מאמר שיטה

הערכת מי בריכות בזמן אמת באמצעות למידה עמוקה מוטמעת ורכישת נתונים חזותיים: גישה מעשית לניטור אקווקולטורה

DOI:

10.3791/69744

⸱

24 בפברואר 2026

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

במאמר זה

סיכום

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

אנו מתארים פרוטוקול לסיווג איכות מים בזמן אמת באמצעות רכישת תמונות תת-מימיות, רשת בקרים מבוססת Raspberry Pi, ורשת עצבית מלאכותית (ANN). השיטה מפרטת את הגדרת המערכת, איסוף הנתונים, עיבוד מוקדם, אימון מודלים ופריסה. מערכת הערכת איכות המים מתאימה במיוחד למגדלי קוי, ועוזרת להבטיח תנאים מיטביים לדגים בריאים.

תקציר

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

שמירה על איכות מים מיטבית חיונית באקוואקולטורה, במיוחד עבור מיני נוי כמו קויס, שבהם בהירות הצבע ואיזון סביבתי קשורים ישירות לבריאות ולאסתטיקה. מאמר זה מציג פרוטוקול מלא לתכנון, פריסה והפעלה של מערכת ניטור איכות מים בזמן אמת, המבוססת על סיווג תמונות תת-ימיות באמצעות למידה עמוקה מוטמעת. המערכת המוצעת משלבת מצלמה תת-ימית בעלות נמוכה עם רשת בקרה מבוססת Raspberry Pi ברובוט אוטונומי על פני המים, המאפשרת ללכוד, לשדר ולסווג תמונות ימיות באמצעות מודל רשת עצבית קלה. חמש קטגוריות מצב מים – החל משקופים ועד עכורים – מובחנות ויזואלית, כאשר דיוק הסיווג עולה על 99% במאגר נתונים מותאם אישית. המערכת מוגדרת לפעול באופן עצמאי, ומציעה הערכה מתמשכת והתראות ויזואליות למצב מתדרדר. פרוטוקול ויזואלי זה כולל הרכבת מכשירים, כיול מערכת, פריסת דגמים והדגמות ניטור בזמן אמת. השיטה תומכת בפרקטיקות אקווקולטורה ברות קיימא על ידי אפשרות הערכה לא פולשנית ומתמשכת של סביבות מים באמצעות טכנולוגיות נגישות וניתנות להרחבה. הגישה ניתנת להתאמה להקשרים אחרים של חקלאות ימית או ניטור סביבתי עם שינויים מינימליים.

מבוא

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

דגי קוי (Cyprinus carpio var. koi) הם זנים דקורטיביים של הקרפיון המצוי, המוערכים בצבעיהם העזים, הדוגמאות הייחודיות, צורת הגוף האלגנטית והשחייה האלגנטית שלהם. יופיין ותנועותיהם הזורמות הופכים אותם לבחירה מועדפת לבריכות גינה ותכונות מים דקורטיביות ברחבי העולם.

שמירה על איכות מים טובה בבריכות לא רק תומכת בחיים ימיים אלא גם תורמת להפחתת פליטות פחמן, ובכך תורמת לסביבה 1,2. שמירה על איכות המים באמצעות סטנדרטים קבועים לפרמטרים כמו pH, טמפרטורה, חמצן מומס, מליחות, אמוניה (NH3), ניטראט (NO3), דו-חמצני חנקן (NO2), ברזל (Fe) וזרחפט (PO43-) הוכחה כיוצרת סביבה אידיאלית לדגי קוי3. איכות המים אכן ניתנת להערכה באמצעות תמונות. אינדיקטורים ויזואליים כמו שקיפות מים, נוכחות של פסולת או אצות, צבע ומרקם פני השטחיכולים לספק מידע שימושי על מצב המים. בהטנגר ואח' ואנדריאן ואח' 5,6 מספקים הנחיות לגידול דגים בבריכה, ומציינים כי מים בהירים עד ירוקים בהירים נמצאים בטווח המקובל לצמיחת דגים. מים צלולים בגוון ירוק בהיר עד חום בהיר נחשבים לטווח הרצוי, בעוד מים ירוקים כהים וחומים נופלים לטווח שאינו מתאים לתנאי בריכות בריאים

