Methodenartikel

Echtzeit-Teichwasserbewertung mittels eingebettetem Deep Learning und visueller Datenerfassung: Ein praktischer Überwachungsansatz für die Aquakultur

DOI:

10.3791/69744

⸱

24. Februar 2026

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

In diesem Artikel

Zusammenfassung

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

Wir beschreiben ein Protokoll zur Echtzeit-Wasserqualitätsklassifikation mittels Unterwasserbildaufnahme, eines Raspberry Pi-basierten Controller-Netzwerks und eines künstlichen neuronalen Netzwerks (ANN). Die Methode beschreibt Systemaufbau, Datenerhebung, Vorverarbeitung, Modelltraining und Bereitstellung. Dieses Wasserqualitätsbewertungssystem eignet sich besonders für Koi-Züchter und trägt dazu bei, optimale Bedingungen für gesunde Fische zu gewährleisten.

Zusammenfassung

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

Die Aufrechterhaltung optimaler Wasserqualität ist in der Aquakultur unerlässlich, insbesondere bei Zierpflanzen wie Kois, wo Farbklarheit und Umweltgleichgewicht direkt mit Gesundheit und Ästhetik verbunden sind. Dieser Artikel präsentiert ein vollständiges Protokoll zur Entwicklung, Implementierung und zum Betrieb eines Echtzeit-Wasserqualitätsüberwachungssystems auf Basis der Unterwasserbildklassifikation mittels eingebettetem Deep Learning. Das vorgeschlagene System integriert eine kostengünstige Unterwasserkamera mit einem Raspberry Pi-basierten Controller-Netzwerk in einem autonomen Wasseroberflächenroboter, der die Erfassung, Übertragung und Klassifizierung aquatischer Bilder über ein leichtes neuronales Netzwerkmodell ermöglicht. Fünf Wasserzustandskategorien – von klar bis trüb – werden visuell unterschieden, wobei die Klassifikationsgenauigkeit auf einem benutzerdefinierten Datensatz über 99 % liegt. Das System ist so konfiguriert, dass es autonom läuft, bietet kontinuierliche Bewertungen und visuelle Warnungen für sich verschlechternde Zustände. Dieses visuelle Protokoll umfasst Gerätemontage, Systemkalibrierung, Modellbereitstellung und Echtzeit-Überwachungsdemonstrationen. Die Methode unterstützt nachhaltige Aquakulturpraktiken, indem sie eine nicht-invasive, kontinuierliche Bewertung aquatischer Umgebungen mit erschwinglichen, skalierbaren Technologien ermöglicht. Der Ansatz kann mit minimalen Änderungen an andere Aquakultur- oder Umweltüberwachungskontexte angepasst werden.

Einleitung

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

Koi-Fische (Cyprinus carpio var. koi) sind Zierarten des gewöhnlichen Karpfen, die wegen ihrer lebendigen Farben, markanten Muster, eleganten Körperform und anmutigen Schwimmen geschätzt werden. Ihre Schönheit und fließenden Bewegungen machen sie weltweit zu einer beliebten Wahl für Gartenteiche und dekorative Wasserfunktionen.

Die Aufrechterhaltung einer guten Wasserqualität in Teichen unterstützt nicht nur das aquatische Leben, sondern trägt auch zur Reduzierung der CO₂-Emissionen bei und profitiert damit der Umwelt 1,2. Die Aufrechterhaltung der Wasserqualität durch die Einhaltung etablierter Standards für Parameter wie pH-Wert, Temperatur, gelösten Sauerstoff, Salzgehalt, Ammoniak (NH3), Nitrat (NO3), Stickstoffdioxid (NO2), Eisen (Fe) und Phosphat (PO43-) hat sich als ideal für Koi-Fisch3 erwiesen. Die Wasserqualität kann tatsächlich anhand von Bildern bewertet werden. Visuelle Indikatoren wie Wasserklarheit, das Vorhandensein von Ablagerungen oder Algen, Farbe und Oberflächentextur4 können nützliche Informationen über den Zustand des Wassers liefern. Bhatnagar et al. und Andrian et al. 5,6 geben Richtlinien für die Teichfischkultur und besagen, dass hellgrünes bis hellgrünes Wasser im akzeptablen Bereich für das Fischwachstum liegt. Hellgrünes bis hellbraunes klares Wasser gilt als wünschenswertes Reichweite, während dunkelgrünes und braunes Wasser für gesunde Teichbedingungen ungeeignet sind

