摘要:水質(zhì)惡化會(huì)直接造成水產(chǎn)養(yǎng)殖產(chǎn)量下降,嚴(yán)重時(shí)會(huì)導(dǎo)致水產(chǎn)動(dòng)物大量死亡,給養(yǎng)殖企業(yè)造成嚴(yán)重經(jīng)濟(jì)損失,。因此對(duì)水產(chǎn)養(yǎng)殖中水質(zhì)參數(shù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)具有重要意義。本文以斑石鯛為研究對(duì)象,,提出了一種基于魚(yú)類行為的水質(zhì)監(jiān)測(cè)方法,。該方法通過(guò)攝像機(jī)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(shí)時(shí)監(jiān)測(cè),避免了安裝復(fù)雜設(shè)備,、對(duì)魚(yú)類行為進(jìn)行量化等繁瑣過(guò)程,。為了增加推理速度和降低模型參數(shù)量,通過(guò)將RepVGG block與GhostNet相結(jié)合構(gòu)建了G-RepVGG模型,,使該模型更適用于移動(dòng)設(shè)備的部署,。提出了計(jì)算量較少、推理速度快,、更適合水質(zhì)快速監(jiān)測(cè)的Cheap Ghost操作和計(jì)算量大,、精確率高、更適合水質(zhì)的精確監(jiān)測(cè)Expensive Ghoost操作,。由于多分支網(wǎng)絡(luò)適合進(jìn)行訓(xùn)練但是在推理速度上低于單分支網(wǎng)絡(luò),,因此通過(guò)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(dòng)設(shè)備的推理,。結(jié)果表明:使用Cheap Ghost操作的G-RepVGG在測(cè)試集中準(zhǔn)確率達(dá)到96.21%,,圖像處理速度達(dá)到442.27f/s,使用Expensive Ghost操作的G-RepVGG模型在測(cè)試集中準(zhǔn)確率達(dá)到97.63%,,圖像處理速度達(dá)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(gè)數(shù)據(jù)集中測(cè)試具有較好的魯棒性,。