Articolo metodologico

Valutazione in tempo reale dell'acqua degli stagni tramite deep learning integrato e acquisizione di dati visivi: un approccio pratico al monitoraggio dell'acquacoltura

DOI:

10.3791/69744

⸱

24 febbraio 2026

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

In questo articolo

Sommario

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

Descriviamo un protocollo per la classificazione in tempo reale della qualità dell'acqua utilizzando l'acquisizione di immagini subacquee, una rete controllore basata su Raspberry Pi e una Rete Neurale Artificiale (ANN). Il metodo dettaglia la configurazione del sistema, la raccolta dati, la pre-elaborazione, l'addestramento del modello e la distribuzione. Questo sistema di valutazione della qualità dell'acqua è particolarmente adatto agli allevatori di Koi, aiutando a garantire condizioni ottimali per pesci sani.

Abstract

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

Mantenere una qualità ottimale dell'acqua è essenziale in acquacoltura, in particolare per specie ornamentali come i Koi, dove la nitidezza dei colori e l'equilibrio ambientale sono direttamente legati alla salute e all'estetica. Questo articolo presenta un protocollo completo per progettare, implementare e gestire un sistema di monitoraggio della qualità dell'acqua in tempo reale basato sulla classificazione delle immagini subacquee tramite deep learning incorporato. Il sistema proposto integra una telecamera subacquea a basso costo con una rete di controllo basata su Raspberry Pi in un robot autonomo sulla superficie dell'acqua, consentendo la cattura, trasmissione e classificazione di immagini acquatiche tramite un modello di rete neurale leggera. Cinque categorie di condizioni dell'acqua — che vanno dal limpido al torbido — sono visivamente distinguibili, con un'accuratezza di classificazione superiore al 99% su un dataset personalizzato. Il sistema è configurato per funzionare in modo autonomo, offrendo valutazione continua e avvisi visivi per condizioni in deterioramento. Questo protocollo visivo copre l'assemblaggio dei dispositivi, la calibrazione del sistema, il dispiegamento dei modelli e le dimostrazioni di monitoraggio in tempo reale. Il metodo supporta pratiche di acquacoltura sostenibili consentendo la valutazione continua e non invasiva degli ambienti acquatici utilizzando tecnologie accessibili e scalabili. L'approccio può essere adattato ad altri contesti di acquacoltura o monitoraggio ambientale con modifiche minime.

Introduzione

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

Il pesce koi (Cyprinus carpio var. koi) è una varietà ornamentale della carpa comune, apprezzata per i loro colori vivaci, i motivi distintivi, la forma elegante del corpo e la graziosa nuotata. La loro bellezza e i movimenti fluidi li rendono una scelta preferita per stagni da giardino e elementi d'acqua decorativi in tutto il mondo.

Mantenere una buona qualità dell'acqua negli stagni non solo sostiene la vita acquatica, ma contribuisce anche a ridurre le emissioni di carbonio, beneficiando cosìl'ambiente 1,2. Mantenere la qualità dell'acqua seguendo standard consolidati per parametri come pH, temperatura, ossigeno disciolto, salinità, ammoniaca (NH3), nitrato (NO 3), anidride di azoto (NO 2), ferro (Fe) e fosfato (PO43-) ha dimostrato creare un ambiente ideale per i pesciKoi 3. La qualità dell'acqua può infatti essere valutata tramite immagini. Indicatori visivi come la chiarezza dell'acqua, la presenza di detriti o alghe, il colore e la texturesuperficiale possono fornire informazioni utili sulle condizioni dell'acqua. Bhatnagar et al. e Andrian et al. 5,6 forniscono linee guida per l'allevamento ittico di stagno, affermando che l'acqua pallida o verde chiara rientra nell'intervallo accettabile per la crescita dei pesci. L'acqua limpida verde chiaro a marrone chiaro è considerata la gamma desiderabile, mentre l'acqua verde scuro e marrone rientra nell'intervallo inadatto per condizioni sane dello stagno