In Koi-Teich-Ökosystemen umfasst die umfassende Wasserqualitätsbewertung eine Reihe physikalischer, chemischer und biologischer Parameter. Häufig gemessene Indikatoren sind Temperatur, pH-Wert, Wasserhelligkeit (Secchi-Tiefe, cm), gelöster Sauerstoff (DO), gesamte organische Substanz (TOM), Kohlendioxid (CO₂), Orthophosphat, Ammoniak, Nitrat, biologischer Sauerstoffbedarf (BOD), Gesamtschwebstoffe (TSS) und chemischer Sauerstoffbedarf (COD). Diese Parameter bilden zusammen ein multidimensionales Profil der aquatischen Gesundheit, das sowohl die ökologische Bewertung als auch die Managemententscheidungen unterstützt7. Zur Bewertung der Wasserqualität werden Sensoren für diese Parameter in Teichen eingesetzt, wie von Hemal, Md Moniruzzaman et al.8 demonstriert. pH-Sensor, Trübungssensor und Temperatursensoren zur Klassifizierung der Wasserqualität. Parasar et al.9 präsentierten Abfallerkennung und Wasserqualitätsbewertung in aquatischen Umgebungen. Der betrachtete Datensatz umfasst eine umfangreiche Sammlung von Süßwasserprobenaufzeichnungen mit insgesamt etwa 60 Millionen Einträgen. Diese Unterlagen umfassen verschiedene Eigenschaften und Qualitätsmaße. Zu den Eigenschaften gehören pH-Werte, Konzentrationen von Eisen, Nitrat, Chlorid, Blei, Zink, Trübung, Fluorid, Kupfer, Sulfat, Chlor, Mangan, Gesamtlösungsstoffe und das Trinkbarkeitsetikett, das als Zielvariable für die Wassertrinkbarkeit dient.

Bildbasierte Methoden zur Wasserqualitätsklassifikation bieten eine schnelle, kosteneffiziente und skalierbare Alternative zu traditionellen laborbasierten Ansätzen. Diese Methoden basieren auf visuellen Hinweisen, die mit physikalischen, chemischen oder biologischen Indikatoren der Wasserqualität korreliert werden können. Im Großen und Ganzen lässt sich bildbasierte Wasserqualitätsüberwachung in zwei Kategorien einteilen: Bilder der Wasseroberfläche10, 11, 12, 13, 14, 15, 16 und Unterwasserbilder17.

Oberflächenaufnahmen erfassen den sichtbaren Teil von Gewässern und können von bodengestützten Kameras, Drohnen (UAVs), Flugzeugen oder Satelliten gewonnen werden. Ein großer Vorteil ist die häufige Erwerbung, die sich für Trendanalysen eignet. Eine bedeutende Einschränkung ist die Begrenzung der oberflächensichtbaren Parameter; Untergrundbedingungen müssen indirekt abgeleitet werden. Unterwasserbilder werden mit untergetauchten Kameras, ferngesteuerten Fahrzeugen (ROVs) oder tauchbetriebenen Systemen erfasst. Vorteile sind die direkte Visualisierung der unterirdischen Bedingungen, eine bessere Detektion von Schwebmaterie und Unterwasserorganismen. Einschränkungen sind eine begrenzte Raumabdeckung, die Abhängigkeit von künstlicher Beleuchtung in trüben oder tiefen Gewässern sowie höhere Gerätekosten.

Die Klassifikation hochwertiger Unterwasserbilder in Flüssen wurde von Zhou, Han et al.17 vorgeschlagen. Die Klassifikation verwendet Histogramme von Bildfarben und verwendet zwei maschinelle Lernalgorithmen: K-Nearest Neighbor (KNN) und Random Forest (RF). Diese Algorithmen werden verwendet, um Wasser entweder als akzeptabel oder gefährlich einzustufen. Die Genauigkeit für akzeptables Wasser beträgt 98,93 %, für gefährliches Wasser 95,25 %. Die Überwachung der Wasserqualität wurde umfassend mit Internet-of-Things-(IoT)-basierten Architekturen untersucht, die kontinuierliche Messungen, Datenübertragung 18,19,20,21,22 und Fernanalysen aquatischer Umgebungen ermöglichen. Verwandte Studien haben außerdem gezeigt, dass sensorgesteuerte Überwachung und Umweltinterventionen dazu beitragen können, die Auswirkungen der städtischen Wärmeinseln abzumildern und den thermischen Komfort im Innenraum zu verbessern 7,8,9,10,11,12,13,14,15,16,17,18 ,19,20,21,22,23,24. Dieses vorgeschlagene Protokoll beschreibt ein Echtzeitsystem zur Überwachung der Wasserqualität von Koi-Teichen, indem Unterwasserbilder mit einer Aktionskamera mit eingebettetem Netzwerk aufgenommen und Wasserbedingungen mit einem künstlichen neuronalen Netzwerk (ANN) klassifiziert werden. Die ANN wird eingesetzt, weil sie geringe Rechenressourcen benötigt und somit für die Echtzeitimplementierung geeignet ist.

