Methodenartikel

Realtime vijverwaterbeoordeling via embedded deep learning en visuele gegevensverwerving: een praktische monitoringsaanpak voor aquacultuur

DOI:

10.3791/69744

⸱

24 februari 2026

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

In dit artikel

Samenvatting

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

We beschrijven een protocol voor realtime waterkwaliteitsclassificatie met behulp van onderwaterbeeldverwerving, een Raspberry Pi-gebaseerd controllernetwerk en een Kunstmatig Neuraal Netwerk (ANN). De methode beschrijft systeemopzet, gegevensverzameling, preprocessing, modeltraining en implementatie. Dit waterkwaliteitsbeoordelingssysteem is bijzonder geschikt voor koifokkers en helpt optimale omstandigheden te garanderen voor gezonde vissen.

Samenvatting

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

Het behouden van optimale waterkwaliteit is essentieel in aquacultuur, vooral voor siersoorten zoals kois, waar kleurhelderheid en milieubalans direct samenhangen met gezondheid en esthetiek. Dit artikel presenteert een volledig protocol voor het ontwerpen, implementeren en exploiteren van een realtime waterkwaliteitsmonitoringsysteem gebaseerd op onderwaterbeeldclassificatie met behulp van embedded deep learning. Het voorgestelde systeem integreert een goedkope onderwatercamera met een Raspberry Pi-gebaseerd controllernetwerk in een autonome wateroppervlakterobot, waardoor het mogelijk is om aquatische beelden te maken, te verzenden en te classificeren via een lichtgewicht neuraal netwerkmodel. Vijf waterconditiecategorieën – variërend van helder tot troebel – worden visueel onderscheiden, waarbij een classificatienauwkeurigheid van meer dan 99% op een aangepaste dataset overschrijdt. Het systeem is zo ingesteld dat het autonoom draait, met continue beoordeling en visuele waarschuwingen voor verslechterende omstandigheden. Dit visuele protocol omvat apparaatassemblage, systeemkalibratie, modelimplementatie en realtime monitoringsdemonstraties. De methode ondersteunt duurzame aquacultuurpraktijken door niet-invasieve, continue evaluatie van aquatische omgevingen mogelijk te maken met betaalbare, schaalbare technologieën. De aanpak kan worden aangepast aan andere aquacultuur- of milieumonitoringscontexten met minimale aanpassingen.

Inleiding

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

Koi-vissen (Cyprinus carpio var. koi) zijn siersoorten van de gewone karper, gewaardeerd om hun levendige kleuren, karakteristieke patronen, elegante lichaamsvorm en sierlijke zwemkunst. Hun schoonheid en vloeiende bewegingen maken ze wereldwijd een favoriete keuze voor tuinvijvers en decoratieve waterpartijen.

Het handhaven van een goede waterkwaliteit in vijvers ondersteunt niet alleen het aquatische leven, maar draagt ook bij aan het verminderen van de CO2-uitstoot, waardoor het milieu ten goede komt 1,2. Het handhaven van waterkwaliteit door het volgen van vastgestelde normen voor parameters zoals pH, temperatuur, opgeloste zuurstof, zoutgehalte, ammoniak (NH3), nitraat (NO3), stikstofdioxide (NO2), ijzer (Fe) en fosfaat (PO43-) is aangetoond een ideale omgeving te creëren voor KoiFish 3. De waterkwaliteit kan inderdaad worden beoordeeld aan de hand van beelden. Visuele indicatoren zoals waterhelderheid, aanwezigheid van vuil of algen, kleur en oppervlaktetextuur4 kunnen nuttige informatie geven over de staat van het water. Bhatnagar et al. en Andrian et al. 5,6 geven richtlijnen voor vijverviskweek en stellen dat licht tot lichtgroen water binnen het acceptabele bereik voor visgroei valt. Lichtgroen tot lichtbruin helder water wordt als het gewenste bereik beschouwd, terwijl donkergroen en bruin water in het ongeschikte bereik valt voor gezonde vijveromstandigheden

