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.
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł metodologiczny
Ocena wody w stawach w czasie rzeczywistym za pomocą wbudowanego głębokiego uczenia i wizualnego pozyskiwania danych: praktyczne podejście do monitorowania akwakultury
W tym artykule
Podsumowanie
Streszczenie
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
Karp koi (Cyprinus carpio var. koi) to ozdobne odmiany karpia zwyczajnego, cenione za intensywne barwy, charakterystyczne wzory, elegancki kształt ciała i pełen gracji sposób pływania. Ich piękno i płynne ruchy sprawiają, że są one chętnie wybierane do stawów ogrodowych i dekoracyjnych zbiorników wodnych na całym świecie.
Utrzymywanie dobrej jakości wody w stawach nie tylko wspiera życie wodne, ale także przyczynia się do redukcji emisji węgla, co przynosi korzyści dla środowiska1,2. Wykazano, że utrzymywanie jakości wody zgodnie z ustalonymi standardami dla parametrów takich jak pH, temperatura, tlen rozpuszczony, zasolenie, amoniak (NH3), azotany (NO3), dwutlenek azotu (NO2), żelazo (Fe) i fosforany (PO43-) stwarza idealne środowisko dla ryb Koi3. Jakość wody można oceniać na podstawie obrazów. Wskaźniki wizualne, takie jak przejrzystość wody, obecność zanieczyszczeń lub glonów, kolor oraz tekstura powierzchni4, mogą dostarczyć przydatnych informacji o stanie wody. Bhatnagar i wsp. oraz Andrian i wsp. 5,6 przedstawili wytyczne dotyczące hodowli ryb w stawach, stwierdzając, że woda o kolorze od bladego do jasnozielonego mieści się w dopuszczalnym zakresie dla wzrostu ryb. Przejrzysta woda o kolorze od jasnozielonego do jasnobrązowego jest uważana za zakres pożądany, natomiast woda ciemnozielona i brązowa wpada w zakres nieodpowiedni dla zdrowych warunków w stawie
W ekosystemach stawów z karasiami Koi kompleksowa ocena jakości wody obejmuje szereg parametrów fizycznych, chemicznych i biologicznych. Powszechnie mierzone wskaźniki obejmują temperaturę, pH, przejrzystość wody (głębokość Secchiego, cm), rozpuszczony tlen (DO), całkowitą zawartość materii organicznej (TOM), dwutlenek węgla (CO₂), ortofosforany, amoniak, azotany, biologiczne zapotrzebowanie na tlen (BOD), całkowitą zawiesinę (TSS) oraz chemiczne zapotrzebowanie na tlen (COD). Parametry te wspólnie tworzą wielowymiarowy profil stanu zdrowia środowiska wodnego, wspierając zarówno ocenę ekologiczną, jak i podejmowanie decyzji zarządczych7. W celu oceny jakości wody w stawach zostaną zastosowane czujniki tych parametrów, zgodnie z metodą opisaną przez Hemala, Md Moniruzzamana i współpracowników8. Do klasyfikacji jakości wody wykorzystano czujnik pH, czujnik mętności oraz czujniki temperatury. Parasar i współpracownicy9 przedstawili metodę wykrywania zanieczyszczeń i oceny jakości wody w środowiskach wodnych. Analizowany zbiór danych obejmuje obszerną kolekcję rekordów z próbek słodkiej wody, liczącą łącznie około 60 milionów wpisów. Rekordy te zawierają różnorodne atrybuty i pomiary jakościowe. Atrybuty obejmują poziom pH, stężenia żelaza, azotanów, chlorków, ołowiu, cynku, mętność, fluorki, miedź, siarczany, chlor, mangan, całkowitą ilość substancji rozpuszczonych oraz etykietę potability (zdatność do picia), która służy jako zmienna celu wskazująca na zdatność wody do spożycia.
Metody obrazowe służące do klasyfikacji jakości wody stanowią szybką, kosztowo efektywną i skalowalną alternatywę dla tradycyjnych podejść laboratoryjnych. Metody te opierają się na wskazówkach wizualnych, które mogą być skorelowane z fizycznymi, chemicznymi lub biologicznymi wskaźnikami jakości wody. W szerokim ujęciu monitorowanie jakości wody oparte na obrazach można podzielić na dwie kategorie: obrazy powierzchni wody10,11,12,13,14,15,16 oraz obrazy podwodne17.
