Show simple item record

dc.contributor.advisorGonzález Acevedo, Hernando
dc.contributor.authorSalas Pérez, María Celeste
dc.coverage.spatialColombiaspa
dc.date.accessioned2022-01-25T14:16:38Z
dc.date.available2022-01-25T14:16:38Z
dc.date.issued2021
dc.identifier.urihttp://hdl.handle.net/20.500.12749/15363
dc.description.abstractEn este proyecto se presenta un sistema de monitoreo electrónico para la medición de variables físicas de una colmena artificial de abejas Apis Melífera. La recopilación de esta información ayuda a determinar el estado de salud y producción de la colmena en tiempo real tomando datos de los sensores para variables como la temperatura interior y exterior de la colmena, humedad interior y exterior, CO2 y báscula digital para medir el peso de la colmena y posteriormente evaluar la cosecha con la información obtenida. También se presenta la implementación de un sistema de alimentación con energía solar fotovoltaica facilitando el monitoreo de la colmena en lugares remotos. La implementación de un algoritmo para la predicción del peso presenta una red neuronal LSTM bidireccional para generar predicciones del peso en los días futuros teniendo en cuenta los datos recopilados de cada variable ambiental. Debido a la escasez de datos recopilados en la colmena de Sabana (un mes y medio), los modelos se implementaron en una base de datos de una colmena artificial obtenida en Kaggle.com, cuya locación de la colmena es en Würzburg, Alemania. El modelo con mejores resultados obtenidos es implementado en una aplicación web básica donde el usuario o apicultor puede cargar los datos de la colmena obtenidos de CayenneMyDevices para realizar las predicciones a futuro del peso de la colmena artificial.spa
dc.description.tableofcontentsObjetivos .....................................................................................................................................11  Objetivo General. .................................................................................................................. 11  Objetivos específicos. ............................................................................................................ 11  Capítulo 1. Apicultura de precisión ..........................................................................................12  1.1   Definición de variables físicas .................................................................................. 12  1.1.1   Estado del arte ................................................................................................... 12  1.1.2 Variables físicas de interés para determinar la producción en la colmena ........ 13  1.1.3   Internet de las cosas (IoT) ................................................................................ 14  1.1.4  Condiciones generales de la colmena artificial ............................................... 15  1.1.5  Definición del hardware ................................................................................... 15  1.1.6  Selección de microprocesador .......................................................................... 17  1.1.7  Selección de sensores ......................................................................................... 18  1.1.8   Circuitos de operación ...................................................................................... 26  1.1.9   Hardware adicional........................................................................................... 32  1.1.10 Selección de panel solar ......................................................................................... 33  1.1.11 Montaje de dispositivos. ........................................................................................ 35  Capítulo 2. Transmisión de datos .............................................................................................38  2.1  Validación del sistema de monitoreo ....................................................................... 38  2.1.1 MQTT (MQ Telemetry Transport) ........................................................................ 38  2.1.2  Cayenne MyDevices .......................................................................................... 39  2.1.3   Registro de mediciones ..................................................................................... 42  2.1.4   Diseño de alarmas ............................................................................................. 