Exjobbsförslag - Ett IoT-baserat system för prediktion av hushållsväxters bevattningsbehov

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.

Kan maskininlärningsbaserade modeller förutsäga hushållsväxters bevattningsbehov mer träffsäkert än ett traditionellt system

baserat på fasta jordfuktighetsgränser?

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. Vi har också krav på att kunna

kommunicera på svenska och engelska i tal och skrift.

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.