In koi-vijverecosystemen omvat de uitgebreide waterkwaliteitsbeoordeling een reeks fysische, chemische en biologische parameters. Veelvoorkomende gemeten indicatoren zijn temperatuur, pH, waterhelderheid (Secchi-diepte, cm), opgeloste zuurstof (DO), totale organische stof (TOM), kooldioxide (CO₂), orthofosfaat, ammoniak, nitraat, biologische zuurstofbehoefte (BOD), totale suspensiestoffen (TSS) en chemische zuurstofbehoefte (COD). Deze parameters bieden samen een multidimensionaal profiel van aquatische gezondheid, wat zowel ecologische evaluatie als beheersbesluitvorming ondersteunt. Om de waterkwaliteit te beoordelen, zullen sensoren voor die parameters worden gebruikt in vijvers, zoals aangetoond door Hemal, Md Moniruzzaman, et al8. pH-sensor, troebelheidssensor en temperatuursensoren om de waterkwaliteit te classificeren. Parasar et al.9 presenteerden afvaldetectie en waterkwaliteitsbeoordeling in aquatische omgevingen. De in overweging genomen dataset omvat een uitgebreide verzameling zoetwatermonsters, met in totaal ongeveer 60 miljoen vermeldingen. Deze gegevens bevatten diverse eigenschappen en kwaliteitsmetingen. De eigenschappen omvatten pH-waarden, concentraties van ijzer, nitraat, chloride, lood, zink, troebelheid, fluoride, koper, sulfaat, chloor, mangaan, totaal opgeloste stoffen en het drinkbaarheidslabel, dat dient als de doelvariabele die de drinkbaarheid van water aangeeft.

Beeldgebaseerde methoden voor waterkwaliteitsclassificatie bieden een snel, kosteneffectief en schaalbaar alternatief voor traditionele laboratoriumbenaderingen. Deze methoden zijn gebaseerd op visuele aanwijzingen die kunnen worden gecorreleerd met fysieke, chemische of biologische indicatoren van waterkwaliteit. In grote lijnen kan beeldgebaseerde waterkwaliteitsmonitoring worden ingedeeld in twee categorieën: beelden van het wateroppervlak 10,11,12,13,14,15,16 en onderwaterbeelden17.

Oppervlaktebeelden leggen het zichtbare deel van waterlichamen vast en kunnen worden verkregen van grondgebaseerde camera's, drones (UAV's), vliegtuigen of satellieten. Een groot voordeel is frequente verwerving, geschikt voor trendanalyse. Een belangrijke beperking is de beperking van oppervlakzichtbare parameters; ondergrondse omstandigheden moeten indirect worden afgeleid. Onderwaterbeelden worden verzameld met ondergedompelde camera's, op afstand bediende voertuigen (ROV's) of door duikers bediende systemen. Voordelen zijn directe visualisatie van ondergrondse omstandigheden, betere detectie van zwevende materie en onderwaterorganismen. Beperkingen zijn beperkte ruimtelijke dekking, afhankelijkheid van kunstlicht in troebel of diep water, en hogere apparatuurkosten.

