Pollice Binario - Sviluppo di un sistema IoT per la coltivazione di orti e piante

Abstract

Il presente elaborato descrive la progettazione e l'implementazione di "Pollice Binario", un sistema basato su tecnologie Internet of Things (IoT) finalizzato all'ottimizzazione della cura e della gestione di orti e piante. L'obiettivo principale del progetto è fornire una soluzione integrata e scalabile per il monitoraggio ambientale e l'automazione dei processi agricoli su piccola scala, rendendo la coltivazione più efficiente. L’architettura proposta si basa su un ecosistema di tecnologie moderne e open-source: il protocollo di comunicazione MQTT (tramite il broker Mosquitto) garantisce lo scambio rapido e leggero dei dati tra sensori e attuatori; la containerizzazione tramite Docker assicura la portabilità; InfluxDB funge da database temporale per la memorizzazione dei dati ambientali. Il flusso dei dati è orchestrato tramite Node-RED, che permette la logica di automazione, mentre la visualizzazione e l'analisi dei dati storici sono affidate ad una dashboard realizzata in Grafana. Il sistema integra un componente di Machine Learning attraverso la libreria Scikit-learn, utilizzando l'algoritmo Random Forest per l'analisi predittiva e il supporto alle automazioni. In conclusione, "Pollice Binario" dimostra come l'analisi dei dati ambientali e il machine learning possano trasformare la gestione di orti e piante in un processo smart, supportato dalla tecnologia.

This thesis describes the design and implementation of "Pollice Binario", a system based on Internet of Things (IoT) technologies aimed at optimizing the care and management of vegetable gardens and plants. The main objective of the project is to provide an integrated and scalable solution for environmental monitoring and the automation of small-scale agricultural processes, making cultivation more efficient. The proposed architecture is based on an ecosystem of modern, open-source technologies: the MQTT communication protocol (via the Mosquitto broker) ensures fast and lightweight data exchange between sensors and actuators; containerization through Docker guarantees portability; InfluxDB serves as a time-series database for storing environmental data. Data flow is orchestrated through Node-RED, which enables automation logic, while visualization and analysis of historical data are handled through a dashboard built with Grafana. The system integrates a Machine Learning component through the Scikit-learn library, using the Random Forest algorithm for predictive analysis and automation support. In conclusion, "Pollice Binario" demonstrates how environmental data analysis and machine learning can transform the management of gardens and plants into a smart, technology-driven process.