مقالة منهجية

تقييم مياه البرك في الوقت الحقيقي عبر التعلم العميق المدمج وجمع البيانات البصرية: نهج عملي للمراقبة في تربية الأحياء المائية

DOI:

10.3791/69744

⸱

فبراير 24, 2026

 ,  , 
1Kasetsart University, 2Vishwakarma University, 3Regent University

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نحن نصف بروتوكولا لتصنيف جودة المياه في الوقت الحقيقي باستخدام التقاط الصور تحت الماء، وشبكة تحكم تعتمد على Raspberry Pi، وشبكة عصبية اصطناعية (ANN). توضح الطريقة إعداد النظام، وجمع البيانات، والمعالجة المسبقة، وتدريب النماذج، والنشر. يعد هذا النظام المناسب بشكل خاص لمربي الكوي، حيث يساعد في ضمان أفضل الظروف للأسماك الصحية.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الحفاظ على جودة المياه المثلى أمر ضروري في تربية الأحياء المائية، خاصة للأنواع الزينة مثل الكويز، حيث ترتبط صفاء الألوان والتوازن البيئي مباشرة بالصحة والجماليات. تقدم هذه المقالة بروتوكولا كاملا لتصميم ونشر وتشغيل نظام مراقبة جودة المياه في الوقت الحقيقي يعتمد على تصنيف الصور تحت الماء باستخدام التعلم العميق المدمج. يدمج النظام المقترح كاميرا تحت الماء منخفضة التكلفة مع شبكة تحكم تعتمد على Raspberry Pi في روبوت سطح ماء مستقل، مما يمكن من التقاط وإرسال وتصنيف الصور المائية عبر نموذج شبكة عصبية خفيف الوزن. خمس فئات من حالة المياه — تتراوح بين الشفافة إلى العكرة — مميزة بصريا، مع دقة تصنيف تتجاوز 99٪ في مجموعة بيانات مخصصة. تم إعداد النظام ليعمل بشكل مستقل، مع تقديم تقييم مستمر وتنبيهات بصرية للحالات المتدهورة. يغطي هذا البروتوكول البصري تجميع الأجهزة، معايرة النظام، نشر النماذج، وعروض المراقبة في الوقت الحقيقي. تدعم الطريقة ممارسات الاستزراع المائي المستدامة من خلال تمكين تقييم غير جراحي ومستمر للبيئة المائية باستخدام تقنيات ميسورة التكلفة وقابلة للتوسع. يمكن تكييف هذا النهج مع سياقات أخرى في تربية الأحياء المائية أو المراقبة البيئية مع تعديلات طفيفة.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أسماك الكوي (Cyprinus carpio var. koi) هي أنواع زينة من الكارب الشائع، وتقدر لألوانها الزاهية، ونقوشها المميزة، وشكل الجسم الأنيق، وسباحة رشيقة. جمالها وحركاتها السلسة تجعلها خيارا مفضلا لبرك الحدائق وميزات المياه الزخرفية حول العالم.

الحفاظ على جودة مياه جيدة في البرك لا يدعم الحياة المائية فحسب، بل يساهم أيضا في تقليل انبعاثات الكربون، مما يفيد البيئة 1,2. لقد ثبت أن الحفاظ على جودة المياه من خلال اتباع معايير محددة لمعايير مثل الرقم الهيدروجيني، ودرجة الحرارة، والأكسجين المذاب، والملوحة، والأمونيا (NH3)، والنترات (NO3)، وثاني أكسيد النيتروجين (NO 2)، والحديد (Fe)، والفوسفات (PO43-) يخلق بيئة مثالية لأسماك الكوي3. يمكن بالفعل تقييم جودة المياه من خلال الصور. المؤشرات البصرية مثل وضوح الماء، وجود الحطام أو الطحالب، اللون، وملمس السطح4 يمكن أن توفر معلومات مفيدة عن حالة الماء. يقدم بهاتناغار وآخرون وأندريان وآخرون 5,6 إرشادات لتربية الأسماك في البرك، موضحين أن المياه الخضراء الباهتة إلى الفاتحة تقع ضمن النطاق المقبول لنمو الأسماك. تعتبر المياه الصافية ذات اللون الأخضر الفاتح إلى البني الفاتح هي النطاق المرغوب فيه، بينما تسقط المياه الخضراء الداكنة والبنية ضمن النطاق غير المناسب لظروف البرك الصحية

