Методическая статья

Оценка воды в прудах в реальном времени с помощью встроенного глубокого обучения и визуального сбора данных: практический подход к мониторингу для аквакультуры

DOI:

10.3791/69744

⸱

24 февраля 2026 г.

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

В этой статье

Краткое содержание

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

Мы описываем протокол для классификации качества воды в реальном времени с использованием подводного получения изображений, сети контроллеров на базе Raspberry Pi и искусственной нейронной сети (ANN). Метод подробно описывает настройку системы, сбор данных, предварительную обработку, обучение модели и развертывание. Эта система оценки качества воды особенно подходит для заводчиков карпов, помогая обеспечить оптимальные условия для здоровых рыб.

Аннотация

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

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.

Введение

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

Кои (Cyprinus carpio var. koi) — декоративные разновидности обычного карпа, ценящиеся за яркие цвета, характерные узоры, элегантную форму тела и изящное плавание. Их красота и плавные движения делают их любимым выбором для садовых прудов и декоративных водных объектов по всему миру.

Поддержание хорошего качества воды в прудах не только поддерживает водную жизнь, но и способствует снижению выбросов углерода, тем самым принося пользу окружающейсреде 1,2. Поддержание качества воды путем соблюдения установленных стандартов по таким параметрам, как pH, температура, растворённый кислород, солёность, аммиак (NH 3), нитрат (NO3), диоксид азота (NO 2), железо (Fe) и фосфат (PO43-), показало свою эффективность в идеальных условиях для карпов3. Качество воды действительно можно оценить по изображениям. Визуальные показатели, такие как прозрачность воды, наличие мусора или водорослей, цвет и текстураповерхности, могут дать полезную информацию о состоянии воды. Бхатнагар и др. и Андриан и др. 5,6 дают рекомендации по выращиванию рыбы в пруду, утверждая, что светлые или светло-зелёные воды находятся в допустимом диапазоне для роста рыбы. Светло-зелёная или светло-коричневая чистая вода считается желательным, тогда как тёмно-зелёная и коричневая вода попадают в неподходящий диапазон для здоровых условий прудов

В экосистемах прудов карпа комплексная оценка качества воды охватывает ряд физических, химических и биологических параметров. Обычно измеряемые показатели включают температуру, pH, яркость воды (глубина Секки, см), растворённый кислород (DO), общий уровень органического вещества (TOM), углекислый газ (CO₂), ортофосфат, аммиак, нитрат, биологический спрос на кислород (BOD), общий взвешенный твердый материал (TSS) и химический спрос на кислород (COD). Эти параметры вместе обеспечивают многогранный профиль водного здоровья, поддерживая как экологическую оценку, так и управленческиерешения 7. Для оценки качества воды в прудах будут использоваться датчики этих параметров, как показано Хемалом, Мд Монируззаманом идр. 8. Датчики pH, датчики мутности и температуры для классификации качества воды. Parasar и др. 9 представили обнаружение отходов и оценку качества воды в водных средах. Рассматриваемый набор данных включает обширную коллекцию записей о пресноводных образцах примерно 60 миллионов записей. Эти записи включают различные атрибуты и показатели качества. К характеристикам относятся уровни pH, концентрации железа, нитратов, хлоридов, свинца, цинка, мутности, фторида, меди, сульфата, хлора, марганца, полного растворённого вещества и метку «Питьевая пригодность», которая служит целевым показателем питьевой воды.

Методы классификации качества воды на основе изображений предлагают быструю, экономичную и масштабируемую альтернативу традиционным лабораторным методам. Эти методы опираются на визуальные сигналы, которые можно коррелировать с физическими, химическими или биологическими показателями качества воды. В широком смысле мониторинг качества воды на основе изображений можно разделить на две категории: изображения поверхностиводы 10, 11, 12, 13, 14, 15, 16 и подводныеизображения 17.

Поверхностные изображения захватывают видимую часть водных объектов и могут быть получены с наземных камер, дронов (БПЛА), самолетов или спутников. Главное преимущество — частое приобретение, подходящее для анализа трендов. Значительным ограничением является ограничение на параметры, видимые поверхностью; Подземные условия должны выводиться косвенно. Подводные изображения собираются с помощью погружённых камер, дистанционно управляемых аппаратов (ROV) или систем, управляемых водолазами. Преимущества включают прямое визуализацию подземных условий, лучшее обнаружение взвешенных веществ и подводных организмов. Ограничения включают ограниченное пространственное покрытие, зависимость от искусственного освещения в мутных или глубоких водах, а также более высокие затраты на оборудование.