Negli ecosistemi dei bacini di Koi, una valutazione completa della qualità dell'acqua comprende una serie di parametri fisici, chimici e biologici. Gli indicatori comunemente misurati includono temperatura, pH, luminosità dell'acqua (profondità di Secchi, cm), ossigeno disciolto (DO), materia organica totale (TOM), anidride carbonica (CO₂), ortofosfato, ammoniaca, nitrato, domanda biologica di ossigeno (BOD), solidi sospesi totali (TSS) e domanda chimica di ossigeno (COD). Questi parametri forniscono collettivamente un profilo multidimensionale della salute acquatica, supportando sia la valutazione ecologica sia il processo decisionalegestionale 7. Per valutare la qualità dell'acqua, nei bacini verranno utilizzati sensori per tali parametri, come dimostrato da Hemal, Md Moniruzzaman eal. 8. Sensore di pH, sensore di torbidità e sensori di temperatura per classificare la qualità dell'acqua. Parasar et al.9 hanno presentato la rilevazione dei rifiuti e la valutazione della qualità dell'acqua negli ambienti acquatici. Il dataset in esame comprende un'ampia collezione di registrazioni di campioni di acqua dolce, per un totale di circa 60 milioni di voci. Questi record comprendono attributi diversi e misurazioni di qualità. Le caratteristiche includono livelli di pH, concentrazioni di ferro, nitrato, cloruro, piombo, zinco, torbidità, fluoro, rame, solfato, cloro, manganese, solidi disciolti totali e l'etichetta di potabilità, che funge da variabile target indicando la potabilità dell'acqua.

I metodi basati su immagini per la classificazione della qualità dell'acqua offrono un'alternativa rapida, economica e scalabile agli approcci tradizionali basati su laboratorio. Questi metodi si basano su segnali visivi che possono essere correlati a indicatori fisici, chimici o biologici della qualità dell'acqua. In generale, il monitoraggio della qualità dell'acqua basato su immagini può essere classificato in due categorie: immagini della superficie dell'acqua 10,11,12,13,14,15,16 e immagini subacquee17.

Le immagini di superficie catturano la porzione visibile dei corpi idrici e possono essere ottenute da telecamere a terra, droni (UAV), aerei o satelliti. Un vantaggio importante è l'acquisizione frequente, adatta all'analisi delle tendenze. Una limitazione significativa è quella dei parametri visibili sulla superficie; le condizioni sottomarine devono essere dedotte indirettamente. Le immagini subacquee vengono raccolte utilizzando telecamere sommerse, veicoli telecomandati (ROV) o sistemi operati da subacquei. I vantaggi sono la visualizzazione diretta delle condizioni del sottosuolo, una migliore rilevazione della materia sospesa e degli organismi subacquei. Le limitazioni sono la copertura spaziale limitata, la dipendenza dall'illuminazione artificiale in acque torbide o profonde e i costi più elevati delle attrezzature.

La classificazione delle immagini subacquee di qualità nei fiumi è stata proposta da Zhou, Han eal. 17. La classificazione utilizza istogrammi dei colori delle immagini e utilizza due algoritmi di apprendimento automatico: K-Nearest Neighbor (KNN) e Random Forest (RF). Questi algoritmi vengono utilizzati per classificare l'acqua come accettabile o pericolosa. La precisione per l'acqua accettabile è del 98,93%, mentre per l'acqua pericolosa è del 95,25%. Il monitoraggio della qualità dell'acqua è stato ampiamente studiato utilizzando architetture basate sull'Internet delle Cose (IoT) che permettono il rilevamento continuo, la trasmissione di dati 18,19,20,21,22 e l'analisi remota degli ambienti acquatici. Studi correlati hanno anche dimostrato che il monitoraggio guidato dai sensori e gli interventi ambientali possono contribuire a mitigare gli effetti delle isole di calore urbane e a migliorare il comfort termico interno 7,8,9,10,11,12,13,14,15,16,17,18 ,19,20,21,22,23,24. Questo protocollo proposto descrive un sistema in tempo reale per monitorare la qualità dell'acqua degli stagni di koi acquisendo immagini subacquee tramite una telecamera d'azione con rete incorporata e classificando le condizioni dell'acqua tramite una rete neurale artificiale (ANN). L'ANN è impiegato perché richiede poche risorse computazionali, rendendolo adatto all'implementazione in tempo reale.

figure-introduction-1
Figura 1: Diagramma a blocchi della metodologia proposta per la valutazione dell'acqua in tempo reale degli stagni: Questo diagramma delinea il processo a tappe, dalla raccolta dei dati all'analisi, mostrando il quadro complessivo per il monitoraggio della qualità dell'acqua in tempo reale. Sono stati raccolti cinque tipi di condizioni di qualità dell'acqua, etichettati come T1, T2, T3, T4 e T5. T1: Immagini di acqua dolce recentemente fornite da un fornitore locale di acqua dolce per lo stagno di Koi di 4 metri cubi che ospita 17 piccoli pesci Koi. T2: Immagini dallo stagno di 15 metri cubi con 12 grandi pesci Koi, ciascuno di circa 60-80 cm di lunghezza. L'acqua in questo stagno è piuttosto limpida, ma ci sono alcune alghe galleggianti. T3: Immagini dallo stagno di Koi di 35 metri cubi con 18 grandi pesci Koi, ciascuno di circa 60-70 cm di lunghezza. L'acqua dello stagno è pulita, con una colorazione verde chiaro che si colloca nell'intervallo ottimale per la crescita deipesci 5,6. T4: Immagini di acqua marrone prese da una bacca di trattamento delle acque reflue. T5: Immagini di acqua marrone raccolta dal sistema di filtrazione dello stagno di 35 metri cubi, contenente rifiuti prodotti dai Koi. Clicca qui per visualizzare una versione più grande di questa figura.

