方法文章

基于嵌入式深度学习与视觉数据采集的池塘水体实时评估：一种适用于水产养殖的实用监测方法

DOI：

10.3791/69744

⸱

2026年2月24日

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

本文内容

摘要

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

我们介绍一种利用水下图像采集、基于树莓派的控制器网络和人工神经网络（ANN）进行实时水质分类的实验方案。该方法详细描述了系统搭建、数据采集、预处理、模型训练及部署过程。该水质评估系统特别适用于锦鲤养殖者，有助于确保鱼类健康生长的最佳环境条件。

摘要

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

在水产养殖中，维持最佳水质至关重要，特别是对于锦鲤等观赏性物种，其体色清晰度与环境平衡直接关系到健康状况和观赏价值。本文介绍了一套完整的方案，用于设计、部署和运行基于水下图像分类与嵌入式深度学习的实时水质监测系统。该系统将低成本水下摄像头与基于树莓派的控制器网络集成于一种自主式水面机器人中，通过轻量级神经网络模型实现水体图像的采集、传输与分类。系统可视觉区分五类水质状况——从清澈到浑浊，分类准确率在自建数据集上超过99%。系统配置为自主运行，能够持续评估水质并针对恶化情况发出可视化警报。本视觉化方案涵盖设备组装、系统校准、模型部署及实时监测演示。该方法利用经济、可扩展的技术实现对水生环境的无创、连续评估，支持可持续的水产养殖实践。该技术经少量修改后，亦可适用于其他水产养殖或环境监测场景。

引言

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

锦鲤（Cyprinus carpio var. koi）是普通鲤鱼的观赏品种，以其鲜艳的色彩、独特的斑纹、优雅的体型和从容的游姿而备受珍视。其美丽外观与流畅的游动姿态使其成为世界各地庭院池塘和景观水体的首选观赏鱼类。

保持池塘良好的水质不仅有助于水生生物的生存，还有助于减少碳排放，从而对环境产生积极影响1,2。通过遵循pH值、温度、溶解氧、盐度、氨（NH3）、硝酸盐（NO3）、亚硝酸盐（NO2）、铁（Fe）和磷酸盐（PO43-）等参数的既定标准来维护水质，已被证明可为锦鲤鱼创造理想的生存环境3。水质确实可以通过图像进行评估。水的清澈度、是否存在碎屑或藻类、颜色以及水面纹理4等视觉指标，可提供有关水质状况的有用信息。Bhatnagar 等人和 Andrian 等人5,6 提供了池塘养鱼的指导原则，指出淡绿色至浅绿色的水体处于鱼类生长可接受的范围内。浅绿色至浅褐色且清澈的水体被视为理想范围，而深绿色和褐色水体则属于不利于池塘健康状况的不适宜范围。

在锦鲤池塘生态系统中，全面的水质评估涵盖一系列物理、化学和生物参数。常见的测量指标包括温度、pH值、水体透明度（塞氏盘深度，cm）、溶解氧（DO）、总有机物（TOM）、二氧化碳（CO₂）、正磷酸盐、氨、硝酸盐、生物需氧量（BOD）、总悬浮固体（TSS）和化学需氧量（COD）。这些参数共同提供了水生环境健康的多维特征，支持生态评估与管理决策7。为评估水质，将在池塘中使用上述参数的传感器，如Hemal、Md Moniruzzaman等人所示范8。pH传感器、浊度传感器和温度传感器可用于水质分类。Parasar等人9提出了水生环境中废物检测与水质评估方法。所考虑的数据集包含大量淡水样本记录，总计约6000万条。这些记录包括多种属性和质量测量值。属性包括pH值、铁、硝酸盐、氯化物、铅、锌、浊度、氟化物、铜、硫酸盐、余氯、锰、总溶解固体浓度，以及作为目标变量的可饮用性标签，用于指示水的可饮用性。

基于图像的水质分类方法为传统的实验室分析提供了快速、经济且可扩展的替代方案。这些方法依赖于可与水质的物理、化学或生物指标相关联的视觉特征。总体而言，基于图像的水质监测可分为两类：水面图像10,11,12,13,14,15,16和水下图像17。

水面影像可捕捉水体的可见表面部分，可通过地面相机、无人机（UAV）、飞机或卫星获取。其主要优势在于可频繁获取数据，适用于趋势分析。显著局限性在于仅能获取表面可见参数，水下状况需通过间接方式推断。水下影像通过水下相机、遥控无人潜水器（ROVs）或潜水员操作的系统采集。其优势在于可直接可视化水下环境，更有效地检测悬浮物质和水下生物。局限性包括空间覆盖范围有限，在浑浊或深水环境中依赖人工照明，以及设备成本较高。