Obrazowanie powierzchniowe rejestruje widoczną część zbiorników wodnych i może być pozyskiwane za pomocą kamer naziemnych, dronów (UAV), samolotów lub satelitów. Główną zaletą jest częstotliwość pozyskiwania danych, co jest odpowiednie do analizy trendów. Istotnym ograniczeniem jest zawężenie do parametrów widocznych na powierzchni; warunki podpowierzchniowe muszą być wnioskowane pośrednio. Obrazowanie podwodne jest realizowane przy użyciu kamer zanurzonych, zdalnie sterowanych pojazdów (ROV) lub systemów obsługiwanych przez nurków. Zalety to bezpośrednia wizualizacja warunków podpowierzchniowych oraz lepsza detekcja materii zawieszonej i organizmów podwodnych. Ograniczeniami są niewielki zasięg przestrzenny, zależność od sztucznego oświetlenia w mętnych lub głębokich wodach oraz wyższe koszty sprzętu.
Klasyfikacja jakości podwodnych obrazów w rzekach została zaproponowana przez Zhou, Han i współpracowników17. Klasyfikacja ta wykorzystuje histogramy kolorów obrazu oraz dwa algorytmy uczenia maszynowego: k-najbliższych sąsiadów (KNN) oraz lasy losowe (RF). Algorytmy te służą do klasyfikacji wody jako akceptowalna lub niebezpieczna. Dokładność dla wody akceptowalnej wynosi 98,93%, a dla wody niebezpiecznej 95,25%. Monitorowanie jakości wody było szeroko badane z wykorzystaniem architektur opartych na Internecie Rzeczy (IoT), które umożliwiają ciągłe pomiary, transmisję danych18,19,20,21,22 oraz zdalną analizę środowisk wodnych. Powiązane badania wykazały również, że monitorowanie sterowane czujnikami i interwencje środowiskowe mogą przyczyniać się do łagodzenia efektu miejskiej wyspy ciepła oraz poprawy komfortu termicznego w pomieszczeniach7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24. Proponowany protokół opisuje system monitorowania jakości wody w stawie z karasiami w czasie rzeczywistym poprzez pozyskiwanie obrazów podwodnych za pomocą kamery akcyjnej z wbudowaną siecią oraz klasyfikację stanu wody przy użyciu sztucznej sieci neuronowej (ANN). Zastosowano ANN, ponieważ wymaga ona niewielkich zasobów obliczeniowych, co czyni ją odpowiednią do implementacji w czasie rzeczywistym.
Rycina 1: Schemat blokowy proponowanej metodologii oceny wody w stawie w czasie rzeczywistym: Ten schemat przedstawia proces krok po kroku, od przechwytywania danych po analizę, ukazując ogólną strukturę monitorowania jakości wody w czasie rzeczywistym. Zebrano pięć typów warunków jakości wody, oznaczonych jako T1, T2, T3, T4 i T5. T1: Obrazy świeżej wody niedawno dostarczonej przez lokalnego dostawcę wody słodkiej do 4-kubikowego stawu dla ryb Koi, w którym znajduje się 17 małych ryb Koi. T2: Obrazy z 15-kubikowego stawu dla ryb Koi zawierającego 12 dużych ryb Koi, z których każda ma około 60-80 cm długości. Woda w tym stawie jest dość przejrzysta, ale występują w niej niektóre pływające algi. T3: Obrazy z 35-kubikowego stawu dla ryb Koi z 18 dużymi rybami Koi, z których każda ma około 60-70 cm długości. Woda w stawie jest czysta, o jasnozielonym zabarwieniu, które mieści się w optymalnym zakresie dla wzrostu ryb5,6. T4: Obrazy wody o brązowym kolorze pobranej ze stawu oczyszczania ścieków. T5: Obrazy wody o brązowym kolorze pobranej z systemu filtracyjnego 35-kubikowego stawu, zawierającej odpady produkowane przez ryby Koi. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Opierając się na tych osiągnięciach, niniejszy artykuł przedstawia kompletny protokół projektowania, konfiguracji, wdrażania i obsługi systemu monitorowania jakości wody w czasie rzeczywistym, opartego na klasyfikacji obrazów podwodnych z wykorzystaniem wbudowanego uczenia głębokiego. Schemat blokowy proponowanego protokołu przedstawiono na Rysunku 1, ilustrując projekt systemu, konfigurację, wdrożenie oraz klasyfikację jakości wody na pięć odrębnych kategorii. Protokół ten umożliwia hodowcom i zarządcom stawów ocenę jakości wody poprzez analizę podwodnych cech kolorystycznych zarejestrowanych in situ.
