방법 논문

임베디드 딥러닝과 시각적 데이터 수집을 통한 실시간 연못 수질 평가: 양식업을 위한 실용적 모니터링 접근법

DOI:

10.3791/69744

⸱

2026년 2월 24일

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

이 논문에서

요약

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

우리는 수중 이미지 획득, 라즈베리 파이 기반 제어 네트워크, 인공 신경망(ANN)을 이용한 실시간 수질 분류 프로토콜을 설명합니다. 이 방법은 시스템 설정, 데이터 수집, 전처리, 모델 학습 및 배포를 상세히 설명합니다. 이 수질 평가 시스템은 특히 잉어 번식자에게 적합하여 건강한 어류가 최적의 환경을 확보하도록 돕습니다.

초록

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

최적의 수질 유지는 양식업에서 매우 중요하며, 특히 코이와 같은 관상용 종에서는 색상의 선명도와 환경 균형이 건강과 미관과 직접적으로 연관되어 있습니다. 이 글은 임베디드 딥러닝을 활용한 수중 이미지 분류를 기반으로 실시간 수질 모니터링 시스템을 설계, 배포 및 운영하는 완전한 프로토콜을 제시합니다. 제안된 시스템은 저비용 수중 카메라와 라즈베리 파이 기반 컨트롤러 네트워크를 자율 수면 로봇 내에서 통합하여, 경량 신경망 모델을 통해 수중 이미지를 캡처, 전송 및 분류할 수 있게 합니다. 맑은 수질부터 탁한 수질까지 다섯 가지 수질 상태 범주가 시각적으로 구분되며, 맞춤형 데이터셋에서 분류 정확도는 99%를 초과합니다. 시스템은 자율적으로 작동하도록 구성되어 있으며, 악화되는 상황에 대해 지속적인 평가와 시각적 경고를 제공합니다. 이 시각적 프로토콜은 장치 조립, 시스템 보정, 모델 배포, 실시간 모니터링 시연을 포함합니다. 이 방법은 저렴하고 확장 가능한 기술을 사용하여 비침습적이고 지속적인 수생 환경 평가를 가능하게 하여 지속 가능한 양식업 관행을 지원합니다. 이 접근법은 최소한의 수정만으로 다른 양식업 또는 환경 모니터링 환경에 적용할 수 있습니다.

서론

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

잉어(Cyprinus carpio var. koi)는 일반 잉어의 관상용 품종으로, 선명한 색상, 독특한 무늬, 우아한 몸형, 그리고 우아한 수영으로 귀하게 여겨집니다. 그 아름다움과 유연한 움직임 덕분에 전 세계 정원 연못과 장식용 수경물에 인기 있는 선택지로 자리 잡고 있습니다.

연못의 수질을 잘 유지하는 것은 수생 생물을 지원할 뿐만 아니라 탄소 배출을 줄여 환경에 이익이 됩니다 1,2. pH, 온도, 용존 산소, 염분, 암모니아(NH3), 질산염(NO3), 이산화질소(NO2), 철(Fe), 인산염(PO43-) 등 확립된 기준을 따라 수질 유지가 잉어3에게 이상적인 환경을 조성하는 것으로 입증되었습니다. 수질은 실제로 이미지를 통해 평가할 수 있습니다. 수질 투명도, 이물질 또는 조류 존재, 색상, 표면 질감4와 같은 시각적 지표는 물 상태에 대한 유용한 정보를 제공할 수 있습니다. Bhatnagar 등과 Andrian 등(5,6)은 연못 어류 양식에 관한 지침을 제공하며, 연한 녹색에서 연한 녹색 물이 어류 성장에 허용 가능한 범위 내에 있다고 말합니다. 연한 녹색에서 연한 갈색의 맑은 물이 바람직한 범위로 간주되며, 짙은 녹색과 갈색 물은 건강한 연못 상태에 적합하지 않은 범위에 속합니다

