Publicación: Desarrollo de una aplicación de IoT y machine learning para el mantenimiento automático de cultivos en siembra vertical
Portada
Descargar PDF 
Vista en línea Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor
Tipo de Material
Fecha
Citación
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
Este trabajo consiste en el desarrollo de una plataforma basada en microservicios para el control y monitoreo de torres hidropónicas verticales utilizando tecnologías IoT, sensores y microcontroladores ESP32. Esta plataforma permite a los usuarios gestionar y supervisar el sistema hidropónico mediante una interfaz que muestra los datos esenciales recolectados de los sensores y facilita la configuración remota de los dispositivos. El sistema se compone de una arquitectura modular que emplea tecnologías como Node.js, Docker, Kubernetes y Next.js, garantizando escalabilidad y facilidad de mantenimiento. El sistema se divide en dos partes principales: los microservicios y los dispositivos IoT. Los microservicios incluyen un servicio de autenticación para la seguridad de los usuarios, un servicio de gestión de dispositivos que permite configurar los parámetros operativos de los dispositivos IoT, un servicio de lecturas que recopila los datos de los sensores, un servicio de comandos para enviar instrucciones a los dispositivos y un servicio de correos electrónicos para notificaciones automáticas. Por su parte, los microcontroladores ESP32 capturan los datos de sensores de humedad, temperatura y luz, y los transmiten al sistema central mediante protocolos HTTP y MQTT, funcionando como el gateway de los dispositivos IoT. Adicionalmente, se desarrolló un modelo de machine learning utilizando la biblioteca scikit-learn de Python. Este modelo emplea variables del entorno (como temperatura, humedad y niveles de luz) y variables del sistema (intervalos de encendido y apagado de la bomba, tiempo desde la última solución nutritiva, y cantidad de luz artificial) para identificar los intervalos de riego más óptimos. Los resultados obtenidos confirman que tanto la API como el modelo son funcionales y cumplen con los objetivos planteados. Además, la torre hidropónica fue construida exitosamente mediante procesos de manufactura como impresión 3D y corte láser, demostrando la viabilidad del sistema para su aplicación en entornos urbanos.
Resumen en inglés
This work consists of the development of a platform for controlling and monitoring vertical hydroponic towers through IoT technology, using sensors and ESP32 microcontrollers. The platform enables users to manage and supervise the hydroponic system via an interface that displays key sensor data and allows for the remote configuration of devices. The communication between components is handled through protocols such as HTTP and MQTT, while the system is built on a microservices architecture to ensure scalability, modularity, and maintainability. The system can be divided into two main parts: the microservices core and the IoT device edge. The core includes a set of microservices, such as an authentication service for user security, a device management service for configuring IoT devices, a readings service for collecting sensor data, a commands service for sending instructions to devices, and a mailing service for automatic notifications. Additionally, the core leverages a Next.js-based user interface for visualizing real-time data and a graph database for storing device information. On the edge, ESP32 microcontrollers collect environmental data—such as temperature, humidity, and light intensity—and transmit it to the core, serving as the gateway for IoT devices. Furthermore, a machine learning model was developed using the scikit-learn library in Python. This model analyzes environmental and system parameters, such as pump operation intervals and light levels, to determine optimal irrigation intervals that balance plant health and energy efficiency. The suggested irrigation intervals are manually configured via the API. The results demonstrate the successful implementation of both the API and the machine learning model. Additionally, the hydroponic tower was constructed using advanced manufacturing techniques, including 3D printing and laser cutting, validating the practicality of the system for urban agricultural applications.
