Recopile datos para entrenar a un NN para detectar la contaminación por fertilizantes sintéticos. Luego, infórmese de los resultados a través de WhatsApp a través de LoRaWAN/
Cosas usadas en este proyecto
Componentes de hardware
Seeed Studio SenseCAP A1101 – Sensor de IA de visión LoRaWAN × 1
Puerta de enlace interior LoRaWAN de solo datos Seeed Studio SenseCAP M2 ×1
Elecrow 8.8″ (1920*480) Pantalla IPS ×1
Pantalla OLED SH1106 (128×64) ×1
Anycubic Kobra 2 ×1
LED RGB de ánodo común de 5 mm ×1
Botón SparkFun (6x6x12mm) ×3
Protoboard sin soldadura de tamaño medio ×2
Cables puente (genéricos) ×1
Aplicaciones de software y servicios en línea
thony
Ultimaker Cura
XAMPP
Portal Seeed Studio SenseCAP
Seeed Studio SenseCAP compañero
Herramientas manuales y máquinas de fabricación.
Pistola de pegamento caliente (genérica)
Historia
Para lograr una temporada de cosecha exitosa con plantas prolíficas, los agricultores utilizaron un tipo de fertilizante para aumentar la fertilidad del suelo, que se remonta a los primeros intentos de proporcionar suficiente alimento para sostener poblaciones más grandes. Hasta la revolución industrial, los agricultores aplicaban principalmente fertilizantes y materiales orgánicos para proporcionar los nutrientes adecuados para las plantas, incluidas las fuentes minerales disponibles de forma natural, estiércol, residuos de cultivos, etc. Sin embargo, debido a la creciente población humana y la disminución de las tierras fértiles, los agricultores comenzaron a utilizar fertilizantes junto con fertilizantes químicos para mejorar el rendimiento de los cultivos, incluso hasta el punto de causar la contaminación del suelo.
Los fertilizantes químicos se sintetizan industrialmente a partir de proporciones estimadas de elementos como nitrógeno, fósforo y potasio[1], que proporcionan los nutrientes necesarios para que las plantas florezcan vigorosamente. Debido al cultivo intensivo y la reposición insuficiente de nutrientes, los fertilizantes mitigan la disminución precipitada de la fertilidad del suelo. En combinación con fertilizantes orgánicos, los fertilizantes químicos pueden incluso revitalizar las tierras cultivables. Aunque los fertilizantes químicos son indispensables para mantener la fertilidad del suelo y evitar la escasez de alimentos teniendo en cuenta la población humana actual, también pueden ser nocivos sin una atención minuciosa a los informes de análisis del suelo. Dado que los fertilizantes químicos afectan directamente la integridad del suelo y se filtran a través de los cuerpos de agua, pueden contaminar las aguas subterráneas y el medio ambiente al mismo tiempo que contribuyen a una notable ganancia en la producción de cultivos. Además, los fertilizantes químicos se infiltran en el suelo y hacen que las plantas sean vulnerables a diversos patógenos al obstaculizar sus raíces[1].
Cuando los fertilizantes químicos se dispersan por los cuerpos de agua, aumentan los macronutrientes en el medio ambiente, como el nitrógeno, el potasio y el fósforo, lo que da como resultado la contaminación y la eutrofización (contaminación por nutrientes). Estos macronutrientes pueden causar serios problemas de salud debido a la sobreexposición. Por ejemplo, el nitrógeno puede permanecer en los cuerpos de agua durante varios años y hacer que el nitrito (y el nitrato) se acumulen exponencialmente. Como resultado de la alta acumulación de nitritos, el agua contaminada con nitritos puede causar un trastorno sanguíneo llamado metahemoglobinemia (MetHb), también conocido como síndrome del bebé azul. Además, las reacciones químicas entre los nitritos que se utilizan mucho en los fertilizantes sintéticos instigan el daño del ADN, la peroxidación de lípidos y el estrés oxidativo, que pueden resultar en una mayor degeneración celular. Como problema de salud importante causado por el uso excesivo de fertilizantes químicos (sintéticos), la degeneración celular puede aumentar el riesgo de desarrollar cáncer. De manera premonitoria, un estudio realizado en 2009 por investigadores del Hospital de Rhode Island encontró un vínculo sustancial entre los niveles elevados de nitratos en nuestro entorno y los alimentos con un aumento de las muertes por enfermedades, como el Alzheimer, la diabetes mellitus y el Parkinson[2].