في نظم برك الكوي، يشمل التقييم الشامل لجودة المياه مجموعة من المعايير الفيزيائية والكيميائية والبيولوجية. تشمل المؤشرات التي تقاس عادة درجة الحرارة، الرقم الهيدروجيني، سطوع الماء (عمق سيكي، سم)، الأكسجين المذاب (DO)، المادة العضوية الكلية (TOM)، ثاني أكسيد الكربون (CO₂)، الفوسفات الأورثوفوسفات، الأمونيا، النترات، الطلب البيولوجي على الأكسجين (BOD)، المواد الصلبة المعلقة الكلي (TSS)، والطلب الكيميائي على الأكسجين (COD). توفر هذه المعايير مجتمعة ملفا متعدد الأبعاد للصحة المائية، تدعم كل من التقييم البيئي واتخاذ قرارات الإدارة.7. لتقييم جودة المياه، سيتم استخدام حساسات لتلك المعايير في البرك كما أوضح هيمال، محمد منير الزمان، وآخرون8. حساس الحموضة، وحساس العكارة، وحساسات درجة الحرارة لتصنيف جودة المياه. قدم باراسار وآخرون تقييم الكشف عن النفايات وجودة المياه في البيئات المائية. تشمل مجموعة البيانات قيد النظر مجموعة واسعة من سجلات عينات المياه العذبة، بإجمالي حوالي 60 مليون إدخال. تتضمن هذه السجلات خصائص متنوعة وقياس جودة. تشمل الخصائص مستويات الحموضة، تركيزات الحديد، النترات، الكلوريد، الرصاص، الزنك، العكارة، الفلورايد، النحاس، الكبريتات، الكلور، المنغنيز، المواد الصلبة المذابة الكلية، وعلامة قابلية الشرب، التي تعمل كمتغير مستهدف يشير إلى قابلية شرب المياه.

توفر الطرق القائمة على الصور لتصنيف جودة المياه بديلا سريعا وفعالا من حيث التكلفة وقابلا للتوسع للطرق التقليدية القائمة على المختبرات. تعتمد هذه الطرق على إشارات بصرية يمكن ربطها بمؤشرات فيزيائية أو كيميائية أو بيولوجية لجودة المياه. بشكل عام، يمكن تصنيف مراقبة جودة المياه المعتمدة على الصور إلى فئتين: صور لسطح الماء10، 11، 12، 13، 14، 15، 16 وصور تحت الماء17.

تلتقط الصور السطحية الجزء المرئي من المسطحات المائية ويمكن الحصول عليها من الكاميرات الأرضية، والطائرات بدون طيار، والطائرات أو الأقمار الصناعية. ميزة رئيسية هي الاستحواذ المتكرر، المناسب لتحليل الاتجاهات. من القيود الكبيرة المحدودة على المعلمات المرئية على السطح؛ يجب استنتاج الظروف تحت السطحية بشكل غير مباشر. يتم جمع الصور تحت الماء باستخدام كاميرات مغمورة أو مركبات تعمل عن بعد (ROVs)، أو أنظمة يغوص الغواص. تشمل المزايا التصور المباشر للظروف تحت السطحية، وتحسين الكشف عن المادة المعلقة والكائنات تحت الماء. تشمل القيود التغطية المكانية المحدودة، والاعتماد على الإضاءة الصناعية في المياه العكرة أو العميقة، وارتفاع تكاليف المعدات.

