Yöntem makalesi

Gömülü Derin Öğrenme ve Görsel Veri Toplama Yoluyla Gerçek Zamanlı Gölet Suyu Değerlendirmesi: Su Yetiştiriciliği İçin Pratik İzleme Yaklaşımı

DOI:

10.3791/69744

⸱

24 Şubat 2026

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

Bu makalede

Özet

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

Gerçek zamanlı su kalitesi sınıflandırması için su altı görüntü alımı, Raspberry Pi tabanlı bir kontrolcü ağı ve Yapay Sinir Ağı (ANN) kullanılarak bir protokol tanımlıyoruz. Yöntem, sistem kurulumu, veri toplama, ön işleme, model eğitimi ve dağıtımı detaylandırır. Bu su kalitesi değerlendirme sistemi, özellikle Koi yetiştiricileri için uygundur ve sağlıklı balıklar için en uygun koşulların sağlanmasına yardımcı olur.

Özet

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

Su kalitesinin optimal korunması, özellikle Kois gibi süs türleri için, renk netliği ve çevresel dengenin doğrudan sağlık ve estetikle bağlantılı olduğu için su kalitesinin korunması esastır. Bu makale, gömülü derin öğrenme kullanarak su altı görüntü sınıflandırmasına dayalı gerçek zamanlı su kalitesi izleme sisteminin tasarımı, dağıtımı ve işletilmesi için tam bir protokol sunmaktadır. Önerilen sistem, düşük maliyetli bir su altı kamerasını otonom bir su yüzeyi robotunda Raspberry Pi tabanlı bir kontrolör ağı ile entegre ederek hafif bir sinir ağı modeli aracılığıyla su görüntülerinin yakalanması, iletilimi ve sınıflandırılmasını mümkün kılar. Şeffaftan bulanıklığa kadar değişen beş su durumu kategorisi görsel olarak ayırt edilir ve özel veri setinde sınıflandırma doğruluğu %99'un üzerindedir. Sistem, özerk çalışacak şekilde yapılandırılmıştır ve kötüleşen koşullar için sürekli değerlendirme ve görsel uyarılar sunar. Bu görsel protokol, cihaz montajı, sistem kalibrasyonu, model dağıtımı ve gerçek zamanlı izleme gösterimlerini kapsar. Yöntem, uygun fiyatlı ve ölçeklenebilir teknolojilerle su ortamlarının istilacı olmayan, sürekli değerlendirilmesini mümkün kılarak sürdürülebilir su yetiştiriciliği uygulamalarını destekler. Yaklaşım, diğer su ürünleri yetiştiriciliği veya çevresel izleme bağlamlarına minimum değişiklikle uyarlanabilir.

Giriş

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

Koi balıkları (Cyprinus carpio var. koi), canlı renkleri, ayırt edici desenleri, zarif vücut şekli ve zarif yüzme yetenekleriyle değerli olan sıradan sazan türleridir. Güzellikleri ve akıcı hareketleri, onları dünya çapında bahçe havuzları ve dekoratif su özellikleri için favori bir tercih haline getiriyor.

Göletlerde iyi su kalitesinin korunması sadece su yaşamını desteklemekle kalmaz, aynı zamanda karbon emisyonlarını azaltmaya katkıda bulunur ve böylece çevreye faydasağlar 1,2. pH (sıcaklık, çözünmüş oksijen, tuzluluk), amonyak (NH3), nitrat (NO3), azot dioksit (NO2), demir (Fe) ve fosfat (PO43-) gibi parametreler için belirlenmiş standartlara uyarak su kalitesini korumak, Koibalıkları için ideal bir ortam yarattığı gösterilmiştir 3. Su kalitesi gerçekten görüntülerle değerlendirilebilir. Suyun berraklığı, döküntü veya alg varlığı, renk ve yüzeydokusu gibi görsel göstergeler suyun durumu hakkında faydalı bilgiler sağlayabilir. Bhatnagar ve ark. ile Andrian ve ark. 5,6, gölet balığı yetiştiriciliği için rehberlik sunar ve soluk ile açık yeşil suyun balık büyümesi için kabul edilebilir aralık içinde olduğunu belirtir. Açık yeşilden açık kahverengiye kadar berrak su tercih edilen aralık olarak kabul edilirken, koyu yeşil ve kahverengi su sağlıklı gölet koşulları için uygun olmayan bir aralığa girerken,

