杨晓峰

摘 要： 渔业水质评价智能化对提高渔业生产水平起到关键促进作用。本文针对渔业水质评价设计了基于LBFGS优化的神经网络模型，深入讨论选取特征的有效性并优化了特征选择，实现了模型压缩，更适合前端嵌入式环境。实验表明，本文设计模型能够有效提供水质评价信息。

关键词： 水质; 评价; LBFGS; 神经网络

文章编号： 2095-2163（2021）03-0134-05 中图分类号： TP183 文献标志码：A

【Abstract】The intelligent evaluation of water quality plays a key role in increasing the fishery production. In this paper， a neural network model based on LBFGS optimization is designed for fishery water quality evaluation. The effectiveness of features is discussed， and the model is compressed. This mode is more suitable for the front-end embedded environment. Experiments show that the model designed in this paper can effectively provide water quality evaluation information.

【Key words】 water quality; evaluation; limited-memory Broyden-Fletcher-Goldfarb-Shanno; artificial neural network

0 引 言

渔业水质评价是对渔业养殖池塘内水体的情况做出的量化判断的一种评价标准。由于渔业养殖池塘内水体的微生物以及浮游动植物的数量需要保持一定的比例，微生物以及浮游动植物的数量会影响水体颜色，通常需要通过观测水体颜色来判别水质情况，准确的水质智能化评价对提高渔业生产水平起到关键促进作用。由于带有主观性的人工观测会造成一定的偏差，因此有必要将专家渔业养殖水色判断经验转化为可以量化的评价标准，结合专家经验和计算机视觉分析模型，在前端摄像机内采集水体图像以及分析水色等级，实现快速准确的判断水质情况。目前基于可见光图像判断水色的模型特征主要方法有如下2种：采用多种颜色空间分布特征的方法[1]和采用颜色矩特征的方法[2-3]。目前，胡朝莹等人[1]研究了多种颜色空间分布特征对水色判断的稳定性;许新华[2]利用RGB空间的颜色矩特征，建立了LM算法优化的神经网络，实现水质等级评价。

采用颜色空间分布特征的……