Skip to content

APP_INTEGRATED_REPORT.md

Latest commit

 

History

History
327 lines (246 loc) · 8.2 KB

APP_INTEGRATED_REPORT.md

File metadata and controls

327 lines (246 loc) · 8.2 KB
Raw

Relatório: Dashboard Integrado FarmTech Solutions

🎥 Vídeo Demonstrativo

Status: Completo e Funcional

Data: 21/11/2025
Arquivo: app_integrated.py
Framework: Streamlit
Linhas de Código: ~700+

Implementação

Estrutura Geral

Dashboard unificado com 8 páginas navegáveis via sidebar:

  1. Home - Visão geral do projeto
  2. Fase 1: Dados & R - Análise estatística CSV
  3. Fase 2: Banco de Dados - DER e consultas
  4. Fase 3: IoT ESP32 - Visualização do firmware
  5. Fase 4: ML Dashboard - Predição de irrigação
  6. Fase 5 & Ir Além 1: AWS - Sistema de alertas
  7. Fase 6: Visão YOLO - Detecção de pragas
  8. Ir Além 2: Algoritmo Genético - Otimização

Detalhamento por Fase

Home

Implementado:

  • Card de métricas (6 fases + 2 desafios + 2 modelos IA)
  • Descrição do projeto
  • Lista de objetivos
  • Placeholder para vídeo de apresentação
  • Guia de uso

Fase 1: Dados & R

Implementado:

  • Carregamento de fase_1_R_analysis/data/agro_data.csv
  • Exibição de DataFrame com st.dataframe()
  • Estatísticas descritivas (describe())
  • Métricas:
    • Área Total Plantada
    • Produção Total
    • Estados Analisados
    • Produtividade Média

Gráficos (3 tabs):

  1. Top 10 Estados - Gráfico de barras horizontais
  2. Classificação - Gráfico de pizza (Alta/Média/Baixa)
  3. Distribuição - Scatter plot (Área vs Produção)

Tratamento de Erros:

  • Verifica se CSV existe
  • Try-except para leitura
  • Mensagem amigável se falhar

Fase 2: Banco de Dados

Implementado:

  • Exibição da imagem DER
  • Fallback inteligente: Busca em múltiplos caminhos
  • Descrição do banco: entidades, relacionamentos
  • Consulta SQL exemplo (irrigation_data)

Tratamento de Erros:

  • Verifica se imagem existe
  • Conecta ao SQLite se disponível
  • Mensagens amigáveis

Fase 3: IoT ESP32

Implementado:

  • Exibição do código prog1.ino com st.code()
  • Syntax highlighting para C++
  • Numeração de linhas
  • Lista de componentes (ESP32, DHT22, LDR, etc.)
  • Funcionalidades do firmware
  • Expander para diagram.json (Wokwi)

Tratamento de Erros:

  • Verifica se .ino existe
  • Leitura com encoding UTF-8
  • Fallback se diagram.json não existir

Fase 4: ML Dashboard

Implementado:

  • Cache de modelo: @st.cache_resource para load_ml_model()
  • Carregamento de irrigation_model.joblib
  • Interface de predição com sliders:
    • Umidade do Solo (0-100%)
    • pH (0-14)
    • Fósforo (Sim/Não)
    • Potássio (Sim/Não)

Funcionalidades:

  • Botão "Obter Predição"
  • Resultado colorido (verde/azul) baseado na decisão
  • Gráfico de Feature Importance
  • Seção de explicabilidade

Tratamento de Erros:

  • Verifica se modelo existe
  • Cache para evitar recarregar
  • Mensagem de erro amigável

Fase 5 & Ir Além 1: AWS

Implementado:

  • Exibição de aws_comparison_cost.png
  • Integração com AWSAlertManager (versão 2.0)
  • Persistência no st.session_state

Métricas AWS:

  • Modo de Operação (Simulação/Real)
  • Alertas Enviados
  • Taxa de Sucesso

Interface de Testes (3 tipos):

  1. Alerta de Umidade Baixa

    • Inputs: Umidade Atual, Limite Mínimo
    • Chama: aws_manager.notify_low_humidity()

  2. Detecção de Praga

    • Inputs: Nome da Praga, Confiança (%), Localização
    • Chama: aws_manager.notify_pest_detection()

  3. Alerta Genérico

    • Inputs: Título, Detalhes, Nível (INFO/WARNING/CRITICAL/EMERGENCY)
    • Chama: aws_manager.send_alert()

Melhorias:

  • Expander para mostrar JSON do resultado
  • Mensagens de sucesso/erro claras
  • Conversão de % para 0-1 na confiança

Funciona em modo simulação quando AWS não está configurado.

