Artigo de método

Avaliação em Tempo Real da Água de Lagoas por Meio de Aprendizado Profundo Incorporado e Aquisição de Dados Visuais: Uma Abordagem Prática de Monitoramento para Aquicultura

DOI:

10.3791/69744

⸱

24 de fevereiro de 2026

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

Neste artigo

Resumo

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

Descrevemos um protocolo para classificação da qualidade da água em tempo real usando aquisição de imagens subaquáticas, uma rede controlada baseada em Raspberry Pi e uma Rede Neural Artificial (ANN). O método detalha a configuração do sistema, coleta de dados, pré-processamento, treinamento de modelos e implantação. Esse sistema de avaliação da qualidade da água é particularmente adequado para criadores de Koi, ajudando a garantir condições ideais para peixes saudáveis.

Resumo

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

Manter a qualidade ideal da água é essencial na aquicultura, especialmente para espécies ornamentais como os Kois, onde a clareza das cores e o equilíbrio ambiental estão diretamente ligados à saúde e à estética. Este artigo apresenta um protocolo completo para projetar, implantar e operar um sistema de monitoramento da qualidade da água em tempo real baseado na classificação de imagens subaquáticas usando deep learning embutido. O sistema proposto integra uma câmera subaquática de baixo custo com uma rede de controladores baseada em Raspberry Pi em um robô autônomo da superfície da água, permitindo a captura, transmissão e classificação de imagens aquáticas por meio de um modelo leve de rede neural. Cinco categorias de condições de água — que vão do claro ao turvo — são visualmente distinguidas, com precisão de classificação superior a 99% em um conjunto de dados personalizado. O sistema é configurado para funcionar de forma autônoma, oferecendo avaliação contínua e alertas visuais para condições em deterioração. Este protocolo visual abrange montagem de dispositivos, calibração do sistema, implantação de modelos e demonstrações de monitoramento em tempo real. O método apoia práticas sustentáveis de aquicultura ao possibilitar a avaliação contínua e não invasora de ambientes aquáticos usando tecnologias acessíveis e escaláveis. A abordagem pode ser adaptada a outros contextos de aquicultura ou monitoramento ambiental com modificações mínimas.

Introdução

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

Peixes koi (Cyprinus carpio var. koi) são variedades ornamentais da carpa comum, valorizadas por suas cores vibrantes, padrões distintos, formato corporal elegante e natação graciosa. Sua beleza e movimentos fluidos os tornam uma escolha favorita para lagoas de jardim e elementos decorativos de água em todo o mundo.

Manter uma boa qualidade da água em lagoas não apenas apoia a vida aquática, mas também contribui para a redução das emissões de carbono, beneficiando assim o meioambiente 1,2. Manter a qualidade da água seguindo padrões estabelecidos para parâmetros como pH, temperatura, oxigênio dissolvido, salinidade, amônia (NH3), nitrato (NO 3), dióxido de nitrogênio (NO 2), ferro (Fe) e fosfato (PO43-) demonstrou criar um ambiente ideal para peixesKoi 3. A qualidade da água pode, de fato, ser avaliada por meio de imagens. Indicadores visuais como clareza da água, presença de detritos ou algas, cor e textura dasuperfície podem fornecer informações úteis sobre a condição da água. Bhatnagar et al. e Andrian et al. 5,6 fornecem diretrizes para a piscicultura em lagoas, afirmando que a água verde pálida a clara está dentro da faixa aceitável para o crescimento dos peixes. A água clara de verde claro a marrom claro é considerada a faixa desejável, enquanto a água verde escura e marrom se enquadra na faixa inadequada para condições saudáveis de lagoas

