Artykuł metodologiczny

Ocena wody w stawach w czasie rzeczywistym za pomocą wbudowanego głębokiego uczenia i wizualnego pozyskiwania danych: praktyczne podejście do monitorowania akwakultury

DOI:

10.3791/69744

⸱

24 lutego 2026

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

W tym artykule

Podsumowanie

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

Opisujemy protokół klasyfikacji jakości wody w czasie rzeczywistym z wykorzystaniem podwodnego pozyskiwania obrazów, sieci kontrolerów opartej na Raspberry Pi oraz sztucznej sieci neuronowej (ANN). Metoda szczegółowo opisuje konfigurację systemu, zbieranie danych, wstępne przetwarzanie, trenowanie modelu oraz wdrożenie. Ten system oceny jakości wody jest szczególnie odpowiedni dla hodowców koi, pomagając zapewnić optymalne warunki dla zdrowych ryb.

Streszczenie

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

Utrzymanie optymalnej jakości wody jest kluczowe w akwakulturze, szczególnie dla gatunków ozdobnych, takich jak koi, gdzie klarowność kolorów i równowaga środowiskowa są bezpośrednio powiązane ze zdrowiem i estetyką. Ten artykuł przedstawia kompletny protokół projektowania, wdrażania i obsługi systemu monitorowania jakości wody w czasie rzeczywistym opartego na klasyfikacji obrazów podwodnych z wykorzystaniem wbudowanego głębokiego uczenia. Proponowany system integruje niskokosztową kamerę podwodną z siecią kontrolerów opartą na Raspberry Pi w autonomicznym robocie powierzchni wody, umożliwiając przechwytywanie, przesyłanie i klasyfikację obrazów wodnych za pomocą lekkiego modelu sieci neuronowej. Wizualnie wyróżnia się pięć kategorii warunków wodnych – od przejrzystych po mętne – a dokładność klasyfikacji przekracza 99% na niestandardowym zbiorze danych. System jest skonfigurowany do autonomicznego działania, oferując ciągłą ocenę i wizualne alerty pogarszające się stany. Ten protokół wizualny obejmuje składanie urządzeń, kalibrację systemu, wdrażanie modeli oraz demonstracje monitoringu w czasie rzeczywistym. Metoda wspiera zrównoważone praktyki akwakultury, umożliwiając nieinwazyjną, ciągłą ocenę środowisk wodnych z wykorzystaniem przystępnych cenowo i skalowalnych technologii. Podejście to można dostosować do innych kontekstów akwakultury lub monitoringu środowiskowego przy minimalnych modyfikacjach.

Wprowadzenie

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

Koi (Cyprinus carpio var. koi) to ozdobne odmiany karpia zwyczajnego, cenione za żywe kolory, charakterystyczne wzory, elegancką sylwetkę i płynne umiejętności. Ich piękno i płynne ruchy sprawiają, że są ulubionym wyborem do stawów ogrodowych i dekoracyjnych elementów wodnych na całym świecie.

Utrzymanie dobrej jakości wody w stawach nie tylko wspiera życie wodne, ale także przyczynia się do redukcji emisji dwutlenku węgla, co przynosi korzyści środowisku 1,2. Utrzymanie jakości wody poprzez przestrzeganie ustalonych standardów takich jak pH, temperatura, rozpuszczony tlen, zasolenie, amoniak (NH3), azotan (NO3), dwutlenek azotu (NO2), żelazo (Fe) i fosforan (PO43-) stwarza idealne warunki dla koi3. Jakość wody rzeczywiście można ocenić za pomocą obrazów. Wizualne wskaźniki, takie jak przejrzystość wody, obecność zanieczyszczeń lub glonów, kolor oraz tekstura powierzchni4, mogą dostarczyć cennych informacji o stanie wody. Bhatnagar i in. oraz Andrian i in. 5,6 przedstawiają wytyczne dotyczące hodowli ryb stawowych, stwierdzając, że woda od jasnozielonej do jasnej jest dopuszczalna dla wzrostu ryb. Jasnozielona do jasnobrązowa, przejrzysta woda uważana jest za pożądany zakres, natomiast ciemnozielona i brązowa woda spada do zakresu nieodpowiedniego dla zdrowych warunków stawowych

