池塘河蟹养殖精准投饵系统设计与试验

孙月平 陈祖旭 赵德安 詹婷婷 周文全 阮承治

(1.江苏大学电气信息工程学院， 镇江 212013； 2.常州东风农机集团有限公司， 常州 213200；3.常州市金坛区水产技术指导站， 常州 213299； 4.武夷学院机电工程学院， 武夷山 354300)

0 引言

2020年全国河蟹养殖面积达6.67×105hm2，年产量约8×105t，产值超过800亿元，已成为淡水渔业单品种产值最大的产业[1-2]。由于饵料成本占总成本的40%～50%，投喂是否科学合理将直接影响河蟹养殖效益，因此投饵喂料是河蟹池塘养殖过程中最为关键的一个生产环节[3]。

传统投喂主要是依靠养殖经验，根据蟹苗的投放量，估算河蟹成活率，在河蟹各个生长阶段，确定相应的饵料总投喂量。但蟹苗品质、气象因素、水体环境等均会影响河蟹生长，池塘各处水下生态环境的差异也会导致河蟹呈现不均匀分布，需要的饵料密度也有差异。由于河蟹不能大范围运动，只能在自身附近区域觅食，同时，河蟹具有较强的领地意识，争食与好斗是河蟹的天性。饵料投放少时轻则影响河蟹生长，严重时会导致河蟹争斗甚至自相残杀；投放过多的饵料不仅会增加成本，还会因饵料残渣导致水质的污染[4]。因此在实施投饵作业时，必须要根据河蟹的实际生长阶段、分布情况及环境的变化进行精准投饵。然而现阶段河蟹养殖的管理模式还是原始的养殖方式，劳动力成本持续上涨，不仅机械化、自动化程度不高，同时还由于作业粗放、饵料利用率低，严重影响养殖效益[5]。因此，迫切需要开展河蟹养殖高效精准投喂技术研究，揭示河蟹生长及投喂规律，开发自动投饵船代替人工作业，提高饵料利用率，降低养殖成本，提高养殖效益，满足水产养殖业“机器换人”战略发展需求。

目前，关于河蟹生长模型[6]与自动投饵船方面已有相关研究。顾景龄等[7]利用常见的鱼类生长模型探究河蟹生长数学模型，能够在一定程度上反映河蟹的生长规律。张永强等[8]根据气候区域不同给出河蟹养殖趋利避害对策。虽然河蟹寿命不长，人工养殖周期不超过一年半[9]，但河蟹养殖地点以户外池塘为主，各种环境因素都会影响河蟹生长趋势[10]。朱海涛等[11]以气候条件为标准，定性地划分出江苏省内适宜养殖河蟹的地域，但没有定量地分析河蟹生长与环境因素的关系。贾二腾等[12]研究了不同时间点饱食投喂对河蟹消化酶活性的影响，但实验室环境下，恒定的环境参数无法反映河蟹整个生长周期的摄食规律。

在自动投饵设备研究方面，已经出现了一些可以自主移动的投饵设备[13-18]。如明轮驱动虾塘自主导航投饵船[19]、水面自主巡航式太阳能投饵船[20]、自动巡航式无人驾驶投饵船[21]等，能够一定程度上提高机械化、自动化水平，也考虑到了路径规划，实现自动投食。但在实际应用中，对于饵料投喂量确定方面没有深入研究，或者只是简单的定时定量抛撒，没有考虑到河蟹生长期的实际需求。另外，现有投饵船下料流量不可控，投饵抛幅不可调，这导致了饵料实际分布密度不可控，进而无法进行精准投饵。而国内外对于精准投饵的研究较少，在水产领域，大多还是利用固定式的投饵机[22]或者水下网箱[23]进行精准投饵。

为了解决上述问题，本文提出一种构建河蟹生长模型方法，并且根据池塘的具体环境信息，以精准投饵为目的，结合水下机器视觉技术，通过GA-BP神经网络，解算总投饵量，根据河蟹分布密度和水质参数生成投饵处方图，并通过4G无线通信模块，发送给自动投饵船完成池塘河蟹养殖精准投饵。