Классификация качественных подводных изображений в реках была предложена Чжоу, Хань идр. 17. Классификация использует гистограммы цветов изображений и два алгоритма машинного обучения: K-ближайший сосед (KNN) и случайный лес (RF). Эти алгоритмы используются для классификации воды как приемлемой или опасной. Точность допустимой воды составляет 98,93%, а для опасной воды — 95,25%. Мониторинг качества воды был широко изучен с использованием архитектур на базе Интернета вещей (IoT), которые обеспечивают непрерывное зондирование, передачу данных18, 19, 20, 21, 22 и удалённый анализ водных сред. Связанные исследования также показали, что мониторинг на основе сенсоров и экологические вмешательства могут способствовать смягчению воздействия городских тепловых островов и улучшению теплового комфорта внутрипомещений 7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24. Этот предлагаемый протокол описывает систему в реальном времени для мониторинга качества воды пруда карпов путём получения подводных изображений с помощью камеры действия с встроенной сетью и классификации водных условий с помощью искусственной нейронной сети (ИНС). ANN используется потому, что требует низких вычислительных ресурсов, что делает его подходящим для реализации в реальном времени.

figure-introduction-1
Рисунок 1: Блок-схема предлагаемой методологии оценки воды в прудах в реальном времени: Эта диаграмма описывает поэтапный процесс — от сбора данных до анализа, показывая общую основу мониторинга качества воды в реальном времени. Были собраны пять типов условий качества воды, обозначенных как T1, T2, T3, T4 и T5. T1: Изображения пресной воды, недавно предоставленные местным поставщиком пресной воды для пруда карпов объёмом 4 кубических метров, в котором содержатся 17 мелких рыб карпов. T2: Изображения из пруда с кои объёмом 15 кубических метров, содержащего 12 крупных рыб карпов, каждая примерно 60-80 см в длину. Вода в этом пруду довольно прозрачная, но там есть плавающие водоросли. T3: Изображения из пруда с карпом объёмом 35 кубических метров с 18 крупными рыбами кои, каждая примерно 60-70 см в длину. Вода в пруду чистая, светло-зелёного оттенка находится в оптимальном диапазоне для ростарыбы 5,6. T4: Изображения коричневой воды, взятые из пруда для очистки сточных вод. T5: Изображения коричневой воды, собранной из фильтрационной системы пруда объёмом 35 кубических метров, содержащей отходы, производимые Kois. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Опираясь на эти достижения, в статье представлен полный протокол проектирования, настройки, развертывания и эксплуатации системы мониторинга качества воды в реальном времени, основанной на классификации подводных изображений с использованием встроенного глубокого обучения. Блок-схема предлагаемого протокола показана на рисунке 1, иллюстрирующая проектирование, конфигурацию, развертывание и классификацию качества воды системы на пять отдельных категорий. Протокол позволяет производителям и управляющим прудами оценивать качество воды, анализируя подводные цветовые характеристики, зафиксированные на месте.

Предлагаемая система интегрирует недорогую подводную камеру действия с сетью контроллеров на базе Raspberry Pi, развернутой на автономном роботе на поверхности, как показано на рисунке 2. Эта конфигурация позволяет получать изображения, передавать по беспроводной связи и классифицировать в реальном времени с помощью лёгкой искусственной нейронной сети (ANN). Экшн-камеры были выбраны из-за их водонепроницаемости на глубинах до 10 м, высокоразрешающей съёмки фотографий и встроенных беспроводных интерфейсов. Bluetooth используется для инициализации камеры и базового управления, а Wi-Fi поддерживает высокоскоростную передачу данных. Однако прямая подводная беспроводная связь с использованием радиочастотных электромагнитных волн непрактична из-за сильного затухания сигнала вводе-25.

Для решения этого ограничения система использует гибридную сетевую топологию, состоящую из двух блоков Raspberry Pi Zero 2W, беспроводного маршрутизатора и сервера, как показано на рисунке 2. Один блок Raspberry Pi установлен на батарейном роботе, который перемещается по пруду к назначенным местам отбора проб, а второй блок напрямую взаимодействует с подводной камерой. В качестве альтернативы систему можно развернуть в стационарной конфигурации, вручную размещая камеры в фиксированных местах пруда, что устраняет необходимость в роботизированной навигации. Прототипы автономного поверхностного робота и подводной сети камер-контроллер показаны на рисунке 3, а общий рабочий процесс метода классификации качества воды иллюстрирован на рисунке 4.

