方法論記事

組み込み型ディープラーニングと視覚データ取得によるリアルタイム池水評価:養殖における実践的なモニタリング手法

DOI：

10.3791/69744

⸱

2026年2月24日

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

この記事について

サマリー

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

水中画像取得、Raspberry Piベースのコントローラーネットワーク、人工ニューラルネットワーク(ANN)を用いたリアルタイム水質分類のプロトコルを記述します。このメソッドはシステムのセットアップ、データ収集、前処理、モデルの訓練、展開を詳細に説明しています。この水質評価システムは特に鯉の繁殖者に適しており、健康な魚の最適な環境を確保するのに役立ちます。

要約

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

水質の最適な維持は養殖において非常に重要です。特にコイのような観賞種では、色の明瞭さや環境バランスが健康や美観に直接結びついています。本記事では、組み込みディープラーニングを用いた水中画像分類に基づくリアルタイム水質モニタリングシステムの設計、展開、運用のための完全なプロトコルを提示します。提案されたシステムは、低コストの水中カメラとRaspberry Piベースのコントローラーネットワークを自律型水面ロボットに統合し、軽量なニューラルネットワークモデルを通じて水生画像の撮影、送信、分類を可能にします。5つの水質カテゴリー(澄んだものから濁ったものまで)が視覚的に区別されており、カスタムデータセットでは分類精度が99%を超えます。システムは自律運転を可能にしており、悪化する状況に対して継続的な評価と視覚的アラートを提供します。このビジュアルプロトコルは、デバイスの組み立て、システムキャリブレーション、モデル展開、リアルタイム監視のデモンストレーションをカバーしています。この手法は、手頃で拡張可能な技術を用いて非侵襲的かつ継続的な水生環境評価を可能にすることで、持続可能な養殖実践を支援します。このアプローチは、他の養殖や環境モニタリングの文脈にも最小限の修正で適応可能です。

概要

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

鯉(Cyprinus carpio var. koi)は、コイの観賞用変種で、鮮やかな色彩、特徴的な模様、優雅な体型、そして優雅な泳ぎ方で高く評価されています。その美しさと流れるような動きは、世界中の庭園池や装飾的な水景物として人気の選択肢となっています。

池の良好な水質を維持することは、水生生物を支えるだけでなく、炭素排出削減にも寄与し、その結果として環境に利益をもたらします1,2。pH、温度、溶存酸素、塩分、アンモニア(NH3)、硝酸塩(NO3)、二酸化窒素(NO2)、鉄(Fe)、リン酸塩(PO43-)などの定められた基準に従って水質を維持することは、鯉3にとって理想的な環境を作ることが示されています。水質は確かに画像を通じて評価できます。水の透明度、ゴミや藻類の有無、色、表面の質感4などの視覚的指標は、水の状態に関する有用な情報を提供します。BhatnagarらおよびAndrianら5,6は池魚養殖のガイドラインを提供し、淡い緑色から淡い緑色の水が魚の成長に許容範囲内であると述べています。淡い緑から淡茶色の澄んだ水が望ましい範囲とされ、濃い緑や茶色の水は健康的な池の条件には不向きです

鯉池の生態系では、包括的な水質評価が物理的、化学的、生物学的パラメータの幅を含みます。一般的に測定される指標には、温度、pH、水の明るさ(セッキ深さ、cm)、溶存酸素(DO)、総有機物(TOM)、二酸化炭素(CO₂)、オルトリン酸塩、アンモニア、硝酸塩、生物用酸素要求量(BOD)、総懸濁固体(TSS)、化学的酸素要求量(COD)が含まれます。これらのパラメータは一体化して、生態学的評価と管理意思決定の両方を支える多次元的な水生健康プロファイルを提供します7.水質を評価するために、これらのパラメータのセンサーを池に用い、Hemal、Md Moniruzzamanらが示したように8。pHセンサー、濁度センサー、水質分類のための温度センサーなどがあります。Parasarら9は水生環境における廃棄物検出と水質評価を発表 しました。検討中のデータセットは、約6,000万件のエントリーにのぼる広範な淡水サンプルのコレクションを含んでいます。これらの記録は多様な属性と品質測定を含んでいます。属性にはpHレベル、鉄、硝酸塩、塩化物、鉛、亜鉛、濁度、フッ素、銅、硫酸塩、塩素、マンガン、総溶解固形物、そして飲料水の飲用性を示す目標変数となる飲料水ラベルが含まれます。