1 河蟹生长模型构建

1.1 数据来源

数据采集自农业农村部水产健康养殖示范场——江苏省常州市金坛区渔业科技示范基地，分为A、B、C 3个池塘分别采样。该地水质状况较好，浮游动植物种类多，有利于河蟹生长。每个池塘水深 0.5～1.5 m，面积约1.33 hm2，每0.07 hm2投放约1 000只蟹苗。根据河蟹主要在早晚觅食的习性，采样时间为早晨和傍晚，2020年4—10月，按月记录河蟹生长情况，每次在3个池塘中采样雌蟹和雄蟹各20只，分别测量其体质量、壳长、壳宽等生长数据。计算3个池塘河蟹生长数据均值并保存，以便后续开展研究。水质参数采用上海清淼光电科技有限公司的KM-MU-800型在线多参数水质监测仪获取，记录3个池塘08：00与20：00水质参数并计算均值保存。该水质监测仪可实时采集记录多项水环境参数，包括溶解氧含量、水温、pH值等，而且具有采集响应快、使用寿命长、测试精度高等优点，满足实际养殖的需求。

1.2 研究方法

为了获得更加科学合理、贴近实际的河蟹生长模型，进一步掌握河蟹的生长发育规律，河蟹生长模型构建的流程如图 1所示，首先通过定期池塘河蟹捕捞称量与水质测量，获取河蟹的质量与养殖环境参数，进而对相关数据进行处理，通过灰色关联度分析，建立模型，最后对河蟹生长模型进行评估。

图1 河蟹生长模型构建流程图Fig.1 Construction process of river crab growth model

灰色关联度分析(Grey relation analysis)是根据采集的数据，充分从各类信息中发现并表示出显式和隐式关系[24]。本文中即河蟹体质量受各类环境因素影响的强弱关系，具体过程如图2所示。

图2 灰色关联度分析流程图Fig.2 Flowchart of grey correlation analysis

(1)选取参考序列与比较序列[25]。选取河蟹增重变化为参考序列，选取温度、溶解氧含量、pH值等环境因素为比较序列。

(2)对数据进行归一化处理，统一到近似范围内，重点关注其变化趋势。选取min-max方法进行归一化，计算式为

(1)

式中xa——数据归一化前的值

xmax——数据最大值

xmin——数据最小值

(3)计算灰色关联度系数，计算式为

(2)

式中ζi——灰色关联度系数

x0——参考序列xi——比较序列

ρ——可调分辨系数，取0.5

(4)计算关联度系数均值，计算式为

(3)

式中θi——关联度系数均值

N——采样个数

(5)形成关联序列。按照关联度系数均值进行降序排列，得出环境因子对参考序列的影响程度，为下一步优化生长模型做准备。

在河蟹养殖的过程中，温度、溶解氧含量、pH值都会对河蟹的生长态势产生影响，而传统的生长模型没有考虑到这一点，故本文通过灰色关联度分析法[26]得出与河蟹生长关联度最大的环境因子后，将该因子引入传统模型。在优化模型的过程中，分别以线性(linear)和指数(exp)的方式进行引入。各个生长模型表达式如表1所示。表中，m为河蟹体质量极限参数，k为瞬时生长率，t为当前河蟹放养时间，p为校准参数，c为常系数，var为环境因子参数，选取Curve Expert Professional对以上生长模型进行非线性拟合，迭代得出m、p、c、k最优解。综合决定系数R2判断模型性能(越趋于1表明模型更优)。

2 灰色关联度分析与模型选择

2.1 环境因子选取

池塘养殖中，环境的变化直接影响着河蟹摄食，

表1 生长模型表达式Tab.1 Growth model expressions

进而影响其生长发育[27]。为了找出影响河蟹体质量变化最关键的因素，本文利用灰色关联度分析方法，将水温、溶解氧含量、pH值作为比较序列，把河蟹月增质量情况作为参考序列，结果如表2所示。

表2 环境因子关联度分析Tab.2 Environmental factor correlation analysis

由表2可以看出，不同的环境因子对河蟹月增质量的影响由大到小为水温、溶解氧含量和pH值，关联度占比最高的环境因子是温度，为0.784，溶解氧含量和pH值的关联度分别为0.629、0.604。