Zhou, Han 等人提出了一种对河流中高质量水下图像进行分类的方法17。该分类方法利用图像颜色的直方图，并采用两种机器学习算法：K-近邻（KNN）和随机森林（RF），用于将水质划分为可接受或危险两类。对于可接受水质的分类准确率为98.93%，对于危险水质的分类准确率为95.25%。基于物联网（IoT）架构的水质监测已得到广泛研究，此类架构可实现对水生环境的连续感知、数据传输18,19,20,21,22以及远程分析。相关研究还表明，基于传感器的监测与环境干预措施有助于缓解城市热岛效应并提升室内热舒适性7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24。本研究所提出的方案描述了一种用于实时监测锦鲤池塘水质的系统，该系统通过配备嵌入式网络的运动相机获取水下图像，并利用人工神经网络（ANN）对水质状况进行分类。采用人工神经网络（ANN）的原因在于其计算资源需求较低，适用于实时应用。

使用深度学习的水质分类流程图；显示五种水样类型。
图1：所提出的实时池塘水质评估方法的框图：该图概述了从数据采集到分析的逐步流程，展示了实时监测水质的整体框架。共收集了五种类型的水质状况，分别标记为T1、T2、T3、T4和T5。T1：来自当地淡水供应商为容纳17条小型锦鲤的4立方米锦鲤池新供应的淡水图像。T2：来自容纳12条大型锦鲤（每条约60-80厘米长）的15立方米锦鲤池的图像。该池塘的水体较为清澈，但存在一些浮游藻类。T3：来自容纳18条大型锦鲤（每条约60-70厘米长）的35立方米锦鲤池的图像。池塘水体洁净，呈浅绿色，处于鱼类生长的最佳范围之内5,6。T4：从废水处理池采集的褐色水体图像。T5：从35立方米池塘的过滤系统中采集的褐色水体图像，其中含有锦鲤产生的废物。请点击此处查看此图的放大版本。

在这些进展的基础上，本文提供了一套完整的协议，用于设计、配置、部署和运行基于嵌入式深度学习的水下图像分类实时水质监测系统。图1展示了该协议的框图，说明了系统的设计、配置、部署过程，以及将水质分为五个不同类别的分类方法。该协议使养殖人员和池塘管理者能够通过分析原位采集的水下颜色特征来评估水质状况。

该系统将低成本水下运动相机与基于树莓派的控制器网络集成，部署于自主水面机器人上，如图2所示。该配置可实现图像采集、无线传输，并利用轻量级人工神经网络（ANN）进行实时分类。选择运动相机是因为其具备在水深达10米时的防水性能、高分辨率静态图像拍摄能力以及内置无线接口。蓝牙连接用于相机初始化和基本控制，而Wi-Fi则支持高速数据传输。然而，由于射频电磁波在水中信号衰减严重，直接在水下使用无线通信并不现实25。

为解决这一局限性，该系统采用了一种混合网络拓扑结构，包括两个 Raspberry Pi Zero 2W 单元、一个无线路由器和一个服务器，如图2所示。其中一个 Raspberry Pi 单元安装在由电池供电的水面机器人上，该机器人可航行至池塘中指定的采样位置；另一个单元则直接与水下摄像头连接。此外，也可通过将摄像头单元手动固定在池塘的不同位置，以静态方式部署该系统，从而无需使用机器人进行导航。自主水面机器人及水下摄像头-控制器网络的原型如图3所示，水质分类方法的整体工作流程如图4所示。

水下清洁机器人系统示意图；树莓派、服务器、路由器、远程连接设置。
图 2：基于物联网的水质评估系统网络拓扑结构：该示意图展示了设备之间的互连方式，重点说明了摄像头、树莓派单元与中央服务器之间的通信。 请点击此处查看此图的放大版本。

水污染过滤装置；水质采样设备；环境研究实验。
图3：集成树莓派相机网络的机器人原型：该图展示了配备机载传感与成像单元的机器人物理组装结构，用于野外部署。请点击此处查看该图的放大版本。

深度学习工作流程图：数据收集、预处理、训练、实时应用。
图 4：所提出方法的流程图：展示了所提出方法的流程图，包括数据收集、预处理、训练和实时分类。请点击此处查看此图的放大版本。

由于人工神经网络具有较低的计算复杂度，并且适用于实时嵌入式部署，因此被用于图像分类。该方案共同构成了一种实用且可扩展的框架，可用于基于嵌入式深度学习与视觉数据采集的锦鲤池水质实时监测。

访问受限。请登录或开始试用以查看此内容。

方案

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

注意：本研究中使用的源代码可在以下 GitHub 仓库获取：https://github.com/prawit-chu/Real-Time-Pond-Water-Assessment-via-Embedded-Deep-Learning-and-Visual-Data-Acquisition