W ekosystemach stawów koi kompleksowa ocena jakości wody obejmuje szereg parametrów fizycznych, chemicznych i biologicznych. Najczęściej mierzone wskaźniki to temperatura, pH, jasność wody (głębokość Secchiego, cm), rozpuszczony tlen (DO), całkowita materia organiczna (TOM), dwutlenek węgla (CO₂), ortofosforany, amoniak, azotany, biologiczne zapotrzebowanie na tlen (BOD), całkowite zawiesione substancje stałe (TSS) oraz chemiczne zapotrzebowanie na tlen (COD). Te parametry łącznie tworzą wielowymiarowy profil zdrowia wodnego, wspierając zarówno ocenę ekologiczną, jak i podejmowanie decyzji zarządczych7. Aby ocenić jakość wody, w stawach zostaną zastosowane czujniki dla tych parametrów, co wykazali Hemal, Md Moniruzzaman i in.8. Czujnik pH, czujnik mętności oraz czujniki temperatury do klasyfikacji jakości wody. Parasar i in.9 przedstawili wykrywanie odpadów i ocenę jakości wody w środowiskach wodnych. Rozpatrywany zbiór danych obejmuje obszerną kolekcję próbek słodkiej wody, łącznie około 60 milionów wpisów. Te zapisy obejmują różnorodne cechy i pomiary jakości. Do tych cech należą poziomy pH, stężenia żelaza, azotanów, chlorków, ołowiu, cynku, mętności, fluorków, miedzi, siarczanów, chloru, manganu, całkowitych substancji rozpuszczonych oraz etykieta Potability, która służy jako zmienna docelowa wskazująca na mocność wody.

Metody klasyfikacji jakości wody oparte na obrazach oferują szybką, opłacalną i skalowalną alternatywę dla tradycyjnych metod laboratoryjnych. Metody te opierają się na sygnałach wizualnych, które można powiązać z fizycznymi, chemicznymi lub biologicznymi wskaźnikami jakości wody. Ogólnie rzecz biorąc, monitorowanie jakości wody oparte na obrazach można podzielić na dwie kategorie: obrazy powierzchni wody 10,11,12,13,14,15,16 oraz zdjęcia podwodne17.

Obrazowanie powierzchniowe rejestruje widoczną część zbiorników wodnych i może być uzyskane z naziemnych kamer, dronów (UAV), samolotów lub satelitów. Główną zaletą jest częste pozyskiwanie, odpowiednie do analizy trendów. Istotnym ograniczeniem jest ograniczenie do parametrów widocznych na powierzchni; warunki podpowierzchniowe muszą być wnioskowane pośrednio. Zdjęcia podwodne są zbierane za pomocą kamer podwodnych, zdalnie sterowanych pojazdów (ROV) lub systemów sterowanych przez nurków. Zaletą jest bezpośrednia wizualizacja warunków podpowierzchniowych, lepsze wykrywanie zawieszonej materii i organizmów podwodnych. Ograniczenia to ograniczony zasięg przestrzenny, zależność od sztucznego oświetlenia w mętnych lub głębokich wodach oraz wyższe koszty sprzętu.

Klasyfikacja jakościowych obrazów podwodnych w rzekach została zaproponowana przez Zhou, Hana i in.17. Klasyfikacja wykorzystuje histogramy kolorów obrazów i wykorzystuje dwa algorytmy uczenia maszynowego: K-Nearest Neighbor (KNN) oraz Random Forest (RF). Algorytmy te służą do klasyfikacji wody jako akceptowalnej lub niebezpiecznej. Dokładność dla wody akceptowalnej wynosi 98,93%, a dla wody niebezpiecznej – 95,25%. Monitorowanie jakości wody było szeroko badane przy użyciu architektur opartych na Internecie Rzeczy (IoT), które umożliwiają ciągłe wykrywanie, transmisję danych 18,19,20,21,22 oraz zdalną analizę środowisk wodnych. Powiązane badania wykazały również, że monitorowanie oparte na czujnikach i interwencje środowiskowe mogą przyczynić się do łagodzenia skutków miejskich wysp cieplnych oraz poprawy komfortu termicznego w pomieszczeniach 7,8,9,10,11,12,13,14,15,16,17,18 ,19,20,21,22,23,24. Proponowany protokół opisuje system w czasie rzeczywistym monitorującego jakość wody w stawach koi poprzez pozyskiwanie podwodnych obrazów za pomocą kamery akcji z wbudowaną siecią oraz klasyfikację warunków wodnych za pomocą sztucznej sieci neuronowej (ANN). ANN jest stosowany, ponieważ wymaga niewielkich zasobów obliczeniowych, co czyni go odpowiednim do implementacji w czasie rzeczywistym.