2.2 河蟹生长模型改进与比较

将温度这一变量以线性、指数的形式引入表1所列传统生长模型中。综合分析对比其拟合结果，尤其是线性与指数改进后的生长模型的精度，对比结果如表3所示。由表3可知，传统模型与线性改进模型相比，传统模型有着更好的表现，拟合结果的R2不小于0.995。其中Gompertz模型无论是传统模型还是线性改进模型中的R2均为0.997，表现最佳。而其余模型线性改进后不如传统模型效果好，Logistic(linear)的R2更是低至0.532，其原因是Logistic变换过程本身是非线性的，在两端变化率微乎其微，而中间的变化很大，较为敏感。线性优化导致很多区间的变量变化对目标概率的影响没有区分度。另外，当样本被提取的特征比较少时，也会导致欠拟合。与传统模型相比，指数改进模型有着更好的表现，拟合结果的R2均在0.986以上，具有较好的拟合结果。Logistic(exp)的表现最为突出，R2达到0.999，在表中所述的模型中拟合度最高。故在引入环境因子温度后，Logistic(exp)的拟合准确性更高，更加符合河蟹的生长增质量规律。

表3 生长模型性能比较Tab.3 Growth model performance comparison

3 精准投饵预测模型设计

3.1 模型构建

为了给智能投饵船提供饵料抛幅和流量控制的依据，提高作业效率，本文基于GA-BP神经网络算法，提出一种结合河蟹生长模型和河蟹投喂率、存活率确定投饵量的方法。河蟹精准投饵决策流程如图3所示，蟹塘水温、pH值、溶解氧含量作为GA-BP神经网络的输入，经过训练，得出环境影响因子。

图3 精准投饵决策流程图Fig.3 Precision feeding decision flowchart

由上文构建的河蟹生长模型，结合实际河蟹养殖密度与养殖面积得出河蟹总质量，根据河蟹不同生长阶段的投喂率得到经验投饵量，综合环境影响因子和存活率因素，得出总投饵量。精准投饵预测模型决策过程如下：

(1)选取Logistic(exp)模型作为河蟹生长模型，模拟河蟹生长规律，使用Curve Expert Professional 2.6数据分析工具，将河蟹生长和池塘水质参数历史数据导入软件，以残差平方和最小为目标函数进行非线性拟合，根据决定系数R2判断模型(越趋于1表明模型更优)，迭代出模型参数m、k、p、c的最优值。其中河蟹体质量极限参数m取212.195，瞬时生长率k取0.018，校准参数p取5.301，常系数c取0.301。

根据实际养殖中河蟹养殖密度与养殖面积，得出河蟹总质量，通过计算得出经验投饵量。河蟹生长模型为

(4)

式中G——河蟹现阶段体质量,g

t——当前河蟹放养时间

河蟹总质量计算式为

Z=10-3GDS

(5)

式中Z——河蟹总质量,kg

D——养殖密度,只/hm2

S——河蟹养殖面积,hm2

(2)投喂率是指现阶段投饵饵料的总质量占河蟹体质量的百分比，河蟹投喂率与河蟹各个生长期阶段有密切关系。据历史数据与相关资料，江苏省河蟹投喂率如表4所示。

表4 江苏省河蟹投喂率Tab.4 Feeding rates for river crabs in Jiangsu Province

经验投饵量计算式为

F=ZLf

(6)

式中F——经验投饵量,kg

Lf——投喂率

(3)获取不同的水温、溶解氧含量、pH值等环境参数，不断训练GA-BP神经网络，并通过GA-BP神经网络计算出环境影响因子R。

总投饵量计算式为

H=FRLs

(7)

式中H——河蟹总投饵量,kg

Ls——河蟹存活率

3.2 GA-BP神经网络

BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络[28]。BP神经网络依靠池塘采集的大量环境数据进行训练，不需要确定具体的输入输出变量间的映射函数，就可以确定河蟹投饵量与环境参数的规律规则。其结果随着训练愈发趋于期望输出值。其核心原理包括两部分，一是信号前向传递，二是误差反向传递。结构包括输入层、隐含层和输出层[29]。温度、溶解氧含量、pH值从输入层进入，经隐含层作用于输出层，观察输出层的环境因子和期望输出环境因子的偏差，当偏差过大时进入反向传播阶段，通过调整输入节点与隐含层的连接权值和阈值，使误差沿梯度方向减小，反复调整，将误差减小到理想范围。其结构如图4所示。图中，BP神经网络由输入层、隐含层与输出层构成。输入参数在目标水域由温度传感器、pH值传感器、溶解氧含量传感器采集并分类保存。根据历史数据、养殖户经验与蟹塘食台反馈综合得到输出。