Koi göleti ekosistemlerinde, kapsamlı su kalitesi değerlendirmesi çeşitli fiziksel, kimyasal ve biyolojik parametreleri kapsar. Sıkça ölçülen göstergeler arasında sıcaklık, pH, su parlaklığı (Secchi derinliği, cm), çözünmüş oksijen (DO), toplam organik madde (TOM), karbondioksit (CO₂), ortofosfat, amonyak, nitrat, biyolojik oksijen talebi (BOD), toplam askıda kalmış katı maddeler (TSS) ve kimyasal oksijen ihtiyacı (COD) bulunur. Bu parametreler topluca çok boyutlu bir su sağlığı profili sunar ve hem ekolojik değerlendirmeyi hem de yönetim kararlarını destekler7. Su kalitesini değerlendirmek için, bu parametreler için sensörler Hemal, Md Moniruzzaman ve diğerleri tarafından gösterildiği gibi göletlerdekullanılacaktır. PH sensörü, bulanıklık sensörü ve sıcaklık sensörleri su kalitesini sınıflandırmak için kullanılır. Parasar ve ark.9 , su ortamlarında atık tespiti ve su kalitesi değerlendirmesini sunmuştur. Dikkate alınan veri seti, yaklaşık 60 milyon girişten oluşan kapsamlı bir tatlı su örneği kaydı koleksiyonunu kapsamaktadır. Bu kayıtlar çeşitli nitelikler ve kalite ölçümlerini içerir. Bu özellikler arasında pH seviyeleri, Demir, Nitrat, Klorür, Kurşun, Çinko, Bulanıklık, Florür, Bakır, Sülfat, Klor, Manganez, Toplam Çözünmüş Katı ve su içilebilirliğini gösteren hedef değişken olarak hizmet veren İçilebilirlik etiketi yer alır.

Su kalitesi sınıflandırması için görüntü tabanlı yöntemler, geleneksel laboratuvar tabanlı yaklaşımlara hızlı, maliyet etkin ve ölçeklenebilir bir alternatif sunar. Bu yöntemler, su kalitesinin fiziksel, kimyasal veya biyolojik göstergeleriyle ilişkilendirilebilen görsel ipuçlarına dayanır. Genel olarak, görüntü tabanlı su kalitesi izleme iki kategoriye ayrılabilir: su yüzeyigörüntüleri 10,11,12,13,14,15,16 ve su altıgörüntüleri 17.

Yüzey görüntüleri, su kütlelerinin görünür kısmını yakalar ve yer tabanlı kameralar, drone'lar (İHA), uçaklar veya uydular aracılığıyla elde edilebilir. Önemli bir avantaj, trend analizi için uygun olan sık satın almadır. Önemli bir sınırlama, yüzeyde görünür parametrelerle sınırlandırılmasıdır; Yeraltı koşulları dolaylı olarak çıkarılmalıdır. Sualtı görüntüleri, su altı kameralar, uzaktan kumandalı araçlar (ROV) veya dalgıç tarafından işletilen sistemler kullanılarak toplanır. Avantajları, yeraltı koşullarının doğrudan görselleştirilmesi, asılı madde ve su altı organizmalarının daha iyi tespit edilmesidir. Sınırlamalar ise sınırlı mekansal kapsama, bulanık veya derin sularda yapay aydınlatmaya bağımlılık ve daha yüksek ekipman maliyetleridir.