figure-introduction-1
Abbildung 1: Blockdiagramm der vorgeschlagenen Echtzeit-Methodik zur Bewertung von Teichwasser: Dieses Diagramm zeigt den schrittweisen Prozess von der Datenerfassung bis zur Analyse und zeigt den Gesamtrahmen zur Echtzeitüberwachung der Wasserqualität. Fünf Arten von Wasserqualitätsbedingungen, bezeichnet als T1, T2, T3, T4 und T5, wurden erfasst. T1: Bilder von frischem Süßwasser, das kürzlich von einem lokalen Süßwasseranbieter für den 4 Kubikmeter großen Koi-Teich geliefert wurde, in dem 17 kleine Koi-Fische leben. T2: Bilder aus dem 15 Kubikmeter großen Koi-Teich mit 12 großen Koi-Fischen, jeweils etwa 60–80 cm lang. Das Wasser in diesem Teich ist ziemlich klar, aber es gibt einige treibende Algen. T3: Bilder aus dem 35 Kubikmeter großen Koi-Teich mit 18 großen Koi-Fischen, jeweils etwa 60–70 cm lang. Das Teichwasser ist sauber, mit einer hellgrünen Färbung, die im optimalen Bereich für das Fischwachstumliegt 5,6. T4: Bilder von braunem Wasser, das aus einem Abwasseraufbereitungsbecken stammt. T5: Bilder von braun gefärbtem Wasser, das aus dem Filtersystem des 35 Kubikmeter großen Teichs gesammelt wurde und Abfälle enthält, die von Kois erzeugt wurden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Aufbauend auf diesen Fortschritten präsentiert dieser Artikel ein vollständiges Protokoll zur Entwicklung, Konfiguration, Implementierung und Betrieb eines Echtzeit-Wasserqualitätsüberwachungssystems auf Basis der Unterwasserbildklassifikation mittels eingebettetem Deep Learning. Ein Blockdiagramm des vorgeschlagenen Protokolls ist in Abbildung 1 dargestellt und zeigt das Systemdesign, die Konfiguration, den Einsatz und die Klassifizierung der Wasserqualität in fünf verschiedene Kategorien. Das Protokoll ermöglicht es Erzeugern und Teichmanagern, die Wasserqualität durch Analyse der Unterwasserfarbeigenschaften vor Ort zu bewerten.

Das vorgeschlagene System integriert eine kostengünstige Unterwasser-Actionkamera mit einem Raspberry Pi-basierten Controller-Netzwerk, das auf einem autonomen Oberflächenwasserroboter eingesetzt wird, wie in Abbildung 2 dargestellt. Diese Konfiguration ermöglicht Bildaufnahme, drahtlose Übertragung und Echtzeitklassifizierung mittels eines leichten künstlichen neuronalen Netzwerks (ANN). Action-Kameras wurden aufgrund ihrer Wasserdichtigkeit in Tiefen von bis zu 10 m, hochauflösender Standbildaufnahme und integrierter drahtloser Schnittstellen ausgewählt. Die Bluetooth-Konnektivität wird für die Kamerainitialisierung und die Grundsteuerung genutzt, während Wi-Fi eine Hochgeschwindigkeitsübertragung von Daten unterstützt. Allerdings ist eine direkte drahtlose Kommunikation unter Wasser mit hochfrequenten elektromagnetischen Wellen aufgrund starker Signalabschwächung im Wasserunpraktisch.