Sulla base di questi progressi, questo articolo presenta un protocollo completo per progettare, configurare, implementare e gestire un sistema di monitoraggio della qualità dell'acqua in tempo reale basato sulla classificazione delle immagini subacquee tramite deep learning incorporato. Un diagramma a blocchi del protocollo proposto è mostrato nella Figura 1, illustrando la progettazione, la configurazione, l'implementazione e la classificazione della qualità dell'acqua del sistema in cinque categorie distinte. Il protocollo consente ai coltivatori e ai gestori di stagni di valutare la qualità dell'acqua analizzando le caratteristiche del colore subacqueo catturate in situ.

Il sistema proposto integra una telecamera d'azione subacquea a basso costo con una rete di controllori basata su Raspberry Pi installata su un robot autonomo per acque superficiali, come illustrato nella Figura 2. Questa configurazione consente l'acquisizione di immagini, la trasmissione wireless e la classificazione in tempo reale utilizzando una rete neurale artificiale (ANN) leggera. Le telecamere ad azione furono selezionate per la loro resistenza all'acqua fino a 10 m di profondità, la cattura di immagini statiche ad alta risoluzione e le interfacce wireless integrate. La connettività Bluetooth viene utilizzata per l'inizializzazione della fotocamera e il controllo di base, mentre il Wi-Fi supporta il trasferimento dati ad alta velocità. Tuttavia, la comunicazione wireless subacquea diretta tramite onde elettromagnetiche a radiofrequenza è impraticabile a causa della grave attenuazione del segnale inacqua 25.

Per affrontare questa limitazione, il sistema utilizza una topologia di rete ibrida composta da due unità Raspberry Pi Zero 2W, un router wireless e un server, come mostrato nella Figura 2. Un'unità Raspberry Pi è montata su un robot di superficie alimentato a batteria che guida lo stagno verso le località di campionamento designate, mentre la seconda unità interagisce direttamente con la telecamera subacquea. In alternativa, il sistema può essere installato in configurazione fissa posizionando manualmente le unità televisive in posizioni fisse degli stagni, eliminando la necessità di navigazione robotica. I prototipi del robot autonomo di superficie e della rete subacquea di telecamere-controllori sono mostrati nella Figura 3, e il flusso di lavoro complessivo del metodo di classificazione della qualità dell'acqua è illustrato nella Figura 4.

figure-introduction-2
Figura 2: Topologia di rete del sistema di valutazione idrica basato su IoT: Lo schema illustra come i dispositivi siano interconnessi, evidenziando la comunicazione tra telecamere, unità Raspberry Pi e server centrale. Clicca qui per visualizzare una versione più grande di questa figura.

figure-introduction-3
Figura 3: Prototipo di robot integrato con una rete di telecamere Raspberry Pi: La figura mostra l'assemblaggio fisico del robot dotato di unità di rilevamento e imaging integrate per il dispiegamento sul campo. Clicca qui per visualizzare una versione più grande di questa figura.

figure-introduction-4
Figura 4: Diagramma di flusso del metodo proposto: Mostra il diagramma di flusso del metodo proposto, che consiste in raccolta dati, preelaborazione, addestramento e classificazione in tempo reale. Clicca qui per visualizzare una versione più grande di questa figura.

Una rete neurale artificiale viene impiegata per la classificazione delle immagini grazie alla sua bassa complessità computazionale e all'idoneità per il dispiegamento embedded in tempo reale. Insieme, il protocollo proposto fornisce un quadro pratico e scalabile per il monitoraggio in tempo reale della qualità dell'acqua degli stagni koi utilizzando deep learning integrato e acquisizione di dati visivi.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

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

NOTA: I codici sorgente utilizzati in questo studio sono disponibili presso il seguente repository GitHub: https://github.com/prawit-chu/Real-Time-Pond-Water-Assessment-via-Embedded-Deep-Learning-and-Visual-Data-Acquisition

1. Configurazione dell'attrezzatura

  1. Configura la rete controller basata su Raspberry Pi (il robot e la telecamera d'azione).
  2. Configura un server che esegue il sistema operativo Ubuntu v24.04 LTS.

