Artificial Intelligence of Smart Agriculture with Multiple Cropping in NFT Hydroponics System
Master of Science (Applied Mathematics and Computing Science), 2022
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | Theses and Dissertations |
| Language: | English |
| Published: |
Prince of Songkla University
2023
|
| Subjects: | |
| Online Access: | http://kb.psu.ac.th/psukb/handle/2016/18990 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Institution: | Prince of Songkhla University |
| Language: | English |
| id |
th-psu.2016-18990 |
|---|---|
| record_format |
dspace |
| institution |
Prince of Songkhla University |
| building |
Khunying Long Athakravi Sunthorn Learning Resources Center |
| continent |
Asia |
| country |
Thailand Thailand |
| content_provider |
Khunying Long Athakravi Sunthorn Learning Resources Center |
| collection |
PSU Knowledge Bank |
| language |
English |
| topic |
Hydroponics Artificial Intelligence of Things |
| spellingShingle |
Hydroponics Artificial Intelligence of Things Wrintorn Booneua Artificial Intelligence of Smart Agriculture with Multiple Cropping in NFT Hydroponics System |
| description |
Master of Science (Applied Mathematics and Computing Science), 2022 |
| author2 |
Supaporn Chaiarayalert |
| author_facet |
Supaporn Chaiarayalert Wrintorn Booneua |
| format |
Theses and Dissertations |
| author |
Wrintorn Booneua |
| author_sort |
Wrintorn Booneua |
| title |
Artificial Intelligence of Smart Agriculture with Multiple Cropping in NFT Hydroponics System |
| title_short |
Artificial Intelligence of Smart Agriculture with Multiple Cropping in NFT Hydroponics System |
| title_full |
Artificial Intelligence of Smart Agriculture with Multiple Cropping in NFT Hydroponics System |
| title_fullStr |
Artificial Intelligence of Smart Agriculture with Multiple Cropping in NFT Hydroponics System |
| title_full_unstemmed |
Artificial Intelligence of Smart Agriculture with Multiple Cropping in NFT Hydroponics System |
| title_sort |
artificial intelligence of smart agriculture with multiple cropping in nft hydroponics system |
| publisher |
Prince of Songkla University |
| publishDate |
2023 |
| url |
http://kb.psu.ac.th/psukb/handle/2016/18990 |
| _version_ |
1781416883851886592 |
| spelling |
th-psu.2016-189902023-10-24T03:58:34Z Artificial Intelligence of Smart Agriculture with Multiple Cropping in NFT Hydroponics System ปัญญาประดิษฐ์ของเกษตรอัจฉริยะด้วยการปลูกพืชหลายชนิดในระบบไฮโดรโพนิกส์แบบ NFT Wrintorn Booneua Supaporn Chaiarayalert Faculty of Science and Industrial Technology คณะวิทยาศาสตร์และเทคโนโลยีอุตสาหกรรม Hydroponics Artificial Intelligence of Things Master of Science (Applied Mathematics and Computing Science), 2022 This research aims to develop a model to predict plant growth in hydroponics using machine learning. Sensors are developed for measuring environmental factors such as temperature, humidity, temperature. Water, pH and EC by using the ESP 32 microcontroller board, receive data from sensors to send data to MySQL database. In system development, use C and C# for programming onto microcontroller boards, use PHP, Java Script and AJAX languages for web development and dashboard design, use Python for data analysis and prediction using algorithms. Machine learning algorithms include logistic regression, K-NN, random forest, decision tree, and bayesian network, and determine which model has the most accuracy for this dataset. The data stored in the database contains information that measures factors affecting plant growth, including temperature, humidity, water temperature, pH and EC. Light intensity uses artificial