잉어 연못 생태계에서는 포괄적인 수질 평가가 물리적, 화학적, 생물학적 매개변수를 포함합니다. 일반적으로 측정되는 지표로는 온도, pH, 수질 밝기(세키 깊이, cm), 용존 산소(DO), 총 유기물(TOM), 이산화탄소(CO₂), 정인산염, 암모니아, 질산염, 생물학적 산소 요구량(BOD), 총 부유 고형물(TSS), 화학 산소 요구량(COD) 등이 있습니다. 이 매개변수들은 모두 다차원적인 수생 건강 프로필을 제공하여 생태 평가와 관리의사결정을 지원합니다. 수질 평가를 위해 Hemal, Md Moniruzzaman 등이 시연한 대로 해당 매개변수 센서를 연못에 적용할예정입니다. 수질 분류를 위한 pH 센서, 탁도 센서, 온도 센서가 있습니다. Parasar 등은 수중 환경에서의 폐기물 탐지 및 수질 평가를 발표했습니다 . 검토 중인 데이터셋은 약 6천만 개의 항목에 달하는 방대한 담수 샘플 기록을 포함합니다. 이 기록들은 다양한 속성과 품질 측정을 포함합니다. 속성에는 pH 수준, 철, 질산염, 염화물, 납, 아연, 탁도, 불소, 구리, 황산염, 염소, 망간, 총 용존 고형물, 그리고 수용성 라벨이 포함되며, 이는 식수 적합성을 나타내는 목표 변수로 사용됩니다.

이미지 기반 수질 분류 방법은 전통적인 실험실 기반 접근법에 대한 신속하고 비용 효율적이며 확장 가능한 대안을 제공합니다. 이러한 방법들은 수질의 물리적, 화학적, 생물학적 지표와 연관될 수 있는 시각적 단서에 의존합니다. 일반적으로 이미지 기반 수질 모니터링은 수면 10,11,12,13,14,15,16 의 수중 이미지 두 가지 범주로 분류할 수 있으며, 수중 이미지 17도 포함됩니다.

수면 영상은 수역의 가시 부분을 포착하며, 지상 카메라, 드론(UAV), 항공기 또는 위성에서 얻을 수 있습니다. 주요 장점은 빈번한 인수로, 추세 분석에 적합합니다. 중요한 한계는 표면 가시광선 매개변수의 제한입니다; 지하 조건은 간접적으로 추론해야 합니다. 수중 영상은 잠수 카메라, 원격 조종 차량(ROV), 또는 잠수사가 조작하는 시스템을 사용하여 수집됩니다. 장점은 지하 상태를 직접 시각화하고, 부유 물질과 수중 생물의 더 나은 탐지가 가능하다는 점입니다. 제한 사항은 공간적 범위 제한, 탁하거나 심한 바다에서의 인공 조명 의존, 그리고 더 높은 장비 비용 등이 있습니다.

강에서 수중 이미지의 품질 분류는 Zhou, Han 등에 의해 제안되었습니다. 이 분류는 이미지 색상의 히스토그램을 사용하며, K-최근이웃(KNN)과 랜덤 포레스트(RF) 두 가지 머신러닝 알고리즘을 사용합니다. 이 알고리즘들은 물을 허용 가능 또는 위험한 것으로 분류하는 데 사용됩니다. 허용 물의 정확도는 98.93%, 위험한 물의 정확도는 95.25%입니다. 수질 모니터링은 사물인터넷(IoT) 기반 아키텍처를 사용하여 지속적으로 감지, 데이터 전송18, 19, 20, 21, 22, 그리고 수생 환경에 대한 원격 분석을 가능하게 하여 널리 연구되어 왔습니다. 관련 연구들은 센서 기반 모니터링과 환경 개입이 도시 열섬 현상 완화와 실내 열 쾌적성 향상에 기여할 수 있음을 보여주었습니다. 7,8,9,10,11,12,13,14,15,16,17,18 ,19,20,21,22,23,24. 이 제안된 프로토콜은 내장된 네트워크가 있는 액션 카메라를 이용해 수중 이미지를 획득하고 인공 신경망(ANN)을 이용해 수질 상태를 분류하는 실시간 시스템을 설명합니다. ANN은 낮은 계산 자원을 필요로 하므로 실시간 구현에 적합하기 때문에 사용됩니다.