Nehirlerdeki kaliteli su altı görüntülerinin sınıflandırılması Zhou, Han vediğerleri 17 tarafından önerilmiştir. Sınıflandırma, görüntü renklerinin histogramlarını kullanır ve iki makine öğrenimi algoritması kullanır: K-En Yakın Komşu (KNN) ve Rastgele Orman (RF). Bu algoritmalar, suyu kabul edilebilir veya tehlikeli olarak sınıflandırmak için kullanılır. Kabul edilebilir su için doğruluk %98,93, tehlikeli su için ise %95,25'tir. Su kalitesi izleme, sürekli algılama, veri iletimi (18,19,20,21,22) ve su ortamlarının uzaktan analizini mümkün kılan Nesnelerin İnterneti (IoT) tabanlı mimariler kullanılarak geniş çapta araştırılmıştır. İlgili çalışmalar ayrıca sensör odaklı izleme ve çevresel müdahalelerin kentsel ısı adası etkilerini azaltmaya ve iç mekan termal konforunu artırmayakatkıda bulunabileceğini göstermiştir 7,8,9,10,11,12,13,14,15,16,17,18 ,19,20,21,22,23,24. Bu önerilen protokol, gömülü bir ağ olan aksiyon kamerası kullanılarak su altı görüntüleri elde ederek ve yapay sinir ağı (ANN) kullanarak su koşullarını sınıflandırarak koi havuzu su kalitesini izlemek için gerçek zamanlı bir sistem tanımlar. ANN, düşük hesaplama kaynakları gerektirdiği için kullanılır ve bu nedenle gerçek zamanlı uygulama için uygundur.

figure-introduction-1
Şekil 1: Önerilen gerçek zamanlı gölet suyu değerlendirme metodolojisinin blok diyagramı: Bu diyagram, veri yakalamadan analize kadar adımlı süreci özetlemekte olup, su kalitesini gerçek zamanlı izleme için genel çerçeveyi göstermektedir. Beş tür su kalitesi durumu toplandı; bunlar T1, T2, T3, T4 ve T5 olarak etiketlendi. T1: Yerel bir tatlı su sağlayıcısı tarafından 17 küçük Koi balığının bulunduğu 4 metreküplük Koi göleti için yakın zamanda sağlanan tatlı su görüntüleri. T2: 15 metreküplük Koi göletinden alınan görüntüler, her biri yaklaşık 60-80 cm uzunluğunda 12 büyük Koi balığını içeriyor. Bu göletteki su oldukça berrak ama bazı yüzen algler var. T3: 35 metreküplük Koi göletinden 18 büyük Koi balığından görüntüler, her biri yaklaşık 60-70 cm uzunluğunda. Gölet suyu temizdir ve açık yeşil renkte olup balık büyümesi için optimalaralıkta 5,6 yer alır. T4: Atık su arıtma havuzundan alınan kahverengi renkli su görüntüleri. T5: Kois tarafından üretilen atıkları içeren 35 metreküplük göletin filtre sisteminden toplanan kahverengi renkli suyun görüntüleri. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Bu gelişmeler üzerine inşa edilen bu makale, gömülü derin öğrenme kullanarak su altı görüntü sınıflandırmasına dayalı gerçek zamanlı su kalitesi izleme sisteminin tasarımı, yapılandırması, dağıtımı ve işletilmesi için tam bir protokol sunmaktadır. Önerilen protokolün blok diyagramı, sistem tasarımı, yapılandırması, dağıtımı ve su kalitesinin beş farklı kategoriye ayrılmasını gösteren Şekil 1'de gösterilmiştir. Protokol, yetiştiriciler ve gölet yöneticilerinin yerinde yakalanan su altı renk özelliklerini analiz ederek su kalitesini değerlendirmelerini sağlar.

Önerilen sistem, düşük maliyetli su altı aksiyon kamerasını, otonom bir yüzey suyu robotunda konuşlandırılmış Raspberry Pi tabanlı bir kontrolör ağı ile entegre eder; bu da Şekil 2'de gösterilmiştir. Bu yapılandırma, hafif yapay sinir ağı (ANN) kullanılarak görüntü alımı, kablosuz iletim ve gerçek zamanlı sınıflandırmayı mümkün kılar. Aksiyon kameraları, 10 metreye kadar derinliklerde su direnci, yüksek çözünürlüklü durağan görüntü yakalama ve gemi içi kablosuz arayüzleri nedeniyle seçildi. Bluetooth bağlantısı kamera başlatma ve temel kontrol için kullanılırken, Wi-Fi yüksek hızlı veri transferini destekler. Ancak, radyo frekanslı elektromanyetik dalgalarla doğrudan su altı kablosuz iletişim, suda ciddi sinyal zayıflamasınedeniyle pratik değildir 25.

