論文の概要: Prediction Model of Aqua Fisheries Using IoT Devices

• arxiv url: http://arxiv.org/abs/2501.10430v1
• Date: Sat, 11 Jan 2025 13:46:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-26 02:40:03.676603
• Title: Prediction Model of Aqua Fisheries Using IoT Devices
• Title（参考訳）: IoTデバイスを用いた水産漁業の予測モデル
• Authors: Md. Monirul Islam,
• Abstract要約: この論文では、センサとArduinoを用いたIoTベースのフレームワークを提案し、水質の効率的なモニタリングと制御を行う。 池水にpH、温度、濁度などの異なるセンサを配置し、それぞれが共通のマイクロコントローラボードに接続される。 センサーは水からデータを読み取って、Arduino Microcontrollerを介して Thingspeakという名前のIoTクラウドにCSVファイルとして保存する。
• 参考スコア（独自算出の注目度）: 0.6526824510982799
• License:
• Abstract: Aquaculture involves cultivating marine and freshwater organisms, with real-time monitoring of aquatic parameters being crucial in fish farming. This thesis proposes an IoT-based framework using sensors and Arduino for efficient monitoring and control of water quality. Different sensors including pH, temperature, and turbidity are placed in cultivating pond water and each of them is connected to a common microcontroller board built on an Arduino Uno. The sensors read the data from the water and store it as a CSV file in an IoT cloud named Thingspeak through the Arduino Microcontroller. In the experimental part, we collected data from 5 ponds with various sizes and environments. After getting the real-time data, we compared these with the standard reference values. As a result, we can make the decision about which ponds are satisfactory for cultivating fish and what is not. After that, we labeled the data with 11 fish categories including Katla, sing, prawn, rui, koi, pangas, tilapia, silvercarp, karpio, magur, and shrimp. In addition, the data were analyzed using 10 machine learning (ML) algorithms containing J48, Random Forest, K-NN, K*, LMT, REPTree, JRIP, PART, Decision Table, and Logit boost. After experimental evaluation, it was observed among 5 ponds, only three ponds were perfect for fish farming, where these 3 ponds only satisfied the standard reference values of pH (6.5-8.5), Temperature (16-24)oC, Turbidity (below 10)ntu, Conductivity (970-1825){\mu}S/cm, and Depth (1-4) meter. Among the state-of-the-art machine learning algorithms, Random Forest achieved the highest score of performance metrics as accuracy 94.42%, kappa statistics 93.5%, and Avg. TP Rate 94.4%. In addition, we calculated the BOD, COD, and DO for one scenario. This study includes details of the proposed IoT system's prototype hardware.
• Abstract（参考訳）: 養殖には海洋生物や淡水生物の養殖が関与し、魚類の養殖において水生生物のリアルタイムモニタリングが不可欠である。 この論文では、センサとArduinoを用いたIoTベースのフレームワークを提案し、水質の効率的なモニタリングと制御を行う。 pH、温度、濁度などの異なるセンサーが池の水栽培に使われ、それぞれがArduino Uno上に作られた一般的なマイクロコントローラボードに接続されている。 センサーは水からデータを読み取って、Arduino Microcontrollerを介して Thingspeakという名前のIoTクラウドにCSVファイルとして保存する。 実験では5つの池から様々な大きさと環境のデータを収集した。 リアルタイムデータを得た後、標準的な参照値と比較した。 その結果,どの池が魚の養殖に好適か,何が悪いのかを判断できることがわかった。 その後、Katla, sing, prawn, rui, koi, pangas, tilapia, silvercarp, karpio, magur, エビを含む11種類の魚種をラベル付けした。 さらに,J48,Random Forest,K-NN,K*,LMT,REPTree,JRIP,Part,Decision Table,Logitなどの10種類の機械学習アルゴリズムを用いて解析を行った。 実験の結果,魚養殖に適した池は3池のみで,pH (6.5-8.5), 温度 (16-24)oC, 濁度 (10)ntu, 導電率 (970-1825) {\mu}S/cm, 深さ (1-4) の基準値のみを満たすことがわかった。 最先端の機械学習アルゴリズムの中で、ランダムフォレストは94.42%の精度、カッパ統計93.5%の精度、Avgで最高成績を記録した。 TP利率94.4%。 さらに,BOD,COD,DOを1つのシナリオで計算した。 この研究には、提案されているIoTシステムのプロトタイプハードウェアの詳細が含まれている。

