Article de méthode

Évaluation en temps réel de l’eau des étangs via un apprentissage profond intégré et l’acquisition de données visuelles : une approche pratique de surveillance pour l’aquaculture

DOI :

10.3791/69744

⸱

24 février 2026

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

Dans cet article

Résumé

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

Nous décrivons un protocole de classification en temps réel de la qualité de l’eau utilisant l’acquisition d’images sous-marines, un réseau de contrôleurs basé sur Raspberry Pi, et un réseau de neurones artificiels (ANN). La méthode détaille la configuration du système, la collecte de données, le prétraitement, l’entraînement du modèle et le déploiement. Ce système d’évaluation de la qualité de l’eau est particulièrement adapté aux éleveurs de carpes koi, contribuant à garantir des conditions optimales pour des poissons en bonne santé.

Résumé

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

Maintenir une qualité optimale de l’eau est essentiel en aquaculture, en particulier pour les espèces ornementales telles que les kois, où la clarté des couleurs et l’équilibre environnemental sont directement liés à la santé et à l’esthétique. Cet article présente un protocole complet pour concevoir, déployer et exploiter un système de surveillance de la qualité de l’eau en temps réel basé sur la classification des images sous-marines utilisant l’apprentissage profond embarqué. Le système proposé intègre une caméra sous-marine à faible coût avec un réseau de contrôleurs basé sur Raspberry Pi dans un robot autonome de surface aquatique, permettant la capture, la transmission et la classification d’images aquatiques via un modèle de réseau de neurones léger. Cinq catégories d’état de l’eau — allant de claire à trouble — sont visuellement distinguées, avec une précision de classification dépassant 99 % sur un jeu de données personnalisé. Le système est configuré pour fonctionner de manière autonome, offrant une évaluation continue et des alertes visuelles en cas de détérioration des conditions. Ce protocole visuel couvre l’assemblage des dispositifs, l’étalonnage du système, le déploiement des modèles et les démonstrations de surveillance en temps réel. La méthode soutient les pratiques aquacoles durables en permettant une évaluation continue et non invasive des environnements aquatiques en utilisant des technologies abordables et évolutives. Cette approche peut être adaptée à d’autres contextes aquacoles ou de surveillance environnementale avec un minimum de modifications.

Introduction

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

Les poissons koi (Cyprinus carpio var. koi) sont des variétés ornementales de la carpe commune, prisées pour leurs couleurs vives, leurs motifs distinctifs, leur silhouette élégante et leur nage gracieuse. Leur beauté et leurs mouvements fluides en font un choix privilégié pour les étangs de jardin et les éléments d’eau décoratifs dans le monde entier.

Maintenir une bonne qualité de l’eau dans les étangs soutient non seulement la vie aquatique, mais contribue également à la réduction des émissions de carbone, profitant ainsi à l’environnement 1,2. Le maintien de la qualité de l’eau en suivant des normes établies pour des paramètres tels que le pH, la température, l’oxygène dissous, la salinité, l’ammoniaque (NH3), le nitrate (NO3), le dioxyde d’azote (NO2), le fer (Fe) et le phosphate (PO4 3-) a démontré qu’il crée un environnement idéal pour les poissonsKoi 3. La qualité de l’eau peut effectivement être évaluée par des images. Des indicateurs visuels tels que la clarté de l’eau, la présence de débris ou d’algues, la couleur et la texture de la surface4 peuvent fournir des informations utiles sur l’état de l’eau. Bhatnagar et al. et Andrian et al. 5,6 fournissent des lignes directrices pour la pisciculture en étang, indiquant que l’eau pâle à vert clair est dans la plage acceptable pour la croissance des poissons. L’eau claire vert clair à brun clair est considérée comme la plage souhaitable, tandis que l’eau vert foncé et brun tombe dans la fourchette inadaptée aux conditions saines de l’étang

