Fish Sense：多传感器融合的智慧渔业鱼塘监测系统

如果你搞过水产养殖，或者哪怕只是在水库边看人喂鱼，都会发现一个很有意思的现象：鱼到底吃饱了没有、状态好不好、有没有生病，几乎全凭老师傅的经验来判断。水面一有动静就撒料，结果一半饲料沉底浪费；鱼浮头了才想起来增氧，损失已经跑不掉了。我做这个叫Fish Sense的项目，就是想给鱼塘装上一套“读心术”，用传感器和行为识别去理解鱼在干什么，把“经验”变成“数据”。

这个项目前前后后折腾了快一年，从最早的一颗水下摄像头，到最后的多传感器融合系统，中间踩了不少坑，也沉淀了一套可以复用的思路。这篇文章就围绕 Fish Sense 的完整实现过程展开：从为什么选这条技术路线、传感器怎么选、数据怎么解，到实际部署中遇到的典型问题、排查方法，尽量把我试过并且验证可行的方案写清楚。适合智慧渔业相关方向的开发者、规模化养殖场的技术负责人，以及想用低成本方式改造传统鱼塘的DIY爱好者。

1. 项目整体设计与思路拆解

1.1 为什么叫“Fish Sense”

项目名字其实有两层含义。第一层是“鱼的感官”，也就是鱼类本身拥有的视觉、听觉、嗅觉、触觉和侧线感知系统，这些感官决定了鱼如何与环境互动。第二层是“对鱼的感知”，也就是我们如何借助传感器去捕捉鱼的行为信号。这两个方向并不矛盾，恰恰是整个系统的设计起点：想理解鱼的行为，就得先理解鱼靠什么感知世界。

传统养殖的问题在于信息链路太短。养殖户能看到的就是水面波纹和偶尔浮上来的鱼，水面之下的状态几乎全盲。鱼不吃食、群游异常、贴底不动，这些信号肉眼很难及时捕捉，等发现的时候往往已经错过了最佳干预窗口。Fish Sense 的思路不是去替代人的经验，而是把人的经验转化成一堆可以量化的指标，让机器帮我们盯着水面之下的世界。

1.2 系统架构：从感知层到应用层

整个系统我按四层架构来设计：感知层、传输层、处理层和应用层。感知层负责采集原始信号，包括水下摄像头、水听器、水质传感器、溶氧探头等；传输层负责把信号送回边缘计算设备或服务器；处理层跑行为识别算法和预警逻辑；应用层则是给养殖户看的手机端和Web端界面。

这套架构和常规的物联网系统没有本质区别，但真正的难点在感知层和处理层。为什么这两个层最难？因为水下环境和地面环境差异太大，光线衰减、水流扰动、气泡干扰都会让传感器数据变脏，而鱼的行为又高度随机，算法很容易误判。所以我在设计之初就确定了一个原则：不追求单一传感器的高精度，而是用多传感器交叉验证来降低误报率。这也直接影响了后面的硬件选型和算法设计。

1.3 方案选型：为什么坚持多传感器融合

我见过不少同行做单摄像头方案，成本低、部署简单，但实际效果不太理想。水下能见度受天气和水质影响很大，一场雨过后，摄像头能看到的范围可能从两米缩到半米；夜间更是几乎全盲。单靠视觉判断鱼的状态，等于让系统只睁着一只眼睛工作。

Fish Sense 选择了四条数据通道并行：视觉通道看鱼的集群密度和游动姿态，声学通道听摄食声和异常拍击声，水质通道监测溶氧、温度、pH值，压力阵列参考侧线原理感知水流扰动。四条通道各有盲区，但叠加起来覆盖率大幅提高。比如鱼缺氧时往往先表现为呼吸急促、贴壁缓慢游动，然后才会浮头。视觉通道可以在游动异常阶段就发出警报，而水质通道在溶氧掉到阈值以下时直接联动增氧机，双通道验证后误报率明显下降。

2. 鱼类“感官语言”是如何被机器感知的

2.1 侧线系统与水流压力阵列

鱼身上有一套我们人类没有的感知系统，叫侧线。它分布在鱼体两侧，由一系列神经丘组成，能感知水流速度变化、低频振动和周围物体的位移。鱼群在夜间甚至看不见的情况下也能保持队形，靠的很大程度上就是侧线。