Bu sınırlamayı gidermek için sistem, Şekil 2'de gösterildiği gibi iki Raspberry Pi Zero 2W birimi, bir kablosuz yönlendirici ve bir sunucudan oluşan hibrit bir ağ topolojisi kullanır. Bir Raspberry Pi ünitesi, göleti belirlenmiş örnekleme noktalarına yönlendiren pil ile çalışan bir yüzey robotuna monte edilirken, ikinci ünite doğrudan su altı kamerasıyla arayüz oluşturur. Alternatif olarak, sistem sabit gölet konumlarına manuel olarak yerleştirilerek sabit bir konfigürasyonda konuşlandırılabilir ve böylece robotik navigasyon ihtiyacını ortadan kaldırabilir. Otonom yüzey robotu ve su altı kamera-kontrolör ağının prototipleri Şekil 3'te gösterilmekte ve su kalitesi sınıflandırma yönteminin genel iş akışı Şekil 4'te gösterilmiştir.

figure-introduction-2
Şekil 2: IoT tabanlı su değerlendirme sisteminin ağ topolojisi: Şematik, cihazların nasıl birbirine bağlı olduğunu göstererek kameralar, Raspberry Pi üniteleri ve merkezi sunucu arasındaki iletişimi vurgular. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-introduction-3
Şekil 3: Raspberry Pi kamera ağıyla entegre edilmiş prototip robot: Şekil, saha dağıtımı için gemide algılama ve görüntüleme birimleriyle donatılmış robotun fiziksel montajını göstermektedir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-introduction-4
Şekil 4: Önerilen yöntemin Akış Diyagramı: Önerilen yöntemin akış diyagramını gösterir; bu diyagram veri toplama, ön işleme, eğitim ve gerçek zamanlı sınıflandırmadan oluşur. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Düşük hesaplama karmaşıklığı ve gerçek zamanlı gömülü dağıtıma uygunluğu nedeniyle görüntü sınıflandırması için yapay sinir ağı kullanılır. Önerilen protokol, gömülü derin öğrenme ve görsel veri toplama kullanarak gerçek zamanlı koi havuzu su kalitesi izleme için pratik ve ölçeklenebilir bir çerçeve sağlar.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

NOT: Bu çalışmada kullanılan kaynak kodları aşağıdaki GitHub deposunda mevcuttur: https://github.com/prawit-chu/Real-Time-Pond-Water-Assessment-via-Embedded-Deep-Learning-and-Visual-Data-Acquisition

1. Ekipman Kurulumu

  1. Raspberry Pi tabanlı kontrolcü ağını (robot ve aksiyon kamerası) kurun.
  2. Ubuntu v24.04 LTS işletim sistemini çalıştıran bir sunucu kurun.

2. Aksiyon Kamerası Kurulumu

  1. Varsayılan IP adresini (10.5.5.9) ve ağ maskesini (255.0.0.0) ayarlayın.
    NOT: Tablo 1, IoT ağındaki bağlı cihazlar için atanan IP adreslerini göstermektedir.
  2. Wi-Fi SSID ve önceden paylaşılan anahtarı (PSK) yapılandırarak aksiyon kamerasını Wi-Fi erişim noktası olarak ayarlayın.
    1. Wi-Fi SSID (isim) ve PSK (şifre) bulmak için aksiyon ekranında aşağıya kaydırın, ardından Tercihler → Kablosuz Bağlantılar→ KAMERA BİLGİSİ bölümlerine gidin.
    2. Bandı değiştirmek için, Kablosuz Bağlantılar menüsünde Wi-Fi Band'ı seçin ve Raspberry Pi Zero 2W'ye bağlanmak için 2.4 GHz seçin.
    3. Bağlantı doğruluğunu, aksiyon kamerasının Wi-Fi arayüzü üzerinden bir kamera uygulaması kullanarak aksiyon kamerasına bağlanarak doğrulayın. Böyle bir uygulamaya örnek olarak GoPro Quik uygulaması verilebilir.

3. Kablosuz Yönlendirici Kurulumu

  1. 192.168.2.0/24 ve 10.0.0.0/8 hatlarını ekleyin. Her iki rota için yönlendirme yönlendirici adresi 192.168.1.99'dur.
  2. Aksiyon kamerasına internet tabanlı erişim gerekiyorsa port yönlendirmesini yapılandırın. Konfigürasyon detayları için yönlendiricinin kullanım kılavuzuna bakabilirsiniz. Port yönlendirmesi 8080'e ayarlanmalıdır; bu, aksiyon kamerasının kullandığı web sunucu portudur.