figure-introduction-1
그림 1: 제안된 실시간 연못 수질 평가 방법론의 블록 다이어그램: 이 도표는 데이터 수집부터 분석까지의 단계별 과정을 개략적으로 제시하며, 실시간 수질 모니터링을 위한 전체 프레임워크를 보여줍니다. T1, T2, T3, T4, T5로 표시된 다섯 가지 유형의 수질 조건이 수집되었습니다. T1: 최근 지역 담수 공급업체가 4입방미터 크기의 잉어 연못에 공급한 담수 이미지입니다. 이 연못에는 17마리의 작은 잉어가 서식합니다. T2: 15입방미터 크기의 잉어 연못에서 촬영한 이미지로, 각각 길이 약 60-80cm인 12마리의 대형 잉어가 포함되어 있습니다. 이 연못의 물은 꽤 맑지만 떠다니는 조류가 있습니다. T3: 35입방미터 크기의 잉어 연못에서 촬영한 이미지로, 각각 길이 약 60-70cm인 18마리의 대형 잉어가 있습니다. 연못 물은 깨끗하며, 연한 녹색을 띠며 어류 성장에 최적의 범위 내에 위치합니다 5,6. T4: 하수 처리지에서 촬영한 갈색 물 이미지. T5: 코이스가 배출한 폐기물이 포함된 35입방미터 연못의 여과 시스템에서 수집된 갈색 물 이미지. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

이러한 발전을 바탕으로, 이 글은 내장된 딥러닝을 활용한 수중 이미지 분류를 기반으로 실시간 수질 모니터링 시스템을 설계, 구성, 배포 및 운영하는 완전한 프로토콜을 제시합니다. 제안된 프로토콜의 블록 다이어그램은 그림 1에 나타나 있으며, 시스템 설계, 구성, 배포 및 수질의 분류를 다섯 가지 뚜렷한 범주로 나눕니다. 이 프로토콜은 재배자와 연못 관리자가 현장에서 포착된 수중 색상 특성을 분석하여 수질을 평가할 수 있도록 합니다.

제안된 시스템은 저비용 수중 액션 카메라와 자율 지표수 로봇에 설치된 라즈베리 파이 기반 컨트롤러 네트워크를 통합하는 것으로, 그림 2에 나타난 것입니다. 이 구성은 경량 인공 신경망(ANN)을 이용한 이미지 획득, 무선 전송 및 실시간 분류를 가능하게 합니다. 액션 카메라는 최대 10m 깊이에서의 방수 성능, 고해상도 정지 이미지 캡처, 그리고 탑재된 무선 인터페이스 때문에 선택되었습니다. 블루투스 연결은 카메라 초기화 및 기본 제어에 사용되며, Wi-Fi는 고속 데이터 전송을 지원합니다. 그러나 무선 주파수 전자기파를 이용한 직접 수중 무선 통신은 물 내 심각한 신호 감쇠로 인해 비현실적입니다.

이 한계를 해결하기 위해 시스템은 그림 2에 나타난 것과 같이 두 개의 Raspberry Pi Zero 2W 유닛, 무선 라우터, 서버로 구성된 하이브리드 네트워크 토폴로지를 사용합니다. 라즈베리 파이 유닛 하나는 배터리로 작동하는 수면 로봇에 장착되어 연못을 따라 지정된 샘플링 장소로 이동하며, 두 번째 유닛은 수중 카메라와 직접 연동됩니다. 또는 고정된 연못 위치에 수동 배치하여 로봇 항법이 필요 없는 고정식 배치도 가능합니다. 자율 수면 로봇과 수중 카메라-제어 네트워크의 프로토타입은 그림 3에 표시되어 있으며, 수질 분류 방법의 전체 작업 흐름은 그림 4에 나타났습니다.