2. Configurazione della telecamera d'azione

  1. Imposta l'indirizzo IP predefinito (10.5.5.9) e la maschera di rete (255.0.0.0).
    NOTA: La Tabella 1 mostra gli indirizzi IP assegnati ai dispositivi connessi nella rete IoT.
  2. Configura il SSID Wi-Fi e la chiave pre-condivisa (PSK) per configurare la telecamera d'azione come punto di accesso Wi-Fi.
    1. Per trovare il SSID Wi-Fi (nome) e PSK (password), scorri verso il basso nella schermata d'azione, poi naviga su Preferenze → Connessioni Wireless→ INFORMAZIONI FOTOCAMERA.
    2. Per cambiare banda, nel menu Connessioni Wireless, seleziona Banda Wi-Fi e scegli 2.4 GHz per la connessione a un Raspberry Pi Zero 2W.
    3. Verifica la connettività tramite l'interfaccia Wi-Fi della telecamera d'azione utilizzando un'applicazione per la telecamera per collegarti alla telecamera d'azione. Un esempio di tale applicazione è l'app GoPro Quik.

3. Configurazione del router wireless

  1. Aggiungere le linee 192.168.2.0/24 e 10.0.0.0/8. L'indirizzo del router di inoltro per entrambe le rotte è 192.168.1.99.
  2. Configura il port forwarding se è necessario l'accesso tramite internet alla action camera. Consulta il manuale del router per i dettagli di configurazione. Il port forwarding dovrebbe essere impostato su 8080, che è la porta del server web usata dalla telecamera d'azione.

4. Raspberry Pi Zero 2W (2) in Involucro Impermeabile

  1. Installa il sistema operativo Raspberry Pi v6.12.
  2. Configura SSID Wi-Fi e PSK per connettersi con la telecamera d'azione usando il comando "nmtui".
  3. Configurare l'indirizzo IP e la netmask dell'interfaccia Wi-Fi, seguiti dall'interfaccia ethernet come mostrato nella Tabella 1 usando il comando "nmtui".
  4. Configura la Traduzione degli Indirizzi di Rete (NAT) e imposta una rotta predefinita usando 192.168.1.2 come router di inoltro per consentire la comunicazione tra reti.

5. Raspberry Pi Zero 2W (1) nell'unità robotica

  1. Installa il sistema operativo Raspberry Pi v6.12.
  2. Configura SSID Wi-Fi e PSK per connettersi con il router di casa o ufficio usando il comando "nmtui".
  3. Aggiungi la linea 10.0.0.0/8 tramite 192.168.2.2. L'indirizzo del router di inoltro è 192.168.2.2.
  4. Imposta un percorso predefinito usando 192.168.1.1 come router di inoltro per abilitare la comunicazione tra reti

6. Configurazione del server

  1. Configura SSID Wi-Fi e PSK per connettersi con il router di casa o ufficio usando l'impostazione di rete GUI.
  2. Assegna un indirizzo IP al server tramite DHCP o configurazione manuale.
  3. Aggiungi le rotte a 192.168.2.0/24 e 10.0.0.0/8 per la connettività con unità Raspberry Pi e la telecamera d'azione, rispettivamente. L'indirizzo del router diretto per entrambe le rotte è 192.168.1.99.

7. Test di comunicazione

  1. Sul Raspberry Pi Zero 2W (2) in Waterproof Encase, esegui python3 enable_wifi_ap.py per attivare il Wi-Fi della telecamera d'azione.
  2. Sul Raspberry Pi Zero 2W, esegui il comando iwconfig per verificare che il Wi-Fi sia attivo e confermare la comunicazione con la telecamera d'azione.
  3. Sul server, esegui il comando "ping 10.5.5.9" e conferma la risposta attesa "Porta destinazione non raggiungibile".

8. Collezione di dataset

  1. Dopo che la comunicazione è stata stabilita, esegui "python3 collect_dataset.py T N". (testato con OpenCV v4.12.0)
  2. Sostituisci T con il tipo d'acqua (T1-T5) e N con il numero di immagini da raccogliere.
  3. Post-elaborazione e salvataggio del dataset raccolto sul server per ulteriori preprocessi (Tabella 2)

figure-protocol-1
Figura 5: Architetture semplificate dei modelli CNN utilizzate per l'addestramento iniziale: presenta strutture di reti neurali astratte applicate come modelli di baseline. Clicca qui per visualizzare una versione più grande di questa figura.

