Artículo de método

Evaluación en tiempo real del agua de estanques mediante aprendizaje profundo integrado y adquisición de datos visuales: un enfoque práctico de monitorización para la acuicultura

DOI:

10.3791/69744

⸱

24 de febrero de 2026

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

En este artículo

Resumen

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

Describimos un protocolo para la clasificación de la calidad del agua en tiempo real utilizando la adquisición de imágenes submarinas, una red de controladores basada en Raspberry Pi y una Red Neuronal Artificial (ANN). El método detalla la configuración del sistema, la recogida de datos, el preprocesamiento, el entrenamiento de modelos y el despliegue. Este sistema de evaluación de la calidad del agua es especialmente adecuado para los criadores de koi, ayudando a garantizar condiciones óptimas para peces sanos.

Resumen

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

Mantener una calidad óptima del agua es esencial en la acuicultura, especialmente en especies ornamentales como el kois, donde la claridad del color y el equilibrio ambiental están directamente ligados a la salud y la estética. Este artículo presenta un protocolo completo para diseñar, desplegar y operar un sistema de monitorización de la calidad del agua en tiempo real basado en la clasificación de imágenes submarinas mediante aprendizaje profundo embebido. El sistema propuesto integra una cámara submarina de bajo coste con una red de controladores basada en Raspberry Pi en un robot autónomo de superficie acuática, permitiendo la captura, transmisión y clasificación de imágenes acuáticas mediante un modelo de red neuronal ligera. Se distinguen visualmente cinco categorías de condiciones del agua —que van desde claras hasta turbias— con una precisión de clasificación superior al 99% en un conjunto de datos personalizado. El sistema está configurado para funcionar de forma autónoma, ofreciendo evaluación continua y alertas visuales para condiciones que se deterioran. Este protocolo visual cubre el ensamblaje de dispositivos, calibración del sistema, despliegue de modelos y demostraciones de monitorización en tiempo real. El método apoya prácticas acuícolas sostenibles al permitir la evaluación continua y no invasora de los entornos acuáticos utilizando tecnologías asequibles y escalables. El enfoque puede adaptarse a otros contextos de acuicultura o monitoreo ambiental con modificaciones mínimas.

Introducción

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

El pez koi (Cyprinus carpio var. koi) es una variedad ornamental de la carpa común, valorada por sus colores vibrantes, patrones distintivos, elegante forma corporal y su elegante natación. Su belleza y movimientos fluidos los convierten en una opción favorita para estanques de jardín y elementos decorativos de agua en todo el mundo.

Mantener una buena calidad del agua en los estanques no solo apoya la vida acuática, sino que también contribuye a reducir las emisiones de carbono, beneficiando así al medioambiente 1,2. Se ha demostrado que mantener la calidad del agua siguiendo estándares establecidos para parámetros como pH, temperatura, oxígeno disuelto, salinidad, amoníaco (NH3), nitrato (NO 3), dióxido de nitrógeno (NO2), hierro (Fe) y fosfato (PO43-) crea un entorno ideal para los pecesKoi 3. La calidad del agua puede evaluarse efectivamente a través de imágenes. Indicadores visuales como la claridad del agua, la presencia de escombros o algas, el color y la textura superficialpueden proporcionar información útil sobre el estado del agua. Bhatnagar et al. y Andrian et al. 5,6 proporcionan directrices para la piscicultura en estanques, indicando que el agua de color verde pálido a verde claro está dentro del rango aceptable para el crecimiento de peces. El rango deseable se considera el agua clara de verde claro a marrón claro, mientras que el verde oscuro y el marrón caen en el rango inadecuado para condiciones saludables de estanque