במערכות אקולוגיות של בריכות קוי, הערכת איכות מים מקיפה כוללת מגוון פרמטרים פיזיקליים, כימיים וביולוגיים. מדדים נפוצים הנמדדים כוללים טמפרטורה, pH, בהירות מים (עומק סקי, ס"מ), חמצן מומס (DO), חומר אורגני כולל (TOM), פחמן דו-חמצני (CO₂), אורטופוספט, אמוניה, ניטראט, ביקוש ביולוגי לחמצן (BOD), סך המוצקים המרחפים (TSS) וביקוש לחמצן כימי (COD). פרמטרים אלו מספקים יחד פרופיל רב-ממדי של בריאות המים, התומכים בהערכה אקולוגית ובקבלת החלטות ניהוליות7. כדי להעריך את איכות המים, חיישנים לפרמטרים אלו יופעלו בבריכות כפי שהודגמו על ידי Hemal, Md Moniruzzaman ואחרים8. חיישן PH, חיישן עכירות וחיישני טמפרטורה לסיווג איכות המים. Parasar ואח' הציגו זיהוי פסולת והערכת איכות מים בסביבות מימיות. מאגר הנתונים הנבחן כולל אוסף נרחב של רשומות דגימות מים מתוקים, הכולל כ-60 מיליון רשומות. רשומות אלו כוללות מאפיינים מגוונים ומדידות איכות. המאפיינים כוללים רמות pH, ריכוזים של ברזל, ניטראט, כלוריד, עופרת, אבץ, עכירה, פלואוריד, נחושת, סולפט, כלור, מנגן, סך המוצקים המומסים, ותווית השתייה, המשמשת כמשתנה היעד המציין את יכולת השתייה במים.

שיטות מבוססות תמונה לסיווג איכות מים מציעות אלטרנטיבה מהירה, חסכונית וניתנת להרחבה לגישות המעבדתיות המסורתיות. שיטות אלו מסתמכות על רמזים ויזואליים שניתן לקשר עם אינדיקטורים פיזיקליים, כימיים או ביולוגיים לאיכות מים. באופן כללי, ניטור איכות מים מבוסס תמונה ניתן לסווג לשתי קטגוריות: תמונות של פני המים 10,11,12,13,14,15,16 ותמונות תת-ימיות 17.

תמונות שטח לוכדות את החלק הנראה של גופי מים וניתן לקבלן ממצלמות קרקעיות, רחפנים (UAV), מטוסים או לוויינים. יתרון מרכזי הוא רכישה תכופה, המתאימה לניתוח מגמות. מגבלה משמעותית היא ההגבלה לפרמטרים נראים על פני השטח; יש להסיק תנאים תת-קרקעיים בעקיפין. תמונות תת-מימיות נאספות באמצעות מצלמות תת-ימיות, כלי רכב מופעלים מרחוק (ROVs) או מערכות המופעלות על ידי צוללנים. היתרונות הם הדגשה ישירה של תנאי תת-קרקעיים, זיהוי טוב יותר של חומר תלוי ואורגניזמים תת-מימיים. המגבלות הן כיסוי מרחבי מוגבל, תלות בתאורה מלאכותית במים עכורים או עמוקים, ועלויות ציוד גבוהות יותר.

הסיווג של תמונות תת-מימיות איכותיות בנהרות הוצע על ידי ג'ואו, האן ואחרים17. הסיווג משתמש בהיסטוגרמות של צבעי תמונה ומשתמש בשני אלגוריתמים של למידת מכונה: K-Nearest Neighbor (KNN) ויער אקראי (RF). אלגוריתמים אלו משמשים לסיווג מים כמקובלים או מסוכנים. הדיוק למים מקובלים הוא 98.93%, ולמים מסוכנים הוא 95.25%. ניטור איכות מים נחקר באופן נרחב באמצעות ארכיטקטורות מבוססות אינטרנט של הדברים (IoT) המאפשרות חישה רציפה, העברת נתונים 18,19,20,21,22 וניתוח מרחוק של סביבות ימיות. מחקרים קשורים הראו גם כי ניטור מונע חיישנים והתערבויות סביבתיות יכולים לתרום להפחתת השפעות האי החום העירוני ולשיפור הנוחות התרמית בתוך הבית 7,8,9,10,11,12,13,14,15,16,17,18 ,19,20,21,22,23,24. פרוטוקול זה מתאר מערכת בזמן אמת למעקב אחר איכות מי בריכות הקוי על ידי צילום תמונות תת-מימיות באמצעות מצלמת פעולה עם רשת משובצת וסיווג תנאי מים באמצעות רשת עצבית מלאכותית (ANN). ה-ANN משמש כי הוא דורש משאבים חישוביים נמוכים, מה שהופך אותו למתאים ליישום בזמן אמת.