我在设计 Fish Sense 的传感方案时，借鉴了侧线的工作原理：在水域里布置几个微型压力传感器，采集水压的微小波动。当鱼群快速转向、捕食、受惊逃窜时，会产生特征明显的水流压力变化。经过滤波处理之后，这些压力信号可以成为判断鱼群运动状态的辅助依据。

压力阵列选型时要注意两个参数：灵敏度和响应频率。普通的气压传感器不行，必须用水介质压力传感器，量程不需要太大，0到10米水柱足够，但响应频率至少要达到10Hz以上。实测下来，一个小鱼群在五米外游过时，压力变化幅度大概在10到50Pa之间，需要传感器有足够的分辨率才能捕捉到。

有朋友可能会问，直接用声呐不是更好吗？声呐确实能探测鱼群位置，但价格高，而且对近岸浅水区域分辨效果差。压力传感阵列的优势是便宜、功耗低、不受光照影响，虽然数据解释难度大一些，但作为辅助通道完全够用。

2.2 声学通道：摄食声与异常声响

水下是声音的世界。鱼在摄食时会发出高频的拍击声和咀嚼声，这些声音和日常游动产生的水流声频谱特征差异很大。利用水听器收集水下声音信号，再通过频谱分析提取特定频段的能量变化，就能判断鱼是不是进入了活跃摄食状态。

水听器的选择上，我推荐频响范围在20Hz到20kHz之间的产品，基本覆盖淡水鱼类行为声信号的主要频段。安装时要避免贴近增氧机，否则增氧产生的气动噪声会完全淹没鱼的声音信号。实际部署中，我习惯把水听器安装在投饵机对侧偏下的位置，这个位置既能采集到摄食声，又能避开投饵机落料时直接砸中传感器产生的机械噪声。

调参过程中最有意思的是“抢食声”和“正常游动声”的区分。抢食时声音的能量集中在较窄的频带上，且短时脉冲重复率高；正常游动声音则比较平缓。我用一个滑动窗口计算声谱的峰度，峰度突然升高基本就是摄食事件。这个方法简单、不依赖大量训练数据，在实验室池塘里实测准确率能到85%以上。

2.3 视觉通道：集群密度与游动姿态

视觉通道在水下环境里挑战最大。首先是光线问题，水下五米深的光照强度可能只有水面的十分之一；其次是悬浮颗粒散射，导致画面对比度严重下降。所以水下摄像机一定要选带补光功能的，同时尽量选择广角镜头，因为窄视角在浑浊水里能捕获的有效画面太少。

图像处理方面，我用了轻量化的目标检测模型检测画面中的鱼，再用聚类算法估算集群密度。鱼群密集时个体间遮挡严重，直接计数很难，但估算密度并不需要精确到个位数。我只需要把画面中鱼的像素占比计算出来，再结合鱼的平均大小映射成密度等级。这个思路在算法复杂度上比逐条识别低一个量级，边缘设备跑起来毫无压力。

视觉通道最能提供价值的是识别异常姿态。鱼生病或者中毒时，会出现倾斜游动、螺旋游动、无力漂浮等异常姿态。这类姿态在正常鱼群中占比极低，所以算法只需要统计异常姿态目标的比例，一旦超过阈值就触发预警。虽然水中视线受限，但这个指标在光照条件好的白天池塘里非常有效。

2.4 水质传感器：行为数据的“背景板”

给 Fish Sense 配上水质传感器，最初的想法很简单：行为数据需要结合水质来解释。鱼游动缓慢可能是刚吃饱在休息，也可能是缺氧前兆，单靠行为数据分不清。有了溶氧、温度、pH数据，判断的把握就大得多。

溶氧传感器是这套系统里成本占比最高的部件之一。便宜的荧光法溶氧探头要一两千元，但它的长期稳定性远好于电化学法探头，维护周期也长。我的建议是溶氧探头不要省，这是最容易出真问题的地方。温度传感器和pH探头相对便宜，但要注意定期校准，pH探头在养殖水体里漂移速度很快，一个月不校准数据基本就不能用了。