En los ecosistemas de estanques Koi, la evaluación integral de la calidad del agua abarca una variedad de parámetros físicos, químicos y biológicos. Los indicadores comúnmente medidos incluyen temperatura, pH, brillo del agua (profundidad de Secchi, cm), oxígeno disuelto (DO), materia orgánica total (TOM), dióxido de carbono (CO₂), ortofosfato, amoníaco, nitrato, demanda biológica de oxígeno (DBO), sólidos en suspensión total (TSS) y demanda química de oxígeno (COD). Estos parámetros proporcionan en conjunto un perfil multidimensional de la salud acuática, apoyando tanto la evaluación ecológica como la toma de decisionesde gestión 7. Para evaluar la calidad del agua, se emplearán sensores para esos parámetros en los estanques, como demostraron Hemal, Md Moniruzzaman yotros 8. Sensor de pH, sensor de turbidez y sensores de temperatura para clasificar la calidad del agua. Parasar et al.9 presentaron la detección de residuos y la evaluación de la calidad del agua en ambientes acuáticos. El conjunto de datos en cuestión abarca una extensa colección de registros de muestras de agua dulce, que suman aproximadamente 60 millones de entradas. Estos registros comprenden atributos diversos y mediciones de calidad. Las características incluyen niveles de pH, concentraciones de hierro, nitrato, cloruro, plomo, zinc, turbidez, flúor, cobre, sulfato, cloro, manganeso, sólidos disueltos totales y la etiqueta de potabilidad, que actúa como variable objetivo que indica la potabilidad del agua.

Los métodos basados en imágenes para la clasificación de la calidad del agua ofrecen una alternativa rápida, rentable y escalable a los enfoques tradicionales basados en laboratorio. Estos métodos se basan en señales visuales que pueden correlacionarse con indicadores físicos, químicos o biológicos de la calidad del agua. En términos generales, la monitorización de la calidad del agua basada en imágenes puede clasificarse en dos categorías: imágenes de la superficie delagua 10,11,12,13,14,15,16 e imágenes submarinas 17.

Las imágenes superficiales capturan la parte visible de los cuerpos de agua y pueden obtenerse mediante cámaras terrestres, drones (UAV), aeronaves o satélites. Una gran ventaja es la adquisición frecuente, adecuada para el análisis de tendencias. Una limitación significativa es la limitación a los parámetros visibles en superficie; las condiciones subterráneas deben inferirse indirectamente. Las imágenes submarinas se recogen utilizando cámaras sumergidas, vehículos operados remotamente (ROVs) o sistemas operados por buceadores. Las ventajas son la visualización directa de las condiciones subterráneas, una mejor detección de materia en suspensión y organismos submarinos. Las limitaciones son la cobertura espacial limitada, la dependencia de la iluminación artificial en aguas turbias o profundas, y el aumento de los costes de los equipos.

La clasificación de imágenes submarinas de calidad en ríos fue propuesta por Zhou, Han yotros 17. La clasificación utiliza histogramas de colores de imagen y emplea dos algoritmos de aprendizaje automático: K-Nearest Neighbor (KNN) y Random Forest (RF). Estos algoritmos se utilizan para clasificar el agua como aceptable o peligrosa. La precisión para agua aceptable es del 98,93%, y para aguas peligrosas, del 95,25%. El monitoreo de la calidad del agua ha sido ampliamente investigado utilizando arquitecturas basadas en Internet de las Cosas (IoT) que permiten la detección continua, la transmisiónde datos 18,19,20,21,22 y el análisis remoto de entornos acuáticos. Estudios relacionados también han demostrado que la monitorización guiada por sensores y las intervenciones ambientales pueden contribuir a mitigar los efectos de isla de calor urbana y mejorar el confort térmicointerior 7,8,9,10,11,12,13,14,15,16,17,18 ,19,20,21,22,23,24. Este protocolo propuesto describe un sistema en tiempo real para monitorizar la calidad del agua de los estanques de koi mediante la adquisición de imágenes submarinas mediante una cámara de acción con una red integrada y la clasificación de las condiciones del agua mediante una red neuronal artificial (ANN). El ANN se emplea porque requiere pocos recursos computacionales, lo que lo hace adecuado para su implementación en tiempo real.