48  Capítulo 3. Algoritmo de predicción para la producción. ......................................................49  3.1 Inteligencia Artificial ...................................................................................................... 49  3.1.1 Aprendizaje profundo (Deep Learning)................................................................. 50  3.1.2  Redes neuronales LSTM .................................................................................. 50  3.1.3 Análisis de las variables ambientales...................................................................... 51  3.2 Desarrollo del algoritmo ................................................................................................. 54  3.2.1 Creación del modelo LSTM .................................................................................... 59  Capítulo 4. Aplicación Web ......................................................................................................68  4.1 Diseño de la aplicación web básica ................................................................................ 68  Conclusiones ...............................................................................................................................76  Bibliografía .................................................................................................................................78  Anexos .........................................................................................................................................82 spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titlePrototipo electrónico para la medición de variables físicas de una colmena artificial de abejas Apis Melíferaspa
dc.title.translatedElectronic prototype for the measurement of physical variables of an artificial hive of Apis Melífera beesspa
dc.degree.nameIngeniero Mecatrónicospa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.rights.localAbierto (Texto Completo)spa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.programPregrado Ingeniería Mecatrónicaspa
dc.description.degreelevelPregradospa
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.localTrabajo de Gradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.subject.keywordsMechatronicspa
dc.subject.keywordsArtificial hivespa
dc.subject.keywordsHoney bee apisspa
dc.subject.keywordsDatabasesspa
dc.subject.keywordsSensorsspa
dc.subject.keywordsPrototype developmentspa
dc.subject.keywordsHoneycombsspa
dc.subject.keywordsBeekeepingspa
dc.subject.keywordsDigital electronic instrumentsspa
dc.subject.keywordsAlgorithmsspa
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.relation.references[1]. Ecocolmena. (2018). Importancia de la polinización para una agricultura sostenible. [web] Disponible en: https://ecocolmena.com/la-importancia-de-la-polinizacion-parauna-agricultura sostenible/ [Accedido 1 julio de 2019].spa
dc.relation.references[2]. Mieldemalaga.com. (2008). [online] Available at: http://www.mieldemalaga.com/data/manual_apicultura.hon.pdf [Accessed 30 Jul. 2019].spa
dc.relation.references[3] Márquez R, O. and Méndez Á. (2012). Módulo de Monitoreo Apícola. [web] Disponible en: http://bdigital.unal.edu.co/9731/1/261010.2012.pdf [Accedido 2 julio de 2019].spa
dc.relation.references[4]. Seritan, G., Bogdan, A., Argatau, F., Adochiei, F., Toader S. (2018) Low cost platform for monitoring honey production and bees health. [web]. Disponible en: https://ieeexplore.ieee.org/document/8402704 [accedido 5 de agosto de 2019].spa
dc.relation.references[5]. Kevrić, J. Šakanović, S. Dogru, N. Kečo, D. (2019) Short-Term Prediction of Honey Production in Bosnia and Herzegovina using IoT. [web]. Disponible en: https://ieeexplore.ieee.org/document/8760012. [accedido 5 de agosto de 2019].spa
dc.relation.references[6]. Dineva, Kristina & Atanasova, Tatiana. (2017). Model of Modular IoT-based BeeKeeping System.spa
dc.relation.references[7] Dineva, Kristina & Atanasova, Tatiana. (2018). ICT-Based Beekeeping Using IoT and Machine Learning. 10.1007/978-3-319-99447-5_12.spa
dc.relation.references[8]. Valega, O. (2019). Estrés en las Abejas. [web] Apiservices.biz. https://www.apiservices.biz/es/articulos/ordenar-por-popularidad/1161-estres-en lasabejasspa
dc.relation.references[9]. Seritan, G., Bogdan, A., Argatau, F., Adochiei, F., Toader S. (2018) Low cost platform for monitoring honey production and bees health. [web]. https://ieeexplore.ieee.org/document/8402704].spa