تم اقتراح تصنيف الصور تحت الماء عالية الجودة في الأنهار من قبل تشو، هان، وآخرون17. يستخدم التصنيف مخططات ألوان الصور ويستخدم خوارزميتين للتعلم الآلي: K-أقرب جار (KNN) والغابة العشوائية (RF). تستخدم هذه الخوارزميات لتصنيف الماء على أنه مقبول أو خطير. الدقة للمياه المقبولة هي 98.93٪، وللمياه الخطرة هي 95.25٪. تم التحقيق على نطاق واسع في مراقبة جودة المياه باستخدام هياكل إنترنت الأشياء (IoT) التي تتيح الاستشعار المستمر، ونقل البيانات 18,19,20,21,22، والتحليل عن بعد للبيئات المائية. كما أظهرت الدراسات ذات الصلة أن المراقبة المدفوعة بأجهزة الاستشعار والتدخلات البيئية يمكن أن تساهم في التخفيف من تأثيرات جزر الحرارة الحضرية وتعزيز الراحة الحرارية الداخلية 7,8,9,10,11,12,13,14,15,16,17,18 ,19,20,21,22,23,24. يصف هذا البروتوكول المقترح نظاما فوريا لمراقبة جودة مياه بركة الكوي من خلال التقاط صور تحت الماء باستخدام كاميرا حركة مزودة بشبكة مدمجة وتصنيف ظروف المياه باستخدام شبكة عصبية اصطناعية (ANN). يستخدم ال ANN لأنه يتطلب موارد حسابية منخفضة، مما يجعلها مناسبة للتنفيذ في الوقت الحقيقي.

figure-introduction-1
الشكل 1: مخطط كتلة لمنهجية تقييم مياه البرك المقترحة في الوقت الحقيقي: يوضح هذا المخطط العملية التدريجية، من جمع البيانات إلى التحليل، موضحا الإطار العام لمراقبة جودة المياه في الوقت الحقيقي. تم جمع خمسة أنواع من ظروف جودة المياه، تحمل علامات T1، T2، T3، T4، وT5. T1: صور لمياه عذبة زودها مزود محلي للمياه العذبة مؤخرا لبركة كوي بسعة 4 أمتار مكعبة والتي تضم 17 سمكة كوي صغيرة. T2: صور من بركة كوي بسعة 15 مترا مكعبا تحتوي على 12 سمكة كوي كبيرة، كل منها بطول حوالي 60-80 سم. الماء في هذه البركة شفاف جدا لكن هناك بعض الطحالب العائمة. T3: صور من بركة كوي بسعة 35 مترا مكعبا مع 18 سمكة كوي كبيرة، كل منها يبلغ طوله حوالي 60-70 سم. مياه البركة نظيفة، بلون أخضر فاتح يقع ضمن النطاق الأمثل لنمو الأسماك5،6. T4: صور لمياه بنية اللون مأخوذة من بركة معالجة مياه الصرف. T5: صور لمياه بنية اللون جمعت من نظام الترشيح في بركة بسعة 35 متر مكعب، تحتوي على نفايات تنتجها كويز. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

استنادا إلى هذه التطورات، تقدم هذه المقالة بروتوكولا كاملا لتصميم وتكوين ونشر وتشغيل نظام مراقبة جودة المياه في الوقت الحقيقي يعتمد على تصنيف الصور تحت الماء باستخدام التعلم العميق المدمج. يظهر مخطط كتلي للبروتوكول المقترح في الشكل 1، يوضح تصميم النظام وتكوينها ونشرها وتصنيفها إلى خمس فئات مميزة. يتيح البروتوكول للمزارعين ومديري البرك تقييم جودة المياه من خلال تحليل خصائص الألوان تحت الماء التي تم التقاطها في الموقع.