De classificatie van kwalitatieve onderwaterbeelden in rivieren werd voorgesteld door Zhou, Han et al.17. De classificatie gebruikt histogrammen van beeldkleuren en maakt gebruik van twee machine learning-algoritmen: K-Nearest Neighbor (KNN) en Random Forest (RF). Deze algoritmen worden gebruikt om water als acceptabel of gevaarlijk te classificeren. De nauwkeurigheid voor acceptabel water is 98,93%, en voor gevaarlijk water 95,25%. Waterkwaliteitsmonitoring is uitgebreid onderzocht met behulp van op het Internet of Things (IoT)-gebaseerde architecturen die continue waarneming, datatransmissiemogelijk maken. Gerelateerde studies hebben ook aangetoond dat sensorgestuurde monitoring en milieuinterventies kunnen bijdragen aan het verminderen van stedelijke hitte-eilandeffecten en het verbeteren van het binnentemperatuur 7,8,9,10,11,12,13,14,15,16,17,18 ,19,20,21,22,23,24. Dit voorgestelde protocol beschrijft een realtime systeem voor het monitoren van de waterkwaliteit van koi-vijvers door onderwaterbeelden te maken met een actiecamera met een ingebouwd netwerk en watercondities te classificeren met behulp van een kunstmatig neuraal netwerk (ANN). De ANN wordt gebruikt omdat het weinig rekenkracht vereist, waardoor het geschikt is voor realtime implementatie.

figure-introduction-1
Figuur 1: Blokdiagram van de voorgestelde realtime methodologie voor de beoordeling van vijverwater: Dit diagram geeft het stapsgewijze proces weer, van dataverzameling tot analyse, en toont het algemene kader voor het monitoren van waterkwaliteit in realtime. Vijf soorten waterkwaliteitsomstandigheden, aangeduid als T1, T2, T3, T4 en T5, werden verzameld. T1: Afbeeldingen van zoet water dat onlangs door een lokale zoetwaterleverancier is geleverd voor de 4 kubieke meter grote koi-vijver waar 17 kleine koi-vissen leven. T2: Beelden van de 15 kubieke meter grote Koi-vijver met 12 grote Koi-vissen, elk ongeveer 60-80 cm lang. Het water in deze vijver is vrij helder, maar er zijn ook wat drijvende algen. T3: Beelden van de 35 kubieke meter grote Koi-vijver met 18 grote Koi-vissen, elk ongeveer 60-70 cm lang. Het vijverwater is schoon, met een lichtgroene kleur die binnen het optimale bereik voor visgroeiligt 5,6. T4: Afbeeldingen van bruin gekleurd water afkomstig uit een afvalwaterzuiveringspoel. T5: Afbeeldingen van bruin gekleurd water verzameld uit het filtersysteem van de 35 kubieke meter grote vijver, met afval geproduceerd door Kois. Klik hier om een grotere versie van deze figuur te bekijken.

Voortbouwend op deze vooruitgang presenteert dit artikel een compleet protocol voor het ontwerpen, configureren, implementeren en exploiteren van een realtime waterkwaliteitsmonitoringsysteem gebaseerd op onderwaterbeeldclassificatie met behulp van embedded deep learning. Een blokdiagram van het voorgestelde protocol is weergegeven in Figuur 1, dat het systeemontwerp, de configuratie, de inzet en de classificatie van waterkwaliteit in vijf verschillende categorieën illustreert. Het protocol stelt telers en vijverbeheerders in staat om de waterkwaliteit te beoordelen door onderwaterkleurkenmerken te analyseren die ter plaatse zijn vastgelegd.

Het voorgestelde systeem integreert een goedkope onderwateractiecamera met een Raspberry Pi-gebaseerd controllernetwerk dat wordt ingezet op een autonome oppervlaktewaterrobot, zoals geïllustreerd in Figuur 2. Deze configuratie maakt beeldacquisitie, draadloze transmissie en realtime classificatie mogelijk met behulp van een lichtgewicht kunstmatig neuraal netwerk (ANN). Actiecamera's werden gekozen vanwege hun waterbestendigheid op dieptes tot 10 meter, hoge resolutie stilstaande beelden en draadloze interfaces aan boord. Bluetooth-connectiviteit wordt gebruikt voor camera-initialisatie en basisbesturing, terwijl Wi-Fi snelle dataoverdracht ondersteunt. Directe draadloze communicatie onder water met radiofrequente elektromagnetische golven is echter onpraktisch vanwege ernstige signaalverzwakking in water25.