Fase 6: Visão YOLO

Implementado:

  • Cache de modelo: @st.cache_resource para load_yolo_model()
  • Carregamento de best.pt via torch.hub.load('ultralytics/yolov5', 'custom')
  • st.file_uploader() para imagens (JPG, JPEG, PNG)

Processamento:

  1. Mostra imagem original (lado esquerdo)
  2. Roda detecção com YOLO
  3. Mostra imagem com bounding boxes (lado direito)
  4. Exibe DataFrame com detecções (name, confidence)

Integração AWS Automática:

  • Para cada detecção com confiança > 70%:
    • Exibe warning
    • Botão "Enviar Alerta AWS"
    • Chama AWSAlertManager.notify_pest_detection()
    • Mostra resultado em expander

Tratamento de Erros:

  • Verifica se best.pt existe
  • Try-except para import torch
  • Instruções de instalação se falhar
  • Mensagem se nenhum objeto detectado

Ir Além 2: Algoritmo Genético

Implementado:

  • Interface completa de configuração:
    • Orçamento Disponível (slider)
    • Número de Culturas (slider)
    • Tamanho da População (slider)
    • Número de Gerações (slider)
    • Taxa de Crossover (slider)
    • Taxa de Mutação (slider)

Geração de Dados:

  • Botão "Gerar Dados de Culturas"
  • Usa generate_sample_farm_items()
  • Salva no st.session_state

Visualização de Dados:

  • DataFrame com todas as culturas
  • Métricas: Custo Total, Valor Total, Razão Valor/Custo

Botão "Otimizar Recursos":

  1. Cria FarmGeneticOptimizer
  2. Executa optimize() com spinner
  3. Mostra resultados:
    • Métricas: Culturas Selecionadas, Valor Total, Custo Total, Utilização (%)
    • Tabela: Culturas escolhidas
    • Gráfico: Evolução do fitness (gerado por plot_fitness_evolution())
    • Insights: Eficiência, performance do algoritmo

Tratamento de Erros:

  • Try-except no optimize
  • Traceback se falhar
  • Validações da classe FarmGeneticOptimizer

Melhorias Implementadas

1. Cache de Modelos (@st.cache_resource)

@st.cache_resource
def load_ml_model(model_path):
    """Carrega modelo de ML apenas uma vez"""
    ...

@st.cache_resource
def load_yolo_model(model_path):
    """Carrega modelo YOLO apenas uma vez"""
    ...

Modelos carregados uma única vez mesmo com múltiplas interações.

2. Persistência de Estado (st.session_state)

  • st.session_state.aws_manager - Reutiliza instância
  • st.session_state.farm_items - Mantém dados de culturas

Não recria objetos a cada rerun.

3. Tratamento de Erros Robusto

Todos os carregamentos incluem:

  • Verificação Path.exists()
  • Try-except com mensagens amigáveis
  • Instruções de como resolver

4. CSS Customizado

  • Classes: .main-header, .phase-header, .metric-card, .alert-box
  • Cores temáticas (verde agricultura)
  • Responsivo

5. Navegação Intuitiva

  • Sidebar com radio buttons
  • Emojis para identificação rápida
  • Info box com contato/site

Estatísticas do Código

Métrica Valor
Total de Linhas ~700+
Fases Implementadas 6
Desafios "Ir Além" 2
Gráficos/Visualizações 7+
Modelos IA Integrados 2 (ML + YOLO)
Funções com Cache 2
Tipos de Alerta AWS 3
Tratamento de Erros 15+ blocos try-except

Como Testar

1. Instalar Dependências

cd /home/yan/Documents/Git/FarmTech_System
pip install -r requirements.txt

2. Executar Dashboard

streamlit run app_integrated.py

3. Navegação

  • Use a barra lateral para alternar entre fases
  • Teste os sliders e botões interativos
  • Faça upload de imagens na Fase 6
  • Configure parâmetros do algoritmo genético

Checklist de Requisitos

Requisito Status Observação
Sidebar para navegação Completo 8 opções + info box
Home com resumo Completo Métricas + descrição
Fase 1: Carregar CSV Completo Com gráficos
Fase 2: Exibir DER Completo Com fallback
Fase 3: Mostrar .ino Completo st.code com C++
Fase 4: ML com inputs Completo Sliders + predição
Fase 5: AWS + Alertas Completo AWSAlertManager v2.0
Fase 6: YOLO + upload Completo Com auto-alerta
Ir Além 2: Genético Completo Interface completa
st.cache_resource Completo 2 funções
Tratamento de erros Completo 15+ blocos

Suporte

Arquivo Principal: app_integrated.py

Dependências:

  • requirements.txt (raiz)
  • fase_4_dashboard_ml/scripts/genetic_optimizer.py
  • fase_4_dashboard_ml/scripts/aws_manager.py
  • fase_4_dashboard_ml/scripts/utils.py

Executar:

streamlit run app_integrated.py