水质数据在系统里还有一个作用：作为行为识别模型的上下文特征。同样的游动速度，在低温和高温下含义完全不同；同样的摄食强度，在溶氧充足和低溶氧时反映的饥饿程度也不同。把水质数据放进模型，相当于给行为数据加了一个“环境标签”，能显著提升预测准确率。

3. 核心硬件选型与配置指南

3.1 传感器选型清单与理由

Fish Sense 的硬件清单我在不同阶段调整过好几版，最终稳定下来的版本如下：

摄像头是整套系统里视觉通道的基础。我试过普通监控摄像头加防水壳的组合，效果很差，因为水下光路和空气里完全不同，普通镜头在这种场景下画质衰减严重。专业水下摄像机通常做了色差校正，并且在防水壳内部填充了光学级密封胶，画面通透度好很多。如果预算有限，至少也要选带自动白平衡和宽动态功能的机型。

边缘计算设备是整个系统的算力核心。算力不需要太高，但必须支持硬解码和常见的深度学习框架。我目前在用的是瑞芯微RK3588方案的边缘盒子，跑YOLOv5系列轻量模型，1080P视频流的推理帧率能到15fps以上，足够实时处理。

3.2 防水、供电与线缆布设

水下设备的防水和供电是项目里最容易翻车的环节。IP68是防水等级的基本要求，但这不等于你可以放心把设备丢在水里就不管了。实际使用中，防水壳的密封圈两三个月就会老化，衔接处是最容易进水的部位。我的做法是每季度打开设备检查一次，更换密封圈，同时在接线端子处涂一层硅脂做二次防护。

供电方案方面，水下摄像头和水听器一般优先考虑POE供电，一根网线同时解决电力传输和视频传输，不用单独拉电源线。但POE供电距离有限，超过100米就需要考虑光缆或无线方案。我的一个试点鱼塘有接近200米的岸线距离，最终在岸边中间位置增设了一个防水配电箱，用48V电压送到边缘盒附近，再降压给各传感器供电，有效压降控制的在3%以内。

线缆布设还有一个容易被忽略的细节：水下部分要预留一定长度的松弛量。因为水流会带动设备移动，线拉太紧容易在接口处撕裂。我用浮力绳加铅坠的方式固定水下设备，让线缆呈自然弯曲状态，既减小了拉力，也方便后期收线维护。

3.3 数据汇聚与通信方案

数据汇聚层我采用的是RS485总线和以太网混合方案。水质传感器走RS485总线，一条两芯双绞线最多可以挂载32个设备，简单可靠；摄像头和水听器走以太网，接入边缘盒子。边缘盒子做本地处理和缓存，然后通过4G路由器把关键数据回传到云端。

为什么没有直接用Wi-Fi？水边的环境信号干扰很严重，而且鱼塘往往在郊区，Wi-Fi覆盖范围有限。4G方案虽然要每月流量费，但胜在稳定。边缘盒子本地只上传处理结果和预警信息，视频流按需调取，一个月流量控制在5GB以内。

通信方面我踩过的最大坑是雷击。鱼塘周围空旷，设备又靠近水面，雷雨天特别容易感应雷击损坏设备。后来我在所有岸上设备的电源入口加了防雷模块，传感器线缆入口加了隔离变压器，问题才基本解决。强烈建议所有做户外物联网项目的朋友，防雷不要省，一次设备损坏的损失远高于防雷模块的成本。

4. 软件核心算法与数据模型

4.1 行为特征如何量化

软件算法是整个系统的灵魂。行为识别不能只靠“看着像”来下结论，得把行为变成数字。我定义了三类核心特征向量：

运动活跃度：通过对视觉通道中鱼的位移速度进行中值滤波，得到一段时间内的平均游动速度。鱼刚刚投喂时活跃度会快速上升，吃饱后逐渐下降。饥饿状态下，鱼在水体中层缓慢游动，活跃度处于一个较低但持续的状态。

集群紧密程度：用目标检测结果计算鱼群包围盒面积与个体数量之比。聚集越紧密，数值越小；分散游动时数值大。摄食时集群度显著升高，而应激反应（比如受到惊吓）时鱼群会瞬间散开再聚拢，产生一个特征明显的V形曲线。