画像ベースの水質分類手法は、従来の実験室ベースの手法に代わる迅速かつ費用対効果が高く、拡張可能な代替手段を提供します。これらの方法は、水質の物理的、化学的、生物学的指標と関連付けられる視覚的な手がかりに依存しています。大まかに、画像ベースの水質モニタリングは水面画像10、11、12、13、14、15、16 の水中画像と水中画像17の2つのカテゴリーに分類できます。

水面画像は水域の可視部分を捉え、地上カメラ、ドローン(UAV)、航空機、衛星などから取得可能です。大きな利点は、トレンド分析に適した頻繁な買収です。大きな制約は、表面可視パラメータの制限です。地下条件は間接的に推測しなければなりません。水中画像は、水中カメラ、遠隔操作型探査機(ROV)、またはダイバー操作システムを用いて収集されます。利点は、地下環境の直接的な可視化、懸濁物質や水中生物の検出がより良くなることです。制限としては、空間のカバー範囲の制限、濁水や深水での人工照明への依存、そして機器コストの高さがあります。

河川中の高品質な水中画像の分類は、Zhou、Hanらによって提案されました。分類は画像の色のヒストグラムを使用し、K-近傍法(KNN)とランダムフォレスト法(RF)という2つの機械学習アルゴリズムを用いています。これらのアルゴリズムは、水を許容可能か危険かを分類するために使われます。許容水域の精度は98.93%、危険水域では95.25%です。水質モニタリングは、モノのインターネット(IoT)ベースのアーキテクチャを用いて広く研究されており、連続的センシング、データ伝送(18,19,20,21,22)、および水生環境の遠隔分析が可能です。関連研究では、センサー駆動のモニタリングや環境介入が都市ヒートアイランド現象の緩和や室内熱快適性の向上に寄与することが示されています。7,8,9,10,11,12,13,14,15,16,17,18 、19、20、21、22、23、24。この提案されたプロトコルは、組み込みネットワークを持つアクションカメラで水中画像を取得し、人工ニューラルネットワーク(ANN)を用いて水質を分類することで、鯉池の水質をリアルタイムで監視するシステムを記述しています。ANNは計算資源が少なく、リアルタイム実装に適したため採用されています。

figure-introduction-1
図1:提案されたリアルタイム池水評価手法のブロック図:この図はデータ収集から分析までの段階的なプロセスを示し、リアルタイムで水質を監視するための全体的な枠組みを示しています。T1、T2、T3、T4、T5の5種類の水質条件が収集されました。T1:地元の淡水供給業者から、4立方メートルの鯉池に供給された淡水の画像。鯉17匹が飼育されています。T2:15立方メートルの鯉池からの画像で、約60〜80cmの大型鯉12匹がいます。この池の水はかなり澄んでいますが、浮遊藻類がいくつかあります。T3:35立方メートルの鯉池から、約60〜70cmの大型鯉18匹の画像。池の水は清らかで、淡い緑色で魚の成長に最適な範囲内にあります。T4:廃水処理池から撮影された茶色い水の画像。T5:35立方メートルの池のろ過システムから採取された茶色い水の画像で、コイスが排出した廃棄物を含む。この図の拡大版はこちらをクリックしてご覧ください。

これらの進歩を基に、本記事では、埋め込み型ディープラーニングを用いた水中画像分類に基づくリアルタイム水質モニタリングシステムの設計、構成、展開、運用のための完全なプロトコルを提示します。提案されたプロトコルのブロックダイアグラムは 図1に示されており、システムの設計、構成、展開、水質の分類を5つの異なるカテゴリーに分けています。このプロトコルにより、生産者や池の管理者は現地で捕獲された水中の色の特徴を分析して水質を評価できます。

