Smart plants: AI-driven orchestration for scalable plant care

Modern precision agriculture increasingly depends on dependable data flows between distributed sensors and intelligent control nodes. This thesis presents the latest iteration of Smart Plants, a centrally orchestrated platform in which a Raspberry Pi gateway coordinates a set of ESP32-based sensor and actuator nodes. The document analyses requirements drawn from literature, commercial actors and study groups, motivates the choice of a hub-and-spoke topology, and details the implementation of a Flask middleware that delivers live dashboards, automated irrigation, and AI-assisted analytics. A refreshed architecture delegates more autonomy to a main node, demonstrating improvements in reliability, scalability, and maintainability. Then an analysis on the data collected and fed to multiple types of machine learning models showcases the potential for predictive plant care and anomaly detection, based on a specific sensor called Bioristor, that is used as ground truth to validate the obtained model correctness. The thesis concludes with reflections on lessons learned during development and suggestions for future enhancements.

L’agricoltura di precisione moderna dipende sempre più da flussi di dati affidabili tra sensori distribuiti e nodi di controllo intelligenti. Questa tesi presenta l’ultima iterazione di Smart Plants, una piattaforma orchestrata centralmente in cui un gateway Raspberry Pi coordina un set di nodi sensori e attuatori basati su ESP32. Il documento analizza i requisiti tratti dalla letteratura, dagli attori commerciali e dai gruppi di studio, motiva la scelta di una topologia hub-and-spoke e dettaglia l’implementazione di un middleware Flask che fornisce dashboard in tempo reale, irrigazione automatizzata e analisi assistita dall’intelligenza artificiale. Una architettura rinnovata delega maggiore autonomia a un nodo principale, dimostrando miglioramenti in termini di affidabilità, scalabilità e manutenibilità. Successivamente, un’analisi dei dati raccolti e forniti a molteplici tipi di modelli di machine learning mostra il potenziale per la cura predittiva delle piante e il rilevamento delle anomalie, basandosi su uno specifico sensore chiamato Bioristor, utilizzato come "ground truth" per convalidare la correttezza dei modelli ottenuti. La tesi si conclude con alcune riflessioni sulle lezioni apprese durante lo sviluppo e suggerimenti per futuri miglioramenti.