凡纳滨对虾（Litopenaeus vannamei）是全球水产养殖中主要的经济虾类之一。随着工厂化、高密度养殖模式的发展，养殖过程中对生长规格、摄食状态和投喂量的判断越来越重要。实际生产中，对虾体长、体重的获取仍主要依靠人工定期捕捞测量，操作过程费时费力，也容易对对虾造成应激。投喂管理则多依赖养殖人员提拉料台观察残饵，并结合经验调整投喂量，不同人员之间判断标准并不完全一致。与此同时，工厂化养殖水体密度高、浑浊度大，水下成像和连续监测并不容易，这也限制了部分智能设备在生产现场的应用。针对这些问题，本研究融合计算机视觉、机器学习与大语言模型等技术，构建了一套对虾智能监测与投喂决策系统，实现对虾的生长指标估算以及投喂决策辅助，为探索智慧水产养殖提供了借鉴。

（1）基于图像的对虾体长、体重估算和消化道充盈度评估研究。

通过移动设备和自动料台采集不同生长阶段的对虾图像，建立了对虾图像数据集。考虑到对虾额角、触须和尾扇在图像中容易带来测量误差，本文提出了“视觉全长”这一测量指标，并对图像标注方式进行了调整。随后，采用YOLOv8实例分割模型提取对虾轮廓，利用骨架提取方法计算长度，同时提取投影面积特征，并基于LightGBM建立体重估算模型。结果显示，视觉全长与人工测量的生物学全长之间具有较高的一致性，线性相关性R²为0.99。与人工实测值相比，生物学全长估算准确率为94.86%，视觉全长估算准确率为94.59%。在体重估算中，同时使用视觉全长和面积特征的模型准确率达到91.85%，高于只使用单一特征的模型。此外，本研究还对消化道充盈度进行了图像分类，在侧视图和背视图下的分类准确率分别为86.9%和89.9%。

（2）对虾投喂量预测模型的构建与优化。

基于企业实际生产记录，整理了包含对虾体重、水温、溶解氧、pH、氨氮等17个特征的数据集。比较了36种回归模型以及多种时间序列模型在投喂量预测中的表现，并结合特征相关性分析、超参数优化和模型融合等方法进行模型筛选。结果表明，回归模型的整体表现优于时间序列模型，其中Bagging和LightGBM等集成树模型效果较好。特征分析结果表明，保留较完整的养殖参数有助于提高模型的稳定性。最终，基于贝叶斯优化的LightGBM模型表现较好。在未参与训练的独立车间养殖周期数据集（n = 134 d）上，该模型的验证R²为0.95，证明其在不同车间和养殖周期中具有一定的稳定性。

（3）AI自动料台和投喂决策系统的构建。

设计并搭建了AI智能自动料台系统。硬件部分在传统料台基础上增加电机驱动升降结构，使料台能够自动升至水面并触发工业相机采集约10 s视频，采集结束后自动回落。软件部分加入了语音识别、图像分析和语音反馈功能，可支持料台控制和现场图像分析。针对料台残饵判断问题，本文建立了YOLOv8分类模型，对图像进行“有残饵”和“无残饵”二分类识别，在验证集中F1-Score、Precision和Recall均达到1.0。对于识别为有残饵的图像，进一步利用视觉大模型生成残饵分布和堆积状态描述。最后，本文将Bayesian-LightGBM预测结果、经验公式、视觉备注和人工备注等信息引入投喂决策流程，并结合知识库和历史记录生成投喂建议。系统已完成Web端部署，实现了视频采集、残饵识别和投喂建议输出。

综上，本文围绕工厂化养殖条件下对虾生长监测和投喂管理中的实际问题，完成了视觉测量方法、投喂量预测模型和自动料台系统的设计与验证。研究提出的对虾视觉全长测量、体重估算和消化道充盈度评估方法，为非接触式生长监测提供了可行路径；基于真实生产数据构建的Bayesian-LightGBM投喂量预测模型，在跨车间、跨周期条件下表现出较好的预测精度与泛化能力；结合AI自动料台、残饵识别、视觉语义分析和大语言模型智能体，实现了投喂决策的系统集成。研究为对虾工厂化养殖中的生长监测和精准投喂提供了一种可行的技术方案，也为后续智慧水产养殖系统的优化和推广提供了借鉴。