figure-introduction-1
Rysunek 1: Schemat blokowy proponowanej metodologii oceny wody w stawach w czasie rzeczywistym: Ten diagram przedstawia etapowy proces, od zbierania danych do analizy, pokazując ogólne ramy monitorowania jakości wody w czasie rzeczywistym. Zebrano pięć typów warunków jakości wody, oznaczonych jako T1, T2, T3, T4 i T5. T1: Zdjęcia świeżej wody niedawno dostarczonej przez lokalnego dostawcę słodkiej wody dla stawu Koi o powierzchni 4 metrów sześciennych, w którym mieszka 17 małych ryb Koi. T2: Zdjęcia ze stawu Koi o powierzchni 15 metrów sześciennych zawierającego 12 dużych ryb Koi, każda o długości około 60-80 cm. Woda w tym stawie jest dość przejrzysta, ale są tam unoszące się glony. T3: Zdjęcia ze stawu koi o powierzchni 35 metrów sześciennych z 18 dużymi rybami koi, każda o długości około 60-70 cm. Woda w stawie jest czysta, o jasnozielonym zabarwieniu, które mieści się w optymalnym zakresie wzrostu ryb 5,6. T4: Zdjęcia brązowej wody wykonane ze stawu oczyszczania ścieków. T5: Zdjęcia brązowej wody zebranej z systemu filtracyjnego stawu o pojemności 35 metrów sześciennych, zawierającej odpady produkowane przez Kois. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Bazując na tych postępach, niniejszy artykuł przedstawia kompletny protokół projektowania, konfigurowania, wdrażania i obsługi systemu monitorowania jakości wody w czasie rzeczywistym opartego na klasyfikacji obrazów podwodnych z wykorzystaniem wbudowanego głębokiego uczenia. Diagram blokowy proponowanego protokołu przedstawiono na Rysunku 1, ilustrujący projekt, konfigurację, wdrożenie i klasyfikację jakości wody w pięciu odrębnych kategoriach. Protokół umożliwia hodowcom i zarządcom stawów ocenę jakości wody poprzez analizę cech koloru podwodnego wychwytywanego na miejscu.

Proponowany system integruje tanią podwodną kamerę akcji z siecią kontrolerów opartą na Raspberry Pi, rozmieszczoną na autonomicznym robocie wodnem na powierzchni, jak pokazano na Rysunku 2. Ta konfiguracja umożliwia akwizycję obrazów, bezprzewodową transmisję oraz klasyfikację w czasie rzeczywistym za pomocą lekkiej sztucznej sieci neuronowej (ANN). Kamery akcji wybrano ze względu na wodoodporność na głębokości do 10 m, wysokorozdzielcze przechwytywanie zdjęć oraz bezprzewodowe interfejsy pokładowe. Łączność Bluetooth służy do inicjalizacji kamery i podstawowej kontroli, natomiast Wi-Fi obsługuje szybki transfer danych. Jednak bezpośrednia podwodna komunikacja bezprzewodowa z użyciem fal elektromagnetycznych o częstotliwości radiowej jest niepraktyczna ze względu na poważne tłumienie sygnału w wodzie25.