图4 神经网络结构Fig.4 Neural network architecture

单一的BP神经网络在学习过程中存在收敛速度慢，误差平方和函数存在局部最优等缺点[30]。而遗传算法适用于从群体出发，多个个体比较的问题，另外，遗传算法鲁棒性强，适宜解决非线性、多维寻优问题[31]，在多变量、非线性的河蟹精准投饵模型中容易与BP神经网络结合[32]，故本文提出基于GA-BP神经网络的河蟹养殖精准投饵模型，GA-BP神经网络算法流程如图5所示。

图5 GA-BP算法流程图Fig.5 GA-BP algorithm flowchart

根据实际需要，本文神经网络输入变量为水温、溶解氧含量与pH值，输出为环境影响因子，取得一定的样本数量，划分训练集与测试集对GA-BP神经网络进行训练，步骤为：

(1)在3路输入中，由于物理单位不一，其取值范围也区别较大，为了使每个神经元可以准确评估每个参数的影响程度，能够较快收敛，数据需要进行无量纲化处理。将水温、pH值与溶解氧含量的取值归一化，无量纲化公式同式(1)。

(2)使用GA算法对输入的数据进行选择、交叉、变异操作，计算适应度，选取最优个体。

(3)判断GA算法优化结果是否符合条件，若不满足，则再次返回上一步，选取新个体。

(4)根据最优参数对BP神经网络进行赋值，确定BP神经网络的隐含层节点个数为

(8)

式中d——隐含层神经元个数

no——输出层节点个数

ni——输入层节点个数

α——1～10之间的常过式(8)得到隐含层神经元个数d=5。

(5)权值和阈值更新。神经网络经过正向传递后，得到实际输出，与期望输出必然有一定误差，为了进一步缩小误差，采用梯度下降法来更新参数。同时，权重函数需要确定学习速率，学习速率太快会导致超出最优解，太慢则降低算法效率。代价函数和权重调整公式为

(9)

(10)

式中Es——输出误差l——样本数量

ρs——学习率wh——权重

(6)对神经网络模型进行训练、仿真及更新，直到满足结束条件，GA-BP算法终止。

3.3 评价模型

通过Matlab神经网络工具箱对模型进行训练，误差衰减折线图直观地反映误差衰减速度，如图6所示。

图6 衰减速度折线Fig.6 Decay rate line chart

由于样本数量有限，为了进一步提高预测准确性，采取留一法对模型进行训练。在测试集，选取10组数据样本输入神经网络测试。测试值与真实值相比较如图7所示。由图7可以看出，BP神经网络预测投饵量决定系数为0.974，GA-BP神经网络预测投饵量决定系数为0.990，性能良好，与真实值更为接近。

图7 训练结果Fig.7 Training results

在机器学习中，均方误差(Mean squared error)和均方根误差(Root mean squard error)也是评价预测模型性能优良的指标。均方误差与均方根误差越小，预测模型的精度越好。

得到样本均方误差为0.040 75 kg2，均方根误差为0.201 96 kg。结果表明该神经网络模型可以较好地完成河蟹投饵量的预测，对河蟹养殖精准投饵的可行性提供了理论支撑。

4 系统设计

4.1 河蟹养殖精准投饵系统设计方案

为了解决人工撑船和固定投饵机投喂的缺点，提高投饵效率及精准性，本文设计了河蟹养殖精准投饵系统，养殖户可以利用手机、计算机，通过云平台连接，远程监测、控制自动投饵船进行投喂工作。具体方案如下：

(1)利用水下摄像机以及图像识别技术，对河蟹进行识别、定位和分割，获取河蟹的数量和活动情况，通过投饵船的定位系统，确定河蟹的位置信息。如图8所示，将池塘网格化，建立坐标系，各个网格面积相同，边长通常取7～10 m，计算网格内平均河蟹数量与池塘河蟹总数量之比作为密度点。

图8 池塘网格划分示意图Fig.8 Schematic of pond meshing

(2)将河蟹密度信息上传至云服务器，根据池塘河蟹实际分布密度和水质参数，确定池塘各区域的饵料分配系数，将总投饵量科学分配到池塘各个区域。

各个子区域分配到的投饵密度计算式为

ρ(x,y)=103k(x,y)H/S(x,y)

(11)

其中

(12)