声音脉冲密度：对水听器信号做短时傅里叶变换，统计指定频段内超过能量阈值的脉冲次数。这个指标对摄食行为特别敏感，摄食声音脉冲密度通常能达到正常状态的三到五倍。

三个特征向量乘上水质上下文，在边缘盒子上组装成行为特征张量，然后输入到一个轻量级分类器里。模型的输出不是简单的标签，而是一个概率分布，比如某个时刻鱼处于“摄食状态”的概率0.8、“正常游动”的概率0.15、“异常状态”的概率0.05。在实际系统中，我会设置一个决策阈值，只有概率超过阈值才触发对应动作，这样能有效减小误报。

4.2 异常预警与投喂联动逻辑

预警逻辑的设计原则是人机协同，机器提供信息，人来做最终决策。系统里几类典型的预警，每一个都有独立的触发条件：

投喂量优化是这套系统的核心价值所在。过去养殖户投喂主要靠经验，喂少了鱼长得慢，喂多了饲料浪费且污染水质。Fish Sense 采用一个简单的反馈控制逻辑：上一餐的摄食强度和剩饵情况作为反馈信号，计算下一餐的投喂量。

具体算法我用了一个比例控制模型。基本投喂量为鱼体总重量的2%到3%，如果上一餐摄食强度高、剩饵少，则增加3%到5%的投喂量；反之，如果摄食状态差，则减少并警示。这套逻辑虽然朴素，但落地效果很好。在我试点的两个鱼塘里，使用Fish Sense之后，饵料系数（养殖中衡量饵料利用率的指标）平均降低了0.15到0.2，换算下来相当于每生产一公斤鱼节约了150到200克饲料。

4.3 从零训练行为分类模型的完整思路

行为分类需要的标注数据不多，关键是得规划好采集流程。我建议准备一块独立的观察池，布置好摄像头和水听器后，定期录制鱼群在不同状态下的视频和音频。标注工作可以在录制的时候顺手做，比如在投喂前、投喂后、增氧前、凌晨等关键时间节点打上标签。

数据增强对水下场景特别重要。水下视频的光照和浑浊度变化很大，我用了亮度抖动、对比度调整、仿射变换等方式扩充数据集，另外把白天和夜间的数据分开训练两个版本模型。夜间模型对红外补光图像做了专门的适配，实际使用下来夜间识别的准确率比通用模型高出很多。

在边缘盒子上部署模型时，我用了模型剪枝和量化，把YOLOv5s的权重从14MB压缩到5MB左右，推理速度提升了近一倍。这个过程不用太担心精度损失，我用的是INT8量化，实测mAP只下降了不到两个百分点，对行为识别的场景完全够用。

5. 实战部署：从鱼塘到系统跑通

5.1 部署前的现场勘测与点位规划

部署前不要急着安装设备，先去塘边把环境和点位搞清楚。我一般会做这几件事：记录鱼塘的长宽、水深分布图、投饵机位置、增氧机位置、岸边有无高大遮挡物；再用溶氧仪在不同位置、不同时间段测几组数据做基线。

点位规划的原则是传感器布设要有代表性，不求全覆盖。摄像头和水听器尽量靠近投饵机，因为摄食行为是最有价值的观察窗口；水质探头要避开增氧机附近，否则增氧时溶氧值会虚高；压力传感阵列布设在鱼群常经过的通道上，如果鱼塘形状不规则，可以先观察几天鱼群的巡游路径再确定。

我在一个矩形鱼塘的部署方案是这样的：投饵机在东南角，摄像头在水深1.5米处对着投饵区域，水听器在对侧偏南，溶氧探头在鱼塘中央偏北位置，压力传感器阵列布设在东西向通道上，距离岸边大约4米。这样布设的优势是各个传感器的覆盖区域有一定重叠，但又不完全重合，交叉验证效果好。

5.2 安装步骤与接线顺序

安装过程我整理了七个步骤，顺序不能乱：

1. 先装配岸上设备：配电箱、边缘计算盒子、4G路由器、防雷模块，全部固定好并通电测试。
2. 再布设水下传感器：按从远处到近处的顺序，先把溶氧探头放到目标深度，再放水听器和压力传感器，最后安装水下摄像头。
3. 线缆全部走波纹管保护，从岸边入水处要有弯头防水处理。
4. 摄像头画面调通后再装回防水壳，避免反复开关密封圈。
5. 所有传感器上电后，用校准液校准溶氧探头和pH探头。
6. 在边缘计算盒子上逐个接入数据流，确认每个通道都在正常推送数据。
7. 最后跑一次完整的投喂-摄食-反馈流程，验证预警联动逻辑。