figure-introduction-2
Рисунок 2: Топология сети системы оценки воды на базе IoT: схема иллюстрирует, как устройства взаимосвязаны, выделяя коммуникацию между камерами, устройствами Raspberry Pi и центральным сервером. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-introduction-3
Рисунок 3: Прототип робота, интегрированный с сетью камер Raspberry Pi: На рисунке показана физическая сборка робота, оснащённого бортовыми датчиками и визуализацией для полевого развертывания. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-introduction-4
Рисунок 4: Схема потока предлагаемого метода: Показана схема потока предлагаемого метода, включающая сбор данных, предварительную обработку, обучение и классификацию в реальном времени. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Искусственная нейронная сеть используется для классификации изображений благодаря низкой вычислительной сложности и пригодности для внедрения встроенных систем в реальном времени. В совокупности предлагаемый протокол предоставляет практическую и масштабируемую основу для мониторинга качества воды пруда кои в реальном времени с использованием встроенного глубокого обучения и визуального сбора данных.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

ПРИМЕЧАНИЕ: Исходные коды, использованные в этом исследовании, доступны в следующем репозитории GitHub: https://github.com/prawit-chu/Real-Time-Pond-Water-Assessment-via-Embedded-Deep-Learning-and-Visual-Data-Acquisition

1. Настройка оборудования

  1. Настройте сеть контроллеров на базе Raspberry Pi (робот и экшн-камера).
  2. Настройте сервер с операционной системой Ubuntu v24.04 LTS.

2. Настройка экшн-камеры

  1. Настройте стандартный IP-адрес (10.5.5.9) и сетевую маску (255.0.0.0).
    ПРИМЕЧАНИЕ: В таблице 1 показаны назначенные IP-адреса для подключённых устройств в сети IoT.
  2. Настройте Wi-Fi SSID и предварительный общий ключ (PSK), чтобы настроить камеру действия как точку доступа Wi-Fi.
    1. Чтобы найти Wi-Fi SSID (имя) и PSK (пароль), проведите пальцем вниз на экране действий, затем перейдите в Настройки → Беспроводные подключения→ ИНФОРМАЦИЯ КАМЕРЫ.
    2. Чтобы сменить диапазон, в меню беспроводных соединений выберите Wi-Fi Band и 2.4 ГГц для подключения к Raspberry Pi Zero 2W.
    3. Проверьте подключение через Wi-Fi интерфейс камеры экшен-камеры, используя приложение камеры для подключения к камере. Примером такого приложения является приложение GoPro Quik.

3. Настройка беспроводного роутера

  1. Добавьте маршруты 192.168.2.0/24 и 10.0.0.0/8. Адрес маршрутизатора для обоих маршрутов — 192.168.1.99.
  2. Настройте переадресацию портов, если требуется интернет-доступ к камере действия. Обратитесь к руководству маршрутизатора для подробностей по конфигурации. Переадресация портов должна быть установлена на 8080 — это порт веб-сервера, используемый экшн-камерой.

4. Raspberry Pi Zero 2W (2) в водонепроницаемом корпусе

  1. Установите операционную систему Raspberry Pi v6.12.
  2. Настройте Wi-Fi SSID и PSK для подключения к экшн-камере с помощью команды "nmtui".
  3. Настройте IP-адрес и сетевую маску Wi-Fi интерфейса, а затем Ethernet-интерфейс, как показано в таблице 1 , с помощью команды «nmtui».
  4. Настройте трансляцию сетевых адресов (NAT) и установите маршрут по умолчанию, используя 192.168.1.2 в качестве маршрутизатора пересылки для обеспечения связи между сетями.

5. Raspberry Pi Zero 2W (1) в Robot Unit

  1. Установите операционную систему Raspberry Pi v6.12.
  2. Настройте Wi-Fi SSID и PSK для подключения к домашнему или офисному роутеру с помощью команды "nmtui".
  3. Добавьте маршрут 10.0.0.0/8 через 192.168.2.2. Адрес маршрутизатора для пересылки — 192.168.2.2.
  4. Установите маршрут по умолчанию, используя 192.168.1.1 в качестве маршрутизатора переадресации, чтобы обеспечить связь между сетями

6. Настройка сервера

  1. Настройте Wi-Fi SSID и PSK для подключения к домашнему или офисному роутеру через настройки GUI-сети.
  2. Назначьте IP-адрес серверу через DHCP или ручную конфигурацию.
  3. Добавьте маршруты в 192.168.2.0/24 и 10.0.0.0/8 для подключения к устройствам Raspberry Pi и экшн-камере соответственно. Адрес маршрутизатора для обоих маршрутов — 192.168.1.99.

7. Тестирование коммуникации

  1. На Raspberry Pi Zero 2W (2) в водонепроницаемом корпусе запустите python3 enable_wifi_ap.py для активации Wi-Fi камеры действия.
  2. На Raspberry Pi Zero 2W выполните команду iwconfig , чтобы убедиться, что Wi-Fi активен, и подтвердить успешную связь с камерой действия.
  3. На сервере выполните команду «ping 10.5.5.9» и подтвердите ожидаемый ответ «Порт назначения недоступен».