figure-introduction-1
איור 1: דיאגרמת בלוקים של שיטת הערכת מי הבריכה בזמן אמת המוצעת: תרשים זה מתאר את התהליך השלבי, מאיסוף נתונים ועד ניתוח, ומציג את המסגרת הכוללת למעקב אחר איכות המים בזמן אמת. נאספו חמישה סוגי תנאי איכות מים, המסומנים T1, T2, T3, T4 ו-T5. T1: תמונות של מים מתוקים שסופקו לאחרונה על ידי ספק מים מתוקים מקומי לבריכת קוי בנפח 4 מטרים מעוקבים שבה נמצאים 17 דגי קוי קטנים. T2: תמונות מבריכת קוי בגודל 15 מטרים מעוקבים המכילה 12 דגי קוי גדולים, כל אחד באורך של כ-60-80 ס"מ. המים בבריכה הזו די צלולים, אך יש גם אצות צפות. T3: תמונות מבריכת קוי בגודל 35 מטרים מעוקבים עם 18 דגי קוי גדולים, כל אחד באורך של כ-60-70 ס"מ. מי הבריכה נקיים, עם גוון ירוק בהיר שנמצא בטווח האופטימלי לצמיחת דגים 5,6. T4: תמונות של מים בצבע חום שנלקחו מבריכת טיפול בשפכים. T5: תמונות של מים בצבע חום שנאספו ממערכת הסינון של הבריכה בנפח 35 מטרים מעוקבים, המכילים פסולת שנוצרה על ידי קויס. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

בהתבסס על התקדמות אלו, מאמר זה מציג פרוטוקול מלא לתכנון, הגדרה, פריסה והפעלה של מערכת ניטור איכות מים בזמן אמת, המבוססת על סיווג תמונות תת-ימיות באמצעות למידה עמוקה מוטמעת. דיאגרמת בלוקים של הפרוטוקול המוצע מוצגת באיור 1, המדגימה את עיצוב המערכת, התצורה, הפריסה והסיווג של איכות המים לחמש קטגוריות מובחנות. הפרוטוקול מאפשר למגדלים ולמנהלי בריכות להעריך את איכות המים על ידי ניתוח מאפייני צבע תת-מימיים שנלכדו במקום.

המערכת המוצעת משלבת מצלמת פעולה תת-ימית זולה עם רשת בקרה מבוססת Raspberry Pi המופעלת על רובוט מים שטחי אוטונומי, כפי שמודגם באיור 2. תצורה זו מאפשרת רכישת תמונה, שידור אלחוטי וסיווג בזמן אמת באמצעות רשת עצבית מלאכותית קלה משקל (ANN). מצלמות פעולה נבחרו בשל עמידותן למים בעומקים של עד 10 מטר, לכידת תמונות סטילס ברזולוציה גבוהה וממשקים אלחוטיים מובנים. חיבור Bluetooth משמש לאתחול המצלמה ולשליטה בסיסית, בעוד ש-Wi-Fi תומך בהעברת נתונים במהירות גבוהה. עם זאת, תקשורת אלחוטית תת-ימית ישירה באמצעות גלי רדיו אלקטרומגנטיים אינה מעשית בשל החלשת אות חמורה במים25.

