Development of an IoT-Based Crayfish Breeding Monitoring and Automatic Feeding System with Image Processing.
Notice bibliographique
Résumé
Crayfish farming is steadily growing in the Philippines, especially among small-scale farmers looking for alternative sources of income. Despite its potential, many farmers still rely on traditional and manual methods to monitor water quality and feed their crayfish. These practices often result in poor water conditions, overfeeding, and lower survival and breeding rates. This study developed a prototype system that uses Internet of Things (IoT) sensors, automated feeding, and image processing to make crayfish farming more efficient and manageable. The system monitors key water parameters temperature, pH, dissolved oxygen, and total dissolved solids and sends email alerts if values go beyond the recommended range. It also includes an automatic feeding system that dispenses food at a set time each day to reduce waste and ensure proper nutrition. To support breeding, a USB camera paired with a YOLOv8 image processing model was used to detect gravid (pregnant) crayfish. The system was tested over two weeks in a small-scale setup in Pampanga. Results showed that the water quality stayed within ideal levels, and the image processing model was able to detect pregnant crayfish with reasonable accuracy. Five aquaculture experts who evaluated the system said it was useful, easy to understand, and applicable for real farm use. While improvements can still be made such as increasing detection accuracy, adding backup power, or offline data storage the results suggest that this kind of system can help small-scale crayfish farmers save time, reduce errors, and improve overall productivity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».