Поддержание оптимального качества воды крайне важно в аквакультуре, особенно для декоративных видов, таких как коис, где яркость цвета и баланс окружающей среды напрямую связаны со здоровьем и эстетикой. В этой статье представлен полный протокол проектирования, развертывания и эксплуатации системы мониторинга качества воды в реальном времени на основе классификации подводных изображений с использованием встроенного глубокого обучения. Предлагаемая система интегрирует недорогую подводную камеру с сетью контроллеров на базе Raspberry Pi в автономном роботе на поверхности воды, что позволяет захватывать, передавать и классифицировать водные изображения с помощью лёгкой нейронной сети. Пять категорий водных условий — от прозрачных до мутных — визуально различаются, при этом точность классификации превышает 99% на индивидуальном наборе данных. Система настроена на автономную работу, обеспечивая непрерывную оценку и визуальные оповещения о ухудшении состояния. Этот визуальный протокол охватывает сборку устройств, калибровку системы, развертывание моделей и демонстрации мониторинга в реальном времени. Метод поддерживает устойчивые практики аквакультуры, позволяя проводить неинвазивную, непрерывную оценку водных сред с использованием доступных и масштабируемых технологий. Этот подход можно адаптировать к другим аквакультурным или экологическим мониторингам с минимальными изменениями.