式中ρ(x,y)——子区域投饵密度,g/m2

k(x,y)——子区域饵料分配系数

S(x,y)——子区域面积,m2

ρh(x,y)——河蟹分布密度,只/m2

cd(x,y)——子区域水质参数系数

根据测定池塘特定点位的水质参数与历史水质数据，可得到相同时段内的水质参数对应关系，再结合池塘网格分布情况，可得到子区域水质参数系数。

专家系统通过上述河蟹精准投饵模型决策出每个子区域的投饵量，由于风向、昼夜、池塘深度的因素，导致池塘水质参数不一致，故投饵量需结合分配系数，从而得出池塘各子区域的饵料分配密度，融合位置信息得到投饵处方图。

(3)饵料密度分布信息传输到投饵船和移动终端实施投饵。投喂饵料后，在池塘多个代表性水域(离岸不同距离、不同位置、不同水深、不同水温、不同溶解氧含量区域)设置监测食台，通过食台观测本食台分配到的总饵料量和河蟹摄食后的剩余饵料量，确定该区域剩余饵料反馈系数cf，根据各区域的剩余饵料反馈系数及阈值cf0调整池塘区域饵料分配系数，修正各区域饵料分配密度，实现饵料精准投喂。剩余饵料反馈系数cf计算式为

(13)

式中mr——食台剩余饵料量,g

mt——食台分配到的总饵料量,g

修正分配系数计算式为

k′(x,y)=[1-(cf-cf0)]k(x,y)

(14)

式中k′(x,y)——修正分配系数

在理想情况下，剩余饵料反馈系数为零则说明食台饵料清空，全部被河蟹摄食。但在实际投饵作业中，食台饵料清空则意味着饵料有可能投喂偏少，河蟹没有充分摄食，不利于河蟹育肥增重。故在修正分配系数时，需要设置剩余饵料反馈系数阈值，一般取cf0为5%～10%，保证食台剩余饵料在一个适当的范围内。

4.2 自动投饵装置设计

自动投饵装置装载在明轮船上，是精准投饵实现的重要组成部分，其主要结构示意图如图9所示。

图9 自动投饵装置结构图Fig.9 Automatic feeding device construction1.料仓 2.螺旋输送器 3.螺旋输送器电机 4.抛盘 5.抛盘电机

料仓位于自动投饵装置主体上部，料仓下部连接饵料引流槽，饵料通过螺旋输送器输送到抛料盘，确保颗粒饲料下料顺畅。料仓设计可装载120 kg的饵料，可供5.33 hm2蟹塘撒料使用。为了实现精准投饵，该自动投饵装置有以下功能：

(1)投饵装置料仓下料流量可控。料仓底部装有螺旋输送器，螺旋输送器电机工作时，将饵料推送到抛盘上方。通过控制螺旋输送器电机转速，即可调整下料速度。通过称量装置称量饵料质量作为反馈，调节螺旋输送器电机转速，闭环控制下料流量。

(2)投饵装置抛料器抛幅可调。饵料落到高速旋转的抛盘上，通过拨料板和离心作用抛撒出去且抛料角可调。通过控制抛盘电机转速，即可调整抛幅，抛幅最大可达12 m。

(3)投饵装置剩余饵料质量可测。料仓下方安装有称量压力传感器，可实时获取料仓内剩余饵料的质量，方便渔民及时补充饵料。

投饵装置使用蓄电池直流供电。其控制器与主控模块通过通信模块相连，实时反馈抛盘电机转速、螺旋输送器电机转速、剩余饵料质量等信息，并可通过手机App实时控制。

4.3 池塘试验与分析

为了进一步验证本文所提精准投饵的实际效果，选取江苏省常州市金坛区渔业科技示范基地一池塘进行投饵试验。采用JDTEC-3型智能投饵水产养殖作业船，船体长2 m，宽1.6 m，高1.1 m，质量200 kg。采用美国Trimble公司生产的Trimble Zephyr-2 GNSS型多系统高精度定位天线。池塘水温、溶解氧含量、pH值参数检测采用上海清淼光电科技有限公司的KM-MU-800型在线多参数水质监测仪。试验当天多云，风力3～4级，气温18～27℃。上位机界面如图10所示。填写河蟹基本信息，如养殖面积、放养规格、放养密度、放养时间以及当前生长阶段。填写环境参数，如水温、pH值、溶解氧含量等。点击开始决策按钮，运行程序，计算出总投饵量以及当前的投饵建议。