Nos ecossistemas de lagoas de carpas, a avaliação abrangente da qualidade da água abrange uma variedade de parâmetros físicos, químicos e biológicos. Indicadores comumente medidos incluem temperatura, pH, brilho da água (profundidade de Secchi, cm), oxigênio dissolvido (DO), matéria orgânica total (TOM), dióxido de carbono (CO₂), ortofosfato, amônia, nitrato, demanda biológica de oxigênio (BOD), sólidos em suspensão total (TSS) e demanda química de oxigênio (COD). Esses parâmetros fornecem coletivamente um perfil multidimensional da saúde aquática, apoiando tanto a avaliação ecológica quanto a tomada de decisões demanejo 7. Para avaliar a qualidade da água, sensores para esses parâmetros serão empregados em lagoas, conforme demonstrado por Hemal, Md Moniruzzaman eoutros 8. Sensor de PH, sensor de turbidez e sensores de temperatura para classificar a qualidade da água. Parasar et al.9 apresentaram detecção de resíduos e avaliação da qualidade da água em ambientes aquáticos. O conjunto de dados em análise abrange uma extensa coleção de registros de amostras de água doce, totalizando aproximadamente 60 milhões de entradas. Esses registros incluem atributos diversos e medidas de qualidade. Os atributos incluem níveis de pH, concentrações de Ferro, Nitrato, Cloreto, Chumbo, Zinco, Turbidez, Flúor, Cobre, Sulfato, Cloro e Manganês, Sólidos Totalmente Dissolvidos e o rótulo de Potabilidade, que serve como variável-alvo indicando a potabilidade da água.

Métodos baseados em imagem para classificação da qualidade da água oferecem uma alternativa rápida, econômica e escalável às abordagens tradicionais baseadas em laboratório. Esses métodos dependem de pistas visuais que podem ser correlacionadas com indicadores físicos, químicos ou biológicos da qualidade da água. De modo geral, o monitoramento da qualidade da água baseado em imagens pode ser classificado em duas categorias: imagens da superfície da água 10,11,12,13,14,15,16 e imagens subaquáticas17.

Imagens de superfície capturam a parte visível dos corpos d'água e podem ser obtidas por câmeras terrestres, drones (VANTs), aeronaves ou satélites. Uma grande vantagem é a aquisição frequente, adequada para análise de tendências. Uma limitação significativa é a limitação dos parâmetros visíveis na superfície; as condições subterrâneas devem ser inferidas indiretamente. Imagens subaquáticas são coletadas usando câmeras submersas, veículos operados remotamente (ROVs) ou sistemas operados por mergulhadores. As vantagens são a visualização direta das condições subterrâneas, melhor detecção de matéria suspensa e organismos subaquáticos. As limitações incluem cobertura espacial limitada, dependência de iluminação artificial em águas turvas ou profundas e custos mais altos dos equipamentos.

A classificação de imagens subaquáticas de qualidade em rios foi proposta por Zhou, Han eoutros 17. A classificação utiliza histogramas das cores das imagens e emprega dois algoritmos de aprendizado de máquina: K-Nearest Neighbor (KNN) e Random Forest (RF). Esses algoritmos são usados para classificar a água como aceitável ou perigosa. A precisão para água aceitável é de 98,93%, e para águas perigosas, é de 95,25%. O monitoramento da qualidade da água tem sido amplamente investigado usando arquiteturas baseadas na Internet das Coisas (IoT) que permitem sensoriamento contínuo, transmissãode dados 18,19,20,21,22 e análise remota de ambientes aquáticos. Estudos relacionados também demonstraram que monitoramento guiado por sensores e intervenções ambientais podem contribuir para mitigar os efeitos das ilhas de calor urbanas e aumentar o conforto térmicointerno 7,8,9,10,11,12,13,14,15,16,17,18 ,19,20,21,22,23,24. Este protocolo proposto descreve um sistema em tempo real para monitorar a qualidade da água de lagos de carpas por meio da aquisição de imagens subaquáticas usando uma câmera de ação com uma rede embarcada e classificando as condições da água usando uma rede neural artificial (RNA). A ANN é empregada porque requer baixos recursos computacionais, tornando-a adequada para implementação em tempo real.

figure-introduction-1
Figura 1: Diagrama em bloco da metodologia proposta de avaliação de água em tempo real em lagoas: Este diagrama descreve o processo passo a passo, desde a captura dos dados até a análise, mostrando o arcabouço geral para monitorar a qualidade da água em tempo real. Cinco tipos de condições de qualidade da água, rotuladas como T1, T2, T3, T4 e T5, foram coletados. T1: Imagens de água doce recentemente fornecidas por um fornecedor local de água doce para o lago de carpas de 4 metros cúbicos que abriga 17 pequenos peixes koi. T2: Imagens do lago de 15 metros cúbicos de Koi contendo 12 grandes peixes Koi, cada um com aproximadamente 60-80 cm de comprimento. A água nesse lago é bem clara, mas há algumas algas flutuantes. T3: Imagens do lago de carpas de 35 metros cúbicos com 18 grandes peixes koi, cada um com aproximadamente 60-70 cm de comprimento. A água do lago é limpa, com uma coloração verde-clara que está dentro da faixa ideal para o crescimento dospeixes 5,6. T4: Imagens de água marrom tiradas de um lago de tratamento de águas residuais. T5: Imagens de água de cor marrom coletada do sistema de filtragem do tanque de 35 metros cúbicos, contendo resíduos produzidos pelos Kois. Por favor, clique aqui para ver uma versão ampliada desta figura.