Dans les écosystèmes des bassins de carpes koï, une évaluation complète de la qualité de l’eau englobe un ensemble de paramètres physiques, chimiques et biologiques. Les indicateurs couramment mesurés incluent la température, le pH, la luminosité de l’eau (profondeur de Secchi, cm), l’oxygène dissous (DO), la matière organique totale (TOM), le dioxyde de carbone (CO₂), l’orthophosphate, l’ammoniac, le nitrate, la demande biologique en oxygène (BOD), les solides en suspension totaux (TSS) et la demande chimique en oxygène (COD). Ces paramètres fournissent collectivement un profil multidimensionnel de la santé aquatique, soutenant à la fois l’évaluation écologique et la prise de décision de gestion7. Pour évaluer la qualité de l’eau, des capteurs correspondant à ces paramètres seront utilisés dans les étangs, comme l’ont démontré Hemal, Md Moniruzzaman, etal. 8. Capteur de pH, capteur de turbidité et capteurs de température pour classifier la qualité de l’eau. Parasar et al.9 ont présenté la détection des déchets et l’évaluation de la qualité de l’eau dans les environnements aquatiques. Le jeu de données examiné comprend une vaste collection d’enregistrements d’échantillons d’eau douce, totalisant environ 60 millions d’entrées. Ces archives comprennent des attributs divers et des mesures de qualité. Les attributs incluent les niveaux de pH, les concentrations de fer, nitrate, chlorure, plomb, zinc, turbidité, fluorure, cuivre, sulfate, chlore, manganèse, solides totalement dissous, et l’étiquette de potabilité, qui sert de variable cible indiquant la potabilité de l’eau.

Les méthodes basées sur l’image pour la classification de la qualité de l’eau offrent une alternative rapide, économique et évolutive aux approches traditionnelles basées sur les laboratoires. Ces méthodes reposent sur des indices visuels pouvant être corrélés à des indicateurs physiques, chimiques ou biologiques de la qualité de l’eau. De manière générale, la surveillance de la qualité de l’eau basée sur des images peut être classée en deux catégories : images de la surface de l’eau10, 11, 12, 13, 14, 15, 16 et imagessous-marines 17.

Les images de surface capturent la partie visible des plans d’eau et peuvent être obtenues à partir de caméras terrestres, de drones (UAV), d’aéronefs ou de satellites. Un avantage majeur est l’acquisition fréquente, adaptée à l’analyse des tendances. Une limitation importante est la limitation des paramètres visibles en surface ; les conditions du sous-sol doivent être déduites indirectement. Les images sous-marines sont collectées à l’aide de caméras submergées, de véhicules télécommandés (ROV) ou de systèmes opérés par des plongeurs. Les avantages sont la visualisation directe des conditions du sous-sol, une meilleure détection de la matière en suspension et des organismes sous-marins. Les limites incluent une couverture spatiale limitée, une dépendance à l’éclairage artificiel en eaux troubles ou profondes, ainsi que des coûts plus élevés des équipements.

La classification des images sous-marines de qualité dans les rivières a été proposée par Zhou, Han etal. 17. La classification utilise des histogrammes des couleurs d’image et emploie deux algorithmes d’apprentissage automatique : K-Nearest Neighbor (KNN) et Random Forest (RF). Ces algorithmes servent à classer l’eau comme acceptable ou dangereuse. La précision pour l’eau acceptable est de 98,93 %, et pour l’eau dangereuse, elle est de 95,25 %. La surveillance de la qualité de l’eau a été largement étudiée à l’aide d’architectures basées sur l’Internet des objets (IoT) qui permettent la détection continue, la transmissionde données 18, 19, 20, 21, 22 et l’analyse à distance des environnements aquatiques. Des études connexes ont également démontré que la surveillance par capteurs et les interventions environnementales peuvent contribuer à atténuer les effets des îlots de chaleur urbains et à améliorer le confort thermiqueintérieur 7,8,9,10,11,12,13,14,15,16,17,18 ,19,20,21,22,23,24. Ce protocole proposé décrit un système en temps réel pour surveiller la qualité de l’eau des étangs à carpes koi en acquérant des images sous-marines à l’aide d’une caméra d’action avec un réseau embarqué et en classant les conditions de l’eau à l’aide d’un réseau de neurones artificiel (RNA). L’ANN est utilisé car il nécessite peu de ressources de calcul, ce qui le rend adapté à une implémentation en temps réel.

figure-introduction-1
Figure 1 : Diagramme bloc de la méthodologie proposée d’évaluation de l’eau des étangs en temps réel : Ce diagramme décrit le processus étape par étapes, de la collecte des données à l’analyse, montrant le cadre global pour surveiller la qualité de l’eau en temps réel. Cinq types de conditions de qualité de l’eau, étiquetés T1, T2, T3, T4 et T5, ont été collectés. T1 : Images d’eau douce récemment fournies par un fournisseur local d’eau douce pour l’étang à carpes koi de 4 mètres cubes abritant 17 petits poissons koi. T2 : Images de l’étang à carpes koi de 15 mètres cubes contenant 12 grands poissons koi, chacun mesurant environ 60 à 80 cm de long. L’eau dans cet étang est assez claire, mais il y a quelques algues flottantes. T3 : Images de l’étang à carpes koi de 35 mètres cubes avec 18 grands poissons koi, chacun mesurant environ 60 à 70 cm de long. L’eau de l’étang est propre, avec une coloration vert clair qui se situe dans la plage optimale pour la croissance despoissons 5,6. T4 : Images d’eau brune prises dans un bassin de traitement des eaux usées. T5 : Images d’eau brune collectée dans le système de filtration de l’étang de 35 mètres cubes, contenant des déchets produits par les Koïs. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

