Hushållsväxters behov av vatten påverkas av flera faktorer, däribland växtart, jordtyp, krukstorlek, temperatur, luftfuktighet och ljusexponering. Det kan därför vara svårt att avgöra när en växt behöver vattnas. Bevattningssystem som enbart baseras på fasta gränsvärden för jordfuktighet tar inte alltid hänsyn till dessa variationer, vilket kan leda till både övervattning och uttorkning.

IoT-baserade sensorsystem kan användas för att kontinuerligt övervaka växters odlingsmiljö och samla in data från exempelvis jordfuktighets-, temperatur-, luftfuktighets- och ljussensorer. Genom att lagra och analysera denna information kan systemet identifiera mönster i hur jordens fuktighet förändras över tid och under olika miljöförhållanden.

I detta examensarbete ska ett IoT-baserat system utvecklas för att övervaka hushållsväxter och förutsäga deras framtida bevattningsbehov. Systemet kommer att samla in sensordata från ett antal växter och använda maskininlärningsmetoder för att uppskatta om en växt behöver vattnas inom ett definierat framtida tidsintervall. Baserat på modellens resultat ska systemet kunna ge användaren bevattningsrekommendationer och aviseringar via exempelvis en webb- eller mobilapplikation.

En central del av arbetet är att undersöka om maskininlärningsbaserade modeller kan ge mer träffsäkra bevattningsrekommendationer än en traditionell metod baserad på fasta gränsvärden för jordfuktighet. Arbetet kommer därför att omfatta insamling och bearbetning av sensordata, utveckling och utvärdering av prediktiva modeller samt jämförelse med en regelbaserad referensmodell.

Examensarbetet kommer att inkludera en litteraturstudie av relevanta metoder inom IoT, tidsserieanalys och maskininlärning. Olika modeller kommer att implementeras och utvärderas med avseende på prediktionsförmåga, antal felaktiga rekommendationer och möjligheten att anpassa modellerna till olika växter och odlingsförhållanden. Arbetet ska även undersöka vilka typer av sensordata som bidrar mest till prediktionen.

Forskningsfråga

Kan maskininlärningsbaserade modeller förutsäga hushållsväxters bevattningsbehov mer träffsäkert än ett traditionellt system baserat på fasta jordfuktighetsgränser?

Underfrågor

• Hur väl kan jordfuktighetens utveckling förutsägas över tid?

• Vilka typer av sensordata bidrar mest till prediktionen?

• Hur skiljer sig en generell modell från en modell som anpassats till en specifik växt?

• Hur många onödiga eller missade bevattningsrekommendationer genererar de olika metoderna?

• Hur påverkas modellernas prestanda av variationer i växtart, jordtyp och odlingsmiljö?

För ett framgångsrikt examensarbete ser vi gärna att den sökande har:

• Intresse för artificiell intelligens, maskininlärning och IoT

• Erfarenhet av programmering, exempelvis i Python

• Intresse för dataanalys och experimentell utvärdering

• Grundläggande kunskaper inom sensorer och inbyggda system

• Förmåga att självständigt genomföra litteraturstudier, systemutveckling och analysarbete
  

För att kunna ge dig bästa möjliga stöd under ditt examensarbete ser vi gärna att du arbetar på plats hos oss på det kontor som är kopplat till examensarbetet och tillbringar större delen av din tid tillsammans med vårt team.

Ansökan:

Vi ser fram emot att läsa ditt CV och gärna även ett personligt brev där du berättar varför du vill skriva ditt examensarbete hos oss på Syntronic.

Vi går igenom och bedömer ansökningar löpande. Urval för examensarbete sker mellan oktober-december beroende på utbildningsnivå. Vid intresse, skicka gärna in din ansökan så snart som möjligt.