Manzano Villafuerte Víctor SantiagoAmán Caiza Byron Alexander2025-02-202025-02https://repositorio.uta.edu.ec/handle/123456789/43545La baja productividad agrícola es un desafío significativo que impacta la eficiencia y sostenibilidad del sector, especialmente en países en desarrollo. En el caso de los cultivos hidropónicos, esta problemática se agrava por la falta de sistemas avanzados de monitoreo y control. Para abordar esta limitación, se desarrolló el Sistema de monitoreo y control IoT para cultivos agrícolas basado en Edge-Cloud y Deep Learning, optimizando el crecimiento y gestión de los cultivos. La implementación del sistema IoT para el monitoreo y control de cultivos agrícolas basado en arquitecturas Edge-Cloud y Deep Learning permitió el procesamiento de datos en tiempo real, optimizando la gestión de recursos y reduciendo la intervención manual. Se desarrolló en cuatro capas. En Edge Layer, dispositivos recopilaron datos de pH y conductividad eléctrica, mientras una cámara capturó las lechugas. En Server Layer, se procesó y almacenó datos, entrenó y aplicó el modelo de inteligencia artificial. En Cloud Layer, una red virtual gestionó la información. Finalmente, en Display Layer, una interfaz permitió la visualización en tiempo real, facilitando la supervisión del sistema. Los resultados evidenciaron la efectividad del sistema, alcanzando una precisión del 99.76% y 98.80% en la medición de pH y conductividad eléctrica. El modelo de reconocimiento de enfermedades en lechugas logró un 87% en entrenamiento y 84.92% en pruebas reales, permitiendo detección temprana y reduciendo pérdidas. La integración de IoT, Edge-Cloud y Deep Learning optimizó el monitoreo y control, reduciendo costos y mejorando la eficiencia en la aplicación de nutrientes, garantizando un sistema más sostenible.Low agricultural productivity is a significant challenge that impacts the efficiency and sustainability of the sector, especially in developing countries. In the case of hydroponic crops, this problem is aggravated by the lack of advanced monitoring and control systems. To address this limitation, the IoT Monitoring and Control System for Agricultural Crops based on Edge-Cloud and Deep Learning was developed, optimizing crop growth and management. The implementation of the IoT system for monitoring and control of agricultural crops based on Edge-Cloud and Deep Learning architectures allowed for real-time data processing, optimizing resource management and reducing manual intervention. It was developed in four layers. In the Edge Layer, devices collected pH and electrical conductivity data, while a camera captured the lettuce. In the Server Layer, data was processed and stored, the artificial intelligence model was trained and applied. In the Cloud Layer, a virtual network managed the information. Finally, in the Display Layer, an interface allowed real-time visualization, facilitating system monitoring. The results demonstrated the effectiveness of the system, reaching an accuracy of 99.76% and 98.80% in the measurement of pH and electrical conductivity. The lettuce disease recognition model achieved 87% in training and 84.92% in real tests, allowing early detection and reducing losses. The integration of IoT, Edge-Cloud and Deep Learning optimized monitoring and control, reducing costs and improving efficiency in the application of nutrients, guaranteeing a more sustainable system.esCULTIVOS HIDROPÓNICOSLECHUGATECHNOLOGY::Bioengineering::Biotechnological separationEDGE-CLOUDDEEP LEARNINGbachelorThesis