S’appuyant sur ces avancées, cet article présente un protocole complet pour concevoir, configurer, déployer et exploiter un système de surveillance de la qualité de l’eau en temps réel, basé sur la classification des images sous-marines à l’aide d’apprentissage profond embarqué. Un schéma bloc du protocole proposé est illustré à la Figure 1, illustrant la conception, la configuration, le déploiement et la classification de la qualité de l’eau du système en cinq catégories distinctes. Le protocole permet aux producteurs et gestionnaires d’étangs d’évaluer la qualité de l’eau en analysant les caractéristiques de couleur sous-marine capturées in situ.

Le système proposé intègre une caméra d’action sous-marine à faible coût avec un réseau de contrôleurs basé sur Raspberry Pi, déployé sur un robot autonome d’eau de surface, comme illustré à la Figure 2. Cette configuration permet l’acquisition d’images, la transmission sans fil et la classification en temps réel à l’aide d’un réseau de neurones artificiel (ANN) léger. Les caméras d’action ont été sélectionnées en raison de leur résistance à l’eau à des profondeurs allant jusqu’à 10 m, de la capture d’images fixes haute résolution et des interfaces sans fil embarquées. La connectivité Bluetooth est utilisée pour l’initialisation de la caméra et le contrôle de base, tandis que le Wi-Fi prend en charge le transfert de données à haute vitesse. Cependant, la communication sans fil sous-marine directe utilisant des ondes électromagnétiques radiofréquences est impraticable en raison d’une forte atténuation du signal dans l’eau25.

Pour remédier à cette limitation, le système utilise une topologie réseau hybride composée de deux unités Raspberry Pi Zero 2W, d’un routeur sans fil et d’un serveur, comme illustré à la Figure 2. Une unité Raspberry Pi est montée sur un robot de surface alimenté par batterie qui permet de naviguer dans l’étang vers des emplacements d’échantillonnage désignés, tandis que la seconde unité interagit directement avec la caméra sous-marine. Alternativement, le système peut être déployé en configuration fixe en plaçant manuellement des unités caméras à des emplacements fixes des étangs, éliminant ainsi le besoin de navigation robotisée. Les prototypes du robot autonome de surface et du réseau caméra-contrôleur sous-marin sont présentés à la Figure 3, et le flux de travail global de la méthode de classification de la qualité de l’eau est illustré à la Figure 4.

figure-introduction-2
Figure 2 : Topologie réseau du système d’évaluation de l’eau basé sur l’IoT : Le schéma illustre comment les appareils sont interconnectés, en mettant en évidence la communication entre les caméras, les unités Raspberry Pi et le serveur central. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-introduction-3
Figure 3 : Robot prototype intégré à un réseau de caméras Raspberry Pi : La figure montre l’assemblage physique du robot équipé d’unités de détection et d’imagerie embarquées pour un déploiement sur le terrain. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-introduction-4
Figure 4 : Diagramme de flux de la méthode proposée : Montre le diagramme de flux de la méthode proposée, qui comprend la collecte des données, le prétraitement, l’entraînement et la classification en temps réel. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Un réseau de neurones artificiel est employé pour la classification d’images en raison de sa faible complexité de calcul et de son adéquation au déploiement embarqué en temps réel. Ensemble, le protocole proposé offre un cadre pratique et évolutif pour la surveillance en temps réel de la qualité de l’eau des bassins de carpes koi grâce à l’apprentissage profond intégré et à l’acquisition de données visuelles.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

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

REMARQUE : Les codes sources utilisés dans cette étude sont disponibles dans le dépôt GitHub suivant : https://github.com/prawit-chu/Real-Time-Pond-Water-Assessment-via-Embedded-Deep-Learning-and-Visual-Data-Acquisition

1. Installation de l’équipement

  1. Configurez le réseau de contrôleurs basé sur Raspberry Pi (le robot et la caméra d’action).
  2. Configurez un serveur fonctionnant sous le système d’exploitation Ubuntu v24.04 LTS.