4. Raspberry Pi Zero 2W (2) su geçirmez bir yuvada

  1. Raspberry Pi v6.12 işletim sistemini kur.
  2. Wi-Fi SSID ve PSK'yı "nmtui" komutuyla aksiyon kamerasına bağlanacak şekilde ayarlayın.
  3. Wi-Fi arayüzünün IP adresi ve net maskesini, ardından Tablo 1'de gösterildiği gibi ethernet arayüzünü "nmtui" komutuyla yapılandırın.
  4. Ağ Adresi Çevirisi'ni (NAT) yapılandırın ve ağlar arasında iletişimi mümkün kılmak için 192.168.1.2 yönlendirici olarak varsayılan bir rota belirleyin.

5. Raspberry Pi Zero 2W (1) Robot Ünitesinde

  1. Raspberry Pi v6.12 işletim sistemini kur.
  2. Wi-Fi SSID ve PSK'yı "nmtui" komutunu kullanarak ev veya ofis yönlendiricisine bağlanacak şekilde yapılandırın.
  3. 10.0.0.0/8 hattı 192.168.2.2 üzerinden eklenin. Yönlendirme yönlendirici adresi 192.168.2.2'dir.
  4. Ağlar arasında iletişimi mümkün kılmak için 192.168.1.1 yönlendirici olarak varsayılan bir rota belirleyin

6. Sunucu Kurulumu

  1. Wi-Fi SSID ve PSK'yı GUI ağ ayarını kullanarak ev veya ofis yönlendiricisine bağlanacak şekilde yapılandırın.
  2. DHCP veya manuel yapılandırma yoluyla sunucuya IP adresi atayın.
  3. Raspberry Pi üniteleri ve aksiyon kamerası ile bağlantı için 192.168.2.0/24 ve 10.0.0.0/8 rotalarını ekleyin. Her iki rota için yönlendirici adresi 192.168.1.99'dur.

7. İletişim Testi

  1. Raspberry Pi Zero 2W (2) ile su geçirmez Enclosure'da, python3 enable_wifi_ap.py çalıştırarak aksiyon kamerası Wi-Fi'sini etkinleştirin.
  2. Raspberry Pi Zero 2W'de, Wi-Fi'nin aktif olup olmadığını doğrulamak ve aksiyon kamerası ile başarılı iletişim kurmak için iwconfig komutunu çalıştırın.
  3. Sunucuda, "ping 10.5.5.9" komutunu çalıştırın ve beklenen "Hedef port ulaşılamıyor" yanıtını onaylayın.

8. Veri Seti Toplama

  1. İletişim kurulduktan sonra "python3 collect_dataset.py T N" çalıştırın. (OpenCV v4.12.0 ile test edildi)
  2. T'yi su tipi (T1-T5) ile ve N'yi toplanacak görüntü sayısıyla değiştirin.
  3. Toplanan veri setini daha fazla ön işlem için sunucuda kaydetmek ve sonradan işleme yapmak (Tablo 2)

figure-protocol-1
Şekil 5: Başlangıç eğitimi için kullanılan basitleştirilmiş CNN model mimarileri: Temel modeller olarak uygulanan soyutlanmış sinir ağı yapılarını sunar. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-protocol-2
Şekil 6: Çalışmada kullanılan önceden eğitilmiş derin öğrenme modelleri: Sınıflandırma görevleri için kullanılan transfer öğrenme mimarilerini gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-protocol-3
Şekil 7: Yapay Sinir Ağı (ANN) mimarileri: Su görüntüsü sınıflandırma performansını değerlendirmek için oluşturulmuş özelleştirilmiş ANN konfigürasyonlarını gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-protocol-4
Şekil 8: Örnek veri seti görüntülerinin normalize gri tonlu histogramı: Temsil eden giriş örnekleri arasında piksel yoğunluklarının dağılım özelliklerini sağlar. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

9. Derin Öğrenme Eğitimi

NOT: Bu çalışmada kullanılan basitleştirilmiş CNN temelleri, önceden eğitilmiş modeller ve ANN mimarileri sırasıyla Şekil 5-8'de gösterilmiştir.