figure-introduction-2
그림 2: IoT 기반 수자원 평가 시스템의 네트워크 토폴로지: 도식은 장치들이 어떻게 상호 연결되는지를 보여주며, 카메라, 라즈베리 파이 유닛, 중앙 서버 간의 통신을 강조합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

figure-introduction-3
그림 3: 라즈베리 파이 카메라 네트워크와 통합된 프로토타입 로봇: 그림은 현장 배치를 위한 온보드 감지 및 영상 장치가 장착된 로봇의 물리적 조립체를 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

figure-introduction-4
그림 4: 제안된 방법의 흐름도: 데이터 수집, 전처리, 학습, 실시간 분류로 구성된 제안된 방법의 흐름도입니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

인공 신경망은 계산 복잡도가 낮고 실시간 임베디드 배포에 적합하기 때문에 이미지 분류에 사용됩니다. 제안된 프로토콜은 내장된 딥러닝과 시각적 데이터 수집을 활용한 실시간 잉어 연못 수질 모니터링을 위한 실용적이고 확장 가능한 프레임워크를 함께 제공합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

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

참고: 이 연구에 사용된 소스 코드는 다음 GitHub 저장소에서 확인할 수 있습니다: https://github.com/prawit-chu/Real-Time-Pond-Water-Assessment-via-Embedded-Deep-Learning-and-Visual-Data-Acquisition

1. 장비 설치

  1. 라즈베리 파이 기반 컨트롤러 네트워크(로봇과 액션 카메라)를 설정하세요.
  2. Ubuntu v24.04 LTS 운영체제를 실행하는 서버를 설정하세요.

2. 액션 카메라 세팅

  1. 기본 IP 주소(10.5.5.9)와 네트워크 마스크(255.0.0.0)를 설정하세요.
    참고: 표 1은 IoT 네트워크 내 연결된 장치에 할당된 IP 주소를 보여줍니다.
  2. Wi-Fi SSID와 사전 공유 키(PSK)를 설정하여 액션 카메라를 Wi-Fi 액세스 포인트로 설정하세요.
    1. Wi-Fi SSID(이름)와 PSK(비밀번호)를 찾으려면, 액션 화면에서 아래로 스와이프한 뒤 Preferences→ Wireless Connections→ CAMERA INFO로 이동하세요.
    2. 무선 연결 메뉴에서 Wi-Fi Band를 선택하고 Raspberry Pi Zero 2W에 연결할 때 2.4 GHz를 선택하세요.
    3. 액션 카메라의 Wi-Fi 인터페이스를 통해 카메라 애플리케이션을 사용해 연결성을 확인하세요. 이러한 애플리케이션의 예로는 GoPro Quik 앱이 있습니다.

3. 무선 라우터 설치

  1. 노선 192.168.2.0/24와 10.0.0.0/8을 추가하세요. 두 경로의 포워딩 라우터 주소는 192.168.1.99입니다.
  2. 액션 카메라에 인터넷 기반 접속이 필요하면 포트 포워딩을 설정하세요. 설정 세부 사항은 라우터 매뉴얼을 참고하세요. 포트 포워딩은 8080으로 설정해야 하며, 이는 액션 카메라가 사용하는 웹 서버 포트입니다.

4. 방수 케이스 내 라즈베리 파이 제로 2W (2)

  1. 라즈베리 파이 v6.12 OS를 설치하세요.
  2. "nmtui" 명령어를 사용해 Wi-Fi SSID와 PSK를 설정해 액션 카메라 와 연결하세요.
  3. 표 1에 표시된 대로 "nmtui" 명령어를 사용하여 Wi-Fi 인터페이스의 IP 주소와 넷마스크를 설정하고, 이어서 이더넷 인터페이스를 설정하세요.
  4. 네트워크 주소 변환(NAT)을 설정하고 192.168.1.2를 포워딩 라우터로 사용하여 기본 경로를 설정하여 네트워크 간 통신을 가능하게 합니다.

