摘要:水質(zhì)惡化會直接造成水產(chǎn)養(yǎng)殖產(chǎn)量下降,,嚴重時會導致水產(chǎn)動物大量死亡,給養(yǎng)殖企業(yè)造成嚴重經(jīng)濟損失,。因此對水產(chǎn)養(yǎng)殖中水質(zhì)參數(shù)進行實時監(jiān)測具有重要意義,。本文以斑石鯛為研究對象,提出了一種基于魚類行為的水質(zhì)監(jiān)測方法,。該方法通過攝像機拍攝到的圖像數(shù)據(jù)就可以非侵入地完成水質(zhì)參數(shù)的實時監(jiān)測,,避免了安裝復雜設備、對魚類行為進行量化等繁瑣過程,。為了增加推理速度和降低模型參數(shù)量,,通過將RepVGG block與GhostNet相結(jié)合構建了G-RepVGG模型,使該模型更適用于移動設備的部署,。提出了計算量較少,、推理速度快、更適合水質(zhì)快速監(jiān)測的Cheap Ghost操作和計算量大,、精確率高,、更適合水質(zhì)的精確監(jiān)測Expensive Ghoost操作。由于多分支網(wǎng)絡適合進行訓練但是在推理速度上低于單分支網(wǎng)絡,,因此通過模型重參數(shù)化首先將卷積層以及批歸一化(Batch normalization, BN)層合并,,隨后再將3路卷積合并為1路,大大降低模型參數(shù)量,、提高了模型推理速度,,使模型更加適用于移動設備的推理。結(jié)果表明:使用Cheap Ghost操作的G-RepVGG在測試集中準確率達到96.21%,,圖像處理速度達到442.27f/s,,使用Expensive Ghost操作的G-RepVGG模型在測試集中準確率達到97.63%,,圖像處理速度達到349.42f/s,從而在保證較高精度的前提下依舊具有較高的推理速度,,在多個數(shù)據(jù)集中測試具有較好的魯棒性,。