基于粒子群优化的U-Net模型海水养殖信息提取.pdfVIP

摘要

我国海水养殖业发展迅猛，规模位居世界前列。然而，海水养殖业的快速扩张同

时引发了诸多环境问题，如水质污染、生态系统失衡、病害频发等。传统的监测手段，

如人工实地勘察，不仅效率低、成本高，而且难以实现对大面积养殖区域的全面监控。

在此背景下，深度学习图像分割技术在海水养殖监测中的应用成为研究热点，其中U-

Net模型虽有潜力，但手动调整参数存在诸多问题，如耗费人力时间、依赖经验、难

以适应环境变化等，导致模型性能受限。为了解决这一问题，本研究将深度学习与群

智能优化算法相结合，利用粒子群算法优化基于U-Net架构的编码器-解码器网络，

旨在提升海水养殖信息提取的精度和效率。本文的主要研究内容如下：

（1）提出了一种基于爬山算法的自适应粒子群优化算法（adaptiveparticleswarm

optimizationalgorithmbasedonhill-climbing,HCAPSO）。该算法通过随机初始化粒子，

自适应调整粒子参数，并结合爬山算法避免陷入局部最优，用来自动搜索U-Net模型

相关参数。实验显示，经HCAPSO优化的U-Net模型在海水养殖SAR图像分割中表

现良好，计算精度较原模型提高4.38%，MIoU和Kappa系数也明显改善。

（2）构建了一种基于冯诺依曼拓扑结构的自适应二进制粒子群优化算法

（adaptivebinaryparticleswarmoptimizationalgorithmwithVonNeumanntopology,AB-

VNPSO）用于实现编码器-解码器网络的参数自动更新。该算法采用二进制编码降低

搜索复杂度，依据种群熵和聚类指数动态调整关键参数，利用冯诺依曼拓扑结构平衡

全局与局部搜索，实现网络参数自动更新。实验表明，该算法优化的网络在多个评价

指标上表现较好，U-Net模型准确率提升6%以上，且对不同网络结构适应性良好，

能有效减少误分割。

两种算法均有效提升了模型性能，为海水养殖监测提供了更可靠的技术方案，有

助于海洋资源管理和养殖业可持续发展。未来研究将从优化算法改进、拓展研究区域

和最新网络结构等方面深入，进一步完善海水养殖监测技术。

关键词：海水养殖；遥感信息提取；U-Net模型；粒子群算法；编码器-解码器网络

Abstract

ThedevelopmentofChinasmaricultureindustryhasbeenrapid,and

itsscaleranksamongthetopintheworld.However,therapidexpansion

ofthemaricultureindustryhassimultaneouslytriggeredmanyenvironmental

problems,suchaswaterqualitypollution,ecosystemimbalance,andfre-

quentoccurrenceofdiseases.Traditionalmonitoringmethods,suchasman-

ualfieldsurveys,arenotonlyinefficientandcostlybutalsodifficult

toachievecomprehensivemonitoringoflargeaquacultureareas.Against

thisbackdrop,theapplicationofdeeplearningimagesegmentationtech-

nologyinmariculturemonitoringhasbecomearesearchhotspot.Although

theU-Netmodelshowsgreatpotential,manualparameteradjustmentpresents

numerousproblems,suchashighlaborandtimecosts,experiencedependence,

andpooradaptabilitytoenvironmentalchanges,whichrestric