5. 로봇 유닛 내 라즈베리 파이 제로 2W (1)

  1. 라즈베리 파이 v6.12 OS를 설치하세요.
  2. "nmtui" 명령어를 사용해 Wi-Fi SSID와 PSK를 가정용 또는 사무실 라우터와 연결하도록 설정하세요.
  3. 192.168.2.2를 통해 10.0.0.0/8 노선을 추가하세요. 포워딩 라우터 주소는 192.168.2.2입니다.
  4. 네트워크 간 통신을 가능하게 하기 위해 192.168.1.1을 전달 라우터로 기본 경로로 설정하세요

6. 서버 설정

  1. GUI 네트워크 설정을 사용해 Wi-Fi SSID와 PSK를 가정이나 사무실 라우터와 연결하도록 설정하세요.
  2. DHCP 또는 수동 설정을 통해 서버에 IP 주소를 할당하세요.
  3. 라즈베리 파이 유닛과 액션 카메라와의 연결을 위해 각각 192.168.2.0/24와 10.0.0.0/8로 경로를 추가하세요. 두 경로의 포워드 라우터 주소는 192.168.1.99입니다.

7. 통신 테스트

  1. 방수 인클로저의 Raspberry Pi Zero 2W (2)에서는 파이썬3 enable_wifi_ap.py을 실행해 액션 카메라 Wi-Fi를 활성화합니다.
  2. 라즈베리 파이 제로 2W에서는 iwconfig 명령을 실행해 와이파이가 활성화되었는지 확인하고 액션 카메라와의 성공적인 통신을 확인하세요.
  3. 서버에서는 "ping 10.5.5.9" 명령을 실행하고 예상되는 "목적지 포트에 접근할 수 없음" 응답을 확인하세요.

8. 데이터셋 수집

  1. 통신이 성립된 후에는 "python3 collect_dataset.py T N"을 실행합니다. (OpenCV v4.12.0으로 테스트됨)
  2. T를 물의 종류(T1-T5)로, N 을 수집할 이미지 수로 바꿉니다.
  3. 후처리하고 수집된 데이터셋을 서버에 저장하여 추가 전처리를 위해 사용하세요 (표 2)

figure-protocol-1
그림 5: 초기 훈련에 사용되는 단순화된 CNN 모델 아키텍처: 기초 모델로 적용된 추상화된 신경망 구조를 제시합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

figure-protocol-2
그림 6: 연구에 사용된 사전 학습 딥러닝 모델: 분류 작업에 활용되는 전이 학습 아키텍처를 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

figure-protocol-3
그림 7: 인공 신경망(ANN) 아키텍처: 수상 분류 성능을 평가하기 위해 구축된 맞춤형 ANN 구성을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

figure-protocol-4
그림 8: 샘플 데이터셋 이미지의 정규화된 그레이스케일 히스토그램: 대표적인 입력 샘플 간 픽셀 강도 분포 특성을 제공합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

9. 딥러닝 트레이닝

참고: 이 연구에서 사용된 단순화된 CNN 기준선, 사전 학습 모델, ANN 아키텍처는 각각 그림 5-8에 나와 있습니다.

  1. 수집된 데이터셋 파일을 "V2" 디렉터리에 배치하세요.
  2. Python3 histogram_gen.py(OpenCV v4.12.0과 CSV v1.0으로 테스트됨)를 실행하여 이미지 히스토그램을 생성하세요.
  3. python3 ann_training.py을 실행하여 모델을 학습시키세요. ANN으로 학습된 모델은 ann_model.keras에 저장됩니다(tensorflow v2.19.0, sklearn v.6.1, OpenCV v4.12.0, CSV v1.0에서 테스트됨).
  4. 9.3절의 학습된 모델 ann_model.keras를 사용하여 python3 confusion_matrix.py을 실행하여 혼동 행렬을 평가합니다. ann_model.keras 파일이 현재 디렉터리에 위치하는지 확인하세요(tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0, CSV v1.0으로 테스트됨).

