Классификация прозрачности (мутности) воды по уровням на основе глубокого изучения

Авторы

  • A.T. Sekerbaev Кипрский международный университет, Никосия, Кипр

DOI:

https://doi.org/10.53002/124

Ключевые слова:

качество воды, глубокое обучение, точность, качество питьевой воды, определение уровня размытости, анализ на основе изображений.

Аннотация

Точная классификация мутности необходима для поддержания качества воды в различных условиях, от питьевой воды до промышленных процессов. Традиционные турбидиметры сталкиваются с проблемами, в том числе с устойчивостью окрашенных объектов, изменением формы и размера деталей, а также необходимостью постоянной калибровки и технического обслуживания. В этом документе реализована сверточная нейронная сеть (CNN) для классификации проб воды в соответствии со степенью их мутности. Набор данных состоял из изображений, сделанных в лабораторных условиях, где отслеживались уровни размытости, измеренные с помощью портативного турбидиметра 2100p. CNN достигла точности классификации лабораторных параметров на 97,00%. При тестировании на образцах водоемов в реальном мире точность модели составила 85,00%. Результаты показывают, что глубокое обучение может эффективно классифицировать уровни размытости, предлагая многообещающее решение для преодоления ограничений традиционных методов. Исследование демонстрирует потенциал CNN для точного и эффективного измерения мутности, точности балансировки и возможности практического применения в полевых условиях.

Библиографические ссылки

Cotruvo, J. Drinking Water Quality and Contaminants Guide; CRC Press: Boca Raton, FL, USA, 2018.

Water, Sanitation, Hygiene and Health (WSH). Global Review of National Regulations and Standards for Drinking Water Quality, 2nd ed.; World Health Organization (WHO): Geneva, Switzerland, 2021.

Dorevitch, S.; DeFlorio-Barker, S.; Jones, R.M.; Liu, L. The role of water quality in predicting gastrointestinal illness during incidental water ingestion. Water Research 2015, 83, 94–103.

Zaman, M.; Shahid, S.A.; Heng, L. Irrigation water quality. In: Guideline for Salinity Assessment, Mitigation and Adaptation; Springer: Berlin/Heidelberg, Germany, 2018; pp. 113–131.

Malakar, A.; Snow, D.D.; Ray, C. Irrigation water quality—A contemporary perspective. Water 2019, 11, 1482.

Ahmad, T.; Aadil, R.M.; Ahmed, H.; Rahman, U.u.; Soares, B.C.V.; Souza, S.L.Q.; Pimentel, T.C.; Scudino, H.; Guimarães, J.T.; Esmerino, E.A.; et al. Treatment and utilization of dairy industrial waste: A review. Trends in Food Science & Technology 2019, 88, 361–372.

Boyd, C.E. Water Quality: An Introduction; Springer International Publishing: Berlin/Heidelberg, Germany, 2020.

Abrahams, M.V.; Kattenfeld, M.G. The effect of pollution on predator–prey interactions in aquatic ecosystems. Behavioral Ecology and Sociobiology 1997, 40, 169–174.

Utne-Palm, A. Visual feeding of fish in turbid waters: Physical and behavioural aspects. Marine and Freshwater Behaviour and Physiology 2002, 35, 111–128.

Chivers, D.P.; Al-Batati, F.; Brown, G.E.; Ferrari, M.C.O. The effects of pollution on predator recognition and generalization. Ecology and Evolution 2012, 3, 268–277.

Shukla, G.; Kumar, A.; Bhanti, M.; Joseph, P.E.; Taneja, A. Organochlorine pesticide contamination of groundwater in Hyderabad city. Environment International 2006, 32, 244–277.

Nicolopoulou-Stamati, P.; Maipas, S.; Kotampasi, C.; Stamatis, P.; Hens, L. Chemical pesticides and human health: The need for a new concept in agriculture. Frontiers in Public Health 2016, 4, 148.

M.F.; Ahmad, F.A.; Alsayegh, A.A.; Zeyaullah, M.; AlShahrani, A.M.; Muzammil, K.; Saati, A.A.; Wahab, S.; Elbendary, E.Y.; Kambal, N.; et al. Impact of pesticides on human health and the environment, their mechanisms of action, and countermeasures. Heliyon 2024, 10, e29128.

Lin, J.; Ganesh, A. Water quality indicators: Bacteria, coliforms, and enteric viruses. International Journal of Environmental Health Research 2013, 23, 484–506.

Bin Omar, A.F.; Ghazi, R.M.; Yusoff, N.R.N.; Halim, N.S.A.; Wahab, I.R.A.; Latif, N.A.; Hasmoni, S.H.; Zaini, M.A.A.; Zakaria, Z.A. Health impacts of herbicides and strategies for their removal. Bioengineered 2023, 14, 2259526.

Ahmad, M.F.; Ahmad, F.A.; Alsayegh, A.A.; Zeyaullah, M.; AlShahrani, A.M.; Muzammil, K.; Saati, A.A.; Wahab, S.; Elbendary, E.Y.; Kambal, N.; et al. Impact of pesticides on human health and the environment, their mechanisms of action, and countermeasures. Heliyon 2024, 10, e29128.

Lin, J.; Ganesh, A. Water quality indicators: Bacteria, coliforms, and enteric viruses. International Journal of Environmental Health Research 2013, 23, 484–506.

Bin Omar, A.F.; Bin MatJafri, M.Z. A review of fiber-optic sensors for measuring pollution levels. Sensors 2009, 9, 8311–8335.

Загрузки

Опубликован

2026-03-10

Как цитировать

Sekerbaev, A. (2026). Классификация прозрачности (мутности) воды по уровням на основе глубокого изучения. Вестник Карагандинского государственного индустриального университета, 52(1), 84–89. https://doi.org/10.53002/124

Выпуск

Раздел

IT-технологии, энергетика, автоматизация и вычислительная техника.

Похожие статьи

<< < 7 8 9 10 11 12 13 14 15 16 > >> 

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.