Um diese Einschränkung zu beheben, verwendet das System eine hybride Netzwerktopologie, die aus zwei Raspberry Pi Zero 2W-Einheiten, einem drahtlosen Router und einem Server besteht, wie in Abbildung 2 dargestellt. Eine Raspberry Pi-Einheit ist auf einem batteriebetriebenen Oberflächenroboter montiert, der den Teich zu festgelegten Probenahmestellen navigiert, während die zweite Einheit direkt mit der Unterwasserkamera verbunden ist. Alternativ kann das System in stationärer Konfiguration eingesetzt werden, indem Kameraeinheiten manuell an festen Teichstandorten platziert werden, wodurch robotische Navigation überflüssig wird. Prototypen des autonomen Oberflächenroboters und des Unterwasserkamera-Controller-Netzwerks sind in Abbildung 3 dargestellt, und der gesamte Arbeitsablauf der Wasserqualitätsklassifikationsmethode ist in Abbildung 4 dargestellt.

figure-introduction-2
Abbildung 2: Netzwerktopologie des IoT-basierten Wasserbewertungssystems: Das Schema zeigt, wie Geräte miteinander verbunden sind, und hebt die Kommunikation zwischen Kameras, Raspberry Pi-Einheiten und dem zentralen Server hervor. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-introduction-3
Abbildung 3: Prototyp-Roboter, integriert in ein Raspberry Pi-Kameranetzwerk: Die Abbildung zeigt die physische Montage des Roboters, der mit integrierten Sensor- und Bildeinheiten für den Einsatz im Einsatz ausgestattet ist. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-introduction-4
Abbildung 4: Flussdiagramm der vorgeschlagenen Methode: Zeigt das Flussdiagramm der vorgeschlagenen Methode, das aus Datenerhebung, Vorverarbeitung, Training und Echtzeitklassifikation besteht. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Ein künstliches neuronales Netzwerk wird für die Bildklassifikation eingesetzt, da es eine geringe Rechenkomplexität und Eignung für die Echtzeit-Implementierung von eingebetteten Systemen bietet. Gemeinsam bietet das vorgeschlagene Protokoll einen praktischen und skalierbaren Rahmen für die Echtzeitüberwachung der Wasserqualität bei Koi-Teichen mittels eingebettetem Deep Learning und visueller Datenerfassung.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

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

HINWEIS: Die in dieser Studie verwendeten Quellcodes sind im folgenden GitHub-Repository verfügbar: https://github.com/prawit-chu/Real-Time-Pond-Water-Assessment-via-Embedded-Deep-Learning-and-Visual-Data-Acquisition

1. Ausrüstungsaufbau

  1. Richte das Raspberry Pi-basierte Controller-Netzwerk ein (den Roboter und die Actionkamera).
  2. Richte einen Server ein, der das Ubuntu v24.04 LTS-Betriebssystem ausführt.

2. Action-Kamera-Setup

  1. Richte die Standard-IP-Adresse (10.5.5.9) und die Netzwerkmaske (255.0.0.0) ein.
    HINWEIS: Tabelle 1 zeigt die zugewiesenen IP-Adressen für verbundene Geräte im IoT-Netzwerk.
  2. Konfigurieren Sie die WLAN-SSID und den vorgegebenen Schlüssel (PSK), um die Action-Kamera als WLAN-Zugangspunkt einzurichten.
    1. Um die WLAN-SSID (Name) und PSK (Passwort) zu finden, wischen Sie auf dem Aktionsbildschirm nach unten und gehen Sie dann zu Einstellungen → Wireless Connections→ KAMERA-INFO.
    2. Um das Band zu wechseln, wählen Sie im Menü Wireless Connections Wi-Fi-Band aus und wählen Sie 2,4 GHz für die Verbindung mit einem Raspberry Pi Zero 2W.
    3. Überprüfen Sie die Verbindung über die Wi-Fi-Schnittstelle der Action-Kamera, indem Sie eine Kameraanwendung verwenden, um sich mit der Action-Kamera zu verbinden. Ein Beispiel für eine solche Anwendung ist die GoPro Quik-App.

3. WLAN-Router-Aufbau

  1. Fügen Sie die Linien 192.168.2.0/24 und 10.0.0.0/8 hinzu. Die Adresse des Weiterleitungsrouters für beide Routen lautet 192.168.1.99.
  2. Konfigurieren Sie die Portweiterleitung, wenn internetbasierter Zugriff auf die Action-Kamera erforderlich ist. Siehe das Handbuch des Routers für Konfigurationsdetails. Die Portweiterleitung sollte auf 8080 eingestellt werden, was der Webserver-Port ist, der von der Action-Kamera verwendet wird.