関連論文リスト

• Precision Aquaculture: An Integrated Computer Vision and IoT Approach for Optimized Tilapia Feeding [1.9198713957364215]
  伝統的な魚の養殖は効率の悪さを招き、環境問題や生産性を低下させる。 我々はコンピュータビジョンとIoT技術を組み合わせて、ティラピアの正確な給餌を行う革新的なシステムを開発した。 予備推計では、従来の農場に比べて58倍の増産が期待されている。
  論文  参考訳（メタデータ） (2024-09-13T10:27:27Z)
• xCOMET-lite: Bridging the Gap Between Efficiency and Quality in Learned MT Evaluation Metrics [69.14652127492438]
  xCOMETのような最先端の機械翻訳評価指標は、人間の判断と高い相関性を得るが、大きなエンコーダに依存している。 我々は, 蒸留, 定量化, プルーニング技術を用いて, 効率的なxCOMET代替品を作成する。 量子化により,xCOMETは3倍の圧縮が可能であり,品質劣化は生じない。
  論文  参考訳（メタデータ） (2024-06-20T17:58:34Z)
• FishMOT: A Simple and Effective Method for Fish Tracking Based on IoU Matching [11.39414015803651]
  FishMOTは、オブジェクト検出とObjectoUマッチングを組み合わせた、新しい魚追跡手法である。 本手法は, 各種環境および魚の数に対して, 優れた堅牢性と汎用性を示す。
  論文  参考訳（メタデータ） (2023-09-06T13:16:41Z)
• DeepSeaNet: Improving Underwater Object Detection using EfficientDet [0.0]
  このプロジェクトでは、注釈付き水中データセット上で様々な物体検出モデルを実装し、評価する。 このデータセットは、Limfjorden水中で捕獲された魚、カニ、ヒトデ、その他の水生動物の注釈画像からなる。 I compare the results of YOLOv3 (31.10% mean Average Precision (mAP)), YOLOv4 (83.72% mAP), YOLOv5 (97.6%), YOLOv8 (98.20%), EfficientDet (98.56% mAP) and Detectron2 (95.20% mAP) on the same dataset。
  論文  参考訳（メタデータ） (2023-05-26T13:41:35Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• TempNet: Temporal Attention Towards the Detection of Animal Behaviour in Videos [63.85815474157357]
  本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。 TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。 本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
  論文  参考訳（メタデータ） (2022-11-17T23:55:12Z)
• Deep object detection for waterbird monitoring using aerial imagery [56.1262568293658]
  本研究では,商用ドローンで収集した空中画像を用いて,水鳥の正確な検出,数え,監視に使用できる深層学習パイプラインを提案する。 畳み込み型ニューラルネットワークを用いた物体検出装置を用いて,テキサス沿岸の植民地性営巣島でよく見られる16種類の水鳥を検出できることを示す。
  論文  参考訳（メタデータ） (2022-10-10T17:37:56Z)
• Research on Optimization Method of Multi-scale Fish Target Fast Detection Network [11.99307231512725]
  2000枚の魚画像でネットワークをテストする精度は94.37%に達し、BFLOPSの計算複雑性はわずか5.47である。 その結果, BTP-Yolov3はモデルパラメータが小さく, 計算速度が速く, 運転時のエネルギー消費量も小さいことがわかった。
  論文  参考訳（メタデータ） (2021-04-11T16:53:34Z)
• Tuna Nutriment Tracking using Trajectory Mapping in Application to Aquaculture Fish Tank [0.0]
  タンク内の魚の状態を推定し、栄養素の量を調整することは、魚の給餌システムのコスト管理に重要な役割を担っている。 本手法は,養殖魚養殖場から採取したビデオの栄養状態の追跡に基づく。
  論文  参考訳（メタデータ） (2021-03-10T06:02:19Z)
• Movement Tracks for the Automatic Detection of Fish Behavior in Videos [63.85815474157357]
  水中ビデオでサブルフィッシュ(Anoplopoma fimbria)の発芽行動のデータセットを提供し,その上での深層学習(DL)法による行動検出について検討した。 提案する検出システムは,Long Short-Term Memory(LSTM)ネットワークを用いて,サブルフィッシュの起動動作を識別する。
  論文  参考訳（メタデータ） (2020-11-28T05:51:19Z)
• Real-Time target detection in maritime scenarios based on YOLOv3 model [65.35132992156942]
  ウェブスクレイピングによって収集された56k以上の海洋船舶の画像からなる、新しい船舶データセットが提案されている。 Keras APIをベースとしたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。
  論文  参考訳（メタデータ） (2020-02-10T15:25:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。