FIAP - Faculdade de Informática e Administração Paulista

FarmTech Solutions - Sistema de Monitoramento Agrícola Inteligente

Nome do grupo

👨‍🎓 Integrantes:

• Arthur Alentejo
• Michael Rodrigues
• Nathalia Vasconcelos

👩‍🏫 Professores:

Tutor(a)

• Lucas Moreira

Coordenador(a)

• Andre Godoi

📜 Descrição Geral do Projeto

Este projeto, FarmTech Solutions, visa otimizar a agricultura através de um sistema de monitoramento e irrigação inteligente. Iniciado com uma simulação de sensores agrícolas e acionamento de bomba de irrigação (via relé e LED) em resposta à baixa umidade do solo, montado na plataforma Wokwi.com.

Para a simulação de sensores, utilizamos:

• Botões: Para simular a presença de Potássio e Fósforo no solo.
• Sensor LDR: Usado para simulação de pH do solo (normalmente utilizado para luminosidade).
• Sensor DHT22: Para simulação de umidade e temperatura do solo/ambiente.

O controle geral do sistema é feito por um microcontrolador ESP32.

Na Fase 4, levamos o projeto a um novo nível de sofisticação, incorporando:

• Inteligência com Scikit-learn: Modelos preditivos para otimizar decisões de irrigação.
• Dashboard Interativo com Streamlit: Interface web para visualização de dados em tempo real e insights.
• Banco de Dados MySQL: Para persistência robusta dos dados coletados.
• Otimizações no ESP32: Melhorias de performance e uso de memória no firmware.

🎯 Desafios e Requisitos da FASE 4:

• Incorporar Scikit-learn: Utilizar a biblioteca Scikit-learn para aprimorar a inteligência do sistema de irrigação automatizado, criando um modelo preditivo que sugira ações futuras de irrigação (e.g., previsão da necessidade de irrigação com base no histórico de umidade).
• Implementar Streamlit: Aprimorar o dashboard do projeto utilizando Streamlit, criando uma interface interativa para visualização em tempo real de dados (gráficos de umidade, níveis de nutrientes) e insights gerados pelo Machine Learning.
• Adicionar display LCD no Wokwi: Usar um display LCD conectado ao ESP32 no Wokwi (barramento I2C - pinos SDA e SCL) para mostrar métricas principais (umidade, níveis de nutrientes, status da irrigação) diretamente no sistema físico simulado.
• Monitoramento com Serial Plotter: Implementar o uso do Serial Plotter para monitorar variáveis do projeto (e.g., umidade), apresentando mudanças em tempo real para análise visual.
• Otimização de Memória no ESP32: Revisar e otimizar o uso das variáveis no código C/C++ do ESP32, realizando otimizações com tipos de dados inteiros, floats e chars para economizar memória e garantir eficiência, com comentários no código justificando as escolhas.

✨ Novas Funcionalidades Implementadas na Fase 4

1. Dashboard Interativo com Streamlit e Scikit-learn

Uma interface web amigável e moderna para monitorar e analisar os dados da plantação.

• Visualização em Tempo Real: Métricas atualizadas da última leitura de umidade e pH.
• Histórico de Leituras: Gráficos de linha que mostram a variação dos parâmetros coletados ao longo do tempo.
• Previsão de Umidade: Um modelo de Regressão Linear do Scikit-learn prevê a umidade futura (por exemplo, para a próxima hora) com base no histórico de dados, auxiliando significativamente na decisão de irrigação e otimização do uso da água.

2. Banco de Dados MySQL Persistente e Modularizado

Os dados dos sensores e das plantações são agora armazenados em um banco de dados MySQL, gerenciado via Docker, garantindo persistência, integridade e acessibilidade para o dashboard.

• Estrutura de Dados Aprimorada: O modelo de banco de dados foi revisado para melhor representar as entidades de plantações, sensores e suas leituras.
• População de Dados Modular: Introduzimos um script separado (populate_db.py) que utiliza um dataset mockado (dataset_mock.py) para popular o banco de dados com dados de teste de forma organizada, facilitando o desenvolvimento e a demonstração.

3. Monitoramento Avançado no Hardware (Wokwi - ESP32)

• Display LCD (I2C): Integrado ao ESP32 no Wokwi, o display LCD 16x2 exibe as principais métricas (umidade, temperatura, pH, status de nutrientes) em tempo real, fornecendo informações críticas diretamente no "campo".
• Serial Plotter: A umidade do solo é monitorada continuamente e visualizada em tempo real através do Serial Plotter do Wokwi. Este recurso é fundamental para depuração e análise visual do comportamento do sensor e da lógica de irrigação.

4. Otimização de Memória no ESP32

O código C/C++ (src/prog1.ino) foi meticulosamente revisado para otimizar o uso de memória. Isso incluiu a análise e adequação de tipos de dados (e.g., uint8_t para variáveis que armazenam valores pequenos, minimizando o uso de float onde a precisão não é crítica para economia de RAM), garantindo que o sistema rode de maneira mais eficiente e estável em um ambiente embarcado. As modificações e as justificativas para as escolhas de otimização estão devidamente comentadas diretamente no código-fonte.