Aby rozwiązać to ograniczenie, system wykorzystuje hybrydową topologię sieci składającą się z dwóch jednostek Raspberry Pi Zero 2W, bezprzewodowego routera i serwera, jak pokazano na Rysunku 2. Jedna jednostka Raspberry Pi jest zamontowana na zasilanym bateriami robocie powierzchniowym, który prowadzi staw do wyznaczonych miejsc pobierania próbek, podczas gdy druga jednostka łączy się bezpośrednio z kamerą podwodną. Alternatywnie, system może być wdrażany w konfiguracji stacjonarnej poprzez ręczne umieszczanie kamer w stałych miejscach przy stawie, eliminując potrzebę nawigacji robotycznej. Prototypy autonomicznego robota powierzchniowego oraz podwodnej sieci kamer-kontroler przedstawiono na Rysunku 3, a ogólny przebieg pracy metody klasyfikacji jakości wody przedstawiono na Rysunku 4.

figure-introduction-2
Rysunek 2: Topologia sieci systemu oceny wody opartego na IoT: Schemat ilustruje, jak urządzenia są połączone, podkreślając komunikację między kamerami, jednostkami Raspberry Pi a centralnym serwerem. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-introduction-3
Rysunek 3: Prototyp robota zintegrowany z siecią kamer Raspberry Pi: Rysunek pokazuje fizyczny montaż robota wyposażonego w pokładowe urządzenia czujnikowe i obrazujące do rozmieszczenia w terenie. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-introduction-4
Rysunek 4: Diagram przepływu proponowanej metody: Przedstawia diagram przepływu proponowanej metody, który obejmuje zbieranie danych, wstępne przetwarzanie, trening oraz klasyfikację w czasie rzeczywistym. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Sztuczna sieć neuronowa jest wykorzystywana do klasyfikacji obrazów ze względu na niską złożoność obliczeniową i przydatność do wdrożenia w czasie rzeczywistym w osadzeniu. Razem proponowany protokół zapewnia praktyczne i skalowalne ramy do monitorowania jakości wody w stawach koi w czasie rzeczywistym z wykorzystaniem wbudowanego głębokiego uczenia i wizualnego pozyskiwania danych.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

UWAGA: Kody źródłowe użyte w tym badaniu są dostępne w następującym repozytorium GitHub: https://github.com/prawit-chu/Real-Time-Pond-Water-Assessment-via-Embedded-Deep-Learning-and-Visual-Data-Acquisition

1. Konfiguracja sprzętu

  1. Ustaw sieć kontrolerów opartą na Raspberry Pi (robot i kamera akcji).
  2. Ustaw serwer z systemem operacyjnym Ubuntu v24.04 LTS.

2. Ustawienie kamery akcji

  1. Ustaw domyślny adres IP (10.5.5.9) i maskę sieci (255.0.0.0).
    UWAGA: Tabela 1 pokazuje przypisane adresy IP dla podłączonych urządzeń w sieci IoT.
  2. Konfiguruj SSID Wi-Fi i klucz udostępniony (PSK), aby ustawić kamerę akcji jako punkt dostępu Wi-Fi.
    1. Aby znaleźć SSID Wi-Fi (imię) i PSK (hasło), przesuń w dół ekran akcji, a następnie przejdź do Preferencji → Połączenia bezprzewodowe→ INFORMACJE o KAMERZE.
    2. Aby zmienić pasmo, w menu Połączenia bezprzewodowe wybierz pasmo Wi-Fi i wybierz 2,4 GHz do połączenia z Raspberry Pi Zero 2W.
    3. Sprawdź łączność za pomocą interfejsu Wi-Fi kamery akcji, korzystając z aplikacji kamery do połączenia z kamerą akcji. Przykładem takiej aplikacji jest aplikacja GoPro Quik.

3. Konfiguracja routera bezprzewodowego

  1. Dodaj linie 192.168.2.0/24 oraz 10.0.0.0/8. Adres routera przekierowującego dla obu tras to 192.168.1.99.
  2. Konfiguruj przekierowanie portów, jeśli wymagany jest dostęp do kamery akcji przez internet. Szczegóły konfiguracji znajdziesz w instrukcji routera. Przekierowanie portów powinno być ustawione na 8080, czyli port serwera sieciowego używany przez kamerę akcji.