dc.relation.references[10] Rose, K. (2015). La Internet de las Cosas. www.internetsociety.org. https://www.internetsociety.org/wp-content/uploads/2017/09/report-InternetOfThings20160817-es-1.pdfspa
dc.relation.references[11] Joaquin, M. (2015). Calendario Climatológico Aeronautico Colombiano. Calendario Climatológico Aeronautico Colombiano. https://www.sogeocol.edu.co/documentos/096_calen_climat.pdfspa
dc.relation.references[12] Universidad Autónoma Agraria Antonio Narro. (2009). Comparación de la calidad de miel (Apis Mellifera) entre las zonas apícolas de Saltillo, Coahuila y Bolonchen de Rejón, Campeche.spa
dc.relation.references[13]. Abejapedia.com. (2019). Apicultura» ABEJAPEDIA. [web] Disponible en: http://www.abejapedia.com/apicultura/spa
dc.relation.references[14] Sparkfun, S. (s. f.). Raspberry Pi Zero W. Sparkfun Datasheet. https://cdn.sparkfun.com/assets/learn_tutorials/6/7/6/PiZero_1.pdfspa
dc.relation.references[15] alldatasheet.com. (s. f.). SHT15 Datasheet(PDF) - List of Unclassifed Manufacturers. SHT15 Datasheet. Recuperado 14 de julio de 2021, de https://www.alldatasheet.com/datasheet-pdf/pdf/91101/ETC/SHT15.htmlspa
dc.relation.references[16] Park Fun, S. (s. f.). Datasheet CCS811. Datasheet CCS811. https://cdn.sparkfun.com/assets/learn_tutorials/1/4/3/CCS811_Datasheet-DS000459.pdfspa
dc.relation.references[17] Doc.riot-os.org. 2021. CCS 811 digital gas sensor. [online] Available at: <https://doc.riot-os.org/group__drivers__ccs811.html#ntc> [Accessed 9 October 2021].spa
dc.relation.references[18] Adafruit. (s. f.). Sensor DHT22. Sensor DHT22. https://cdnshop.adafruit.com/datasheets/Digital+humidity+and+temperature+sensor+AM2302.pdfspa
dc.relation.references[19] alldatasheet.com. (s. f.-a). HX711 Datasheet(3/9 Pages) AVIA | 24-Bit Analog-toDigital Converter (ADC) for Weigh Scales. HX711 Datasheet. Recuperado 14 de julio de 2021, de https://html.alldatasheet.com/htmlpdf/1132222/AVIA/HX711/341/3/HX711.hspa
dc.relation.references[20] Librería de Sparkfun. (s. f.). Sparkfun. https://learn.sparkfun.com/tutorials/load-cellamplifier-hx711-breakout-hookup-guide/installing-the-hx711-arduino-library-andexamplesspa
dc.relation.references[21] Gruber, C. (2020). Foro de HiveEyes sobre celdas de carga. Comunidad HiveEyes. https://community.hiveeyes.org/t/strain-gauge-load-cell-tests-in-a-diy-climatechamber/1642spa
dc.relation.references[22]BOSCHE Wägetechnik. 2021. Single point load cell H30A. [online] Available at: <https://www.bosche.eu/en/scale-components/load-cells/single-point-load-cell/singlepoint-load-cell-h30a> [Accessed 9 October 2021].spa
dc.relation.references[23] Solares, P. (2020, 20 abril). Cálculo de Paneles Solares | Todo lo que necesitas saber. Paneles Solares. https://www.paneles-solares.org/calculo/spa
dc.relation.references[24] R. (2020, 20 abril). MQTT, Qué es, ¿cómo se puede usar? y Cómo funciona. Descubrearduino.com. https://descubrearduino.com/mqtt-que-es-como-se-puede-usar-ycomo-funciona/spa
dc.relation.references[25] M. (2020a, septiembre 17). About. MyDevices. https://mydevices.com/about/?_ga=2.177304864.405579516.16254608191457474438.1619330470spa
dc.relation.references[26] B. (2019, 5 julio). Cayenne Documentation. MyDevices Cayenne Community. https://community.mydevices.com/t/cayenne-documentation/150spa
dc.relation.references[27] Firtect. (2018, 3 febrero). ¿Qué es MQTT? https://firtec.com.ar/cms/component/content/article/10-notas-tecnicas/53-que-es-mqttspa
dc.relation.references[28] Deep Learning y Machine Learning: las diferencias. (2018). Blog de Salesforce. https://www.salesforce.com/mx/blog/2018/7/Machine-Learning-y-Deep-Learningaprende-las-diferencias.htmlspa
dc.relation.references[29] de la Fuente, A. D. (2012). Aplicación de técnicas de inteligencia artificial a la predicción de contaminantes atmosféricos. Archivo Digital UPM. http://oa.upm.es/112spa
dc.relation.references[30] Sinha, N. (2018, 11 julio). Understanding LSTM and its quick implementation in keras for sentiment analysis. Medium. https://towardsdatascience.com/understandinglstm-and-its-quick-implementation-in-keras-for-sentiment-analysis-af410fd85b47spa
dc.relation.references[31] T. Cabello. (2007). Manejo del Colmenar II. Apicultura. EPS. UAL. https://w3.ual.es/personal/tcabello/Temarios/ApiTema09Web.pdfspa