10. 실시간 딥러닝 분류

  1. 학습된 ann_model.keras 파일을 분류 디렉터리에 저장하세요.
  2. "python3 ann_predict.py" 명령어를 실행하여 실시간 수질을 분류하세요. 이 출력은 캡처된 이미지와 분류된 물 유형을 포함하는 GUI를 보여줍니다.
    참고: 예제는 그림 12 (오른쪽 패널)에 나와 있습니다(tensorflow v2.19.0, sklearn v1.6.1, OpenCV v4.12.0, CSV v1.0으로 테스트됨).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

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

데이터셋은 독립적인 훈련, 검증, 테스트 하위 집합으로 나뉘었습니다. 훈련 중 검증 세트에서 모델 성능을 모니터링했으며, 최종 평가는 이전에 공개되지 않은 이미지가 포함된 테스트 데이터셋을 사용해 수행되었습니다. 검증과 테스트 세트 전반에 걸쳐 일관된 성능은 안정적인 일반화를 의미합니다.

실시간 수질 분류를 위해 단순화된 CNN 모델과 사전 학습된 네트워크(Inception V3, Xception, ResNet50)가 처음에는 테스트되었으나, 정확도는 낮고 계산 복잡도가 높았습니다. 따라서 이러한 문제를 완화하기 위해 전처리가 포함된 ANN 모델이 설계되었습니다. 맑은 수질부터 탁수까지 다섯 가지 수질 상태 범주가 시각적으로 구분되며, 맞춤형 데이터셋에서 분류 정확도는 99%를 초과합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

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

이 프로토콜에서 중요한 단계는 라즈베리 파이 기반 컨트롤러 네트워크 설정입니다. 잘못된 설정은 서버와 액션 카메라 간 통신 실패를 초래합니다. 제공된 프로그램을 테스트하기 전에 서버와 액션 카메라 간의 통신을 PING 명령어로 확인해야 합니다. 제안된 모델은 임베디드 하드웨어에서 실시간으로 작동하지만, 추론 시간과 에너지 소비에 대한 정량적 측정은 평가되지 않았으며, 이는 본 연구의 범위를 벗어납니다.

제안된 프로토콜은 라즈베리 파이 네트워크와 액션 카메라를 통해 실시간 수중 이미지 분류를 위해 제공됩니다. 이 프로토콜은 어류 질병, 쓰레기 탐지, 어류 행동 탐지, 조류 모니터링 등 다양한 수중 검사에도 적용될 수 있습니다.

제안된 프로토콜의 한계는 시연된 액션 카메라에 의존한다는 점입니다. 액션 카메라의 배터리는 1080p30 연속 녹화 시 약 2.5시간 동안 지속됩니...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

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

저자들은 공개할 것이 없습니다.

감사의 글

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

저자들은 태국 카셋사르트 대학교, 인도 비슈와카르마 대학교, 미국 리젠트 대학교에 귀중한 의견, 토론, 통찰을 제공해 연구를 크게 향상시켜 주신 데 깊은 감사를 표합니다. 우리는 스리라차 카세트사르트 대학교 공학부가 연구 유닛 펀드(보조금 번호 KUSRCRU69-2001) 2026 회계연도에 대한 재정입니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
고프로 히어로 11 블랙고프로사진 촬영과 동영상 녹화를 위해
고프로 히어로 12 블랙고프로사진 촬영과 동영상 녹화를 위해
고프로 히어로 13 블랙고프로사진 촬영과 동영상 녹화를 위해
래즈버리 파이라즈베리 파이제로 2W컨트롤러
무선 라우터ZTEHG8045x5-12
이더넷 어댑터Tp-링크UE300
서버델T30
배터리 팩 12 VDC--전원 공급
DC 펌프태국 워터AW500S로봇 움직임
5V 스텝 다운--12V에서 5V로 스텝 다운
8채널 릴레이--펌프 제어
GoPro Quick 애플리케이션고프로고프로GoPro Wi-Fi 연결 테스트

참고문헌

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

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

Raspberry Pi
동영상 곧 제공

관련 논문