📁 Estrutura de Pastas

Dentre os arquivos e pastas presentes na raiz do projeto, definem-se:

• .github: Nesta pasta ficarão os arquivos de configuração específicos do GitHub que ajudam a gerenciar e automatizar processos no repositório.
• assets: aqui estão os arquivos relacionados a elementos não-estruturados deste repositório, como imagens (incluindo as capturas de tela do dashboard e Wokwi).
• config: Posicione aqui arquivos de configuração que são usados para definir parâmetros e ajustes do projeto.
• document: aqui estão todos os documentos do projeto que as atividades poderão pedir. Na subpasta "other", adicione documentos complementares e menos importantes.
• scripts: Posicione aqui scripts auxiliares para tarefas específicas do seu projeto. Exemplo: deploy, migrações de banco de dados, backups.
• src: Todo o código fonte criado para o desenvolvimento do projeto ao longo das 7 fases.
  • src/prog1.ino: Código C/C++ para ESP32 (sensores, LCD, lógica de relé).
  • src/banco_dados.py: Script Python para operações CRUD manuais no MySQL (cria tabelas).
  • src/dataset_mock.py: (NOVO) Definições dos dados de teste (mockados) para população do banco.
  • src/populate_db.py: (NOVO) Script Python para popular o MySQL com dados de teste.
  • src/dashboard.py: Aplicação Streamlit (dashboard web com ML e Pandas).
• docker-compose.yml: Configuração para orquestrar o serviço MySQL e a aplicação Python.
• Dockerfile: Instruções para construir a imagem Docker da aplicação Python.
• requirements.txt: Dependências Python (Streamlit, Pandas, Scikit-learn, mysql-connector).
• diagram.json: Configuração da simulação do hardware no Wokwi.
• README.md: arquivo que serve como guia e explicação geral sobre o projeto (o mesmo que você está lendo agora).

🚀 Como Rodar o Projeto (Ambiente Docker)

Para configurar e executar a aplicação FarmTech Solutions em seu ambiente local usando Docker, siga os passos abaixo:

1. Pré-requisitos:

   • Certifique-se de ter o Docker Desktop (ou Docker Engine e Docker Compose) instalado e em execução em sua máquina.

2. Navegue até o diretório raiz do projeto:

   • Abra o terminal e vá para a pasta onde estão os arquivos docker-compose.yml, Dockerfile, etc.:

     cd /caminho/para/o/repositorio/Fase-4---Cap-1

3. Inicie os serviços Docker (MySQL e Streamlit App):

   • Este comando derrubará quaisquer contêineres anteriores do projeto, removerá volumes de dados (garantindo um banco de dados limpo para teste) e, em seguida, construirá a imagem da sua aplicação Python e iniciará os contêineres do MySQL (db) e do Streamlit (app) em segundo plano.

     docker compose down --volumes && docker compose up --build -d

   • Aguarde alguns segundos para que ambos os serviços (db e app) estejam totalmente Up. Você pode verificar o status com docker compose ps.

4. Criar as Tabelas no Banco de Dados:

   • Mesmo após a inicialização do MySQL, as tabelas ainda precisam ser criadas. Acesse o contêiner app e execute o script banco_dados.py que se conecta ao MySQL e cria as tabelas se elas não existirem:

     docker compose exec app python -m src.banco_dados

   • Você verá mensagens como "Criando tabela Plantacao... OK". Quando o "MENU FARMTECH" aparecer, digite 0 e pressione Enter para sair.

5. Popular o Banco de Dados com Dados de Teste (Mockados):

   • Para que o dashboard tenha dados para exibir (plantas, sensores, leituras), execute o script de população de dados mockados:

     docker compose exec app python -m src.populate_db

   • Observe a saída no terminal. Ele deve indicar que as plantações, sensores e leituras de teste estão sendo inseridos. Este script também remove dados mockados antigos antes de inserir novos, garantindo que o dashboard sempre carregue dados consistentes.

6. Reiniciar o Contêiner do Streamlit (Importante para Recarregar Cache):

   • O Streamlit usa cache para otimizar o desempenho. Para garantir que ele carregue os dados recém-inseridos, reinicie apenas o contêiner da sua aplicação:

     docker compose restart app

7. Acesse o Dashboard Streamlit:

   • Após o contêiner app reiniciar (geralmente em poucos segundos), abra seu navegador e visite:

     http://localhost:8501
     

   • O dashboard FarmTech Solutions estará disponível, exibindo os dados das plantações de teste na barra lateral e os gráficos/previsões ao selecioná-las.

🌐 Simulação do Hardware (Wokwi)

Para ver a parte do ESP32 (sensores, LCD e Serial Plotter) em ação, que funciona de forma independente do ambiente Docker neste momento:

1. Acesse seu projeto no Wokwi através do link fornecido: https://wokwi.com/projects/SEU_ID_DO_PROJETO_WOKWI_AQUI.
2. Inicie a simulação clicando no botão ▶ (Play).
3. Observe o display LCD para as métricas em tempo real (umidade, temperatura, pH, status de nutrientes).
4. Abra o Serial Plotter no ambiente Wokwi para monitorar visualmente a variação da umidade ao longo do tempo.

📺 Demonstração em Vídeo

Assista a uma demonstração completa do sistema em funcionamento, cobrindo tanto a simulação de hardware quanto o dashboard web:

[LINK PARA SEU VÍDEO NO YOUTUBE AQUI] (Certifique-se de que o vídeo esteja "Não Listado" ou "Unlisted" para que apenas quem tem o link possa vê-lo.)

🗃 Histórico de lançamentos

• 0.4.0 - 20/06/2025
  • Fase 4: Integração de Scikit-learn para previsão de umidade, dashboard Streamlit interativo, banco de dados MySQL, display LCD no Wokwi, Serial Plotter e otimizações de memória no ESP32.
• 0.3.0 - XX/XX/2024
  • Fase 3: Início da simulação de sensores, lógica de irrigação, controle com ESP32, prototipagem inicial.
• 0.2.0 - XX/XX/2024
  • Fase 2:
• 0.1.0 - 12/06/2025
  • Fase 1:

📋 Licença

MODELO GIT FIAP por Fiap está licenciado sobre Attribution 4.0 International.