4. Raspberry Pi Zero 2W (2) im wasserdichten Gehäuse

  1. Installiere das Raspberry Pi v6.12 Betriebssystem.
  2. Konfigurieren Sie Wi-Fi-SSID und PSK so, dass sie sich mit der Action-Kamera verbinden, indem Sie den Befehl "nmtui" verwenden.
  3. Konfigurieren Sie IP-Adresse und Netzmaske der WLAN-Schnittstelle und anschließend die Ethernet-Schnittstelle wie in Tabelle 1 gezeigt, mit dem Befehl "nmtui".
  4. Konfigurieren Sie Network Address Translation (NAT) und setzen Sie eine Standardroute unter Verwendung von 192.168.1.2 als Weiterleitungsrouter, um die Kommunikation zwischen Netzwerken zu ermöglichen.

5. Raspberry Pi Zero 2W (1) in der Robotereinheit

  1. Installiere das Raspberry Pi v6.12 Betriebssystem.
  2. Konfigurieren Sie die WLAN-SSID und PSK, um sich mit dem Home- oder Office-Router mit dem Befehl "nmtui" zu verbinden.
  3. Linie 10.0.0.0/8 über 192.168.2.2 hinzufügen. Die Adresse des Weiterleitungsrouters lautet 192.168.2.2.
  4. Setze eine Standardroute mit 192.168.1.1 als Weiterleitungsrouter, um die Kommunikation über Netzwerke zu ermöglichen

6. Serveraufbau

  1. Konfigurieren Sie WLAN-SSID und PSK, um sich mit dem Router zu Hause oder im Büro über die GUI-Netzwerkeinstellung zu verbinden.
  2. Weise dem Server eine IP-Adresse per DHCP oder manueller Konfiguration zu.
  3. Fügen Sie Routen zu 192.168.2.0/24 und 10.0.0.0/8 hinzu, um die Verbindung mit Raspberry Pi-Einheiten bzw. der Action-Kamera zu erhalten. Die Weiterleitungsadresse für beide Routen ist 192.168.1.99.

7. Kommunikationstests

  1. Auf dem Raspberry Pi Zero 2W (2) im wasserdichten Gehäuse führen Sie Python3-enable_wifi_ap.py aus, um das Wi-Fi der Action-Kamera zu aktivieren.
  2. Auf dem Raspberry Pi Zero 2W führe den iwconfig-Befehl aus, um zu überprüfen, ob WLAN aktiv ist, und die erfolgreiche Kommunikation mit der Action-Kamera zu bestätigen.
  3. Auf dem Server führt man den Befehl "ping 10.5.5.9" aus und bestätigt die erwartete Antwort "Zielport unerreichbar".

8. Datensatzsammlung

  1. Nachdem die Kommunikation hergestellt ist, führen Sie "python3 collect_dataset.py T N" aus. (getestet mit OpenCV v4.12.0)
  2. Ersetze T durch den Wassertyp (T1-T5) und N durch die Anzahl der zu sammelnden Bilder.
  3. Nachbearbeitung und Speichere den gesammelten Datensatz auf dem Server für weitere Vorverarbeitung (Tabelle 2)

figure-protocol-1
Abbildung 5: Vereinfachte CNN-Modellarchitekturen für das Grundtraining: Präsentiert abstrahierte neuronale Netzwerkstrukturen, die als Basismodelle angewandt werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-protocol-2
Abbildung 6: Vortrainierte Deep-Learning-Modelle, die in der Studie verwendet wurden: Zeigt Transfer-Learning-Architekturen, die für Klassifikationsaufgaben genutzt werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-protocol-3
Abbildung 7: Künstliche neuronale Netzwerkarchitekturen (ANN): Zeigt angepasste ANN-Konfigurationen, die zur Bewertung der Wasserbildklassifikationsleistung entwickelt wurden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-protocol-4
Abbildung 8: Normalisiertes Graustufen-Histogramm von Bildern des Sample-Datensatzes: Bietet Verteilungsmerkmale der Pixelintensitäten über repräsentative Eingabeproben hinweg. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

9. Deep Learning Training

HINWEIS: Die vereinfachten CNN-Baselines, vortrainierten Modelle und ANN-Architekturen, die in dieser Studie verwendet werden, sind in den Abbildungen 5-8 dargestellt.