figure-protocol-2
Figura 6: Modelli di deep learning pre-addestrati utilizzati nello studio: Rappresenta architetture di transfer learning sfruttate per compiti di classificazione. Clicca qui per visualizzare una versione più grande di questa figura.

figure-protocol-3
Figura 7: Architetture di Rete Neurale Artificiale (ANN): Mostra configurazioni ANN personalizzate progettate per valutare le prestazioni di classificazione delle immagini dell'acqua. Clicca qui per visualizzare una versione più grande di questa figura.

figure-protocol-4
Figura 8: Istogramma in scala di grigi normalizzato delle immagini del dataset campione: Fornisce le caratteristiche di distribuzione delle intensità dei pixel tra campioni di input rappresentativi. Clicca qui per visualizzare una versione più grande di questa figura.

9. Formazione sul Deep Learning

NOTA: Le linee di base semplificate della CNN, i modelli pre-addestrati e le architetture ANN utilizzate in questo studio sono illustrati rispettivamente nelle Figure 5-8.

  1. Inserisci il file di dataset raccolto nella directory "V2".
  2. Crea un istogramma delle immagini eseguendo python3 histogram_gen.py (testato con OpenCV v4.12.0 e CSV v1.0).
  3. Addestra il modello eseguendo ann_training.py python3. Il modello addestrato con ANN sarà memorizzato in ann_model.keras (testato con tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 e CSV v1.0).
  4. Valuta la matrice di confusione eseguendo python3 confusion_matrix.py utilizzando il modello addestrato ann_model.keras della Sezione 9.3. Assicurati che il file ann_model.keras sia inserito nella directory corrente (testato con tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 e CSV v1.0).

10. Classificazione del Deep Learning in tempo reale

  1. Memorizza il file addestrato ann_model.keras nella directory di classificazione.
  2. Classifica la qualità dell'acqua in tempo reale eseguendo il comando "python3 ann_predict.py". Questo output mostrerà l'interfaccia grafica contenente l'immagine catturata e il tipo d'acqua classificato.
    NOTA: L'esempio è mostrato nella Figura 12 (pannello destro) (testato con tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 e CSV v1.0).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

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

Il dataset era suddiviso in sottoinsiemi indipendenti di addestramento, validazione e test. Le prestazioni del modello sono state monitorate sul set di validazione durante l'addestramento e la valutazione finale è stata condotta utilizzando un dataset di test tenuto contenente immagini mai viste prima. Prestazioni costanti tra i set di validazione e test indicano una generalizzazione stabile.

Per la classificazione della qualità dell'acqua in tempo reale, sono...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

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

Un passaggio fondamentale in questo protocollo è l'impostazione di rete del controller basato su Raspberry Pi. Impostazioni errate comportano la mancata comunicazione tra il server e la telecamera d'azione. Prima di testare i programmi forniti, la comunicazione tra il server e la telecamera d'azione dovrebbe essere verificata tramite il comando PING. Sebbene il modello proposto funzioni in tempo reale su hardware embedded, le misurazioni quantitative del tempo di inferenza e del consumo ...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

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

Gli autori non hanno nulla da rivelare.

Ringraziamenti

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

Gli autori desiderano esprimere la loro gratitudine alla Kasetsart University, Thailandia, alla Vishwakarma University, India, e alla Regent University, USA, per i loro commenti, discussioni e approfondimenti utili che hanno notevolmente migliorato la nostra ricerca. Ringraziamo con gratitudine il supporto fornito dalla Facoltà di Ingegneria di Sriracha, Università Kasetsart, attraverso il Research Unit Fund (Grant No. KUSRCRU69-2001) per l'anno fiscale 2026.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
GoPro Hero 11 NeraGoProper scattare foto e registrare video
GoPro Hero 12 NeraGoProper scattare foto e registrare video
GoPro Hero 13 NeraGoProper scattare foto e registrare video
Raspbery PIRaspberry PIZero 2WController
Wireless RouterZTEHG8045x5-12
Adattatori EthernetTp-linkUE300
ServerDellT30
Pacco batteria 12 VDC--Alimentazione
Pompa DCAcqua thailandeseAW500SMovimento dei robot
Riduzione 5V--Scendere da 12V a 5V
Relè a 8 canali--Pompe di controllo
Applicazione GoPro QuickGoProGoProper testare la connessione Wi-Fi GoPro

Riferimenti

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Monitoraggio dell acquacolturaClassificazione di immagini subacqueeMonitoraggio della qualit dell acquaController Raspberry PiRobot acquatico autonomoValutazione dell ambiente acquaticoMonitoraggio in tempo reale
Video in arrivo

Articoli correlati