Según estimaciones anteriores, los fertilizantes proporcionaron aproximadamente el 70 % de los nutrientes para las plantas en 2020 a nivel mundial[3]. Por lo tanto, en este punto, no podemos obviar la necesidad de fertilizantes orgánicos y químicos para lograr una producción de cultivos sostenible. Sin embargo, la aplicación de fertilizantes orgánicos junto con fertilizantes químicos puede generar resultados inesperados y exacerba los efectos perjudiciales de los fertilizantes químicos (sintéticos). Dado que los fertilizantes orgánicos se comportan de manera diferente dependiendo de sus condiciones de fabricación, cambian el grado de permeabilidad del suelo de diferentes tipos de suelo, como franco, turboso, limoso, calcáreo, etc., no solo de manera impredecible sino también estructural.
Por eso, después de analizar los trabajos de investigación recientes sobre los efectos de los fertilizantes químicos y orgánicos, noté que casi no hay dispositivos que se centren en detectar el uso excesivo de fertilizantes químicos en presencia de fertilizantes orgánicos y que brinden resultados de detección en tiempo real para una inspección posterior. Por lo tanto, decidí construir un dispositivo de prueba de concepto económico y fácil de usar para detectar niveles de contaminación de fertilizantes químicos con reconocimiento de objetos e informar al usuario de los resultados de detección del modelo simultáneamente con la esperanza de evitar los efectos perjudiciales de Uso excesivo de fertilizantes por preaviso de los agricultores.
Para detectar con precisión los niveles de contaminación de fertilizantes químicos en relación con los fertilizantes orgánicos, necesitaba recopilar datos de un entorno controlado que manifestara diferentes condiciones del suelo para entrenar mi modelo de detección de objetos con una validez notable. Dado que utilizar estiércol como fertilizante orgánico afecta la acidificación, la integridad y la estructura del suelo según las etapas de descomposición del estiércol (fresco, activo, maduro y viejo), decidí producir mis fertilizantes orgánicos mediante el compostaje de estiércol. Afortunadamente, estoy criando codornices en mi balcón y tengo experiencia en utilizar estiércol de codorniz como fertilizante orgánico. Para cambiar la integridad y estructura del suelo en relación con el fertilizante orgánico aplicado, recolecté estiércol de codorniz en diferentes etapas de descomposición:
- Fresco (1 mes)
- Activo (3 meses)
- Viejo (6 meses)
Después de producir fertilizantes orgánicos en diferentes etapas de descomposición, los apliqué al suelo en tres macetas separadas. Luego, agregué fertilizantes químicos a cada maceta en la misma cantidad para examinar el uso excesivo de fertilizantes químicos dependiendo de la integridad y estructura del suelo. Para demostrar los efectos de la contaminación de fertilizantes en el medio ambiente, sembré diferentes tipos de plántulas de tomate en cada maceta.
- Nitrato de calcio
- Sulfato de magnesio
- Sulfato de amonio
- fosfato de amonio
Dado que las transmisiones de Wi-Fi y Bluetooth pueden no ser opciones adecuadas para un dispositivo que funciona en granjas, decidí utilizar un sensor de IA de visión SenseCAP A1101 fabricado por Seeed Studio. SenseCAP A1101 proporciona una cámara DSP Himax de 400 MHz para el reconocimiento de imágenes y un módulo Wio-E5 LoRaWAN para la transmisión de largo alcance LoRaWAN. Además, es compatible con diferentes tipos de puertas de enlace y redes LoRaWAN®, como Helium LongFi Network. Como se muestra en los siguientes pasos, expliqué cómo activar una puerta de enlace interior LoRaWAN de solo datos SenseCAP M2 (EU868) y conectar SenseCAP A1101 a la red Helium LongFi a través de la puerta de enlace solo de datos SenseCAP M2. Las puertas de enlace SenseCAP solo son necesarias si la red Helium no cubre su entorno. Dado que SenseCAP A1101 admite la carga de modelos de detección de objetos TinyML como firmware, Pude ejecutar mi modelo sin una sola línea de código. Sin embargo, SenseCAP A1101 no le da la opción de capturar imágenes con diferentes etiquetas listas para usar. Por lo tanto, conecté tres botones de control y una pantalla OLED SH1106 a Arduino Nano para construir un control remoto simple. Luego, empleé LattePanda 3 Delta para programar SenseCAP A1101 para capturar imágenes de acuerdo con las etiquetas transferidas por el control remoto a través de la comunicación en serie.