figure-introduction-1
Figura 1: Diagrama de bloques de la metodología propuesta de evaluación en tiempo real del agua en estanques: Este diagrama describe el proceso paso a paso, desde la captura de datos hasta el análisis, mostrando el marco general para monitorizar la calidad del agua en tiempo real. Se recogieron cinco tipos de condiciones de calidad del agua, etiquetadas como T1, T2, T3, T4 y T5. T1: Imágenes de agua dulce suministrada recientemente por un proveedor local de agua dulce para el estanque de 4 metros cúbicos que alberga 17 peces Koi pequeños. T2: Imágenes del estanque de 15 metros cúbicos de Koi que contiene 12 peces Koi grandes, cada uno de aproximadamente 60-80 cm de longitud. El agua en este estanque es bastante clara, pero hay algunas algas flotantes. T3: Imágenes del estanque de koi de 35 metros cúbicos con 18 peces koi grandes, cada uno de aproximadamente 60-70 cm de longitud. El agua del estanque es limpia, con una coloración verde claro que se encuentra dentro del rango óptimo para el crecimiento depeces 5,6. T4: Imágenes de agua de color marrón tomadas de un estanque de tratamiento de aguas residuales. T5: Imágenes de agua de color marrón recogida del sistema de filtración del estanque de 35 metros cúbicos, que contiene residuos producidos por Kois. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Basándose en estos avances, este artículo presenta un protocolo completo para diseñar, configurar, desplegar y operar un sistema de monitorización de la calidad del agua en tiempo real basado en la clasificación de imágenes submarinas mediante aprendizaje profundo embebido. Un diagrama de bloques del protocolo propuesto se muestra en la Figura 1, ilustrando el diseño, configuración, despliegue y clasificación del sistema de la calidad del agua en cinco categorías distintas. El protocolo permite a los agricultores y gestores de estanques evaluar la calidad del agua analizando las características del color submarino captadas in situ.

El sistema propuesto integra una cámara de acción submarina de bajo coste con una red de controladores basada en Raspberry Pi desplegada en un robot autónomo de superficie de agua, como se ilustra en la Figura 2. Esta configuración permite la adquisición de imágenes, la transmisión inalámbrica y la clasificación en tiempo real mediante una red neuronal artificial (ANN) ligera. Se seleccionaron cámaras de acción debido a su resistencia al agua a profundidades de hasta 10 m, captura de imágenes fijas de alta resolución e interfaces inalámbricas integradas. La conectividad Bluetooth se utiliza para la inicialización de la cámara y el control básico, mientras que el Wi-Fi permite transferencia de datos a alta velocidad. Sin embargo, la comunicación inalámbrica subacuática directa usando ondas electromagnéticas de radiofrecuencia es poco práctica debido a la severa atenuación de la señal enel agua 25.

Para abordar esta limitación, el sistema emplea una topología de red híbrida compuesta por dos unidades Raspberry Pi Zero de 2W, un router inalámbrico y un servidor, como se muestra en la Figura 2. Una unidad Raspberry Pi está montada en un robot de superficie alimentado por batería que navega por el estanque hasta lugares de muestreo designados, mientras que la segunda unidad se conecta directamente con la cámara submarina. Alternativamente, el sistema puede desplegarse en una configuración estacionaria colocando manualmente unidades de cámara en ubicaciones fijas de estanques, eliminando la necesidad de navegación robótica. Los prototipos del robot autónomo de superficie y de la red de cámaras-controladores submarinos se muestran en la Figura 3, y el flujo de trabajo general del método de clasificación de la calidad del agua se ilustra en la Figura 4.

figure-introduction-2
Figura 2: Topología de red del sistema de evaluación de agua basado en IoT: El esquema ilustra cómo los dispositivos están interconectados, destacando la comunicación entre cámaras, unidades Raspberry Pi y el servidor central. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

figure-introduction-3
Figura 3: Prototipo de robot integrado con una red de cámaras Raspberry Pi: La figura muestra el ensamblaje físico del robot equipado con unidades de detección e imagen a bordo para su despliegue en el campo. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

figure-introduction-4
Figura 4: Diagrama de flujo del método propuesto: Muestra el diagrama de flujo del método propuesto, que consiste en recogida de datos, preprocesamiento, entrenamiento y clasificación en tiempo real. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Se emplea una red neuronal artificial para la clasificación de imágenes debido a su baja complejidad computacional y su idoneidad para el despliegue embebido en tiempo real. En conjunto, el protocolo propuesto proporciona un marco práctico y escalable para la monitorización en tiempo real de la calidad del agua de los estanques de koi utilizando aprendizaje profundo integrado y adquisición de datos visuales.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

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

NOTA: Los códigos fuente utilizados en este estudio están disponibles en el siguiente repositorio de GitHub: https://github.com/prawit-chu/Real-Time-Pond-Water-Assessment-via-Embedded-Deep-Learning-and-Visual-Data-Acquisition

1. Configuración del equipo

  1. Configura la red de mandos basada en Raspberry Pi (el robot y la cámara de acción).
  2. Configura un servidor con el sistema operativo Ubuntu v24.04 LTS.