1. 设备设置

  1. 搭建基于树莓派的控制器网络（机器人和动作相机）。
  2. 设置运行 Ubuntu v24.04 LTS 操作系统的服务器。

2. 运动相机设置

  1. 设置默认 IP 地址（10.5.5.9）和网络掩码（255.0.0.0）。
    注意：表 1 显示了物联网网络中连接设备的分配 IP 地址。
  2. 配置 Wi-Fi SSID 和预共享密钥（PSK），将运动相机设置为 Wi-Fi 接入点。
    1. 查找 Wi-Fi SSID（名称）和 PSK（密码）：在操作界面向下滑动，然后进入 首选项 → 无线连接 → 相机信息。
    2. 如需更改频段，在无线连接菜单中选择Wi-Fi 频段，并选择2.4 GHz 以连接至 Raspberry Pi Zero 2W。
    3. 通过相机应用程序连接运动相机的 Wi-Fi 接口，验证连接性。此类应用程序的一个示例是 GoPro Quik 应用程序。

3. 无线路由器设置

  1. 添加路由 192.168.2.0/24 和 10.0.0.0/8。这两条路由的转发路由器地址均为 192.168.1.99。
  2. 如果需要通过互联网访问运动相机，请配置端口转发。具体配置详情请参考路由器的使用手册。端口转发应设置为 8080，这是运动相机所使用的网页服务器端口。

4. 防水外壳中的树莓派 Zero 2W（2个）

  1. 安装 Raspberry Pi v6.12 操作系统。
  2. 使用 "nmtui" 命令配置 Wi-Fi SSID 和 PSK，以连接 action camera。
  3. 使用 "nmtui" 命令配置 Wi-Fi 接口的 IP 地址和子网掩码，然后配置以太网接口的 IP 地址和子网掩码，如 Table 1 所示。
  4. 配置网络地址转换（NAT）并设置默认路由，使用 192.168.1.2 作为转发路由器，以实现跨网络通信。

5. 机器人单元中的树莓派 Zero 2W (1)

  1. 安装 Raspberry Pi v6.12 操作系统。
  2. 使用 "nmtui" 命令配置 Wi-Fi SSID 和 PSK，以连接家庭或办公室路由器。
  3. 添加通过 192.168.2.2 的路由 10.0.0.0/8。转发路由器地址为 192.168.2.2。
  4. 设置默认路由，使用 192.168.1.1 作为转发路由器，以实现跨网络通信。

6. 服务器设置

  1. 使用图形用户界面网络设置，配置 Wi-Fi SSID 和 PSK，以连接家庭或办公室路由器。
  2. 通过 DHCP 或手动配置为服务器分配 IP 地址。
  3. 添加通往 192.168.2.0/24 和 10.0.0.0/8 的路由，以分别连接 Raspberry Pi 设备和动作相机。这两条路由的转发路由器地址均为 192.168.1.99。

7. 通信测试

  1. 在防水外壳中的 Raspberry Pi Zero 2W (2) 上，执行 python3 enable_wifi_ap.py 以激活运动相机的 Wi-Fi。
  2. 在 Raspberry Pi Zero 2W 上，运行 iwconfig 命令以验证 Wi-Fi 是否已激活，并确认与运动相机的通信成功。
  3. 在服务器上运行 "ping 10.5.5.9" 命令，并确认出现预期的 "Destination port unreachable" 响应。

8. 数据集采集

  1. 建立通信后，执行“python3 collect_dataset.py T N”命令。（测试环境：OpenCV v4.12.0）
  2. 将T替换为水质类型（T1-T5），将N替换为需采集的图像数量。
  3. 对采集的数据集进行后处理，并将其保存至服务器，以便进一步预处理（表2）

神经网络示意图；输入 299x299x3，全局平均池化，全连接层，dropout 0.5
图 5：用于初始训练的简化 CNN 模型结构：展示作为基线模型应用的抽象化神经网络结构。请点击此处查看该图的放大版本。

具有图像输入、预训练模型、全局池化和全连接层的神经网络示意图。
图 6：本研究中使用的预训练深度学习模型：展示了用于分类任务的迁移学习架构。请点击此处查看该图的放大版本。

人工神经网络示意图；数据预处理，ANN 中不同的隐藏层结构。
图7：人工神经网络（ANN）架构：展示了为评估水体图像分类性能而构建的定制化 ANN 结构。请点击此处查看该图的放大版本。

瞬态吸收光谱图；光谱拟合分析结果；T1-T5 数据集。
图 8：样本数据集图像的归一化灰度直方图：展示代表性输入样本中像素强度的分布特征。请点击此处查看该图的放大版本。