这里特别提醒一句：水下设备的安装顺序是有讲究的。先安装远端设备再安装近端设备，因为一旦线路走好，远端设备出问题需要重新布线，成本很高。宁可在前期花一个小时把位置确认好，也不要装完再返工。

5.3 系统阶段校准与阈值调整技巧

系统上线后不要急着设高灵敏度的预警阈值，先让它跑一两个星期收集正常数据。我强烈建议做一个“正常状态画像”：记录每个时间段的溶氧值范围、水温变化、鱼群活跃度基线。没有这个基线，后面设阈值就是瞎猜。

阈值设置方面我总结了一个简单方法。先看历史数据里正常状态下的指标分布，取平均值加减两个标准差作为“绿色区间”，超过这个范围就触发关注；当指标达到平均值的三倍标准差时，才触发强预警。这个统计方法虽然粗糙，但好处是能自动适应不同鱼塘的差异化环境。甲鱼塘和草鱼塘的指标分布完全不同，用一个固定阈值必然出问题。

校准频率上，水质传感器建议每周人工比对一次，溶氧探头用饱和空气法校准，pH探头用标准液校准。水下摄像头每两周提升到水面清理一次镜头表面的附着物，如果水质比较肥，清理频率需要加密。压力传感器和传感器之间的校准主要是零漂检查，每个月做一次即可。

6. 常见问题与排查技巧实录

6.1 典型故障现象与排查路径

项目运行大半年，遇到的问题不少，我整理成一个速查表：

水下摄像头起雾是我遇到的最高频问题。起雾的原因是防水壳内外温差大，空气湿度高时水汽在镜头内壁凝结。解决办法有两种：一是在防水壳里放干燥剂包，二是提前让设备在水面上空运行一会儿，等壳内温度接近目标深度水温后再放入水中。第二种方法更有效，因为是从根源上消除了温差。

6.2 数据漂移与长期稳定性维护

任何传感器用久了都会有漂移，水下环境会加速这个过程。溶氧探头荧光膜的衰减、pH电极的电解液消耗、水听器灵敏度降低，这些都会导致数据失真。我在系统里做了一个简单的漂移检测逻辑：每天晚上固定时间比较各传感器的读数与前一天同时段的读数，如果变化超过某个容忍带且没有对应的实际事件（比如投喂、增氧），就标记为“疑似漂移”并提醒人工校验。

长期维护方面我还摸索出一个“值班巡检”制度。哪怕是全自动化系统，每周也要有人去看一次，检查设备表面附着物、线缆磨损、供电情况。很多隐患都是在巡检时发现的，比如有一次发现岸边线缆被老鼠咬破了一个小口，如果不及时发现，雨季来临后大概率会短路。

6.3 一些在设计和运维上的个人建议

做这类系统的首要原则是降低维护成本，而不是堆功能。传感器的故障率会随数量和复杂度的增加而上升，如果一个小鱼塘装了一堆传感器，看起来很高端，但维护工作量会让人崩溃。我现在的原则是，小鱼塘用核心三件套（摄像头、溶氧探头、水听器），大鱼塘再用全套方案。

另一个建议是想清楚系统的输出边界。Fish Sense 的价值是辅助决策，不是替代人。它可以告诉你鱼可能出了问题，但最后怎么处理还是要人来判断。我在系统设计里特意加入了一个“人工复核”的环节，所有强预警都要有现场照片作为证据，避免系统乱报导致养殖户逐渐不信任系统。信任一旦没了，再好的系统也白搭。

最后再分享一个小技巧：把系统里异常事件的时间点和人工处理结果都记录下来，即使暂时不分析，数据多了以后也能帮你做更精准的决策。比如积累一个完整的养殖周期后，你就能发现“投喂量”“溶氧值”“摄食强度”三者之间的关联规律，这比任何理论模型都更贴合你所在鱼塘的实际情况。