يدمج النظام المقترح كاميرا حركة تحت الماء منخفضة التكلفة مع شبكة تحكم تعتمد على Raspberry Pi وتم نشرها على روبوت مائي سطحي مستقل، كما هو موضح في الشكل 2. يتيح هذا التكوين التقاط الصور، والنقل اللاسلكي، والتصنيف في الوقت الحقيقي باستخدام شبكة عصبية اصطناعية خفيفة الوزن (ANN). تم اختيار كاميرات الحركة بسبب مقاومتها للماء على أعماق تصل إلى 10 أمتار، والتقاط الصور الثابتة عالية الدقة، وواجهاتها اللاسلكية المدمجة. يستخدم الاتصال بالبلوتوث لتهيئة الكاميرا والتحكم الأساسي، بينما يدعم الواي فاي نقل البيانات عالي السرعة. ومع ذلك، فإن الاتصال اللاسلكي المباشر تحت الماء باستخدام موجات التردد الراديوي الكهرومغناطيسية غير عملي بسبب ضعف الإشارة الشديد في الماء25.

لمعالجة هذا القيد، يستخدم النظام طوبولوجيا شبكة هجينة تتكون من وحدتي Raspberry Pi Zero 2W، وموجه لاسلكي، وخادم، كما هو موضح في الشكل 2. إحدى وحدات Raspberry Pi مركبة على روبوت سطحي يعمل بالبطارية يتنقل في البركة إلى مواقع أخذ عينات محددة، بينما تتصل الوحدة الثانية مباشرة بالكاميرا تحت الماء. بدلا من ذلك، يمكن نشر النظام في تكوين ثابت عن طريق وضع وحدات الكاميرا يدويا في مواقع برك ثابتة، مما يلغي الحاجة إلى الملاحة الروبوتية. تظهر النماذج الأولية للروبوت السطحي المستقل وشبكة الكاميرات تحت الماء في الشكل 3، كما يوضح سير العمل العام لطريقة تصنيف جودة المياه في الشكل 4.

figure-introduction-2
الشكل 2: طوبولوجيا الشبكة لنظام تقييم المياه المعتمد على إنترنت الأشياء: يوضح المخطط كيف تتصل الأجهزة ببعضها، مبرزا التواصل بين الكاميرات، ووحدات Raspberry Pi، والخادم المركزي. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

figure-introduction-3
الشكل 3: النموذج الأولي للروبوت مدمج مع شبكة كاميرات Raspberry Pi: يوضح الشكل التجميع الفيزيائي للروبوت المجهز بوحدات استشعار وتصوير على متن السفينة لنشر الميدان. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

figure-introduction-4
الشكل 4: مخطط التدفق للطريقة المقترحة: يوضح مخطط التدفق للطريقة المقترحة، والذي يتكون من جمع البيانات، والمعالجة المسبقة، والتدريب، والتصنيف في الوقت الحقيقي. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

تستخدم شبكة عصبية اصطناعية لتصنيف الصور بسبب تعقيدها الحسابي المنخفض وملاءمتها للنشر المدمج في الوقت الحقيقي. معا، يوفر البروتوكول المقترح إطارا عمليا وقابلا للتوسع لمراقبة جودة مياه برك الكوي في الوقت الحقيقي باستخدام التعلم العميق المدمج وجمع البيانات البصرية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ملاحظة: الرموز المصدرية المستخدمة في هذه الدراسة متاحة في مستودع GitHub التالي: https://github.com/prawit-chu/Real-Time-Pond-Water-Assessment-via-Embedded-Deep-Learning-and-Visual-Data-Acquisition

1. إعداد المعدات

  1. قم بإعداد شبكة التحكم المعتمدة على Raspberry Pi (الروبوت وكاميرا الحركة).
  2. قم بإعداد خادم يعمل بنظام التشغيل Ubuntu v24.04 LTS.