8. Сбор наборов данных

  1. После установления связи выполните "python3 collect_dataset.py T N". (протестировано с OpenCV версии 4.12.0)
  2. Замените T на тип воды (T1-T5), а N — на количество собранных изображений.
  3. Постобработка и сохранение собранного набора данных на сервере для дальнейшей предварительной обработки (Таблица 2)

figure-protocol-1
Рисунок 5: Упрощённые архитектуры моделей CNN, используемые для начального обучения: представлены абстрактные структуры нейронных сетей, применяемые в качестве базовых моделей. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-protocol-2
Рисунок 6: Предварительно обученные модели глубокого обучения, использованные в исследовании: Изображены архитектуры трансферного обучения, используемые для задач классификации. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-protocol-3
Рисунок 7: Архитектуры искусственной нейронной сети (ANN): Показаны индивидуальные конфигурации ANN, созданные для оценки эффективности классификации водных изображений. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-protocol-4
Рисунок 8: Нормализованная гистограмма в оттенках серого изображений из набора данных: Предоставляет характеристики распределения интенсивности пикселей по репрезентативным входным выборкам. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

9. Обучение глубокому обучению

ПРИМЕЧАНИЕ: Упрощённые базовые линии CNN, предварительно обученные модели и архитектуры ANN, использованные в этом исследовании, иллюстрированы на рисунках 5-8 соответственно.

  1. Поместите собранный файл набора данных в каталог «V2».
  2. Создайте гистограмму изображений, запустив python3 histogram_gen.py (проверено с OpenCV v4.12.0 и CSV v1.0).
  3. Обучайте модель, выполняя python3 ann_training.py. Обучаемая на ANN модель будет храниться в ann_model.keras (протестировано с tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 и CSV v1.0).
  4. Оцените матрицу путаницы, запустив python3 confusion_matrix.py с использованием обученной модели ann_model.keras из раздела 9.3. Убедитесь, что файл ann_model.keras помещён в текущий каталог (проверено с tensorflow v2.19.0, sklearn v2.6.1, OpenCV v4.12.0 и CSV v1.0).

10. Классификация глубокого обучения в реальном времени

  1. Храните обученный файл ann_model.keras в каталоге классификации.
  2. Классифицируйте качество воды в реальном времени, выполнив команду "python3 ann_predict.py". Этот выход отображает графический интерфейс с зафиксированным изображением и классифицированным типом воды.
    ПРИМЕЧАНИЕ: Пример показан на рисунке 12 (правая панель) (протестировано с tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 и CSV v1.0).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

Набор данных был разделён на независимые подмножества для обучения, валидации и тестирования. Производительность модели отслеживалась на валидационном наборе во время обучения, а итоговая оценка проводилась с использованием оставшегося тестового набора данных, содержащего ранее не появлявшиеся изображения. Согласованная производительность между валидационными и тестовыми наборами указывает на стабильное обобщение.

Для классификации качества воды в реальном вре...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

Критическим шагом в этом протоколе является настройка сети контроллера на базе Raspberry Pi. Неправильные настройки приводят к отказу в коммуникации между сервером и экшн-камерой. Перед тестированием предоставленных программ необходимо проверить связь между сервером и экшн-камерой с помощью команды PING. Хотя предлагаемая модель работает в реальном времени на встроенном оборудовании, количественные измерения времени вывода и энергопотребления не были оценены и выходят за рамки данного ис...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Авторам нечего раскрывать.

Благодарности

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

Авторы выражают благодарность Университету Касетсарт в Таиланде, Университету Вишвакарма в Индии и Университету Риджента (США) за их полезные комментарии, обсуждения и идеи, которые значительно улучшили наши исследования. Мы с благодарностью выражаем благодарность за поддержку, оказанную факультетом инженерии Срирача, Университета Касетсарта, через Фонд исследовательского подразделения (Грант No KUSRCRU69-2001) на 2026 финансовый год.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
GoPro Hero 11 BlackGoProДля съёмки фотографий и записи видео
GoPro Hero 12 BlackGoProДля съёмки фотографий и записи видео
GoPro Hero 13 BlackGoProДля съёмки фотографий и записи видео
Raspbery PIRaspberry PIZero 2WКонтроллер
Беспроводной роутерZTEHG8045x5-12
Ethernet-адаптерыTp-linkUE300
СерверDellT30
Аккумуляторный блок 12 В постоянного тока--Источник питания
Насос постоянного токаТайская водаAW500SДвижение роботов
Снижение 5V--Снижение с 12 В до 5В
8-канальный ретранслятор--Управление насосами
Быстрое приложение GoProGoProGoProдля тестирования Wi-Fi соединения GoPro

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Raspberry Pi
Видео скоро будет доступно

Похожие статьи