提案されたシステムは、低コストの水中アクションカメラと、 図2に示すように、自律型表流水ロボットに展開されたRaspberry Piベースのコントローラーネットワークを統合しています。この構成により、軽量人工ニューラルネットワーク(ANN)を用いた画像取得、無線送信、リアルタイム分類が可能になります。アクションカメラは、最大10mの水深での防水性、高解像度の静止画撮影、そして機載無線インターフェースを理由に選ばれました。カメラの初期化や基本的な操作にはBluetooth接続が使われ、Wi-Fiは高速データ転送に対応しています。しかし、無線周波数電磁波を用いた直接水中無線通信は、水中での信号減衰が激しくないため実用的ではありません。

この制限に対処するため、システムは2台のRaspberry Pi Zero 2Wユニット、無線ルーター、そして 図2に示されるサーバーからなるハイブリッドネットワークトポロジーを採用しています。1台のラズベリーパイユニットはバッテリー駆動の水面ロボットに搭載され、池内を指定されたサンプリング地点まで航行し、もう1台は水中カメラと直接連携します。あるいは、固定された池の場所に手動でカメラユニットを配置することで、ロボットナビゲーションの必要をなくすことで、固定状態でシステムを展開することも可能です。自律型水面ロボットと水中カメラ・コントローラーネットワークの試作モデルは 図3に示されており、水質分類手法の全体的なワークフローは 図4に示されています。

figure-introduction-2
図2:IoTベースの水評価システムのネットワークトポロジー: この回路図は、デバイス間の相互接続を示し、カメラ、Raspberry Piユニット、中央サーバー間の通信を強調しています。 この図の拡大版はこちらをクリックしてご覧ください。

figure-introduction-3
図3:ラズベリーパイカメラネットワークと統合された試作ロボット: 図は現場展開用のオンボードセンシングおよびイメージングユニットを装備したロボットの物理的組み立てを示しています。 この図の拡大版はこちらをクリックしてご覧ください。

figure-introduction-4
図4:提案手法のフローダイアグラム: データ収集、前処理、訓練、リアルタイム分類から構成される提案手法のフローダイアグラムを示します。 この図の拡大版はこちらをクリックしてご覧ください。

人工ニューラルネットワークは、計算複雑さが低くリアルタイム組み込み展開に適したため、画像分類に用いられます。提案されたプロトコルは、組み込みの深層学習と視覚的データ取得を用いて、リアルタイムの鯉池水質監視のための実用的かつスケーラブルなフレームワークを提供します。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

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

注:本研究で使用されたソースコードは以下のGitHubリポジトリで入手可能です:https://github.com/prawit-chu/Real-Time-Pond-Water-Assessment-via-Embedded-Deep-Learning-and-Visual-Data-Acquisition

1. 機器のセットアップ

  1. Raspberry Piベースのコントローラーネットワーク(ロボットとアクションカメラ)を設定してください。
  2. Ubuntu v24.04 LTSオペレーティングシステムを搭載したサーバーをセットアップします。

2. アクションカメラのセットアップ

  1. デフォルトのIPアドレス(10.5.5.9)とネットワークマスク(255.0.0.0)を設定します。
    注: 表1は IoTネットワーク内の接続デバイスに割り当てられたIPアドレスを示しています。
  2. Wi-FiのSSIDと事前共有キー(PSK)を設定して、アクションカメラをWi-Fiアクセスポイントとして設定します。
    1. Wi-Fi SSID(名前)とPSK(パスワード)を探すには、アクション画面を下にスワイプし、その後設定 →ワイヤレス接続→カメラ情報へ移動してください。
    2. バンドを変更するには、ワイヤレス接続メニューでWi-Fiバンドを選択し、Raspberry Pi Zero 2Wに接続する場合は2.4 GHzを選びます。
    3. カメラアプリを使ってアクションカメラに接続し、Wi-Fiインターフェースを通じて接続を確認しましょう。そのようなアプリケーションの例がGoPro Quikアプリです。

3. 無線ルーターの設定

  1. ルート192.168.2.0/24および10.0.0.0/8を追加してください。両ルートの転送用ルーターアドレスは192.168.1.99です。
  2. アクションカメラへのインターネット接続が必要な場合は、ポートフォワーディングを設定してください。設定の詳細はルーターのマニュアルを参照してください。ポートフォワーディングは8080に設定し、これはアクションカメラが使うウェブサーバーポートです。