Después de completar mi conjunto de datos tomando fotografías de los suelos extraídos con fertilizantes de mis tres macetas separadas, construí mi modelo de detección de objetos con Edge Impulse para detectar los niveles de contaminación de fertilizantes químicos. Utilicé el algoritmo Edge Impulse FOMO (Objetos más rápidos, más objetos) para entrenar mi modelo, que es un algoritmo de aprendizaje automático novedoso que lleva la detección de objetos a dispositivos altamente restringidos. Dado que Edge Impulse es casi compatible con todos los microcontroladores y placas de desarrollo, no he encontrado ningún problema al cargar y ejecutar mi modelo en SenseCAP A1101.
Como etiquetas, utilicé niveles de contaminación de fertilizantes basados en la integridad y estructura del suelo alterada por la etapa de descomposición del fertilizante orgánico aplicado (estiércol):
- Enriquecido
- Inseguro
- Tóxico
Después de entrenar y probar mi modelo de detección de objetos (FOMO), implementé y cargué el modelo en SenseCAP A1101 como su firmware compatible (UF2). Por lo tanto, el dispositivo es capaz de detectar niveles de contaminación de fertilizantes ejecutando el modelo de forma independiente sin ningún procedimiento adicional ni latencia.
Dado que me centré en construir un dispositivo AIoT completo que detectara los niveles de contaminación de fertilizantes a pesar de utilizar la red LoRaWAN como método de transmisión principal, decidí desarrollar una aplicación de Python desde cero para informar al usuario de los resultados de detección de modelos recientes a través de WhatsApp. Posiblemente, todos los dispositivos SenseCAP AI son capaces de registrar información en el Portal SenseCAP a través de la red LoRaWAN. Además, Seeed Studio proporciona la API HTTP SenseCAP para obtener registros de datos registrados del Portal SenseCAP a través de solicitudes HTTP GET. Por lo tanto, en primer lugar, utilicé la aplicación para obtener los resultados de detección de modelos recientes de la cuenta del Portal SenseCAP dada.
Luego, esta aplicación complementaria emplea la API de WhatsApp de Twilio para enviar los últimos resultados de detección del modelo al número de teléfono verificado, que SenseCAP A1101 registró en el Portal SenseCAP a través de Helium LongFi Network.
Como decidí capturar imágenes con SenseCAP A1101 y ejecutar mi aplicación Python en LattePanda 3 Delta, quería construir un aparato móvil y compacto para acceder a LattePanda 3 Delta en el campo sin requerir un procedimiento adicional. Para mejorar la experiencia del usuario, utilicé un monitor IPS de 8,8″ de alta calidad de Elecrow. Como se explica en los siguientes pasos, diseñé una carcasa de dos partes (imprimible en 3D) en la que coloqué el monitor IPS de Elecrow.
Por último, para hacer que el dispositivo sea lo más robusto y resistente posible mientras se opera al aire libre, diseñé una caja con motivos vegetales que proporciona orificios para tornillos para sujetar el soporte SenseCAP A1101, una cubierta frontal deslizante y una sección separada para el control remoto compatible con una diagonal cubierta superior con juntas a presión (imprimible en 3D).
Entonces, este es mi proyecto en pocas palabras 😃
En los siguientes pasos, puede encontrar información más detallada sobre la codificación, la captura de imágenes del suelo con SenseCAP A1101, la creación de un modelo de detección de objetos (FOMO) con Edge Impulse, la ejecución del modelo en SenseCAP A1101, la transferencia de datos al portal SenseCAP a través de la red LoRaWAN y desarrollar una aplicación Python completa para obtener resultados de detección de modelos e informar al usuario a través de WhatsApp.
Sé el primero en comentar