2. Installation de la caméra d’action

  1. Configurez l’adresse IP par défaut (10.5.5.9) et le masque réseau (255.0.0.0).
    REMARQUE : Le tableau 1 montre les adresses IP attribuées aux appareils connectés dans le réseau IoT.
  2. Configurez le SSID Wi-Fi et la clé pré-partagée (PSK) pour configurer la caméra d’action comme point d’accès Wi-Fi.
    1. Pour trouver le SSID Wi-Fi (nom) et PSK (mot de passe), glissez vers le bas sur l’écran d’action, puis allez dans Préférences → Connexions sans fil→ INFORMATIONS DE LA CAMÉRA.
    2. Pour changer de bande, dans le menu Connexions sans fil, sélectionnez Bande Wi-Fi et choisissez 2,4 GHz pour se connecter à un Raspberry Pi Zero 2W.
    3. Vérifiez la connectivité via l’interface Wi-Fi de la caméra d’action en utilisant une application caméra pour la connecter à la caméra d’action. Un exemple d’application de ce type est l’application GoPro Quik.

3. Installation du routeur sans fil

  1. Ajoutez les lignes 192.168.2.0/24 et 10.0.0.0/8. L’adresse du routeur de redirection pour les deux routes est 192.168.1.99.
  2. Configurez le redirection de port si un accès Internet à la caméra d’action est requis. Consultez le manuel du routeur pour les détails de configuration. Le transfert de port doit être réglé sur 8080, qui est le port serveur web utilisé par la caméra d’action.

4. Raspberry Pi Zero 2W (2) dans un boîtier étanche

  1. Installez le système d’exploitation Raspberry Pi v6.12.
  2. Configurez le SSID Wi-Fi et le PSK pour se connecter à la caméra d’action en utilisant la commande « nmtui ».
  3. Configurez l’adresse IP et le masque réseau de l’interface Wi-Fi, suivis de l’interface ethernet comme montré dans le tableau 1 à l’aide de la commande « nmtui ».
  4. Configurez la traduction d’adresses réseau (NAT) et définissez une route par défaut en utilisant 192.168.1.2 comme routeur de retransmission pour permettre la communication entre réseaux.

5. Raspberry Pi Zero 2W (1) en unité robotisée

  1. Installez le système d’exploitation Raspberry Pi v6.12.
  2. Configurez le SSID Wi-Fi et le PSK pour se connecter au routeur domestique ou de bureau en utilisant la commande « nmtui ».
  3. Ajouter la ligne 10.0.0.0/8 via la 192.168.2.2. L’adresse du routeur de réexpédition est 192.168.2.2.
  4. Définissez une route par défaut en utilisant 192.168.1.1 comme routeur de redirection pour permettre la communication entre réseaux

6. Configuration du serveur

  1. Configurez le SSID Wi-Fi et le PSK pour se connecter au routeur domestique ou du bureau en utilisant le réglage réseau graphique.
  2. Attribuez une adresse IP au serveur via DHCP ou une configuration manuelle.
  3. Ajoutez les routes vers 192.168.2.0/24 et 10.0.0.0/8 pour la connectivité avec les unités Raspberry Pi et la caméra d’action, respectivement. L’adresse du routeur avant pour les deux routes est 192.168.1.99.

7. Tests de communication

  1. Sur le Raspberry Pi Zero 2W (2) dans un boîtier étanche, exécutez le enable_wifi_ap.py python3 pour activer le Wi-Fi de la caméra d’action.
  2. Sur le Raspberry Pi Zero 2W, exécutez la commande iwconfig pour vérifier que le Wi-Fi est actif et confirmer la communication réussie avec la caméra d’action.
  3. Sur le serveur, exécutez la commande « ping 10.5.5.9 » et confirmez la réponse attendue « Port de destination inaccessible ».