כדי להתמודד עם מגבלה זו, המערכת משתמשת בטופולוגיית רשת היברידית הכוללת שתי יחידות Raspberry Pi Zero 2W, נתב אלחוטי ושרת, כפי שמוצג באיור 2. יחידת Raspberry Pi אחת מותקנת על רובוט שטח המופעל על סוללות שמוביל את הבריכה למיקומי דגימה מוגדרים, בעוד שהיחידה השנייה מתחברת ישירות למצלמה התת-ימית. חלופה נוספת היא שהמערכת תופעל בתצורה נייחת על ידי מיקום ידני של יחידות מצלמה במיקומים קבועים של בריכות, מה שמבטל את הצורך בניווט רובוטי. אב-טיפוס של רובוט השטח האוטונומי ורשת המצלמות-בקר התת-ימיות מוצגים באיור 3, ותהליך העבודה הכולל של שיטת סיווג איכות המים מוצג באיור 4.

figure-introduction-2
איור 2: טופולוגיית רשת של מערכת הערכת מים מבוססת IoT: הסכימה מדגימה כיצד מכשירים מחוברים, ומדגיש תקשורת בין מצלמות, יחידות Raspberry Pi והשרת המרכזי. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

figure-introduction-3
איור 3: רובוט אב-טיפוס משולב עם רשת מצלמות Raspberry Pi: האיור מציג את ההרכבה הפיזית של הרובוט המצויד ביחידות חישה ודימות מובנים לפריסה בשטח. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

figure-introduction-4
איור 4: דיאגרמת זרימה של השיטה המוצעת: מציגה את דיאגרמת הזרימה של השיטה המוצעת, הכוללת איסוף נתונים, עיבוד מוקדם, אימון וסיווג בזמן אמת. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

רשת עצבית מלאכותית משמשת לסיווג תמונה בשל מורכבות חישובית נמוכה והתאמותה לפריסה משובצת בזמן אמת. ביחד, הפרוטוקול המוצע מספק מסגרת מעשית וניתנת להרחבה למעקב בזמן אמת אחר איכות מי בריכות קוי באמצעות למידה עמוקה מוטמעת ואיסוף נתונים חזותיים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

הערה: קודי המקור בהם השתמשו במחקר זה זמינים במאגר GitHub הבא: https://github.com/prawit-chu/Real-Time-Pond-Water-Assessment-via-Embedded-Deep-Learning-and-Visual-Data-Acquisition

1. הגדרת ציוד

  1. הגדר את רשת הבקרים המבוססת על Raspberry Pi (הרובוט ומצלמת האקשן).
  2. הקם שרת שמריץ את מערכת ההפעלה Ubuntu v24.04 LTS.

2. הגדרת מצלמת אקשן

  1. הגדר את כתובת ה-IP ברירת המחדל (10.5.5.9) ואת מסכת הרשת (255.0.0.0).
    הערה: טבלה 1 מציגה את כתובות ה-IP שהוקצו למכשירים מחוברים ברשת ה-IoT.
  2. הגדר את ה-SSID של ה-Wi-Fi ואת המפתח המשותף מראש (PSK) כדי להגדיר את מצלמת הפעולה כנקודת גישה ל-Wi-Fi.
    1. כדי למצוא SSID (שם) ו-PSK (סיסמה) Wi-Fi, החליק למטה על מסך הפעולה, ואז עבור להעדפות → חיבורים אלחוטיים→ למידע על מצלמה.
    2. כדי לשנות תדר, בתפריט החיבורים האלחוטיים, בחר ב-Wi-Fi Band ובחר 2.4 גיגה-הרץ לחיבור ל-Raspberry Pi Zero 2W.
    3. אמת את הקישוריות דרך ממשק ה-Wi-Fi של מצלמת האקשן באמצעות אפליקציית מצלמה לחיבור למצלמת האקשן. דוגמה ליישום כזה היא אפליקציית GoPro Quik.

3. הגדרת נתב אלחוטי

  1. הוסף את הקווים 192.168.2.0/24 ו-10.0.0.0/8. כתובת נתב ההעברה לשני המסלולים היא 192.168.1.99.
  2. הגדר פורט פורוורדינג אם נדרשת גישה מבוססת אינטרנט למצלמת האקשן. לעיין במדריך של הנתב לפרטי הגדרה. העברת הפורטים צריכה להיות מוגדרת ל-8080, שהיא פורט שרת האינטרנט שבו משתמשת מצלמת הפעולה.