dc.relation.references[32] El clima en Wurzburgo, el tiempo por mes, temperatura promedio (Alemania) - Weather Spark. (2021). El clima en Wurzburgo. https://es.weatherspark.com/y/64039/Clima-promedio-en-Wurzburgo-Alemaniadurante-todo-el-a%C3%B1ospa
dc.relation.references[33] Santos, P. R. D. L. (2021, 16 junio). Deep Learning para todos los públicos: ¿Qué son los tensores? ¿Qué es TensorFlow? - Think Big Empresas. Think Big. https://empresas.blogthinkbig.com/deep-learning-para-todos-los-publicos/spa
dc.relation.references[34] Rodríguez, V. (2018). Conceptos básicos sobre redes neuronales. Vicente Rodríguez blog. https://vincentblog.xyz/posts/conceptos-basicos-sobre-redes-neuronalesspa
dc.relation.references[35] matplotlib.pyplot.boxplot — Matplotlib 3.4.3 documentation. (2012). matplotlib.pyplot.boxplot. https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.boxplot.htmlspa
dc.relation.references[36] Katta, S. (2021, 11 enero). Time-series Forecasting using Conv1D-LSTM : Multiple timesteps into future. Medium. https://shivapriya-katta.medium.com/time-seriesforecasting-using-conv1d-lstm-multiple-timesteps-into-future-acc684dcaaaspa
dc.relation.references[37] Y. (2020, 11 diciembre). Addressing the difference between Keras’ validation_split and sklearn’s train_test_split(). Medium. https://towardsdatascience.com/addressing-thedifference-between-keras-validation-split-and-sklearn-s-train-test-split-a3fb803b7spa
dc.relation.references[38] Spider Financial, info@numxl.com. (2017, 9 marzo). MSE – Error Cuadrático Medio. Centro de ayuda. https://support.numxl.com/hc/es/articles/115001223423-MSEError-Cuadr%C3%A1tico-Mediospa
dc.relation.references[39] Hincapie, L., & Triana, S. (2021). Desarrollo de un sistema de Análisis de las variables que afectan el crecimiento de las aves de corral. UNAB. https://repository.unab.edu.co/bitstream/handle/20.500.12749/13415/2020_Tesis_Triana _Ardila_Santiago.pdf?sequence=1&isAllowed=yspa
dc.relation.references[40] Streamlit.io. 2021. Streamlit • The fastest way to build and share data apps. [online] Available at: <https://streamlit.io/> [Accessed 9 October 2021].spa
dc.contributor.cvlacGonzález Acevedo, Hernando [0000544655]spa
dc.contributor.googlescholarGonzález Acevedo, Hernando [V8tga0cAAAAJ&hl=es&oi=ao]spa
dc.contributor.orcidGonzález Acevedo, Hernando [0000-0001-6242-3939]spa
dc.contributor.researchgateGonzález Acevedo, Hernando [Hernando-Gonzalez-Acevedo-2199006362]spa
dc.subject.lembMecatrónicaspa
dc.subject.lembDesarrollo de prototiposspa
dc.subject.lembPanales de mielspa
dc.subject.lembApiculturaspa
dc.subject.lembInstrumentos electrónicos digitalesspa
dc.subject.lembAlgoritmosspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.description.abstractenglishThis project presents an electronic monitoring system for the measurement of physical variables of an artificial beehive of Apis Melifera bees. The collection of this information helps to determine the state of health and production of the beehive in real time by taking data from sensors for variables such as internal and external temperature of the beehive, internal and external humidity, CO2 and digital scale to measure the weight of the beehive and subsequently evaluate the harvest with the information obtained. The implementation of a solar photovoltaic power supply system is also presented, facilitating the monitoring of the beehive in remote locations. The implementation of an algorithm for weight prediction presents a bidirectional LSTM neural network to generate weight predictions for future days taking into account the data collected for each environmental variable. Due to the scarcity of data collected in the Sabana beehive (one and a half months), the models were implemented on an artificial beehive database obtained from Kaggle.com, whose beehive location is in Würzburg, Germany. The best performing model is implemented in a basic web application where the user or beekeeper can upload the beehive data obtained from CayenneMyDevices to make future predictions of the weight of the artificial beehive.spa
dc.subject.proposalColmena artificialspa
dc.subject.proposalAbejas apis melíferaspa
dc.subject.proposalBases de datosspa
dc.subject.proposalSensoresspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.description.learningmodalityModalidad Presencialspa


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-SinDerivadas 2.5 Colombia
Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 2.5 Colombia