  1. Legt die gesammelte Datensatzdatei in das Verzeichnis "V2".
  2. Erstellen Sie ein Histogramm von Bildern, indem Sie Python3 histogram_gen.py ausführen (getestet mit OpenCV v4.12.0 und CSV v1.0).
  3. Trainiere das Modell, indem du Python3 ann_training.py ausführst. Das ANN-trainierte Modell wird in ann_model.keras gespeichert (getestet mit tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 und CSV v1.0).
  4. Bewerten Sie die Verwirrungsmatrix, indem Sie Python3 confusion_matrix.py mit dem trainierten Modell ann_model.keras aus Abschnitt 9.3 ausführen. Stellen Sie sicher, dass die Datei ann_model.keras im aktuellen Verzeichnis gespeichert wird (getestet mit tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 und CSV v1.0).

10. Echtzeit-Deep-Learning-Klassifikation

  1. Speichere die trainierte ann_model.keras-Datei im Klassifikationsverzeichnis.
  2. Klassifizieren Sie die Wasserqualität in Echtzeit, indem Sie den Befehl "python3 ann_predict.py" ausführen. Diese Ausgabe zeigt die grafische Benutzeroberfläche mit dem aufgenommenen Bild und den klassifizierten Wassertyp an.
    HINWEIS: Das Beispiel ist in Abbildung 12 (rechter Panel) dargestellt (getestet mit tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 und CSV v1.0).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

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

Der Datensatz wurde in unabhängige Trainings-, Validierungs- und Testteilsätze unterteilt. Die Modellleistung wurde während des Trainings auf dem Validierungsset überwacht, und die Endbewertung erfolgte mit einem vorgehaltenen Testdatensatz mit bisher unbekannten Bildern. Konsistente Leistung über Validierungs- und Testsets hinweg weist auf eine stabile Verallgemeinerung hin.

Für die Echtzeit-Wasserqualitätsklassifikation wurden zunächst vereinfachte CNN-Model...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

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

Ein entscheidender Schritt in diesem Protokoll ist die auf Raspberry Pi basierende Controller-Netzwerkeinstellung. Falsche Einstellungen führen dazu, dass die Kommunikation zwischen dem Server und der Action-Kamera fehlt. Vor dem Testen der bereitgestellten Programme sollte die Kommunikation zwischen dem Server und der Aktionskamera per PING-Befehl überprüft werden. Obwohl das vorgeschlagene Modell in Echtzeit auf eingebetteter Hardware arbeitet, wurden quantitative Messungen von Inferen...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

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

Die Autoren haben nichts offenzulegen.

Danksagungen

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

Die Autoren möchten der Kasetsart University, Thailand, der Vishwakarma University, Indien, und der Regent University, USA, ihren Dank für ihre hilfreichen Kommentare, Diskussionen und Einsichten aussprechen, die unsere Forschung erheblich verbessert haben. Wir danken die Unterstützung der Fakultät für Ingenieurwissenschaften an der Sriracha, Kasetsart University, durch den Research Unit Fund (Zuschussnummer KUSRCRU69-2001) für das Haushaltsjahr 2026.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
GoPro Hero 11 SchwarzGoProzum Fotografieren und Aufnehmen von Videos
GoPro Hero 12 SchwarzGoProzum Fotografieren und Aufnehmen von Videos
GoPro Hero 13 SchwarzGoProzum Fotografieren und Aufnehmen von Videos
Raspbery PIRaspberry PIZero 2WController
Drahtloser RouterZTEHG8045x5-12
Ethernet-AdapterTp-LinkUE300
ServerDellT30
Batteriepack 12 VDC--Stromversorgung
GleichstrompumpeThailändisches WasserAW500SRoboterbewegung
5V-Step-Down--Schalten Sie von 12V auf 5V runter
8-Kanal-Relais--Steuerung von Pumpen
GoPro Quick AnwendungGoProGoProzum Testen der GoPro Wi-Fi-Verbindung

Referenzen

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

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Aquakultur berwachungUnterwasserbildklassifizierungWasserqualit ts berwachungRaspberry Pi Controllerautonomer WasserroboterBewertung der aquatischen UmweltEchtzeit berwachung
Video demnächst verfügbar

Verwandte Artikel