DISEÑO Y DESARROLLO DE UN SISTEMA HIDROPÓNICO FIABLE Y AUTOMATIZADO

El éxito de las soluciones de Internet de las Cosas permitió el establecimiento de nuevas aplicaciones, como la agricultura hidropónica inteligente. Un problema típico en este tipo de aplicaciones es la rápida degradación de los sensores desplegados. Tradicionalmente, este problema se resuelve mediante un mantenimiento manual frecuente, que se considera ineficaz y puede perjudicar a los cultivos a largo plazo. El principal objetivo de esta tesis era proponer un enfoque de aprendizaje automático para automatizar la detección de las derivas por fallos de los sensores. Además, se investigó la operatividad de la solución en un entorno de computación en nube en términos de tiempo de respuesta. Esta tesis propone un algoritmo de detección que utiliza NN en la predicción de derivas del sensor a partir de flujos de datos de series temporales. El algoritmo de detección se denominó posteriormente; CNN, y NB, se diseñaron para predecir las derivas de los sensores utilizando técnicas de predicción y clasificación. Los algoritmos se compararon entre sí en términos de métricas de precisión relevantes para la previsión y la clasificación. La operatividad de la solución se investigó desarrollando un servidor web que alojaba el algoritmo en una instancia de computación Thing Speak.