Com base nesses avanços, este artigo apresenta um protocolo completo para projetar, configurar, implantar e operar um sistema de monitoramento da qualidade da água em tempo real baseado na classificação de imagens subaquáticas usando deep learning embutido. Um diagrama em blocos do protocolo proposto é mostrado na Figura 1, ilustrando o projeto, configuração, implantação e classificação da qualidade da água do sistema em cinco categorias distintas. O protocolo permite que produtores e gestores de lagoas avaliem a qualidade da água analisando características da cor subaquática capturadas in situ.

O sistema proposto integra uma câmera de ação subaquática de baixo custo com uma rede de controladores baseada em Raspberry Pi, implantada em um robô autônomo de superfície de água, conforme ilustrado na Figura 2. Essa configuração permite aquisição de imagens, transmissão sem fio e classificação em tempo real usando uma rede neural artificial (ANN) leve. Câmeras de ação foram selecionadas devido à sua resistência à água em profundidades de até 10 m, captura de imagem estática em alta resolução e interfaces sem fio embarcadas. Conectividade Bluetooth é usada para inicialização da câmera e controle básico, enquanto Wi-Fi suporta transferência de dados em alta velocidade. No entanto, a comunicação sem fio direta subaquática usando ondas eletromagnéticas de radiofrequência é impraticável devido à severa atenuação do sinal naágua 25.

Para resolver essa limitação, o sistema emprega uma topologia de rede híbrida composta por duas unidades Raspberry Pi Zero 2W, um roteador sem fio e um servidor, conforme mostrado na Figura 2. Uma unidade Raspberry Pi é montada em um robô de superfície movido a bateria que navega pelo lago até locais designados para amostragem, enquanto a segunda unidade se conecta diretamente à câmera subaquática. Alternativamente, o sistema pode ser implantado em configuração estacionária colocando manualmente unidades de câmera em locais fixos de lagoas, eliminando a necessidade de navegação robótica. Protótipos do robô autônomo de superfície e da rede de câmeras-controladoras subaquáticas são mostrados na Figura 3, e o fluxo de trabalho geral do método de classificação da qualidade da água é ilustrado na Figura 4.

figure-introduction-2
Figura 2: Topologia de rede do sistema de avaliação de água baseado em IoT: O esquema ilustra como os dispositivos estão interconectados, destacando a comunicação entre câmeras, unidades Raspberry Pi e o servidor central. Por favor, clique aqui para ver uma versão ampliada desta figura.

figure-introduction-3
Figura 3: Robô protótipo integrado a uma rede de câmeras Raspberry Pi: A figura mostra a montagem física do robô equipado com unidades de sensoriamento e imagem embarcadas para implantação em campo. Por favor, clique aqui para ver uma versão ampliada desta figura.

figure-introduction-4
Figura 4: Diagrama de Fluxo do método proposto: Mostra o diagrama de fluxo do método proposto, que consiste em coleta de dados, pré-processamento, treinamento e classificação em tempo real. Por favor, clique aqui para ver uma versão ampliada desta figura.

Uma rede neural artificial é empregada para classificação de imagens devido à sua baixa complexidade computacional e adequação para implantação embarcada em tempo real. Juntos, o protocolo proposto oferece uma estrutura prática e escalável para o monitoramento em tempo real da qualidade da água dos tanques de carpas, utilizando aprendizado profundo incorporado e aquisição de dados visuais.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

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

NOTA: Os códigos-fonte usados neste estudo estão disponíveis no seguinte repositório do GitHub: https://github.com/prawit-chu/Real-Time-Pond-Water-Assessment-via-Embedded-Deep-Learning-and-Visual-Data-Acquisition

1. Configuração de Equipamentos

  1. Configure a rede de controles baseada em Raspberry Pi (o robô e a câmera de ação).
  2. Configure um servidor rodando o sistema operacional Ubuntu v24.04 LTS.