  1. Toplanan veri seti dosyasını "V2" dizinine yerleştirin.
  2. python3 histogram_gen.py çalıştırarak görüntü histogramı oluşturun (OpenCV v4.12.0 ve CSV v1.0 ile test edildi).
  3. Modeli python3 çalıştırarak ann_training.py çalıştırın. ANN eğitimi verilen model ann_model.keras'ta saklanacaktır (tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 ve CSV v1.0 ile test edilmiştir).
  4. Bölüm 9.3'ten eğitilmiş model ann_model.keras kullanarak python3 çalıştırarak karışıklık matrisini değerlendirin confusion_matrix.py. ann_model.keras dosyasının mevcut dizine yerleştirildiğinden emin olun (tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 ve CSV v1.0 ile test edildi).

10. Gerçek Zamanlı Derin Öğrenme Sınıflandırması

  1. Eğitilmiş ann_model.keras dosyasını sınıflandırma dizininde depolayın.
  2. "python3 ann_predict.py" komutunu çalıştırarak gerçek zamanlı su kalitesini sınıflandırın. Bu çıkış, yakalanan görüntüyü ve sınıflandırılmış su türünü içeren arayüz arayüzünü gösterecektir.
    NOT: Örnek Şekil 12'de (sağ panel) gösterilmiştir (tensorflow v2.19.0, sklearn v 1.6.1, OpenCV v4.12.0 ve CSV v1.0 ile test edilmiştir).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Veri seti bağımsız eğitim, doğrulama ve test alt kümelerine ayrıldı. Model performansı eğitim sırasında doğrulama setinde izlendi ve nihai değerlendirme, daha önce görünmemiş görüntüleri içeren bir test veri seti kullanılarak gerçekleştirildi. Doğrulama ve test setleri arasında tutarlı performans, kararlı genellemeyi gösterir.

Gerçek zamanlı su kalitesi sınıflandırması için, basitleştirilmiş CNN modelleri ve önceden eğitilmiş ağlar (Inception V3, Xception ve R...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Bu protokolteki kritik bir adım Raspberry Pi tabanlı kontrolcü ağı ayarıdır. Yanlış ayarlar, sunucu ile aksiyon kamerası arasında iletişimin başarısızlığına yol açar. Sunulan programları test etmeden önce, sunucu ile aksiyon kamerası arasındaki iletişim PING komutuyla doğrulanmalıdır. Önerilen model, gömülü donanımda gerçek zamanlı çalışsa da, çıkarım süresi ve enerji tüketiminin nicel ölçümleri değerlendirilmemiş ve bu çalışmanın kapsamının dışındadır.

Öneril...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarların açıklayacak hiçbir şeyi yok.

Teşekkürler

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

Yazarlar, araştırmalarımızı büyük ölçüde geliştiren faydalı yorumları, tartışmaları ve görüşleri için Tayland'daki Kasetsart Üniversitesi, Hindistan'daki Vishwakarma Üniversitesi ve ABD'deki Regent Üniversitesi'ne teşekkürlerini sunmak isterler. Kasetsart Üniversitesi Sriracha Mühendislik Fakültesi'nin Araştırma Birimi Fonu (Hibe No. KUSRCRU69-2001) 2026 mali yılı için de bu tarihe kadar devam etti.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
GoPro Hero 11 BlackGoProfotoğraf çekmek ve video kaydetmek için
GoPro Hero 12 SiyahGoProfotoğraf çekmek ve video kaydetmek için
GoPro Hero 13 BlackGoProfotoğraf çekmek ve video kaydetmek için
Raspbery PIAhududu Araştırmacı AraştırmacıZero 2WKontrolör
Kablosuz YönlendiriciZTEHG8045x5-12
Ethernet adaptörleriTp-linkUE300
SunucuDellT30
Batarya Paketi 12 VDC--Güç Kaynağı
DC pompaTay SuyuAW500SRobot Hareketi
5V Step Down--12V'dan 5V'a indirmek
8 kanallı röle--Pompaların kontrol edilmesi
GoPro Hızlı uygulamasıGoProGoProGoPro Wi-Fi bağlantısını test etmek için

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Akuak lt r zlemeSualt G r nt S n fland rmasSu Kalitesi zlemeRaspberry Pi DenetleyiciOtonom Su RobotuSucul Ortam De erlendirmesiGer ek Zamanl zleme
Video yakında

İlgili makaleler