Sauver la vie aquatique et lutter contre la pollution de l'eau avec l'IoT et l'IA

Applications et services en ligne

	Sigfox
	Arduino IDE
	Amazon Web Services AWS IoT

À propos de ce projet

Inspiration

Chaque fois que je visite New Delhi, je rencontre le pont de la rivière Yamuna. Chaque année, l'eau de la rivière est de plus en plus polluée et il n'y a aucun signe de vie aquatique. L'eau qui est utilisée par des milliers de villageois ne contient aucune propriété de l'eau, son pH est proche de celui de l'acide.

Ce n'est pas seulement Yamuna, mais des centaines de rivières à travers le monde sans aucun signe de vie aquatique. Chaque fois qu'une industrie décide de déverser ses produits chimiques et ses déchets dans la rivière, la vie aquatique en paie le prix.

De nombreuses espèces des océans disparaissent à cause de la pollution.

Avec ce Earth Day Challenge, je veux résoudre ce problème.

La solution

Pour prendre les mesures appropriées contre ce problème, nous avons d'abord besoin de données pour analyser ce qui se passe à l'intérieur de l'eau.

Nous collectons ici trois objets de données principaux :pH, turbidité et nombre.

1. pH de l'eau

Le pH de l'eau est un facteur très important car il détermine l'acidité et la basicité et à chaque changement de valeur de pH, une espèce d'animaux aquatiques est gênée.

Pour mesurer la valeur du pH, j'ai utilisé module Arduino et pH-mètre.

2. Turbidité de l'eau

La turbidité est le trouble ou le trouble d'un fluide causé par un grand nombre de particules individuelles qui sont généralement invisibles à l'œil nu, semblable à la fumée dans l'air. La mesure de la turbidité est un test clé de la qualité de l'eau.

Pour mesurer la valeur de turbidité, j'ai utilisé Arduino et module de turbidité.

• Connectez l'Arduino et le module pH-mètre selon le schéma, utilisez la Broche Analogique A0 .
• Connectez l'Arduino et le module de mesure de la turbidité selon le schéma, utilisez la broche analogique A1 .
• Téléchargez le dépôt Github et déployez le code dans Sensing-Earth-Sigfox-Water-Meter/Arduino/sketch.ino
• Ouvrez le moniteur série et vérifiez si vos capteurs impriment des données.

3. Comptez le nombre d'animaux aquatiques avec Walabot

Walabot est un appareil qui utilise des ondes radio pour mesurer les objets qui l'entourent. Nous utilisons Walabot pour cartographier les radiations thermiques émises par les animaux aquatiques vivants.

Remarque - Actuellement, j'utilise Walabot juste pour compter, mais j'utilise Deep Learning Algorithmes que je vais ajouter lacapacité à classer les espèces en fonction du brut images de walabot.

• Connectez votre Walabot au Raspberry Pi à l'aide d'un câble micro USB
• Installez le SDK Walabot et la bibliothèque Python WalabotAPI à l'aide de pip.
• Connectez votre shield Sigfox.
• Télécharger le référentiel Github sur Raspberry Pi depuis Sensing-Earth-Sigfox-Water-Meter/Pi/s igfox.py
• Suivez les instructions pour votre bouclier à partir d'ici.
• Ajoutez vos informations d'identification Sigfox au fichier et exécutez-le.

Conclusion

Avec les trois modèles de données pH, Turbidité et Nombre d'espèces aquatiques dans un plan d'eau, nous pouvons savoir à quel point le plan d'eau est pollué. Les autorités peuvent partager ces données avec les industries qui en sont responsables et elles peuvent prendre des mesures pour réduire la pollution. De plus, après certaines mesures, nous pouvons également voir si la vie aquatique se peuple ou non et quels sont les facteurs qui sont responsables de leur croissance de population.

Tests

Je l'ai testé sur mes poissons d'eau douce que je garde comme animal de compagnie et je vais maintenant le tester sur différentes rivières et optimiser ma solution.

Quelle est la prochaine étape ?

Maintenant que les données sont sur le cloud Sigfox, nous pouvons utiliser AWS IoT et Sigfox Webhooks pour analyser ces données.

Vous pouvez suivre le tutoriel ici.

Mon projet est toujours en cours et je souhaite y ajouter de plus en plus de fonctionnalités. La principale fonctionnalité que j'ajouterai à l'avenir est l'utilisation de Google AutoML ou Custom Deep Learning Algorithm (selon ce qui donne les meilleurs résultats) afin que nous puissions déterminer combien d'espèces différentes sont présentes dans le plan d'eau et quelle est leur quantité.

Code

Github

Schémas