Zaproponowany system integruje tanią podwodną kamerę sportową z siecią sterowników opartych na Raspberry Pi, zainstalowanych na autonomicznym robotcie nawodnym, co przedstawiono na Rysunku 2. Taka konfiguracja umożliwia akwizycję obrazów, bezprzewodową transmisję oraz klasyfikację w czasie rzeczywistym przy użyciu lekkiej sztucznej sieci neuronowej (ANN). Wybrano kamery sportowe ze względu na ich wodoodporność do głębokości 10 m, możliwość rejestracji wysokorozdzielczych zdjęć oraz wbudowane interfejsy bezprzewodowe. Łączność Bluetooth służy do inicjalizacji kamery i podstawowego sterowania, natomiast Wi-Fi zapewnia szybki przesył danych. Należy jednak pamiętać, że bezpośrednia podwodna komunikacja bezprzewodowa z wykorzystaniem fal elektromagnetycznych o częstotliwościach radiowych jest niepraktyczna ze względu na silne tłumienie sygnału w wodzie25.
Aby rozwiązać to ograniczenie, system wykorzystuje hybrydową topologię sieci składającą się z dwóch jednostek Raspberry Pi Zero 2W, rutera bezprzewodowego i serwera, co przedstawiono na Rysunku 2. Jedna jednostka Raspberry Pi jest zamontowana na zasilanym bateryjnie robocie powierzchniowym, który nawiguje po stawie do wyznaczonych punktów poboru próbek, natomiast druga jednostka łączy się bezpośrednio z kamerą podwodną. Alternatywnie system może zostać wdrożony w konfiguracji stacjonarnej poprzez ręczne rozmieszczenie jednostek kamer w stałych punktach stawu, co eliminuje potrzebę nawigacji robotycznej. Prototypy autonomicznego robota powierzchniowego oraz sieci kontrolera kamery podwodnej przedstawiono na Rysunku 3, a ogólny schemat postępowania w metodzie klasyfikacji jakości wody zilustrowano na Rysunku 4.
Rysunek 2: Topologia sieci systemu oceny wody opartego na IoT: Schemat ilustruje sposób połączenia urządzeń, wskazując na komunikację między kamerami, jednostkami Raspberry Pi a serwerem centralnym. Aby wyświetlić większą wersję tego rysunku, kliknij tutaj.
Rycina 3: Prototyp robota zintegrowanego z siecią kamer Raspberry Pi: Na ryciniie przedstawiono fizyczny montaż robota wyposażonego w pokładowe jednostki sensoryczne i obrazujące do zastosowań w terenie. Proszę kliknąć tutaj, aby wyświetlić większą wersję tej ryciny.
Rysunek 4: Schemat blokowy proponowanej metody: Przedstawia schemat blokowy proponowanej metody, która składa się ze zbierania danych, przetwarzania wstępnego, trenowania oraz klasyfikacji w czasie rzeczywistym. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Sztuczna sieć neuronowa jest wykorzystywana do klasyfikacji obrazów ze względu na niską złożoność obliczeniową i przydatność do wdrożenia w systemach wbudowanych działających w czasie rzeczywistym. Wspólnie zaproponowany protokół stanowi praktyczne i skalowalne rozwiązanie do monitorowania jakości wody w stawie z karasiami koi w czasie rzeczywistym, wykorzystując systemy wbudowane z głębokim uczeniem oraz wizualną akwizycję danych.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Protokół
UWAGA: Kody źródłowe wykorzystane w niniejszym badaniu są dostępne w następnym repozytorium GitHub: https://github.com/prawit-chu/Real-Time-Pond-Water-Assessment-via-Embedded-Deep-Learning-and-Visual-Data-Acquisition
1. Konfiguracja sprzętu
- Skonfiguruj sieć sterowników opartą na Raspberry Pi (robota oraz kamery akcji).
- Skonfiguruj serwer z systemem operacyjnym Ubuntu v24.04 LTS.
2. Konfiguracja kamery akcyjnej
- Skonfiguruj domyślny adres IP (10.5.5.9) oraz maskę sieci (255.0.0.0).
UWAGA: Tabela 1 przedstawia przypisane adresy IP dla urządzeń podłączonych w sieci IoT. - Skonfiguruj SSID Wi-Fi oraz wspólny klucz (PSK), aby ustawić kamerę sportową jako punkt dostępu Wi-Fi.