2. إعداد كاميرا الحركة

  1. قم بإعداد عنوان IP الافتراضي (10.5.5.9) وقناع الشبكة (255.0.0.0).
    ملاحظة: يوضح الجدول 1 عناوين IP المخصصة للأجهزة المتصلة في شبكة إنترنت الأشياء.
  2. قم بتكوين SSID و-Wi-Fi والمفتاح المشترك المسبق (PSK) لإعداد كاميرا الحركة كنقطة وصول واي فاي.
    1. للعثور على SSID (الاسم) وPSK (كلمة المرور) عبر Wi-Fi، اسحب للأسفل على شاشة الإجراءات، ثم انتقل إلى التفضيلات → الاتصالات اللاسلكية→ معلومات الكاميرا.
    2. لتغيير النطاق، في قائمة الاتصالات اللاسلكية، اختر نطاق الواي فاي واختر 2.4 جيجاهرتز للاتصال بجهاز Raspberry Pi Zero 2W.
    3. تحقق من الاتصال عبر واجهة الواي فاي الخاصة بكاميرا الحركة باستخدام تطبيق كاميرا للاتصال بكاميرا الحركة. مثال على مثل هذا التطبيق هو تطبيق GoPro Quik.

3. إعداد جهاز التوجيه اللاسلكي

  1. أضف المسارات 192.168.2.0/24 و10.0.0.0/8. عنوان التوجيه لكلا المسارين هو 192.168.1.99.
  2. قم بإعداد إعادة توجيه المنافذ إذا كان هناك حاجة للوصول عبر الإنترنت إلى كاميرا الأكشن. راجع دليل جهاز التوجيه لتفاصيل التكوين. يجب ضبط إعادة توجيه المنافذ على 8080، وهو منفذ خادم الويب المستخدم في كاميرا الحركة.

4. Raspberry Pi Zero 2W (2) في حاوية مقاومة للماء

  1. قم بتثبيت نظام Raspberry Pi v6.12.
  2. قم بتكوين SSID وPSK عبر Wi-Fi للاتصال بكاميرا الحركة باستخدام أمر "nmtui".
  3. قم بتكوين عنوان IP وقناع شبكة واجهة الواي فاي متبوعا بواجهة الإيثرنت كما هو موضح في الجدول 1 باستخدام أمر "nmtui".
  4. قم بتكوين ترجمة عناوين الشبكة (NAT) وضبط مسار افتراضي باستخدام 192.168.1.2 كموجه لإعادة التوجيه لتمكين التواصل عبر الشبكات.

5. راسبيري باي زيرو 2W (1) في وحدة الروبوت

  1. قم بتثبيت نظام Raspberry Pi v6.12.
  2. قم بتكوين SSID وشبكة PSK عبر Wi-Fi للاتصال بجهاز التوجيه المنزلي أو المكتبي باستخدام أمر "nmtui".
  3. أضف المسار 10.0.0.0/8 عبر 192.168.2.2. عنوان التوجيه لإعادة التوجيه هو 192.168.2.2.
  4. قم بتعيين مسار افتراضي باستخدام 192.168.1.1 كموجه توجيه لتمكين التواصل عبر الشبكات

6. إعداد الخادم

  1. قم بتكوين SSID وPSK عبر Wi-Fi للاتصال بجهاز التوجيه المنزلي أو المكتبي باستخدام إعداد شبكة GUI.
  2. تعيين عنوان IP للخادم من خلال DHCP أو الإعداد اليدوي.
  3. أضف المسارات إلى 192.168.2.0/24 و10.0.0.0/8 للاتصال بوحدات Raspberry Pi وكاميرا الحركة على التوالي. عنوان التوجيه الأمامي لكلا المسارين هو 192.168.1.99.

7. اختبار التواصل

  1. على Raspberry Pi Zero 2W (2) في الغلاف المقاوم للماء، نفذ enable_wifi_ap.py python3 لتفعيل كاميرا الحركة واي فاي.
  2. في Raspberry Pi Zero 2W، شغل أمر iwconfig للتحقق من أن الواي فاي نشط وتأكد من نجاح الاتصال مع كاميرا الحركة.
  3. على الخادم، شغل أمر "ping 10.5.5.9" وأكد الاستجابة المتوقعة "منفذ الوجهة غير قابل للوصول".