9. 深度学习训练

注意：本研究中使用的简化卷积神经网络基线、预训练模型和人工神经网络架构分别如图5至图8所示。

  1. 将收集的数据集文件放入“V2”目录中。
  2. 运行 python3 histogram_gen.py 生成图像的直方图（测试环境：OpenCV v4.12.0 和 CSV v1.0）。
  3. 执行 python3 ann_training.py 训练模型。训练后的 ANN 模型将保存为 ann_model.keras 文件（测试环境：tensorflow v2.19.0、sklearn v1.6.1、OpenCV v4.12.0 和 CSV v1.0）。
  4. 运行 python3 confusion_matrix.py，使用第 9.3 节中训练得到的模型 ann_model.keras 评估混淆矩阵。请确保 ann_model.keras 文件位于当前目录中（测试环境：tensorflow v2.19.0、sklearn v1.6.1、OpenCV v4.12.0 和 CSV v1.0）。

10. 实时深度学习分类

  1. 将训练好的 ann_model.keras 文件存储在分类目录中。
  2. 运行命令 "python3 ann_predict.py" 以对水质进行实时分类。输出将显示包含所捕获图像及分类结果水类型的图形用户界面。
    注意：示例见图12（右侧面板）（测试环境：tensorflow v2.19.0、sklearn v1.6.1、OpenCV v4.12.0 和 CSV v1.0）。

访问受限。请登录或开始试用以查看此内容。

结果

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

数据集被划分为独立的训练集、验证集和测试集。在训练过程中，使用验证集监控模型性能，最终评估则使用保留的测试数据集进行，该数据集包含先前未见过的图像。验证集和测试集上表现一致，表明模型具有稳定的泛化能力。

在实时水质分类中，最初测试了简化的卷积神经网络模型和预训练网络（Inception V3、Xception 和 ResNet50），但这些方法准确率较低且计算复杂度高。因此，设计了一种结合预处理的 ANN 模型以缓解这些问题。五种水质类别——从清澈到浑浊——可被清晰区分，在自建数据集上的分类准确率超过 99%。

神经网络模型准确率图；训练与验证对比；CNN、ANN模型、训练轮次。

访问受限。请登录或开始试用以查看此内容。

讨论

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

本方案中的一个关键步骤是基于树莓派控制器的网络设置。设置错误将导致服务器与运动相机之间无法通信。在测试所提供程序之前，应通过 PING 命令验证服务器与运动相机之间的通信。尽管所提出的模型可在嵌入式硬件上实时运行，但推理时间与能耗的定量测量未在本研究中进行评估，且超出本研究的范围。

本方案旨在通过搭载运动相机的树莓派网络实现水下图像的实时分类。该方案还可应用于多种水下检测任务，如鱼类疾病识别、垃圾检测、鱼类行为检测以及藻类监测。

本方案的一个局限性在于依赖于所演示的动作相机。该动作相机在以1080p30持续录制时，电池续航时间约为2.5小时。为延长使用时间，用户可降低图像采集频率，例如每小时采集一帧图像，并每小时执行一次水质分类。这样可在两次采集之间使动作相机进入休眠模式，从而显著延长工作时间。若需要更长的运行时间，用户可采用防水USB相机。此类专用USB相机的成本明显高于具有相似性能的消费级相机（如动作相机）。

访问受限。请登录或开始试用以查看此内容。

披露

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

作者无任何利益冲突需要披露。

致谢

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

作者谨向泰国 Kasetsart 大学、印度 Vishwakarma 大学和美国 Regent 大学致以诚挚感谢，感谢他们提出的宝贵意见、深入讨论和真知灼见，这些都极大地改进了我们的研究工作。我们衷心感谢 Kasetsart 大学是拉差工程学院通过研究单位基金（资助编号：KUSRCRU69-2001）为 2026 财政年度提供的支持。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
GoPro Hero 11 BlackGoPro用于拍照和录制视频
GoPro Hero 12 BlackGoPro用于拍照和录制视频
GoPro Hero 13 BlackGoPro用于拍照和录制视频
Raspbery PIRaspberry PIZero 2W控制器
无线路由器ZTEHG8045x5-12
以太网适配器Tp-linkUE300
服务器DellT30
12 VDC 电池组--电源
直流泵Thai WaterAW500S机器人运动
5V 降压模块--将电压从 12V 降至 5V
8通道继电器--控制泵的运行
GoPro Quick 应用程序GoProGoPro用于测试 GoPro Wi-Fi 连接

参考文献

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

访问受限。请登录或开始试用以查看此内容。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

视频即将推出

相关文章