4. 防水エンクロージャー内のRaspberry Pi Zero 2W (2)

  1. Raspberry Pi v6.12のOSをインストールしてください。
  2. 「nmtui」コマンドを使ってWi-Fi SSIDとPSKを設定し、 アクションカメラ に接続してください。
  3. 表1に示されているように、Wi-FiインターフェースのIPアドレスとネットマスクを設定し、「nmtui」コマンドを使って、その後イーサネットインターフェースを設定します。
  4. ネットワークアドレス変換(NAT)を設定し、192.168.1.2を転送ルーターとしてデフォルトルートを設定してネットワーク間の通信を有効にします。

5. ロボットユニットでのラズベリーパイ ゼロ 2W (1)

  1. Raspberry Pi v6.12のOSをインストールしてください。
  2. Wi-Fi SSIDとPSKを設定し、「nmtui」コマンドを使って自宅やオフィスのルーターに接続します。
  3. ルート10.0.0.0/8を192.168.2.2経由で追加してください。転送ルーターのアドレスは192.168.2.2です。
  4. 転送ルーターとして192.168.1.1をデフォルトルートを設定し、ネットワーク間の通信を可能にします

6. サーバー設定

  1. Wi-FiのSSIDとPSKを設定し、GUIネットワーク設定を使って自宅やオフィスのルーターに接続してください。
  2. DHCPや手動設定でサーバーにIPアドレスを割り当ててください。
  3. Raspberry Piユニットやアクションカメラとの接続用に、それぞれ192.168.2.0/24と10.0.0.0/8へのルートを追加してください。両ルートのフォワードルーターアドレスは192.168.1.99です。

7. コミュニケーションテスト

  1. 防水エンクロージャー内のRaspberry Pi Zero 2W (2)では、python3 enable_wifi_ap.pyを実行してアクションカメラのWi-Fiを起動します。
  2. Raspberry Pi Zero 2Wでは 、iwconfig コマンドを実行してWi-Fiがアクティブであることを確認し、アクションカメラとの通信が成功したことを確認します。
  3. サーバー上で「ping 10.5.5.9」コマンドを実行し、「宛先ポートに到達不可」という期待される応答を確認してください。

8. データセット収集

  1. 通信が確立されたら、「python3 collect_dataset.py T N」を実行します。(OpenCV v4.12.0でテスト)
  2. Tを水タイプ(T1-T5)に置き換え、 N を収集する画像数に置き換えます。
  3. 後処理を行い、収集したデータセットをサーバーに保存してさらなる前処理を行う (表2)

figure-protocol-1
図5:初期トレーニングに用いられる簡略化されたCNNモデルアーキテクチャ: 抽象化されたニューラルネットワーク構造をベースラインモデルとして適用します。 この図の拡大版はこちらをクリックしてご覧ください。

figure-protocol-2
図6:本研究で利用された事前学習済み深層学習モデル: 分類タスクに活用された転移学習アーキテクチャを描写。 この図の拡大版はこちらをクリックしてご覧ください。

figure-protocol-3
図7:人工ニューラルネットワーク(ANN)アーキテクチャ: 水画像分類性能を評価するために作成されたカスタマイズされたANN構成を示しています。 この図の拡大版はこちらをクリックしてご覧ください。

figure-protocol-4
図8:サンプルデータセット画像の正規化グレースケールヒストグラム: 代表的な入力サンプル間でピクセル強度の分布特性を提供します。 この図の拡大版はこちらをクリックしてご覧ください。