8. جمع مجموعات البيانات

  1. بعد إقامة الاتصال، نفذ "python3 collect_dataset.py T N". (تم اختباره باستخدام OpenCV v4.12.0)
  2. استبدل T بنوع الماء (T1-T5) وN بعدد الصور التي يجب جمعها.
  3. المعالجة اللاحقة وحفظ مجموعة البيانات المجمعة على الخادم لمزيد من المعالجة المسبقة (الجدول 2)

figure-protocol-1
الشكل 5: هياكل نماذج CNN المبسطة المستخدمة في التدريب الأولي: يعرض هياكل الشبكات العصبية المجردة المطبقة كنماذج أساسية. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

figure-protocol-2
الشكل 6: نماذج التعلم العميق المدربة مسبقا المستخدمة في الدراسة: توضح هياكل التعلم التحويلي التي استخدمت لمهام التصنيف. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

figure-protocol-3
الشكل 7: هياكل الشبكات العصبية الاصطناعية (ANN): يعرض تكوينات مخصصة للشبكات العصبية الاصطناعية مصممة لتقييم أداء تصنيف صور الماء. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

figure-protocol-4
الشكل 8: مخطط التكرار الرمادي المعياري لصور مجموعة بيانات العينات: يوفر خصائص توزيع شدة البكسل عبر عينات الإدخال الممثلة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

9. تدريب التعلم العميق

ملاحظة: الخطوط الأساسية المبسطة ل CNN، والنماذج المدربة مسبقا، وبنى الشبكات الاصطناعية المستخدمة في هذه الدراسة موضحة في الأشكال 5-8 على التوالي.

  1. ضع ملف مجموعة البيانات المجمع في المجلد "V2".
  2. أنشئ مخططات للصور عن طريق تشغيل python3 histogram_gen.py (تم اختباره باستخدام OpenCV v4.12.0 و CSV v1.0).
  3. درب النموذج بتنفيذ python3 ann_training.py. سيتم تخزين النموذج المدرب على الشبكة العصبية العصبية في ann_model.keras (تم اختباره باستخدام tensorflow v2.19.0، sklearn v2.6.1، OpenCV v4.12.0 و CSV v1.0).
  4. قيم مصفوفة الالتباس عن طريق تشغيل python3 confusion_matrix.py باستخدام النموذج المدرب ann_model.keras من القسم 9.3. تأكد من وضع ملف ann_model.keras في الدليل الحالي (تم اختباره باستخدام tensorflow v2.19.0، sklearn v2.6.1، OpenCV v4.12.0 و CSV v1.0).

10. تصنيف التعلم العميق في الوقت الحقيقي

  1. تخزين ملف ann_model.keras المدرب في دليل التصنيف.
  2. صنف جودة المياه في الوقت الحقيقي عن طريق تشغيل الأمر "python3 ann_predict.py". سيعرض هذا الإخراج واجهة المستخدم الرسومية التي تحتوي على الصورة الملتقطة ونوع الماء المصنف.
    ملاحظة: المثال موضح في الشكل 12 (اللوحة اليمنى) (تم اختباره باستخدام tensorflow v2.19.0، sklearn v2.6.1، OpenCV v4.12.0 و CSV v1.0).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم تقسيم مجموعة البيانات إلى مجموعات تدريب مستقلة، واختبار، واختبار. تمت مراقبة أداء النموذج على مجموعة التحقق أثناء التدريب، وتم إجراء التقييم النهائي باستخدام مجموعة بيانات اختبار محفوظة تحتوي على صور لم تر من قبل. الأداء المتسق عبر مجموعات التحقق والاختبار يشير إلى تعميم مستقر.

لتصنيف جودة المياه في الوقت الحقيقي، تم اختبار نماذج CNN مبسطة وشبكات مدربة مسبقا (Inception V3، Xception، وResNet50) في البداية، لكنها أظهرت دقة منخفضة وتعقيد حسابي عالي. لذلك، تم ت...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

خطوة حاسمة في هذا البروتوكول هي إعداد شبكة وحدة التحكم المعتمدة على Raspberry Pi. الإعدادات غير الصحيحة تؤدي إلى فشل التواصل بين الخادم وكاميرا الحركة. قبل اختبار البرامج المقدمة، يجب التحقق من التواصل بين الخادم وكاميرا الحركة بواسطة أمر PING. بينما يعمل النموذج المقترح في الوقت الحقيقي على الأجهزة المدمجة، لم يتم تقييم القياسات الكمية لوقت الاستدلال واستهلاك الطاقة وهي خارج نطاق هذه الدراسة.

