Solución de IoT impulsada por el aprendizaje profundo para el cultivo inteligente de tomates

Área de la Ciencia:

• Ingeniería agrícola
• Ciencias de la computación
• Ciencias del medio ambiente

Sus antecedentes:

• El aumento de la demanda mundial de alimentos y el cambio climático requieren prácticas agrícolas sostenibles.
• La agricultura de precisión (AP) ofrece soluciones para optimizar la eficiencia de la producción de cultivos.

Objetivo del estudio:

• Desarrollar una plataforma de invernadero inteligente basada en el Internet de las Cosas (IoT) para el cultivo de tomate.
• Integrar la detección ambiental y el aprendizaje profundo para el monitoreo en tiempo real y la clasificación de la madurez.

Principales métodos:

• Utilizó sensores inalámbricos ESP32 para la recolección de datos de humedad, temperatura y humedad del suelo en tiempo real.
• Utilizó una Raspberry Pi con una cámara Pi y el modelo YOLOv8 para la clasificación de madurez del tomate (verde, medio maduro, completamente maduro).
• Técnicas de optimización de modelos implementadas (cuantización, poda, TensorRT) para mejorar la velocidad de inferencia.

Principales resultados:

• Logró una mejora del 35% en la velocidad de inferencia con una precisión de clasificación del 52,8% en la etapa inicial.
• Consumo de energía diario medido: 8,91 Wh para los sensores ESP32 y 78 Wh para Raspberry Pi.
• Demostró un prototipo funcional para el monitoreo en tiempo real y la evaluación de madurez impulsada por IA.

Conclusiones:

• La plataforma desarrollada proporciona información práctica sobre el monitoreo ambiental y la evaluación de cultivos basada en IA para la agricultura inteligente.
• El estudio sienta las bases para sistemas escalables de múltiples nodos y la integración de IA de vanguardia en invernaderos.
• Las mejoras futuras incluyen Edge TPU, LoRa y sistemas de control automatizados para un invernadero totalmente autónomo.