Imágenes sobre LoRa para aplicación en la agroindustria

Abstract

Este trabajo presenta una prueba de concepto enfocada en evaluar la viabilidad de transmitir imágenes en entornos rurales mediante tecnología LoRa, comparando dos enfoques aplicados a trampas cromotrópicas automatizadas para el monitoreo fitosanitario de cultivos: el envío completo de imágenes hacia un servidor central para su visualización o análisis, y el procesamiento local de las imágenes mediante técnicas de edge computing, que permiten detectar automáticamente la presencia de insectos en el nodo remoto utilizando inteligencia artificial, con recursos computacionales limitados. El objetivo principal es evaluar la efectividad de ambas estrategias, así como su impacto en el consumo energético por estar en entornos rurales sin acceso a fuentes de energía y el tiempo en el aire de la transmisión de los datos para los casos en los que coexistan varios dispositivos. Para superar las limitaciones propias de LoRa en cuanto a ancho de banda y tasa de transmisión, se implementan técnicas de compresión y fragmentación de imágenes, así como el procesamiento en el borde que permite reducir significativamente la cantidad de datos transmitidos. El sistema se basa en una cámara ESP32-CAM y una placa Heltec WiFi LoRa 32 (V3), y se complementa con una arquitectura de servidor desarrollada con MQTT, Node.js y MongoDB, encargada de la reconstrucción de imágenes, la detección de paquetes faltantes y el almacenamiento de los datos para su posterior visualización o tratamiento de los archivos. Los resultados obtenidos demuestran que, mediante una adecuada combinación de hardware de bajo consumo y software optimizado, es posible lograr un monitoreo fitosanitario remoto eficiente a través de imágenes, con una considerable reducción del gasto energético y del tiempo de transmisión, contribuyendo así a una agricultura más sostenible.

This work presents a proof of concept focused on evaluating the feasibility of transmitting images in rural environments using LoRa technology. Two approaches are compared, both applied to automated chromotropic traps for phytosanitary crop monitoring: the complete transmission of images to a central server for visualization or analysis, and the local processing of images using edge computing techniques, which enable the detection of insect presence on the remote node through artificial intelligence under limited computational resources. The main objective is to assess the effectiveness of both strategies, as well as their impact on energy consumption in off-grid rural settings, and on airtime in scenarios with multiple coexisting devices. To overcome LoRa’s inherent limitations in bandwidth and data rate, the system implements image compression and fragmentation techniques, along with edge processing to significantly reduce the amount of transmitted data. The architecture is based on an ESP32-CAM and a Heltec WiFi LoRa 32 (V3) board, and is complemented by a server-side system developed with MQTT, Node.js, and MongoDB, responsible for image reconstruction, missing packet detection, and data storage for further visualization or analysis. The results show that with an appropriate combination of low-power hardware and optimized software, it is possible to achieve efficient remote phytosanitary monitoring through images, with a significant reduction in both energy consumption and transmission time, thus contributing to more sustainable agricultural practices.