incandescent light with an appropriate range of light. plant The data to be stored in the database will store time based on the actual measurement, which is collected every 20 minutes. The results showed that the random forest model was the most accurate by using two precision measurement methods: split test and cross validation test, both of which used logistic regression model, K-NN, random forest, decision tree. and the Bayesian network. In the performance test, the most accurate model for this test dataset was the random forest with an accuracy of approximately 98%. The accuracy of these predictions depends on the data used. In addition, the sensor display is also available through the web page, which displays data in numerical, graph and table formats so that users can get the measurement data of the hydroponic environment which can be viewed. from any device connected to the Internet. This research aids in user decision making for growing in hydroponics systems and is able to effectively control crop yields and is also a model guideline for using the system. within the household to be able to grow crops for consumption and sale. This research and innovation activity was funded by the National Research Council of Thailand (NRCT) งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาโมเดลการทำนายผลการเจริญเติบโตของพืชในระบบไฮโดรโพนิกส์ด้วยการเรียนรู้ด้วยเครื่อง (Machine learning) โดยมีการพัฒนาเซ็นเซอร์สำหรับการตรวจวัดปัจจัยสภาพแวดล้อม ได้แก่ อุณหภูมิ ความชื้น อุณหภูมิน้ำ pH และ EC โดยการใช้บอร์ดไมโครคอนโทรลเลอร์ ESP 32 รับข้อมูลจากเซ็นเซอร์เพื่อส่งข้อมูลไปยังฐานข้อมูล MySQL ในการพัฒนาระบบใช้ได้ใช้ ภาษาC และ C# สำหรับการเขียนโปรแกรมลงบอร์ดไมโครคอนโทรลเลอร์ ใช้ภาษา PHP Java Script และ AJAX สำหรับการพัฒนาเว็บไซต์และออกแบบหน้าแดชบอร์ด ใช้ภาษา Python สำหรับการวิเคราะห์และการทำนายผลข้อมูลโดยใช้อัลกอริทึมการเรียนรู้ด้วยเครื่อง (Machine learning) ได้แก่ logistic regression, K-NN, random forest, decision tree และ bayesian network และหาว่าแบบจำลองใดมีค่าความแม่นยำมากที่สุดสำหรับชุดข้อมูลนี้ ข้อมูลที่จัดเก็บในฐานข้อมูลประกอบไปด้วยข้อมูลที่เป็นการวัดปัจจัยที่ส่งผลต่อการเจริญเติบโตของพืช ได้แก่ อุณหภูมิ ความชื้น อุณหภูมิน้ำ pH และ EC ส่วนความเข้มแสงจะใช้แสงจากหลอดไฟประดิษฐ์ซึ่งมีช่วงแสงที่เหมาะสมสำหรับพืช ข้อมูลที่จะเก็บในฐานข้อมูลจะจัดเก็บเวลาตามการวัดจริง ๆ ซึ่งจะเก็บในทุก ๆ 20 นาที ผลการวิจัย พบว่า แบบจำลอง random forest มีความแม่นยำมากที่สุดโดยใช้การวัดความแม่นยำ 2วิธีคือ Split test และ Cross validation test ซึ่งทั้ง2 ในแบบจำลองได้ใช้โมเดล logistic regression, K-NN, random forest, decision tree และ Bayesian network ในการทดสอบประสิทธิภาพซึ่งตัวโมเดลที่มีความแม่นยำที่สุดสำหรับชุดข้อมูลการทดสอบนี้คือ random forest มีความแม่นยำ ประมาณ 98% ค่าความแม่นยำของการทำนายเหล่านี้ขึ้นอยู่กับข้อมูลที่นำมาใช้ หากมีการใช้ข้อมูลที่แตกต่างกัน โมเดลอื่น ๆอาจจะให้ความแม่นยำที่มากกว่าโมเดล random forest ซึ่งอาจจะสรุปได้ว่า ความแม่นยำของโมเดลที่ใช้ในการทำนายนี้ขึ้นอยู่กับประเภทของข้อมูลที่เราใช้งาน นอกจากนี้ยังมีการแสดงผลของเซ็นเซอร์ผ่านหน้าเว็บไซต์โดยจะแสดงข้อมูลในรูปแบบตัวเลข กราฟ และตารางเพื่อให้ผู้ใช้งานสามารถรับรู้ข้อมูลในการวัดสภาพแวดล้อมของระบบไฮโดรโพนิกส์ได้ซึ่งสามารถเรียกดูได้จากทุกอุปกรณ์ที่เชื่อมต่อกับอินเทอร์เน็ต ซึ่งงานวิจัยนี้ช่วยในการตัดสินใจของผู้ใช้สำหรับการปลูกในระบบไฮโดรโพนิกส์และสามารถที่จะควบคุมผลผลิตของพืชให้มีประสิทธิภาพได้เป็นอย่างดีอีกทั้งยังเป็นแนวทางต้นแบบสำหรับการใช้ระบบภายในครัวเรือนเพื่อให้สามารถปลูกพืชไว้บริโภคและจำหน่ายได้ 2023-10-24T03:52:54Z 2023-10-24T03:52:54Z 2022 Thesis http://kb.psu.ac.th/psukb/handle/2016/18990 en Attribution-NonCommercial-NoDerivs 3.0 Thailand http://creativecommons.org/licenses/by-nc-nd/3.0/th/ application/pdf Prince of Songkla University |