- Aby znaleźć SSID (nazwę) Wi-Fi oraz PSK (hasło), przesuń palcem w dół po ekranie kamery, a następnie przejdź do Preferences → Wireless Connections → CAMERA INFO.
- Aby zmienić pasmo, w menu Wireless Connections wybierz Wi-Fi Band i zaznacz 2.4 GHz w celu połączenia z Raspberry Pi Zero 2W.
- Zweryfikuj łączność poprzez interfejs Wi-Fi kamery sportowej, używając aplikacji kamerowej do połączenia się z urządzeniem. Przykładem takiej aplikacji jest aplikacja GoPro Quik.
3. Konfiguracja routera bezprzewodowego
- Dodaj trasy 192.168.2.0/24 oraz 10.0.0.0/8. Adresem routera przekazującego dla obu tras jest 192.168.1.99.
- Skonfiguruj przekierowanie portów, jeśli wymagany jest dostęp do kamery sportowej przez Internet. Szczegóły konfiguracji znajdują się w instrukcji obsługi routera. Przekierowanie powinno zostać ustawione na port 8080, który jest portem serwera WWW używanym przez kamerę sportową.
4. Raspberry Pi Zero 2W (2) w wodoszczelnej obudowie
- Zainstaluj system operacyjny Raspberry Pi v6.12.
- Skonfiguruj SSID i PSK sieci Wi-Fi, aby połączyć się z kamerą akcji, używając komendy „nmtui”.
- Skonfiguruj adres IP i maskę sieci dla interfejsu Wi-Fi, a następnie dla interfejsu ethernet zgodnie z Tabelą 1, używając komendy „nmtui”.
- Skonfiguruj translację adresów sieciowych (NAT) i ustaw trasę domyślną, używając adresu 192.168.1.2 jako routera przekazującego, aby umożliwić komunikację między sieciami.
5. Raspberry Pi Zero 2W (1) w jednostce robota
- Zainstaluj system operacyjny Raspberry Pi v6.12.
- Skonfiguruj SSID i PSK sieci Wi-Fi, aby połączyć się z routerem domowym lub biurowym, używając polecenia „nmtui”.
- Dodaj trasę 10.0.0.0/8 przez 192.168.2.2. Adres routera przekazującego to 192.168.2.2.
- Ustaw trasę domyślną, używając adresu 192.168.1.1 jako routera przekazującego, aby umożliwić komunikację między sieciami
6. Konfiguracja serwera
- Skonfiguruj SSID i PSK sieci Wi-Fi w ustawieniach sieciowych GUI, aby połączyć się z routerem domowym lub biurowym.
- Przypisz adres IP do serwera poprzez DHCP lub konfigurację ręczną.
- Dodaj trasy do sieci 192.168.2.0/24 oraz 10.0.0.0/8 w celu zapewnienia łączności odpowiednio z jednostkami Raspberry Pi oraz kamerą akcyjną. Adresem routera przekierowującego dla obu tras jest 192.168.1.99.
7. Testowanie komunikacji
- Na Raspberry Pi Zero 2W (2) w wodoodpornej obudowie wykonaj polecenie python3 enable_wifi_ap.py, aby aktywować Wi-Fi kamery sportowej.
- Na Raspberry Pi Zero 2W uruchom polecenie iwconfig, aby zweryfikować, czy Wi-Fi jest aktywne i potwierdzić poprawną komunikację z kamerą sportową.
- Na serwerze uruchom polecenie „ping 10.5.5.9” i potwierdź oczekiwaną odpowiedź „Destination port unreachable”.
8. Gromadzenie zbioru danych
- Po nawiązaniu komunikacji wykonaj polecenie „python3 collect_dataset.py T N”. (testowano z OpenCV v4.12.0)
- Zastąp T typem wody (T1-T5), a N liczbą obrazów do zebrania.
- Przeprowadź postprocessing i zapisz zebrany zbiór danych na serwerze w celu dalszego przetwarzania wstępnego (Tabela 2)
Rycina 5: Uproszczone architektury modeli CNN użyte do wstępnego treningu: Przedstawiono abstrakcyjne struktury sieci neuronowych zastosowane jako modele bazowe. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rycina 6: Wytrenowane modele głębokiego uczenia wykorzystane w badaniu: Przedstawia architektury uczenia transferowego zastosowane w zadaniach klasyfikacji. Kliknij tutaj, aby zobaczyć powiększoną wersję tej ryciny.