4. Raspberry Pi Zero 2W (2) במארז עמיד למים

  1. התקן את מערכת ההפעלה Raspberry Pi v6.12.
  2. הגדר את ה-SSID וה-PSK של Wi-Fi להתחבר למצלמת הפעולה באמצעות הפקודה "nmtui".
  3. הגדר כתובת IP ומסכת רשת של ממשק Wi-Fi ואחריו ממשק אתרנט כפי שמוצג בטבלה 1 באמצעות הפקודה "nmtui".
  4. הגדר תרגום כתובות רשת (NAT) והגדר מסלול ברירת מחדל באמצעות 192.168.1.2 כנתב העברה כדי לאפשר תקשורת בין רשתות.

5. Raspberry Pi Zero 2W (1) ביחידת רובוט

  1. התקן את מערכת ההפעלה Raspberry Pi v6.12.
  2. הגדר את Wi-Fi SSID ו-PSK שיתחברו לנתב הביתי או המשרדי באמצעות הפקודה "nmtui".
  3. הוסף קו 10.0.0.0/8 דרך 192.168.2.2. כתובת הנתב ההעברה היא 192.168.2.2.
  4. הגדר מסלול ברירת מחדל באמצעות 192.168.1.1 כראוטר ההעברה כדי לאפשר תקשורת בין רשתות

6. הגדרת שרת

  1. הגדר את ה-SSID וה-PSK של Wi-Fi להתחבר לנתב הביתי או המשרדי באמצעות הגדרת רשת הממשק הגרפי.
  2. הקצה כתובת IP לשרת דרך DHCP או הגדרות ידניות.
  3. הוסף מסלולים ל-192.168.2.0/24 ו-10.0.0.0/8 לחיבור ליחידות Raspberry Pi ולמצלמת הפעולה, בהתאמה. כתובת הנתב הקדמית לשני המסלולים היא 192.168.1.99.

7. בדיקות תקשורת

  1. ב-Raspberry Pi Zero 2W (2) במארז עמיד למים, הפעל enable_wifi_ap.py python3 כדי להפעיל את ה-Wi-Fi של מצלמת האקשן.
  2. ב-Raspberry Pi Zero 2W, הרץ את פקודת iwconfig כדי לוודא שה-Wi-Fi פעיל ולאשר תקשורת מוצלחת עם מצלמת הפעולה.
  3. בשרת, הרץ את הפקודה "ping 10.5.5.9" ואשר את התגובה הצפויה "Destination port unreachable".

8. איסוף מערכי נתונים

  1. לאחר יצירת התקשורת, יש לבצע "python3 collect_dataset.py T N". (נבדק עם OpenCV v4.12.0)
  2. החליפו את T בסוג המים (T1-T5) ואת N במספר התמונות לאסוף.
  3. עיבוד לאחר מכן ושמירת מאגר הנתונים שנאסף בשרת לעיבוד מוקדם נוסף (טבלה 2)

figure-protocol-1
איור 5: ארכיטקטורות מודל CNN מפושטות המשמשות לאימון ראשוני: מציג מבני רשת עצבית מופשטים המיושמים כמודלים בסיסיים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

figure-protocol-2
איור 6: מודלים של למידה עמוקה מאומנים מראש ששימשו במחקר: מציג ארכיטקטורות למידת העברה המשמשות למשימות סיווג. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

figure-protocol-3
איור 7: ארכיטקטורות רשת עצבית מלאכותית (ANN): מציג תצורות ANN מותאמות שנבנו להערכת ביצועי סיווג תמונות מים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

figure-protocol-4
איור 8: היסטוגרמה מנורמלת בגווני אפור של תמונות מערכי דגימות: מספקת מאפייני התפלגות של עוצמות פיקסל בין דגימות קלט מייצגות. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

9. הכשרת למידה עמוקה

הערה: קווי הבסיס המפושטים, המודלים המאומנים מראש וארכיטקטורות ה-ANN ששימשו במחקר זה מוצגים באיורים 5-8, בהתאמה.