4. Raspberry Pi Zero 2W (2) w wodoodpornej obudowie

  1. Zainstaluj system Raspberry Pi v6.12.
  2. Skonfiguruj SSID Wi-Fi i PSK, aby połączyć się z kamerą akcji za pomocą komendy "nmtui".
  3. Skonfiguruj adres IP i netmaskę interfejsu Wi-Fi, a następnie interfejs ethernet, jak pokazano w Tabeli 1 , za pomocą polecenia "nmtui".
  4. Konfiguruj tłumaczenie adresów sieciowych (NAT) i ustaw domyślną trasę z użyciem 192.168.1.2 jako routera przekierowania, aby umożliwić komunikację między sieciami.

5. Raspberry Pi Zero 2W (1) w jednostce robotycznej

  1. Zainstaluj system Raspberry Pi v6.12.
  2. Konfiguruj SSID Wi-Fi i PSK, aby połączyły się z routerem domowym lub biurowym, używając polecenia "nmtui".
  3. Dodaj linię 10.0.0.0/8 przez 192.168.2.2. Adres routera przekierowującego to 192.168.2.2.
  4. Ustaw domyślną trasę z użyciem 192.168.1.1 jako routera przekierowania, aby umożliwić komunikację między sieciami

6. Konfiguracja serwera

  1. Skonfiguruj SSID Wi-Fi i PSK, aby połączyć się z routerem domowym lub biurowym, korzystając z ustawień sieci GUI.
  2. Przypisz serwerowi adres IP przez DHCP lub konfigurację ręczną.
  3. Dodaj trasy do 192.168.2.0/24 i 10.0.0.0/8, aby zapewnić łączność z urządzeniami Raspberry Pi i kamerą akcji. Adres routera forward dla obu tras to 192.168.1.99.

7. Testowanie komunikacji

  1. Na Raspberry Pi Zero 2W (2) w wodoodpornej obudowie uruchom python3 enable_wifi_ap.py, aby aktywować Wi-Fi kamery akcji.
  2. W Raspberry Pi Zero 2W uruchom polecenie iwconfig , aby zweryfikować aktywne Wi-Fi i potwierdzić skuteczną komunikację z kamerą akcji.
  3. Na serwerze uruchom polecenie "ping 10.5.5.9" i potwierdź oczekiwaną odpowiedź "Destination port unreachable".

8. Zbieranie zbiorów danych

  1. Po nawiązaniu komunikacji wykonaj "python3 collect_dataset.py T N". (testowane z OpenCV v4.12.0)
  2. Zastąp T typem wody (T1-T5) oraz N liczbą obrazów do zebrania.
  3. Postprocessing i zapisz zebrany zbiór danych na serwerze do dalszego wstępnego przetwarzania (Tabela 2)

figure-protocol-1
Rysunek 5: Uproszczone architektury modeli CNN używane do początkowego treningu: Przedstawia abstrakcyjne struktury sieci neuronowych stosowane jako modele bazowe. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-protocol-2
Rysunek 6: Wstępnie wytrenowane modele głębokiego uczenia wykorzystane w badaniu: Przedstawia architektury transferowego uczenia wykorzystywane do zadań klasyfikacyjnych. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-protocol-3
Rysunek 7: Architektury sztucznych sieci neuronowych (ANN): Pokazuje dostosowane konfiguracje ANN stworzone do oceny wydajności klasyfikacji obrazów wodnych. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-protocol-4
Rysunek 8: Znormalizowany histogram w skali szarości obrazów z zestawu danych: Przedstawia charakterystyki rozkładu intensywności pikseli pomiędzy reprezentatywnymi próbkami wejściowymi. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

9. Szkolenie z głębokiego uczenia

UWAGA: Uproszczone bazy CNN, modele wstępnie wytrenowane oraz architektury ANN użyte w tym badaniu zostały zilustrowane odpowiednio na Rysunkach 5-8.