البروتوكول المقترح مخصص لتصنيف الصور تحت الماء في الوقت الحقيقي لشب...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

المؤلفون ليس لديهم ما يكشفون عنه.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يرغب المؤلفون في التعبير عن امتنانهم لجامعة كاسيتسارت في تايلاند، وجامعة فيشواكارما في الهند، وجامعة ريجنت في الولايات المتحدة الأمريكية على تعليقاتهم المفيدة ومناقشاتهم ورؤاهم التي حسنت أبحاثنا بشكل كبير. نشكر بكل امتنان الدعم الذي قدمته كلية الهندسة في سريراتشا، جامعة كاسيتسارت، من خلال صندوق وحدة البحث (المنحة رقم KUSRCRU69-2001) للسنة المالية 2026.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
جو برو هيرو 11 بلاكGoProلالتقاط الصور وتسجيل الفيديوهات
جو برو هيرو 12 بلاكGoProلالتقاط الصور وتسجيل الفيديوهات
جو برو هيرو 13 بلاكGoProلالتقاط الصور وتسجيل الفيديوهات
راسبري بي بيراسبيري بي آيزيرو 2Wالمتحكم
جهاز التوجيه اللاسلكيZTEHG8045x5-12
محولات الإيثرنتTp-linkUE300
الخادمديلT30
حزمة البطارية 12 فولت تيار مستمر--مصدر الطاقة
مضخة التيار المستمرالمياه التايلانديةAW500Sحركة الروبوت
خطوة 5V للأسفل--خفض الجهد من 12 فولت إلى 5 فولت
تتابع 8 قنوات--التحكم في المضخات
تطبيق GoPro QuickGoProGoProلاختبار اتصال GoPro Wi-Fi