2. Configuração da Câmera de Ação

  1. Configure o endereço IP padrão (10.5.5.9) e a máscara de rede (255.0.0.0).
    NOTA: A Tabela 1 mostra os endereços IP atribuídos para dispositivos conectados na rede IoT.
  2. Configure o SSID Wi-Fi e a chave pré-compartilhada (PSK) para configurar a câmera de ação como um ponto de acesso Wi-Fi.
    1. Para encontrar o SSID Wi-Fi (nome) e PSK (senha), deslize para baixo na tela de ação e depois navegue até Preferências → Conexões Sem Fio→ INFORMAÇÕES DA CÂMERA.
    2. Para mudar a Banda, no menu Conexões Sem Fio, selecione Banda Wi-Fi e escolha 2,4 GHz para conectar a um Raspberry Pi Zero 2W.
    3. Verifique a conectividade via interface Wi-Fi da câmera de ação usando um aplicativo de câmera para conectar à câmera de ação. Um exemplo desse tipo de aplicação é o aplicativo GoPro Quik.

3. Configuração do Roteador Sem Fio

  1. Adicionem as rotas 192.168.2.0/24 e 10.0.0.0/8. O endereço do roteador de encaminhamento para ambas as rotas é 192.168.1.99.
  2. Configure o encaminhamento de portas se for necessário acesso pela internet à câmera de ação. Consulte o manual do roteador para detalhes de configuração. O encaminhamento de portas deve ser configurado para 8080, que é a porta do servidor web usada pela câmera de ação.

4. Raspberry Pi Zero 2W (2) em Caixa Impermeável

  1. Instale o sistema operacional Raspberry Pi v6.12.
  2. Configure o SSID Wi-Fi e o PSK para se conectar com a câmera de ação usando o comando "nmtui".
  3. Configure o endereço IP e a máscara de rede da interface Wi-Fi, seguidos pela interface ethernet, conforme mostrado na Tabela 1 , usando o comando "nmtui".
  4. Configure a Tradução de Endereços de Rede (NAT) e defina uma rota padrão usando 192.168.1.2 como roteador de encaminhamento para permitir a comunicação entre redes.

5. Raspberry Pi Zero 2W (1) na Unidade Robótica

  1. Instale o sistema operacional Raspberry Pi v6.12.
  2. Configure o SSID Wi-Fi e o PSK para se conectar ao roteador residencial ou do escritório usando o comando "nmtui".
  3. Adicione a rota 10.0.0.0/8 via 192.168.2.2. O endereço do roteador de encaminhamento é 192.168.2.2.
  4. Defina uma rota padrão usando 192.168.1.1 como roteador de encaminhamento para permitir a comunicação entre redes

6. Configuração do servidor

  1. Configure o SSID Wi-Fi e o PSK para se conectar ao roteador doméstico ou do escritório usando a configuração de rede da interface gráfica.
  2. Atribua um endereço IP ao servidor por meio de DHCP ou configuração manual.
  3. Adicione rotas para 192.168.2.0/24 e 10.0.0.0/8 para conectividade com unidades Raspberry Pi e a câmera de ação, respectivamente. O endereço do roteador encaminhado para ambas as rotas é 192.168.1.99.

7. Testes de Comunicação

  1. No Raspberry Pi Zero 2W (2) no gabinete à prova d'água, execute o python3 enable_wifi_ap.py para ativar o Wi-Fi da câmera de ação.
  2. No Raspberry Pi Zero 2W, execute o comando iwconfig para verificar se o Wi-Fi está ativo e confirmar a comunicação bem-sucedida com a câmera de ação.
  3. No servidor, execute o comando "ping 10.5.5.9" e confirme a resposta esperada "Porta de destino inacessível".

8. Coleta de Conjuntos de Dados

  1. Após a comunicação estabelecida, execute "python3 collect_dataset.py T N". (testado com OpenCV v4.12.0)
  2. Substitua T pelo tipo de água (T1-T5) e N pelo número de imagens a serem coletadas.
  3. Pós-processamento e Salvar o conjunto coletado no servidor para pré-processamento adicional (Tabela 2)

figure-protocol-1
Figura 5: Arquiteturas simplificadas de modelos CNN usadas para treinamento inicial: Apresenta estruturas abstratas de redes neurais aplicadas como modelos base. Por favor, clique aqui para ver uma versão ampliada desta figura.

figure-protocol-2
Figura 6: Modelos de aprendizado profundo pré-treinados utilizados no estudo: Representa arquiteturas de aprendizado por transferência utilizadas para tarefas de classificação. Por favor, clique aqui para ver uma versão ampliada desta figura.

figure-protocol-3
Figura 7: Arquiteturas de Redes Neurais Artificiais (ANN): Mostra configurações personalizadas de ANNs criadas para avaliar o desempenho da classificação de imagens de água. Por favor, clique aqui para ver uma versão ampliada desta figura.

figure-protocol-4
Figura 8: Histograma normalizado em tons de cinza de imagens de conjunto de dados de amostra: Fornece características de distribuição das intensidades dos pixels entre amostras representativas de entrada. Por favor, clique aqui para ver uma versão ampliada desta figura.