Om deze beperking aan te pakken, maakt het systeem gebruik van een hybride netwerktopologie bestaande uit twee Raspberry Pi Zero 2W-units, een draadloze router en een server, zoals weergegeven in Figuur 2. Eén Raspberry Pi-unit is gemonteerd op een batterij-aangedreven oppervlakterobot die de vijver navigeert naar aangewezen bemonsteringslocaties, terwijl de tweede unit direct aansluit bij de onderwatercamera. Als alternatief kan het systeem in een stationaire configuratie worden ingezet door camera-units handmatig op vaste vijverlocaties te plaatsen, waardoor robotnavigatie overbodig wordt. Prototypes van de autonome oppervlakterobot en het onderwatercamera-controllernetwerk zijn weergegeven in Figuur 3, en de algemene workflow van de waterkwaliteitsclassificatiemethode wordt geïllustreerd in Figuur 4.

figure-introduction-2
Figuur 2: Netwerktopologie van het IoT-gebaseerde waterbeoordelingssysteem: Het schema illustreert hoe apparaten met elkaar verbonden zijn, en benadrukt de communicatie tussen camera's, Raspberry Pi-units en de centrale server. Klik hier om een grotere versie van deze figuur te bekijken.

figure-introduction-3
Figuur 3: Prototyperobot geïntegreerd met een Raspberry Pi-cameranetwerk: De figuur toont de fysieke assemblage van de robot uitgerust met boordsensor- en beeldvormingsunits voor veldinzet. Klik hier om een grotere versie van deze figuur te bekijken.

figure-introduction-4
Figuur 4: Stroomdiagram van de voorgestelde methode: Toont het stroomdiagram van de voorgestelde methode, dat bestaat uit gegevensverzameling, voorbewerking, training en realtime classificatie. Klik hier om een grotere versie van deze figuur te bekijken.

Een kunstmatig neuraal netwerk wordt gebruikt voor beeldclassificatie vanwege de lage rekencomplexiteit en geschiktheid voor realtime embedded implementatie. Samen biedt het voorgestelde protocol een praktisch en schaalbaar kader voor realtime monitoring van koi-vijverwaterkwaliteit met behulp van embedded deep learning en visuele gegevensverzameling.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

OPMERKING: De broncodes die in deze studie zijn gebruikt, zijn beschikbaar in de volgende GitHub-repository: https://github.com/prawit-chu/Real-Time-Pond-Water-Assessment-via-Embedded-Deep-Learning-and-Visual-Data-Acquisition

1. Apparatuuropstelling

  1. Stel het Raspberry Pi-gebaseerde controllernetwerk op (de robot en de actiecamera).
  2. Zet een server op met het Ubuntu v24.04 LTS-besturingssysteem.

2. Actie Camera Setup

  1. Stel het standaard IP-adres in (10.5.5.9) en het netwerkmasker (255.0.0.0).
    OPMERKING: Tabel 1 toont de toegewezen IP-adressen voor verbonden apparaten in het IoT-netwerk.
  2. Stel Wi-Fi SSID en pre-shared key (PSK) in om de actiecamera als Wi-Fi access point in te stellen.
    1. Om Wi-Fi SSID (naam) en PSK (wachtwoord) te vinden, veeg naar beneden op het actiescherm en ga vervolgens naar Voorkeuren → Draadloze Verbindingen→ CAMERA-INFORMATIE.
    2. Om van band te veranderen, selecteer in het menu Wireless Connections Wi-Fi Band en kies 2,4 GHz voor verbinding met een Raspberry Pi Zero 2W.
    3. Controleer de connectiviteit via de Wi-Fi-interface van de actiecamera door een cameraapplicatie te gebruiken om verbinding te maken met de actiecamera. Een voorbeeld van zo'n applicatie is de GoPro Quik-app.