8. Collection de jeux de données

  1. Une fois la communication établie, exécutez « python3 collect_dataset.py T N ». (testé avec OpenCV v4.12.0)
  2. Remplacez T par le type d’eau (T1-T5) et N par le nombre d’images à collecter.
  3. Post-traitement et sauvegarde du jeu de données collecté sur le serveur pour un prétraitement ultérieur (Tableau 2)

figure-protocol-1
Figure 5 : Architectures simplifiées de modèles CNN utilisées pour l’entraînement initial : présente des structures abstraites de réseaux neuronaux appliquées comme modèles de référence. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-protocol-2
Figure 6 : Modèles d’apprentissage profond pré-entraînés utilisés dans l’étude : Illustre les architectures d’apprentissage par transfert utilisées pour les tâches de classification. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-protocol-3
Figure 7 : Architectures de réseaux neuronaux artificiels (RNA) : Montre des configurations ANN personnalisées conçues pour évaluer la performance de classification des images d’eau. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-protocol-4
Figure 8 : Histogramme en niveaux de gris normalisé des images de jeux de données d’échantillons : Fournit les caractéristiques de distribution des intensités des pixels entre des échantillons d’entrée représentatifs. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

9. Formation à l’apprentissage profond

REMARQUE : Les bases simplifiées du CNN, les modèles pré-entraînés et les architectures ANN utilisées dans cette étude sont illustrés respectivement dans les Figures 5 à 8.

  1. Placez le fichier de données collecté dans le répertoire « V2 ».
  2. Créez un histogramme d’images en exécutant python3 histogram_gen.py (testé avec OpenCV v4.12.0 et CSV v1.0).
  3. Entraînez le modèle en exécutant des ann_training.py python3. Le modèle entraîné par ANN sera stocké dans ann_model.keras (testé avec tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 et CSV v1.0).
  4. Évaluez la matrice de confusion en exécutant python3 confusion_matrix.py en utilisant le modèle entraîné ann_model.keras de la Section 9.3. Assurez-vous que le fichier ann_model.keras est placé dans le répertoire courant (testé avec tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 et CSV v1.0).

10. Classification de l’apprentissage profond en temps réel

  1. Stockez le fichier entraîné ann_model.keras dans le répertoire de classification.
  2. Classifiez la qualité de l’eau en temps réel en exécutant la commande « python3 ann_predict.py ». Cette sortie affichera l’interface graphique contenant l’image capturée et le type d’eau classifié.
    REMARQUE : L’exemple est montré à la Figure 12 (panneau de droite) (testé avec tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 et CSV v1.0).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

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

Le jeu de données était divisé en sous-ensembles indépendants d’entraînement, de validation et de test. La performance du modèle a été surveillée sur le jeu de validation pendant l’entraînement, et l’évaluation finale a été réalisée à l’aide d’un jeu de données de test tenu contenant des images inédites. Une performance cohérente entre les jeux de validation et de test indique une généralisation stable.

Pour la classification de la qualité de l’eau en temps ré...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

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

Une étape cruciale de ce protocole est le réglage réseau de contrôleurs basé sur Raspberry Pi. Des réglages incorrects entraînent un échec de communication entre le serveur et la caméra d’action. Avant de tester les programmes fournis, la communication entre le serveur et la caméra d’action doit être vérifiée par commande PING. Bien que le modèle proposé fonctionne en temps réel sur du matériel embarqué, les mesures quantitatives du temps d’inférence et de la consommation d’énergie n’ont...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

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

Les auteurs n’ont rien à divulguer.

Remerciements

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

Les auteurs souhaitent exprimer leur gratitude à l’Université Kasetsart, en Thaïlande, à l’Université Vishwakarma, en Inde, et à l’Université Regent, aux États-Unis, pour leurs commentaires, discussions et analyses utiles, qui ont grandement amélioré nos recherches. Nous remercions chaleureusement le soutien apporté par la Faculté d’ingénierie de Sriracha, Université Kasetsart, via le Research Unit Fund (Grant No. KUSRCRU69-2001) pour l’exercice financier 2026.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
GoPro Hero 11 BlackGoPropour prendre des photos et enregistrer des vidéos
GoPro Hero 12 NoirGoPropour prendre des photos et enregistrer des vidéos
GoPro Hero 13 BlackGoPropour prendre des photos et enregistrer des vidéos
Détective privé de RaspberyRaspberry PIZéro 2WContrôleur
Routeur sans filZTEHG8045x5-12
Adaptateurs EthernetTp-linkUE300
ServeurDellT30
Pack batterie 12 VDC--Alimentation électrique
Pompe à courant continuEau thaïlandaiseAW500SMouvement des robots
5V Réduction--Réduction du 12V au 5V
Relais 8 canaux--Pompes de contrôle
Application GoPro QuickGoProGoPropour tester la connexion Wi-Fi GoPro

Références

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

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Surveillance de l aquacultureclassification d images sous marinessurveillance de la qualit de l eaucontr leur Raspberry Pirobot aquatique autonomevaluation de l environnement aquatiquesurveillance en temps r el
Vidéo bientôt disponible

Articles connexes