Progettazione e Implementazione di un Nodo Sensore Senza Batteria per l’Agricoltura Intelligente

Abstract

Questa tesi esplora lo sviluppo e la sperimentazione di una piattaforma Internet of Things (IoT) senza batteria per il monitoraggio ambientale, combinando energia raccolta tramite fotovoltaico, Tiny Machine Learning (TinyML) e comunicazione Long Range Wide Area Network (LoRaWAN). Un microcontrollore STM32 dual-core gestisce la rilevazione, l’ottimizzazione energetica e l’esecuzione della rete neurale. Per sviluppare e addestrare il modello di intelligenza artificiale, è stato realizzato un testbed per monitorare temperatura, umidità dell'aria e del suolo in condizioni sia controllate che stressanti per le piante testate. I dati raccolti da questi esperimenti sono stati utilizzati per costruire un modello di classificazione binaria in grado di prevedere la necessità di irrigazione. Il modello è stato addestrato in ambiente Python e successivamente implementato su hardware embedded utilizzando gli strumenti STM32Cube e il pacchetto X-CUBE-AI. Il microcontrollore esegue inferenze in tempo reale e trasmette le previsioni insieme ai dati grezzi dei sensori tramite LoRaWAN. The Things Network (TTN) è stato utilizzato per ricevere e visualizzare i dati in un ambiente cloud. I risultati confermano la fattibilità dell’utilizzo dell’Intelligenza Artificiale (AI) all’edge in sistemi completamente autonomi dal punto di vista energetico, evidenziando una soluzione valida per il monitoraggio agricolo intelligente a basso costo e ridotta manutenzione. Inoltre, è stato esplorato il potenziale utilizzo di condensatori ecologici realizzati in sughero e plastica biodegradabile (a base di chitosano).

This thesis explores the development and testing of a battery-less Internet of Things (IoT) platform for environmental monitoring, combining photovoltaic energy harvesting, Tiny Machine Learning (TinyML), and Long Range Wide Area Network (LoRaWAN) communication. A dual-core STM32 microcontroller manages sensing, energy optimization, and neural network execution. To develop and train the machine learning model, a custom testbed was constructed to monitor temperature, humidity, and soil moisture under both controlled and stressed conditions for the tested plants. Data collected from these experiments was used to build a binary classifier that predicts whether irrigation is needed. The model was trained in a Python environment and deployed onto the embedded hardware using STM32Cube tools and the X-CUBE-AI package. The microcontroller performs real-time inference and transmits predictions along with raw sensor data via LoRaWAN. The Things Network (TTN) was used to receive and visualize the data in a cloud-based environment. The results confirm the feasibility of deploying Artificial Intelligence (AI) at the edge in fully energy-autonomous systems, highlighting a viable solution for low-cost, low-maintenance, intelligent agricultural monitoring. Additionally, the potential use of eco-friendly capacitors made from cork and biodegradable plastic (chitosan-based) was explored.