Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Brayan Stiven Rodríguez Cuervo 1, María Fernanda Rodríguez Peña, Javier Alberto
Chaparro Preciado3
1 Pregrado
Ingeniería Electrónica
Escuela Colombiana de Ingeniería Julio Garavito
Brayan.rodriguez-c@mail.escuelaing.edu.co 0000-
0002-5378-6313
Investigación y desarrollo
2 Pregrado
Ingeniería Electrónica
Escuela Colombiana de Ingeniería Julio Garavito
Maria.rodriguez-pe@mail.escuelaing.edu.co 0000-
0002-2262-7176
Investigación y desarrollo
3 Doctorado Ingeniería
Electrónica
Escuela Colombiana de Ingeniería Julio Garavito
Javier.chaparro@escuelaing.edu.com
Investigación, Desarrollo y asesoría
Abstract
This article contains a detailed report on the development and execution of the project
that aims to identify the irrigation factor in plants using the automatic learning method
and then implement an irrigation system capable of predicting this factor and activate the
irrigation system accordingly. The development includes a research process, data
collections for training, the use of classification techniques and finally their
implementation.
Palabras clave
Machine Learning, Factores de riego, goteo, aspersión, microaspersión, técnicas de
clasificación-
1. INTRODUCCIÓN modelos matemáticos y estadísticos para
guiar el aprendizaje automático. La
Según los expertos, una planta en selección del tipo de técnica de machine
condiciones ideales se encuentra en un learning a usar en un sistema recae sobre
estado fisiológico óptimo gracias a sus la eficiencia y el rendimiento que este
procesos de autorregulación, sin tenga ante el tratamiento de los datos,
embargo, cuando se rompe este equilibrio razón por la cuál varían los usos muchas
la planta empieza a tener afectaciones en veces según la clase de datos que se están
sus células que se ven reflejados en su analizando e incluso debido a algunos
rendimiento. [1] comportamientos estadísticos. Para el
desarrollo de este proyecto se han
Todos los procesos de ruptura de dicho utilizado todos los algoritmos
equilibrio son causados por varios anteriormente descritos, sin embargo, la
factores; durante el desarrollo de este selección del algoritmo estará dada por
proyecto el enfoque se hará en dos de los temas de eficiencia y exactitud en el
factores que más afectan el desarrollo de tratamiento de los datos.
la planta (Temperatura y humedad del
suelo). Estos factores tienen El primer paso para desarrollar los
repercusiones en el desarrollo de la modelos de predicción y machine
planta, especialmente en relación con el learning es la toma de los datos, para lo
tema del déficit o exceso hídrico, por tal cual se hace uso de dos sensores:
motivo el principal objeto de estudio será temperatura y humedad en suelo
evaluar los factores anteriormente (DHT11 y FC-28 respectivamente). Estos
descritos para automatizar el proceso de datos son tomados durante 1 semana en
riego en las plantas según su necesidad. un pequeño arbusto puesto en un jardín
Se hará uso de las técnicas de (Buxus Sempervirens) bajo condiciones
machine learning para clasificar el tipo de sol, oscuridad, lluvia, neblina y sequía.
de necesidad hídrica que requiere una Una vez obtenidos los datos se realiza un
planta ante la variación de los factores proceso de normalización y filtración
anteriormente descritos. Las técnicas de sobre los mismos para eliminar
machine learning son métodos analíticos redundancias y datos erróneos, luego de
que permiten que un sistema de forma ello se realiza el proceso de clustering
automatizada descubra patrones, para determinar características
tendencias y relaciones en los datos, así similares en los datos y posteriormente
los datos de entrada de un sistema son definir las clases y variables predictoras
analizados para predecir valores de requeridas en machine learning. Una vez
salida dentro de un rango aceptable. [2] se tienen definidas las características de
Algunos de los algoritmos más usados los datos, inicia el proceso de uso de los
para machine learning son: algoritmos de machine learning para
Clasificadores KNN, Árboles de decisión, encontrar el método más eficiente y
Clasificador de Naive Bayes, Regresión exacto que permita determinar la
lineal y logística, Máquinas de soporte necesidad hídrica que requiere la planta
vectorial, redes neuronales y Perceptrón en tratamiento. Una vez se ha elegido el
multicapa; todos ellos utilizan distintos método más eficiente para el conjunto de
datos dispuesto, se procede a realizar la durante 1 semana (realizando tomas
implementación del sistema de riego cada 10 minutos), dejando la planta bajo
mediante la tarjeta programable Arduino condiciones normales de iluminación
Nano 33 que utiliza un procesador Arm excesiva, iluminación moderada,
Cortex-M0 [3] este hardware responde oscuridad, lluvia, neblina y sequía. Para
de manera eficiente al prototipado de poder obtener la mayor cantidad de
máquina inteligente, a través de datos que informen sobre el estado de la
dispositivos electrónicos realiza: la toma planta, se han forzado estados como
de datos, clasifica el factor de riego y inundación y sequía absoluta a
predice la necesidad hídrica de la planta. diferentes temperaturas.
2. METODOLOGÍA
0 CLASIFICACION RIEGO
0 10 20 30 40
2.3 Clasificadores
e) Red Neuronal
̂ ̂
𝟏 𝒆𝜷𝟎 +𝜷𝟏 𝒙
̂ (𝒀 = ) =
𝒑 ( 𝟓)
𝑿 𝟏 + 𝒆𝜷̂𝟎 +𝜷̂𝟏 𝒙
Ilustración 5. Red Neuronal Factor de Riego
Haciendo uso de las ecuaciones de
aplicación para el clasificador de
regresión multivariable y tomando los
valores de 𝛽 que resultan de los artículo.
algoritmos, se muestran en la Ilustración
6 las ecuaciones correspondientes para el Los resultados que se encuentran a
método. continuación corresponden al
rendimiento presentado para los datos
con cada uno de los clasificadores.
I. Matriz de Confusión
a) Clasificador KNN
DATOS DE PRUEBA
PREDICCIÓN ASPERSIÓN MICROASPERSIÓN GOTEO
ASPERSIÓN 15 0 0
MICROASPERSIÓN 2 17 0
Ilustración 6. Ecuaciones clasificador de regresión
GOTEO 0 1 20
logística
8. ANEXOS