采集凡纳滨对虾幼虾摄食多类饵料的声学信号，饵料涵盖多毛类蠕虫、鱼肉、虾肉、双壳贝类、卤虫、昆虫及商品配合饲料（图4）。试验同步录制音频与视频，验证特征咔嗒声来源于对虾口器摄食动作，再通过专用声学软件完成信号解析。

>图4：凡纳滨对虾幼虾摄食不同饵料：（A）鱼肉，（B）昆虫，（C）卤虫无节幼体，（D）虾肉

结果显示，对虾摄食全部受试饵料时均会产生声学信号；但饵料质地与组分显著改变摄食声特征。硬质饵料，如商品饲料、虾肉、昆虫（图4B、D），咀嚼需要更大机械作用力，产生更高能量的声信号；卤虫、双壳贝类等软质饵料（图4C）对应的声信号强度更低。

该结论具备重要产业价值：声学分析可区分对虾摄食不同饵料产生的特征声响，为算法识别摄食声信号变化提供数据支撑。除饲料管控场景外，该技术还有潜力识别养殖体系内同类相食等关键生物行为事件。

四、声学手段评估饲料诱食剂效能

科学饲料管理不仅要求投喂量适配，还取决于对虾发现、定位与摄食饲料颗粒的能力。因此饲料诱食剂被广泛添加至配合饲料，改善适口性、激发摄食行为。

温度骤降、盐度波动等环境胁迫会抑制对虾摄食，造成养殖减产。这类场景下，饲料诱食剂能够维持摄食水平。但诱食效果与添加剂量并非线性正相关：过高添加量无法持续提升摄食，反而干扰对虾对饲料的识别，降低摄食活跃度。

一项低温（24℃）试验直观验证该规律：给凡纳滨对虾幼虾投喂芳香诱食剂添加量分别为1 g/kg、3 g/kg、5 g/kg的饲料。声学监测数据表明，1 g/kg低剂量组的初始咔嗒声频次最高，并在30分钟观测周期内维持更强摄食活性。相较更高添加浓度，每公斤饲料添加1 g诱食剂可激发更强摄食反应（图5）。

> 图5：投喂不同芳香诱食剂含量饲料与对照组饲料，凡纳滨对虾摄食咔嗒声频次回归分析

这套试验范式已广泛应用于多项营养研究，用于评估饵料诱食性、有机盐效果、鱼粉部分/完全替代方案，以及特殊养殖场景专用饲料配方。试验同时对比初次接触饵料的未驯化虾群，与长期摄食同一种饵料的驯化虾群之间的摄食行为差异（图6）。

> 图6：试验流程示意图，用于评估驯化/未驯化对虾的摄食行为与摄食量

系列研究证实，PAM是客观、易用的评估工具，可量化饲料接受度、优化配方，支撑对虾精准投喂策略制定。

五、声像融合：声学监测结合计算机视觉会

摄食声响能够反映摄食强度，视频分析则捕捉对虾摄食过程中的运动模式、空间分布与个体互作。音频与视频时序同步后，可直接将声学事件与观测行为一一对应，完整解析摄食行为作为对虾综合环境生物响应的内在过程。

视频采集完成后，计算机视觉算法逐帧识别个体对虾，追踪时序运动轨迹。影像资料由此转化为量化数据，表征虾的游动强度、空间分布与摄食区域利用情况。

计算机视觉还可自动监测生物指标：依托虾体表观尺寸与实测生物学数据建立校准模型，算法无需接触活体，即可估算体长、体重。单次录像就能同步采集摄食行为与生长性能数据（图7）。

> 图7：视频自动分析流程：(a)对虾目标检测，(b)虾体图像分割，(c)多维度结果融合分析

与PAM联用后，视频分析可解析水质、生物健康、饲料类型如何影响对虾活动、集群模式与摄食响应。多源数据集成至实时监控平台，可提早识别胁迫诱发的行为异常，在减产风险出现前支撑主动养殖管理。

六、人工智能实现咔嗒声自动识别检测

现有研究证明，PAM在可控条件下评估对虾摄食行为潜力巨大，可支撑养殖场部署声学自动投喂系统。但目前缺少标准化方法，从连续录音中检测、量化摄食相关声信号，制约PAM大规模落地。传统方案依赖人工或半自动频谱分析，在处理实验室与商业池塘海量音频数据时，耗时久、难以统一标准。

声学监测系统想要兼顾科研可靠性与产业实用性，检测算法需要具备可解释性，依托人工标注数据集完成严格验证，并且在水产养殖复杂噪声环境中稳定运行。人工智能为破解该难题提供可行方案：借助监督式机器学习，在标注音频片段中提取声学特征，训练模型区分对虾摄食咔嗒声与背景噪声。

LTA近期开发一套AI识别系统，能够自动检出凡纳滨对虾摄食咔嗒声，还原半自动声学分析得到的摄食行为规律（图8），有效分离摄食声与其他水下噪声。实验室与养殖池塘录音样本验证显示，该系统可监测不同生物、环境条件下对虾摄食行为变化。

> 图8：30分钟观测期内，AI模型与半自动软件检测凡纳滨对虾幼虾每分钟平均咔嗒声数量对比

音频分析流程自动化，大幅降低人工处理数据的时间与人力成本，同时提供统一、客观的摄食监测手段，推动水产养殖走向精准化管理。

七、结语

声学生物技术革新了对虾摄食行为的研究范式，为精准饲料管理创造新机遇。依托PAM被动声学监测，可将对虾摄食产生的声信号转化为食欲水平、摄食强度、环境应激响应等有效信息。随着研究持续推进与产业落地，PAM正从饲料管理辅助工具，升级为对虾养殖创新技术平台。PAM与计算机视觉、人工智能、自动投喂系统的融合集成，有望构建智能化管控体系，提高饲料利用率、稳定养殖产量，驱动对虾产业实现更高经济效益与长期可持续发展。