  1. הנח את קובץ מערך הנתונים שנאסף בתיקיית "V2".
  2. צור היסטוגרמה של תמונות על ידי הרצת python3 histogram_gen.py (נבדק עם OpenCV v4.12.0 ו-CSV v1.0).
  3. לאמן את המודל על ידי הרצת פייתון 3 ann_training.py. המודל המאומן על ידי ANN יאוחסן ב-ann_model.keras (נבדק עם tensorflow v2.19.0, sklearn v2.6.1, OpenCV v4.12.0 ו-CSV v1.0).
  4. הערך את מטריצת הבלבול על ידי הרצת python3 confusion_matrix.py באמצעות המודל המאומן ann_model.keras מסעיף 9.3. ודא שקובץ ann_model.keras ממוקם בתיקייה הנוכחית (נבדק עם tensorflow v2.19.0, sklearn v2.6.1, OpenCV v4.12.0 ו-CSV v1.0).

10. סיווג למידה עמוקה בזמן אמת

  1. אחסן את קובץ ann_model.keras המתמרן בתיקיית הסיווג.
  2. סווג את איכות המים בזמן אמת על ידי הרצת הפקודה "python3 ann_predict.py". פלט זה יציג את הממשק הגרפי המכיל את התמונה שצולמה ואת סוג המים המסווג.
    הערה: הדוגמה מוצגת באיור 12 (הפאנל הימני) (נבדק עם tensorflow v2.19.0, sklearn v2.6.1, OpenCV v4.12.0 ו-CSV v1.0).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

מערך הנתונים חולק לתת-קבוצות אימון עצמאיות, אימות ומבחן. ביצועי המודל נבדקו על מערך האימות במהלך האימון, וההערכה הסופית בוצעה באמצעות מאגר נתונים של בדיקה ששמר וכלל תמונות שלא נראו קודם. ביצועים עקביים בין מערכות אימות ובדיקות מעידים על הכללה יציבה.

לסיווג איכות מים בזמן אמת, נבדקו תחילה מודלים מפושטים של CNN ורשתות מאומנות מראש (Inception V3, Xception ו-ResNet50), אך הם הניבו דיוק נמוך ומורכבות חישובית גבוהה. לכן, מודל ANN עם עיבוד מוקדם תוכנן כדי לצמצם את הב...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

שלב קריטי בפרוטוקול זה הוא הגדרת רשת בקר מבוססת Raspberry Pi. הגדרות שגויות גורמות לכישלון בתקשורת בין השרת למצלמת האקשן. לפני בדיקת התוכנות שסופקו, יש לאמת את התקשורת בין השרת למצלמת הפעולה באמצעות פקודת PING. בעוד שהמודל המוצע פועל בזמן אמת על חומרה משובצת, מדידות כמותיות של זמן הסקה וצריכת אנרגיה לא הוערכו והן מחוץ להיקף מחקר זה.

הפרוטוקול המוצע מסופק לסיווג תמונות תת-ימיות בזמן אמת, רשת Raspberry Pi עם מצלמת פעולה. הפרוטוקול יכול לחול גם על בדיקות תת-ימיות...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

למחברים אין מה לחשוף.

תודות

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

המחברים רוצים להביע את תודתם לאוניברסיטת קסצארט בתאילנד, לאוניברסיטת וישווקרמה בהודו ולאוניברסיטת רג'נט בארה"ב על הערותיהם המועילות, הדיונים והתובנות ששיפרו משמעותית את מחקרנו. אנו מודים בהכרת תודה על התמיכה שניתנה על ידי הפקולטה להנדסה באוניברסיטת סריראצ'ה, קסטסארט, דרך קרן יחידת המחקר (מענק מס' KUSRCRU69-2001) לשנת הכספים 2026.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
גופרו הירו 11 שחורGoProלצילום תמונות ולהקלטת סרטונים
גופרו הירו 12 שחורGoProלצילום תמונות ולהקלטת סרטונים
GoPro Hero 13 BlackGoProלצילום תמונות ולהקלטת סרטונים
Raspbery PIRaspberry PIזירו 2Wבקר
נתב אלחוטיZTEHG8045x5-12
מתאמי אתרנטTp-linkUE300
שרתדלT30
חבילת סוללות 12 VDC--אספקת כוח
משאבת DCמים תאילנדייםAW500Sתנועת רובוטים
5V סטפ דאון--ירידה מ-12V ל-5V
ממסר 8 ערוצים--שליטה במשאבות
אפליקציית GoPro QuickGoProGoProלבדיקת חיבור Wi-Fi של GoPro

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

Raspberry Pi
הסרטון יגיע בקרוב

מאמרים קשורים