  1. Umieść zebrany plik zbioru danych w katalogu "V2".
  2. Utwórz histogram obrazów, uruchamiając python3 histogram_gen.py (testowane w OpenCV v4.12.0 i CSV v1.0).
  3. Wytrenuj model, wykonując python3 ann_training.py. Wytrenowany model ANN będzie przechowywany w ann_model.keras (testowany za pomocą tensorflow v2.19.0, sklearn v.6.1, OpenCV v4.12.0 oraz CSV v1.0).
  4. Oceń macierz pomyłek, uruchamiając python3 confusion_matrix.py korzystając z wytrenowanego modelu ann_model.keras z sekcji 9.3. Upewnij się, że plik ann_model.keras jest umieszczony w aktualnym katalogu (testowanym tensorflow v2.19.0, sklearn v.1.6.1, OpenCV v4.12.0 i CSV v1.0).

10. Klasyfikacja uczenia głębokiego w czasie rzeczywistym

  1. Zapisz wytrenowany plik ann_model.keras w katalogu klasyfikacji.
  2. Klasyfikuj jakość wody w czasie rzeczywistym, uruchamiając polecenie "python3 ann_predict.py". To wyjście wyświetli interfejs graficzny zawierający przechwycony obraz oraz klasyfikowany typ wody.
    UWAGA: Przykład przedstawiono na Rysunku 12 (prawy panel) (Testowane za pomocą tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 i CSV v1.0).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Zbiór danych podzielono na niezależne podzbiory treningowe, walidacyjne i testowe. Wydajność modelu była monitorowana na zestawie walidacyjnym podczas treningu, a ostateczna ocena przeprowadzono na podstawie zestawu danych testowych zawierającego wcześniej niewidziane obrazy. Spójna wydajność w zestawach walidacyjnych i testowych wskazuje na stabilne uogólnienie.

Do klasyfikacji jakości wody w czasie rzeczywistym początkowo testowano uproszczone modele CNN oraz wstępnie wytrenowane sieci (Ince...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

Kluczowym krokiem w tym protokole jest ustawienie sieci sieciowej opartej na kontrolerze Raspberry Pi. Nieprawidłowe ustawienia powodują brak komunikacji między serwerem a kamerą akcji. Przed testowaniem udostępnionych programów komunikacja między serwerem a kamerą akcji powinna być weryfikowana za pomocą polecenia PING. Chociaż proponowany model działa w czasie rzeczywistym na sprzęcie wbudowanym, ilościowe pomiary czasu wnioskowania i zużycia energii nie zostały ocenione i wykraczają poza zakres tego badania.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy nie mają nic do ujawnienia.

Podziękowania

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

Autorzy pragną wyrazić wdzięczność Uniwersytetowi Kasetsart w Tajlandii, Uniwersytecie Vishwakarma w Indiach oraz Regent University w USA za pomocne komentarze, dyskusje i spostrzeżenia, które znacznie poprawiły nasze badania. Z wdzięcznością dziękujemy za wsparcie udzielane przez Wydział Inżynierii Sriracha, Uniwersytet Kasetsart, poprzez Fundusz Jednostki Badawczej (Grant nr KUSRCRU69-2001) za rok fiskalny 2026.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
GoPro Hero 11 BlackGoProDo robienia zdjęć i nagrywania filmów
GoPro Hero 12 BlackGoProDo robienia zdjęć i nagrywania filmów
GoPro Hero 13 BlackGoProDo robienia zdjęć i nagrywania filmów
Raspbery PIRaspberry PIZero 2WKontroler
Router bezprzewodowyZTEHG8045x5-12
Adaptery EthernetTp-linkUE300
SerwerDellT30
Pakiet baterii 12 VDC--Zasilacz
Pompa prądu stałegoThai WaterAW500SRuch robotów
5V step down--Zejdź z 12V do 5V
Przekaźnik 8-kanałowy--Sterowanie pompami
Aplikacja GoPro QuickGoProGoProdo testowania połączenia Wi-Fi GoPro

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Monitorowanie akwakulturyklasyfikacja obraz w podwodnychmonitorowanie jako ci wodykontroler Raspberry Piautonomiczny robot wodnyocena rodowiska wodnegomonitorowanie w czasie rzeczywistym
Film wkrótce dostępny

Powiązane artykuły