3. Draadloze routeropstelling

  1. Voeg routes 192.168.2.0/24 en 10.0.0.0/8 toe. Het doorstuurrouteradres voor beide routes is 192.168.1.99.
  2. Configureer port forwarding als internettoegang tot de actiecamera vereist is. Raadpleeg de handleiding van de router voor configuratiedetails. De poortdoorstuur moet ingesteld zijn op 8080, wat de webserverpoort is die door de actiecamera wordt gebruikt.

4. Raspberry Pi Zero 2W (2) in waterdichte behuizing

  1. Installeer het Raspberry Pi v6.12 besturingssysteem.
  2. Stel Wi-Fi SSID en PSK in om verbinding te maken met de actiecamera met het commando "nmtui".
  3. Configureer het IP-adres en het netmasker van de Wi-Fi-interface gevolgd door de ethernetinterface zoals weergegeven in Tabel 1 met het commando "nmtui".
  4. Configureer Network Address Translation (NAT) en stel een standaardroute in met 192.168.1.2 als forwarding-router om communicatie tussen netwerken mogelijk te maken.

5. Raspberry Pi Zero 2W (1) in Robotunit

  1. Installeer het Raspberry Pi v6.12 besturingssysteem.
  2. Stel Wi-Fi SSID en PSK in om verbinding te maken met de thuis- of kantoorrouter met het commando "nmtui".
  3. Voeg route 10.0.0.0/8 toe via 192.168.2.2. Het adres van de doorstuurrouter is 192.168.2.2.
  4. Stel een standaardroute in met 192.168.1.1 als forwarding-router om communicatie tussen netwerken mogelijk te maken

6. Serveropstelling

  1. Configureer Wi-Fi SSID en PSK om verbinding te maken met de thuis- of kantoorrouter via de GUI-netwerkinstelling.
  2. Wijs een IP-adres toe aan de server via DHCP of handmatige configuratie.
  3. Voeg routes toe aan 192.168.2.0/24 en 10.0.0.0/8 voor connectiviteit met Raspberry Pi-units en de actiecamera, respectievelijk. Het forward-routeradres voor beide routes is 192.168.1.99.

7. Communicatietesten

  1. Op de Raspberry Pi Zero 2W (2) in waterdichte behuizing voer je python3 enable_wifi_ap.py uit om de Wi-Fi van de actiecamera te activeren.
  2. Op de Raspberry Pi Zero 2W voer je het iwconfig-commando uit om te controleren of Wi-Fi actief is en bevestig je succesvolle communicatie met de actiecamera.
  3. Voer op de server het commando "ping 10.5.5.9" uit en bevestig de verwachte "Destination port unreachable" reactie.

8. Datasetverzameling

  1. Nadat de communicatie tot stand is gekomen, voer je "python3 collect_dataset.py T N" uit. (getest met OpenCV v4.12.0)
  2. Vervang T door het watertype (T1-T5) en N door het aantal beelden dat verzameld moet worden.
  3. Naverwerking en Sla de verzamelde dataset op de server op voor verdere voorverwerking (Tabel 2)

figure-protocol-1
Figuur 5: Vereenvoudigde CNN-modelarchitecturen gebruikt voor initiële training: Presenteert geabstraheerde neurale netwerkstructuren toegepast als basismodellen. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-2
Figuur 6: Vooraf getrainde deep learning-modellen gebruikt in de studie: Toont transfer learning-architecturen die worden ingezet voor classificatietaken. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-3
Figuur 7: Kunstmatige Neurale Netwerken (ANN) architecturen: Toont aangepaste ANN-configuraties die zijn ontworpen om de classificatieprestaties van waterbeelden te evalueren. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-4
Figuur 8: Genormaliseerd grijswaardig histogram van voorbeelddatasetbeelden: Geeft distributiekenmerken van pixelintensiteiten over representatieve invoermonsters. Klik hier om een grotere versie van deze figuur te bekijken.