图10 上位机界面Fig.10 Upper computer interface

手机App监控界面如图11所示，界面显示该船的实时状态信息，剩余电量、饵料量、卫星信号、当前位置信息、抛盘电机PWM、螺旋输送器电机PWM、泵流量、药液阀流量及操控主界面，包括手动、半自动、全自动控制操控、轨迹显示等子功能界面。

图11 手机App监控界面Fig.11 Mobile App monitoring interface

试验现场的河蟹养殖自动投饵船如图12所示，先按池塘形状以10 m为边长划分单元网格并编号，利用KM-MU-800型在线多参数水质监测仪测得池塘各区域水温、pH值、溶解氧含量等环境参数，根据河蟹分布密度及各区域水质参数系数得到各区域预设投饵密度。然后规划投饵船作业轨迹，包括投饵船作业路线、航速、投饵装置抛幅、下料流量等作业参数，作业船按预设轨迹进行变量投饵作业，池塘网格划分与投饵作业轨迹如图13所示。

图12 投饵船试验Fig.12 Feeding boat test

图13 池塘网格划分与投饵作业轨迹Fig.13 Pond meshing and feeding trajectory

通过作业船投饵作业后，统计测算作业船投饵路径长度、平均船速、投饵时间参数，表5为投饵船试验参数。

表5 投饵船试验参数Tab.5 Test parameters of feeding boat

投饵时，作业船根据预设轨迹，通过变量投饵装置，实时调整下料流量及投饵抛幅，在预设航线上按设定投饵密度抛撒饵料到每个网格，统计测算各网格区域的实际投饵密度等参数，池塘网格投饵试验数据如表6所示。由表6可知，各网格区域中，实际投饵密度绝对误差最大为0.65 g/m2，最小为0.02 g/m2，平均绝对误差为0.32 g/m2。实际投饵密度相对误差最大为8.61%，最小为0.26%，平均相对误差为3.90%。系统可根据各网格区域的河蟹分布密度和水质参数系数，确定预设投饵密度，通过作业船变量投饵实现了池塘各目标网格上的按需投喂，取得了较好的精准投饵效果。

根据实际测算，养殖户一般2人搭配，可以完成精细投饵的河蟹养殖池塘面积约为2.66 hm2，而基于河蟹生长模型确定投饵量，通过1个人工加料充电等辅助管理，由1条智能投饵船自动作业能够精准投饵的池塘面积约为5.33 hm2，节省了3个劳动力。同时，由于综合考虑了环境因子与河蟹生长期参数的影响，在总投饵量确定和各区域饵料分配量给定方面提供了量化计算方法，提高了饵料利用率，促进河蟹养殖节本增效。

5 结论

(1)利用灰色关联度分析法，确定了对河蟹生长影响最大的环境因子为水温。在传统水产作物模型基础上，加入环境因子进行改进。从线性和指数两个角度对河蟹生长模型进行优化拟合，得出Logistic(exp)模型最贴近实际河蟹生长规律。

(2)设计了基于GA-BP神经网络的精准投饵预测模型。利用GA-BP神经网络对精准投饵预测模型进行训练，通过输入水温、溶解氧含量、pH值等环境参数，推算出最佳环境影响因子。根据河蟹生长模型、养殖密度、养殖面积得出河蟹总质量，结合河蟹生长期存活率与投喂率可得出总投饵量。根据池塘河蟹实际分布密度和水质参数，确定池塘各区域的饵料分配系数，将总投饵量科学分配到池塘各个区域。通过仿真得出预测投饵量决定系数R2为0.990，预测模型性能良好。

(3)通过实际池塘试验，投饵装置所抛撒出的饵料总量与饵料密度均值与预设值趋于一致，对池塘各网格区域，投饵船实际投饵密度与预设投饵密度相比，平均绝对误差为0.32 g/m2，平均相对误差为3.90%，实现了池塘各区域的非均匀按需投喂。应用该模型确定投饵量，通过智能投饵船能够精准投饵的池塘面积为5.33 hm2，节约了3个劳动力成本。而且该系统可根据环境参数的变化和食台反馈及时调整投饵量，使得投喂更加精准，有利于节省饵料，培育大规格河蟹，增加河蟹产量，提高养殖效益。

表6 池塘网格投饵试验数据Tab.6 Experimental data of pond grid feeding