2. Configuración de la cámara de acción

  1. Configura la dirección IP predeterminada (10.5.5.9) y la máscara de red (255.0.0.0).
    NOTA: La Tabla 1 muestra las direcciones IP asignadas para los dispositivos conectados en la red IoT.
  2. Configura el SSID Wi-Fi y la clave pre-compartida (PSK) para configurar la cámara de acción como punto de acceso Wi-Fi.
    1. Para encontrar el SSID Wi-Fi (nombre) y PSK (contraseña), desliza hacia abajo en la pantalla de acción y luego navega a Preferencias → Conexiones inalámbricas→ INFORMACIÓN DE LA CÁMARA.
    2. Para cambiar la banda, en el menú de Conexiones inalámbricas, selecciona Banda Wi-Fi y elige 2,4 GHz para conectarte a una Raspberry Pi Zero 2W.
    3. Verifica la conectividad a través de la interfaz Wi-Fi de la cámara de acción usando una aplicación de cámara para conectarte a la cámara de acción. Un ejemplo de esta aplicación es la aplicación GoPro Quik.

3. Configuración del router inalámbrico

  1. Añadir las rutas 192.168.2.0/24 y 10.0.0.0/8. La dirección del router de reenvío para ambas rutas es 192.168.1.99.
  2. Configura el reenvío de puertos si se requiere acceso por internet a la cámara de acción. Consulta el manual del router para más detalles de configuración. El reenvío de puertos debe estar configurado en 8080, que es el puerto del servidor web utilizado por la cámara de acción.

4. Raspberry Pi Zero 2W (2) en carcasa impermeable

  1. Instala el sistema operativo Raspberry Pi v6.12.
  2. Configura el SSID Wi-Fi y PSK para conectarse con la cámara de acción usando el comando "nmtui".
  3. Configura la dirección IP y la máscara de red de la interfaz Wi-Fi seguidas de la interfaz ethernet, como se muestra en la Tabla 1 usando el comando "nmtui".
  4. Configura la Traducción de Direcciones de Red (NAT) y establece una ruta predeterminada usando 192.168.1.2 como router de reenvío para permitir la comunicación entre redes.

5. Raspberry Pi Zero 2W (1) en unidad robótica

  1. Instala el sistema operativo Raspberry Pi v6.12.
  2. Configura el SSID Wi-Fi y el PSK para conectarse con el router de casa u oficina usando el comando "nmtui".
  3. Añadir la ruta 10.0.0.0/8 a través de 192.168.2.2. La dirección del router de reenvío es 192.168.2.2.
  4. Establece una ruta predeterminada usando 192.168.1.1 como router de reenvío para permitir la comunicación entre redes

6. Configuración del servidor

  1. Configura el SSID Wi-Fi y el PSK para conectarse con el router de casa o oficina usando la configuración de red gráfica.
  2. Asigna una dirección IP al servidor mediante DHCP o configuración manual.
  3. Añade rutas a 192.168.2.0/24 y 10.0.0.0/8 para la conectividad con unidades Raspberry Pi y la cámara de acción, respectivamente. La dirección del router directo para ambas rutas es 192.168.1.99.

7. Pruebas de comunicación

  1. En la Raspberry Pi Zero 2W (2) en Waterproof Enclosure, ejecuta python3 enable_wifi_ap.py para activar el Wi-Fi de la cámara de acción.
  2. En la Raspberry Pi Zero 2W, ejecuta el comando iwconfig para verificar que el Wi-Fi está activo y confirmar la comunicación exitosa con la cámara de acción.
  3. En el servidor, ejecuta el comando "ping 10.5.5.9" y confirma la respuesta esperada "Puerto de destino inalcanzable".

8. Colección de conjuntos de datos

  1. Una vez establecida la comunicación, ejecuta "python3 collect_dataset.py T N". (probado con OpenCV v4.12.0)
  2. Sustituye T por el tipo de agua (T1-T5) y N por el número de imágenes a recoger.
  3. Postprocesamiento y Guardar el conjunto de datos recopilado en el servidor para un preprocesamiento posterior (Tabla 2)

figure-protocol-1
Figura 5: Arquitecturas simplificadas de modelos CNN utilizadas para el entrenamiento inicial: Presenta estructuras abstractas de redes neuronales aplicadas como modelos base. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

figure-protocol-2
Figura 6: Modelos de aprendizaje profundo preentrenados utilizados en el estudio: Representa arquitecturas de aprendizaje por transferencia aprovechadas para tareas de clasificación. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

figure-protocol-3
Figura 7: Arquitecturas de Redes Neuronales Artificiales (ANN): Muestra configuraciones personalizadas de ANNs diseñadas para evaluar el rendimiento de clasificación de imágenes de agua. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

figure-protocol-4
Figura 8: Histograma normalizado en escala de grises de imágenes de conjuntos de datos muestrales: Proporciona características de distribución de las intensidades de píxeles entre muestras de entrada representativas. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

