相关实验视频
Updated: Jan 15, 2026
06:37
Continuous Hydrologic and Water Quality Monitoring of Vernal Ponds
Published on: November 13, 2017
9.6K
在低成本的边缘设备上进行机器学习,以实时预测鱼水产养殖中的水质
Pinit Nuangpirom1, Siwasit Pitjamit2, Veerachai Jaikampan3
1Department of Industrial Education and Technology, Faculty of Engineering, Rajamangala University of Technology Lanna, Chiang Mai 50300, Thailand.
Sensors (Basel, Switzerland)
|October 16, 2025
概括
这项研究在边缘设备上部署了机器学习模型,用于在鱼水产养殖中实时预测水质. 多重线性回归被证明是最实用的低成本,离线操作,增强鱼类的健康和降低风险.
科学领域:
- 水产养殖技术 水产养殖技术
- 在环境监测中使用边缘计算.
- 机器学习应用程序 机器学习应用程序
背景情况:
- 鱼水产养殖在保持最佳水质方面面临着挑战.
- 实时监测和控制对鱼类健康和产量至关重要.
- 资源有限的环境需要具有成本效益和可访问的解决方案.
研究的目的:
- 在低成本的边缘设备上开发和部署机器学习模型,用于在鱼水产养殖中实时预测水质.
- 创建一个综合系统来感知,预测和自主调节水参数.
- 评估边缘AIoT对小规模水产养殖的可行性.
主要方法:
- 在ESP32边缘设备上部署机器学习模型 (MLR,DTR,RFR).
- 开发一个紧的监测系统,用于环境参数 (如溶解氧,pH) 的低成本传感器.
- 在泰国北部对系统性能进行现场验证.
主要成果:
- 随机森林回归 (RFR) 实现了最高的预测准确性 (R2 > 0.80).
- 多重线性回归 (MLR) 证明ESP32由于效率和离线能力 (R2 ≈ 0.65-0.72) 的实际实用性.
- 该系统自主调节溶解氧和pH值,保持安全水平,并在一个小时内稳定pH值.
结论:
- 边缘AIoT为资源有限的水产养殖中水质管理提供了可扩展的解决方案.
- 在低成本的边缘设备上,MLR是一种可行的模型,用于高效的离线水质预测.
- 开发的系统支持鱼类健康,减少生产风险,提高水产养殖的可持续性.
相关概念视频
01:14Testing Water Quality
362
When the quality of water for concrete preparation is uncertain, its impact on the setting time of cement and compressive strength of mortar is assessed by comparison with de-ionized or distilled water benchmarks. American Society for Testing and Materials (ASTM) C1602 requires the setting times to be within 90 minutes of the control, British Standard (BS) 3146:1980 allows a 30-minute variance in the initial setting, while British Standards European Norm (BS EN) 1008 specifies initial setting...
362
02:32Osmoregulation in Fishes
52.7K
When cells are placed in a hypotonic (low-salt) fluid, they can swell and burst. Meanwhile, cells in a hypertonic solution—with a higher salt concentration—can shrivel and die. How do fish cells avoid these gruesome fates in hypotonic freshwater or hypertonic seawater environments?
52.7K