9. Deep Learning Training

OPMERKING: De vereenvoudigde CNN-baselines, voorgetrainde modellen en ANN-architecturen die in deze studie zijn gebruikt, zijn respectievelijk geïllustreerd in de Figuren 5-8.

  1. Plaats het verzamelde datasetbestand in de map "V2".
  2. Maak een histogram van afbeeldingen door python3 histogram_gen.py te draaien (getest met OpenCV v4.12.0 en CSV v1.0).
  3. Train het model door python3 ann_training.py uit te voeren. Het door ANN getrainde model wordt opgeslagen in ann_model.keras (getest met tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 en CSV v1.0).
  4. Evalueer de verwarringsmatrix door python3 confusion_matrix.py te draaien met het getrainde model ann_model.keras uit sectie 9.3. Zorg ervoor dat het ann_model.keras-bestand in de huidige map is geplaatst (getest met tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 en CSV v1.0).

10. Realtime Deep Learning Classificatie

  1. Sla het getrainde ann_model.keras-bestand op in de classificatiemap.
  2. Classificeer realtime waterkwaliteit door het commando "python3 ann_predict.py" uit te voeren. Deze output toont de GUI met de vastgelegde afbeelding en het geclassificeerde watertype.
    OPMERKING: Het voorbeeld is weergegeven in Figuur 12 (rechter paneel) (getest met tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 en CSV v1.0).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

De dataset werd verdeeld in onafhankelijke trainings-, validatie- en testsubsets. De modelprestaties werden tijdens de training gemonitord op de validatieset, en de uiteindelijke evaluatie werd uitgevoerd met behulp van een vastgehouden testdataset met eerder onvertoonde beelden. Consistente prestaties tussen validatie- en testsets duidt op stabiele generalisatie.

Voor realtime waterkwaliteitsclassificatie werden aanvankelijk vereenvoudigde CNN-modellen en voo...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

Een cruciale stap in dit protocol is de op Raspberry Pi gebaseerde controllernetwerkinstelling. Verkeerde instellingen zorgen ervoor dat de server en de actiecamera niet kunnen communiceren. Voordat de geleverde programma's worden getest, moet de communicatie tussen de server en de actiecamera worden geverifieerd met een PING-commando. Hoewel het voorgestelde model in realtime werkt op embedded hardware, zijn kwantitatieve metingen van inferentietijd en energieverbruik niet geëvalueerd e...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De auteurs hebben niets te onthullen.

Dankbetuigingen

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

De auteurs willen hun dank uitspreken aan Kasetsart University, Thailand, Vishwakarma University, India en Regent University, VS voor hun nuttige opmerkingen, discussies en inzichten die ons onderzoek aanzienlijk hebben verbeterd. Wij erkennen dankbaar de steun die is geboden door de Faculteit Techniek van Sriracha, Kasetsart University, via het Research Unit Fund (subsidienummer KUSRCRU69-2001) voor het fiscale jaar 2026.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
GoPro Hero 11 BlackGoProvoor het maken van foto's en video's opnemen
GoPro Hero 12 BlackGoProvoor het maken van foto's en video's opnemen
GoPro Hero 13 BlackGoProvoor het maken van foto's en video's opnemen
Raspbery PIRaspberry PIZero 2WController
Wireless RouterZTEHG8045x5-12
Ethernet adaptorsTp-linkUE300
ServerDellT30
Battery Pack 12 VDC--Voeding
DC pompThai WaterAW500Srobot beweging
5V stap Down--Stap down van 12V naar 5V
8-kanaals Relai--Controle pompen
GoPro Quick applicationGoProGoProvoor het testen GoPro Wi-Fi verbinding

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

AquacultuurmonitoringOnderwaterbeeldclassificatieWaterkwaliteitsmonitoringRaspberry Pi controllerAutonome WaterrobotEvaluatie van Aquatische OmgevingenReal time Monitoring
Video binnenkort beschikbaar

Gerelateerde artikelen