9. ディープラーニングトレーニング

注:本研究で使用された簡略化されたCNNベースライン、事前学習モデル、ANNアーキテクチャは、それぞれ図5-8に示されています。

  1. 収集したデータセットファイルを「V2」ディレクトリに入れます。
  2. Python3 histogram_gen.py(OpenCV v4.12.0とCSV v1.0でテスト済み)を実行して画像のヒストグラムを作成します。
  3. python3 ann_training.pyを実行してモデルを訓練します。ANNで学習したモデルはann_model.kerasに保存されます(tensorflow v2.19.0、sklearn v1.6.1、OpenCV v4.12.0、CSV v1.0でテスト済み)。
  4. セクション9.3の訓練済みモデルann_model.kerasを使ってpython3 confusion_matrix.pyを実行して混乱行列を評価します。ann_model.kerasファイルが現在のディレクトリに配置されていることを確認しましょう(tensorflow v2.19.0、sklearn v.6.1、OpenCV v4.12.0、CSV v1.0でテスト済み)。

10. リアルタイムディープラーニング分類

  1. 訓練済みのann_model.kerasファイルを分類ディレクトリに保存します。
  2. リアルタイムの水質を「python3 ann_predict.py」というコマンドを実行して分類してください。この出力は、キャプチャされた画像と分類された水の種類を含むGUIを表示します。
    注:例は 図12 (右パネル)に示されています(tensorflow v2.19.0、sklearn v1.6.1、OpenCV v4.12.0、CSV v1.0でテスト)。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

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

データセットは独立したトレーニング、検証、テストのサブセットに分割されました。トレーニング中に検証セットでのモデル性能が監視され、最終評価は未公開画像を含む保留テストデータセットを用いて実施されました。検証セットとテストセット間で一貫したパフォーマンスは安定した一般化を示しています。

リアルタイム水質分類のために、簡略化されたCNNモデルや事前学習済みネットワーク(Inception V3、Xception、ResNet50)が当初テストされましたが、精度は低く計算複雑さが高いものでした。そのため、これらの問題を軽減するために前処理を伴うANNモデルが設計されました。透明から濁水までの5つの水質カテゴリーが視覚的に区別されており、カスタムデータセットでは分類精度が99%を超えています。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

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

このプロトコルの重要なステップは、Raspberry Piベースのコントローラネットワーク設定です。設定が間違っていると、サーバーとアクションカメラ間の通信が失敗します。提供されたプログラムをテストする前に、サーバーとアクションカメラ間の通信はPINGコマンドで確認されるべきです。提案されたモデルは組み込みハードウェア上でリアルタイムで動作しますが、推論時間やエネルギー消費の定量的測定は評価されておらず、本研究の範囲外です。

提案されたプロトコルは、アクションカメラを用いたラズベリーパイネットワークによるリアルタイム水中画像分類に提供されています。このプロトコルは、魚の病気、ゴミ検出、魚の行動検出、藻類の監視など、多くの水中検査にも適用可能です。

提案されたプロトコルの制約は、実証されたアクションカメラへの依存点です。アクションカメラのバッテリーは1080p30での連続録画で約2.5時間持ちます。使用時間を延長するために、ユーザーは画像撮影の頻度を減らすことが...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

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

著者たちは何も明かすことはありません。

謝辞

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

著者たちは、タイのカセットサール大学、インドのヴィシュワカルマ大学、アメリカのリージェント大学の皆様に感謝の意を表します。彼らの有益なコメント、議論、洞察により、私たちの研究が大きく向上しました。スリラチャ工学部(カセットサールト大学)からのリサーチユニット基金(助成金番号)を通じて提供された支援に感謝申し上げます。KUSRCRU69-2001)は2026会計年度のためです。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
GoPro Hero 11 ブラックGoPro写真撮影や動画撮影のために
GoPro ヒーロー12 ブラックGoPro写真撮影や動画撮影のために
GoPro Hero 13 ブラックGoPro写真撮影や動画撮影のために
ラズベリーPIラズベリーパイゼロ 2Wコントローラー
無線ルーターZTE(ゼーク・タイム・ザ・HG8045x5-12
イーサネットアダプターTpリンクUE300
サーバーデルT30
バッテリーパック 12 VDC--電源供給
DCポンプタイウォーターAW500Sロボットの動き
5Vステップダウン--12Vから5Vへステップダウン
8チャンネルリレー--ポンプの制御
GoPro QuickアプリケーションGoProGoProGoPro Wi-Fi接続のテスト用

参考文献

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

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

Raspberry Pi
動画は近日公開

関連記事