Rysunek 7: Architektury sztucznych sieci neuronowych (ANN): Przedstawiono spersonalizowane konfiguracje ANN stworzone w celu oceny wydajności klasyfikacji obrazów wody. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 8: Znormalizowany histogram w skali szarości obrazów z zestawu próbek: Przedstawia charakterystykę rozkładu intensywności pikseli w reprezentatywnych próbkach wejściowych. Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.
9. Trenowanie głębokiego uczenia
UWAGA: Uproszczone modele bazowe CNN, modele wstępnie wytrenowane oraz architektury ANN wykorzystane w niniejszym badaniu zostały przedstawione odpowiednio na Rysunkach 5-8.
- Umieść plik z zebranym zbiorem danych w katalogu „V2”.
- Wygeneruj histogram obrazów, uruchamiając polecenie python3 histogram_gen.py (testowano z OpenCV v4.12.0 i CSV v1.0).
- Wytrenuj model, wykonując polecenie python3 ann_training.py. Wytrenowany model ANN zostanie zapisany w pliku ann_model.keras (testowano z tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 i CSV v1.0).
- Oceń macierz pomyłek, uruchamiając polecenie python3 confusion_matrix.py z wykorzystaniem wytrenowanego modelu ann_model.keras z sekcji 9.3. Upewnij się, że plik ann_model.keras znajduje się w bieżącym katalogu (testowano z tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 i CSV v1.0).
10. Klasyfikacja w czasie rzeczywistym z wykorzystaniem głębokiego uczenia
- Przechowaj wytrenowany plik ann_model.keras w katalogu klasyfikacji.
- Wykonaj klasyfikację jakości wody w czasie rzeczywistym, uruchamiając polecenie „python3 ann_predict.py”. Wynik wyświetli interfejs graficzny (GUI) zawierający przechwycony obraz oraz sklasyfikowany typ wody.
UWAGA: Przykład przedstawiono na Ryc. 12 (panel prawy) (Testowano z tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 oraz CSV v1.0).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki
Zbiór danych został podzielony na niezależne podzbiory treningowe, walidacyjne i testowe. Wydajność modelu była monitorowana na zbiorze walidacyjnym podczas trenowania, a końcowa ocena została przeprowadzona z wykorzystaniem wydzielonego zbioru testowego zawierającego obrazy, których model wcześniej nie widział. Spójna wydajność w zbiorach walidacyjnym i testowym wskazuje na stabilną generalizację.
W celu klasyfikacji jakości wody w czasie rzeczywistym wstępnie przetestowano uproszczone modele...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Dyskusja
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
Autorzy nie mają nic do ujawnienia.
Podziękowania
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
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| GoPro Hero 11 Black | GoPro | Do robienia zdjęć i nagrywania filmów | |
| GoPro Hero 12 Black | GoPro | Do robienia zdjęć i nagrywania filmów | |
| GoPro Hero 13 Black | GoPro | Do robienia zdjęć i nagrywania filmów | |
| Raspbery PI | Raspberry PI | Zero 2W | Kontroler |
| Router bezprzewodowy | ZTE | HG8045x5-12 | |
| Adaptery Ethernet | Tp-link | UE300 | |
| Serwer | Dell | T30 | |
| Pakiet baterii 12 VDC | - | - | Zasilacz |
| Pompa prądu stałego | Thai Water | AW500S | Ruch robotów |
| 5V step down | - | - | Zejdź z 12V do 5V |
| Przekaźnik 8-kanałowy | - | - | Sterowanie pompami |
| Aplikacja GoPro Quick | GoPro | GoPro | do testowania połączenia Wi-Fi GoPro |
Bibliografia
- 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).
- 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).
- 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).
- 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).
- Bhatnagar, A., Devi, P. Water quality guidelines for the management of pond fish culture. Int J Environ Sci. 3 (6), 1980-2009 (2013).
- 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).
- 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).
- Hemal, M. M., et al. An integrated smart pond water quality monitoring and fish farming recommendation aquabot system. Sensors. 24 (11), 3682(2024).
- Parasar, D., et al. Waste detection and water quality assessment in aquatic environments: A comprehensive study using yolov8 and xgboost. , (2024).
- Bartz, R., Feiden, A. Water transparency analysis in fish farming environment through unmanned aerial vehicles. J Appl Res Technol. 21 (6), 912-920 (2023).
- 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).
- Guo, H., Tao, X. Water quality image classification for aquaculture using deep transfer learning. Neural Netw World. 33 (1), 1(2023).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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
Ten artykuł został opublikowany
Film wkrótce dostępny