Prototipo de monitoreo de cultivos de plantas aromáticas usando redes de sensores inalámbricos y minería de datos

Este proyecto plantea la creación de un prototipo de monitoreo de cultivos de hierbabuena usando una Red de sensores de los cuales se obtienen datos destinados al entrenamiento de un modelo de Machine Learning, que es el encargado del monitoreo y la predicción del estado de la planta, pudiendo estar saludable, enferma o muerta. Inicialmente se presentan trabajos previos que sirven como antecedentes. Luego se presenta la información teórica acerca de la yerbabuena, de la infraestructura fisica que se implementa, del software y las librerías claves para el desarrollo del modelo de Machine Learning y del proyecto, así como de las distintas métricas que se utilizan para monitorear el rendimiento de los posibles modelos, de donde se obtiene que el modelo elegido es un random forest con datos balanceados y normalizados, que obtuvo un valor de 0.997 de precisión, 0.741 de recall y 0.850 de fl-score a la hora de predecir el valor 1 del estado de la planta, que corresponde a las plantas en buen estado; y un 0.989 de precisión, 0.419 de recall y 0.589 de fl-score a la hora de predecir el valor 2 del estado de la planta, que corresponde a las plantas enfermas o muertas. Posteriormente, los datos medidos por la red de sensores, variables que son agregadas de forma manual y el estado de salud de la planta son accesibles mediante la HMI desarrollada en Power BI.

This project proposes the creation of a prototype for monitoring mint crops using a sensor network from which data is obtained for training a Machine Learning model, which is responsible for monitoring and predicting the state of the plant, which can be healthy, sick or dead. Initially, previous works that serve as background are presented. Then, the theoretical information about the spearmint, the physical infrastructure to be implemented, the software and key libraries for the development of the Machine Learning model and the project are presented, as well as the different metrics used to monitor the performance of the possible models, from which it is obtained that the model chosen is a random forest with balanced and normalized data, which obtained a value of 0. 997 of precision, 0.741 of recall and 0.850 of fl-score when predicting the value 1 of plant condition, which corresponds to plants in good condition; and 0.989 of precision, 0.419 of recall and 0.589 of fl-score when predicting the value 2 of plant condition, which corresponds to diseased or dead plants. Subsequently, the data measured by the sensor network, variables that are manually aggregated and the plant health status are accessible through the HMI developed in Power BI.