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Macedo, H. R., Junior, O. J. L., Werneck, P. R., Feiden, A. Carbon footprint and automation in aquaculture. Rev Gest Soc Ambient. 18 (11), 1-15 (2024).
  2. Girard, L., et al. The balance of carbon emissions versus burial in fish ponds: The role of primary producers and management practices. Aquac Rep. 39, 102456(2024).
  3. Growth monitoring of koi fish (cypri nus carpio) in natural hatchery techniques. Putri, F., Dewi, N. IOP Conf Ser Earth Environ Sci, umbulan, pasuruan, east java, 236 (1), Available at: https://iopscience.iop.org/article/10.1088/1755-1315/236/1/012016/meta Accessed 1755-1315 (2019).
  4. Armi, L., Fekri-Ershad, S. Texture image analysis and texture classification methods-a review. arXiv. , Avaible at: https://arxiv.org/abs/1904.06554 accessed (2025) (2019).
  5. Bhatnagar, A., Devi, P. Water quality guidelines for the management of pond fish culture. Int J Environ Sci. 3 (6), 1980-2009 (2013).
  6. Andrian, K. N., Wihadmadyatami, H., Wijayanti, N., Karnati, S., Haryanto, A. A comprehensive review of current practices, challenges, and future perspectives in koi fish (cyprinus carpio var. Koi) cultivation. Vet World. 17 (8), 1846(2024).
  7. Yanuhar, U., Musa, M., Evanuarini, H., Wuragil, D. K., Permata, F. S. Water quality in koi fish (cyprinus carpio) concrete ponds with filtration in nglegok district, blitar regency. Univ J Agric Res. 10 (6), 814-820 (2022).
  8. Hemal, M. M., et al. An integrated smart pond water quality monitoring and fish farming recommendation aquabot system. Sensors. 24 (11), 3682(2024).
  9. Parasar, D., et al. Waste detection and water quality assessment in aquatic environments: A comprehensive study using yolov8 and xgboost. , (2024).
  10. Bartz, R., Feiden, A. Water transparency analysis in fish farming environment through unmanned aerial vehicles. J Appl Res Technol. 21 (6), 912-920 (2023).
  11. Zhartybayeva, M., Serik, N., Nurzhanova, A., Rakhimov, R., Tulegenova, S. Development of an integrated approach to the analysis and forecast of hydrographic and bathymetric data of water bodies and tailings ponds. East Eur J Enterp Technol. 127 (10), (2024).
  12. Guo, H., Tao, X. Water quality image classification for aquaculture using deep transfer learning. Neural Netw World. 33 (1), 1(2023).
  13. Jantarakasem, C., Sioné, L., Templeton, M. R. Estimating drinking water turbidity using images collected by a smartphone camera. AQUA Water Infrastruct Ecosyst Soc. 73 (6), 1277-1284 (2024).
  14. Research on water quality image classification method based on convolutional neural network. Jin, C., et al. Adv Inf Manag Commun Electron Autom Control Conf, 6, Available at: https://ieeexplore.ieee.org/document/10575513  Accessed (2025) 1823-1827 (2024).
  15. River water quality estimation based on convolutional neural network. Oga, T., Umeki, Y., Iwahashi, M., Matsuda, Y. Signal Inf Process Assoc Annu Summit Conf, (2018), Available at: https://ieeexplore.ieee.org/document/8659554 Accessed 1841-1866 (2018).
  16. Guo, H., Huang, J. J., Chen, B., Guo, X., Singh, V. P. A machine learning-based strategy for estimating non-optically active water quality parameters using sentinel-2 imagery. Int J Remote Sens. 42 (5), 1841-1866 (2021).
  17. Zhou, H., Qiu, J., Lu, H. -L., Li, F. -F. Intelligent monitoring of water quality based on image analytics. J Contam Hydrol. 258, 104234(2023).
  18. Water quality monitoring system for fisheries using internet of things (iot). Ya’acob, N., et al. IOP Conf Ser Mater Sci Eng, 1176 (1), Available at: https://iopscience.iop.org/article/10.1088/1757-899X/1176/1/012016/meta Accessed (2025) 012016(2021).
  19. Development of image processing incorporated real-time smart water quality monitoring system to detect algae and debris for a sustainable environment. Harischandra, M., et al. Int Conf Adv Comput. 245–250, (2023), Available at: https://ieeexplore.ieee.org/document/10417531 Accessed (2025) 245-250 (2023).
  20. Chen, C. -H., Wu, Y. -C., Zhang, J. -X., Chen, Y. -H. Iot-based fish farm water quality monitoring system. Sensors. 22 (17), 6700(2022).
  21. Arepalli, P. G., Naik, K. J. Water quality classification framework for iot-enabled aquaculture ponds using deep learning based flexible temporal network model. Earth Sci Inform. 18 (2), 351(2025).
  22. Arepalli, P. G., Naik, K. J., Amgoth, J. An iot based water quality classification framework for aqua-ponds through water and environmental variables using cgtfn model. Int J of Environ Res. 18 (4), 73(2024).
  23. Visvanathan, G., Patil, K., Suryawanshi, Y., Meshram, V., Jadhav, S. Mitigating urban heat island and enhancing indoor thermal comfort using terrace garden. Sci Rep. 14 (1), 9697(2024).
  24. Visvanathan, G., Patil, K., Suryawanshi, Y., Chumchu, P. Sensor based dataset to assess the impact of urban heat island effect mitigation and indoor thermal comfort via terrace gardens. Data Brief. 49, 109431(2023).
  25. Evaluating underwater data transmission using wi-fi considering variable salinity levels. Schropp, M., Golz, M. OCEANS Conf, (2025), Available at: https://ieeexplore.ieee.org/document/11104537 Accessed (2025) 1-6 (2025).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

Raspberry Pi
الفيديو قريباً

مقالات ذات صلة