9. Formación en Aprendizaje Profundo

NOTA: Las líneas base simplificadas de CNN, los modelos preentrenados y las arquitecturas de RNA utilizadas en este estudio se ilustran en las Figuras 5-8, respectivamente.

  1. Coloca el archivo recopilado del conjunto de datos en el directorio "V2".
  2. Crea un histograma de imágenes ejecutando python3 histogram_gen.py (probado con OpenCV v4.12.0 y CSV v1.0).
  3. Entrena el modelo ejecutando python3 ann_training.py. El modelo entrenado por ANN se almacenará en ann_model.keras (probado con tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 y CSV v1.0).
  4. Evalúa la matriz de confusión ejecutando python3 confusion_matrix.py usando el modelo entrenado ann_model.keras de la Sección 9.3. Asegúrate de que el archivo ann_model.keras esté colocado en el directorio actual (Probado con tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 y CSV v1.0).

10. Clasificación de Aprendizaje Profundo en Tiempo Real

  1. Guarda el archivo entrenado ann_model.keras en el directorio de clasificación.
  2. Clasifica la calidad del agua en tiempo real ejecutando el comando "python3 ann_predict.py". Esta salida mostrará la interfaz gráfico que contiene la imagen capturada y el tipo de agua clasificado.
    NOTA: El ejemplo se muestra en la Figura 12 (panel derecho) (Probado con tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 y CSV v1.0).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

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

El conjunto de datos se dividió en subconjuntos independientes de entrenamiento, validación y prueba. El rendimiento del modelo se monitorizó en el conjunto de validación durante el entrenamiento, y la evaluación final se realizó utilizando un conjunto de datos de prueba que contenía imágenes inéditas hasta entonces. Un rendimiento consistente entre conjuntos de validación y pruebas indica una generalización estable.

Para la clasificación de la calidad del agu...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

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

Un paso crítico en este protocolo es la configuración de red de controladores basada en Raspberry Pi. Una configuración incorrecta provoca la falta de comunicación entre el servidor y la cámara de acción. Antes de probar los programas proporcionados, la comunicación entre el servidor y la cámara de acción debe verificarse mediante el comando PING. Aunque el modelo propuesto opera en tiempo real sobre hardware embebido, no se evaluaron las mediciones cuantitativas del tiempo de inferencia...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

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

Los autores no tienen nada que revelar.

Agradecimientos

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

Los autores desean expresar su agradecimiento a la Universidad Kasetsart, Tailandia, a la Universidad Vishwakarma, India y a la Universidad Regent, EE. UU., por sus útiles comentarios, debates e ideas que han mejorado enormemente nuestra investigación. Agradecemos con gratitud el apoyo proporcionado por la Facultad de Ingeniería de Sriracha, Universidad Kasetsart, a través del Fondo de Unidad de Investigación (Subvención nº KUSRCRU69-2001) para el año fiscal 2026.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
GoPro Hero 11 BlackGoPropara hacer fotos y grabar vídeos
GoPro Hero 12 NegroGoPropara hacer fotos y grabar vídeos
GoPro Hero 13 BlackGoPropara hacer fotos y grabar vídeos
Raspbery PIRaspberry PICero 2WControlador
Router inalámbricoZTEHG8045x5-12
Adaptadores EthernetTp-linkUE300
ServidorDellT30
Paquete de baterías 12 VDC--Suministro eléctrico
Bomba de CCAgua tailandesaAW500SMovimiento del robot
Reducción de 5V--Reducir de 12V a 5V
Relé de 8 canales--Bombas de control
Aplicación rápida de GoProGoProGoPropara probar la conexión Wi-Fi de la GoPro

Referencias

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

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Monitoreo de la acuiculturaClasificaci n de im genes submarinasMonitoreo de la calidad del aguaControlador Raspberry PiRobot acu tico aut nomoEvaluaci n del entorno acu ticoMonitoreo en tiempo real
Video próximamente

Artículos relacionados