FenixEdu™

Dissertação

{en_GB=IoT Middleware for Precision Agriculture: Agricultural Labor Monitoring for Specialty Crops} {} EVALUATED

Detalhes: {pt=O crescimento da Internet das Coisas prevê um mundo onde objetos do mundo real com capacidades limitadas capturam dados do ambiente envolvente e partilham informação com a Internet, criando uma rede de dados capturados. Porém, é geralmente assumido um ambiente urbano onde existem as infraestruturas energéticas e de comunicação necessárias à operação do sistema. Os sensores e tecnologias para Agricultura de Precisão foram criados para capturar dados sobre as culturas e os seus ambientes de cultivo, para atingir as metas de produtividade e eficiência do agricultor. As soluções existentes dependem de investimento em novo equipamento e alterações na disposição dos terrenos, inviabilizando a sua utilização em explorações menos mecanizadas. Para uma melhor gestão dos seus negócios, os agricultores precisam de informação sobre cada etapa do processo produtivo. A agricultura moderna é baseada em modelos de produção agrícola que ajudam a prever rendimentos e custos e também precisam de informação do trabalhador. Nesta dissertação é descrito um sistema Monitorização de Forças de Trabalho Agrícola para enriquecimento dos modelos agrícolas. O objetivo é manter um registro dos eventos agrícolas capturando os dados com dispositivos pessoais. A nossa abordagem é usar um smartphone e os seus sensores para monitorização a localização e as actividades dos trabalhadores agrícolas. A solução é dividida em Monitorização da Localização dos trabalhadores onde é testado o desempenho do GPS e Dead Reckoning na captura das posições do trabalhador no campo agrícola, e Detecção das Actividades Agrícolas onde é usado Machine Learning para classificar as actividades de trabalhadores agrícolas., en=The recent Internet of Things growth envisions a world where real objects with limited capabilities are able to capture data from the surrounding environment and share the information with the Internet, creating a global network of sensed data. However an urban environment is usually assumed with the necessary energy and communication infrastructures. Precision Agriculture sensors and technologies were created to collect data about crops and their growing environments in order to achieve farmer's productivity and efficiency goals. The existing solutions rely upon significant investment in new equipment and changes in field layouts making them impractical for farms with less mechanized methods. To have a better management of their business, farmers need to have information on every step of the production process. Modern agriculture is based on agricultural production models that help to forecast yields and costs that also need worker activity data. In this dissertation an Agricultural Workforce Monitoring system is described to enrich data on production models. The goal is to maintain a registry of agricultural events captured with the personal devices of the workers. Our approach is to use a conventional smartphone embedded with sensors to monitor workers' locations and movements that allow for activity inference. The solution is divided in Agricultural Worker Location Tracking where the performance of GPS and Dead Reckoning to capture worker’s locations in the agricultural field is tested and Agricultural Worker Activity Monitoring where we use Machine Learning to classify the agricultural worker activities. The working prototype showed that our approach is practical.}
Keywords: {pt=Ciclo Agrícola, agricultura de precisão, GPS, localização, sensores, Internet das Coisas, en=Agricultural cycle, precision agriculture, GPS, location, sensors, Internet of Things}

Discussão: novembro 11, 2016, 18:0