9. Treinamento em Deep Learning

NOTA: As linhas de base simplificadas da CNN, modelos pré-treinados e arquiteturas de RNA usados neste estudo estão ilustrados nas Figuras 5-8, respectivamente.

  1. Coloque o arquivo do conjunto de dados coletado no diretório "V2".
  2. Crie um histograma de imagens rodando python3 histogram_gen.py (testado com OpenCV v4.12.0 e CSV v1.0).
  3. Treine o modelo executando ann_training.py python3. O modelo treinado em ANN será armazenado em ann_model.keras (Testado com tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 e CSV v1.0).
  4. Avalie a matriz de confusão rodando python3 confusion_matrix.py usando o modelo treinado ann_model.keras da Seção 9.3. Certifique-se de que o arquivo ann_model.keras esteja colocado no diretório atual (Testado com tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 e CSV v1.0).

10. Classificação de Deep Learning em Tempo Real

  1. Armazene o arquivo treinado ann_model.keras no diretório de classificação.
  2. Classifique a qualidade da água em tempo real executando o comando "python3 ann_predict.py". Essa saída exibirá a interface gráfico contendo a imagem capturada e o tipo de água classificado.
    NOTA: O exemplo é mostrado na Figura 12 (painel à direita) (Testado com tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 e CSV v1.0).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

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

O conjunto de dados foi dividido em subconjuntos independentes de treinamento, validação e teste. O desempenho do modelo foi monitorado no conjunto de validação durante o treinamento, e a avaliação final foi realizada usando um conjunto de dados de teste mantido contendo imagens inéditas. Desempenho consistente entre conjuntos de validação e teste indica uma generalização estável.

Para classificação da qualidade da água em tempo real, modelos CNN simplificados...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

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

Uma etapa crítica nesse protocolo é a configuração de rede do controlador baseada em Raspberry Pi. Configurações incorretas resultam em falha na comunicação entre o servidor e a câmera de ação. Antes de testar os programas fornecidos, a comunicação entre o servidor e a câmera de ação deve ser verificada por comando PING. Embora o modelo proposto opere em tempo real em hardware embarcado, medições quantitativas de tempo de inferência e consumo de energia não foram avaliadas e estão além d...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

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

Os autores não têm nada a revelar.

Agradecimentos

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

Os autores gostariam de expressar sua gratidão à Kasetsart University, Tailândia, Vishwakarma University, Índia, e Regent University, EUA, por seus comentários, discussões e percepções úteis, que melhoraram muito nossa pesquisa. Agradecemos com gratidão o apoio prestado pela Faculdade de Engenharia da Sriracha, Universidade Kasetsart, por meio do Fundo de Unidade de Pesquisa (Bolsa nº KUSRCRU69-2001) para o ano fiscal de 2026.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
GoPro Hero 11 PretoGoPropara tirar fotos e gravar vídeos
GoPro Hero 12 PretoGoPropara tirar fotos e gravar vídeos
GoPro Hero 13 PretoGoPropara tirar fotos e gravar vídeos
Depus RaspberyRaspberry PIZero 2WControlador
Roteador Sem FioZTEHG8045x5-12
Adaptadores EthernetTp-linkUE300
ServidorDellT30
Pacote de Bateria 12 VDC--Fonte de Alimentação
Bomba DCÁgua TailandesaAW500SMovimento do robô
Redução de 5V--Redução de 12V para 5V
Relé de 8 canais--Bombas de controle
Aplicação GoPro QuickGoProGoPropara testar a conexão Wi-Fi da GoPro

Referências

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

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Monitoramento de AquiculturaClassifica o de Imagens Subaqu ticasMonitoramento da Qualidade da guaControlador Raspberry PiRob Aqu tico Aut nomoAvalia o do Ambiente Aqu ticoMonitoramento em Tempo Real
Vídeo em breve

Artigos relacionados