Este projeto utiliza um ESP32-CAM para capturar imagens de plantas, processá-las usando Inteligência Artificial (simulada) para classificar sua saúde/qualidade, e exibir os resultados em um dashboard. O processamento de IA pode ocorrer localmente no ESP32-CAM (modelo leve) ou remotamente em um servidor (modelo mais robusto).

• Projeto Detalhado ESP32+Horta (PDF)

• Captura de Imagem: O ESP32-CAM captura imagens de plantas em intervalos configuráveis.
• Processamento de IA Flexível:
  • Local: Execução de um modelo de IA leve (simulado) diretamente no ESP32.
  • Remoto: Envio da imagem via Wi-Fi para um servidor Python/Flask que executa um modelo de IA (simulado, potencialmente mais robusto).
• Classificação da Qualidade: A planta é classificada com base na análise da imagem.
• Armazenamento de Resultados:
  • Localmente no ESP32 (arquivo de log).
  • Remotamente no servidor (arquivo JSON e imagens).
• Visualização: Um dashboard web (Streamlit) permite ao usuário visualizar os resultados da classificação e as imagens capturadas.

graph TD
    A[Planta na Horta] --> B(ESP32-CAM Captura Imagem);
    B --> C{Processamento?};
    C -- Local --> D;
    C -- Remoto --> E[Envio Imagem via Wi-Fi];
    E --> F;
    D --> G(Execução Modelo IA - Leve);
    F --> H(Execução Modelo IA - Robusto);
    G --> I;
    H --> I;
    I --> J(Armazenamento Resultado);
    J --> K{Visualização};
    K -- App/Dashboard --> L[Usuário];
    K -- Alerta --> L;

Componentes Detalhados:

(O texto abaixo descreve os componentes numerados no diagrama de forma mais textual)

1. ESP32-CAM (c:\Users\anton\Documents\GitHub\IA_saude_plantas\esp32Code\):
   • Responsável pela captura de imagens e pela decisão de onde o processamento ocorrerá.
   • Executa MicroPython.
   • Contém boot.py para conexão Wi-Fi e main.py para a lógica principal.
2. Servidor (c:\Users\anton\Documents\GitHub\IA_saude_plantas\server_code\ - a ser criado):
   • Uma aplicação Python Flask que recebe imagens do ESP32-CAM.
   • Executa o modelo de IA "robusto" (simulado).
   • Armazena as imagens recebidas e os resultados da classificação.
3. Dashboard (c:\Users\anton\Documents\GitHub\IA_saude_plantas\dashboard_code\ - a ser criado):
   • Uma aplicação Python Streamlit que lê os dados do servidor.
   • Exibe os resultados da classificação, históricos e imagens.

IA_saude_plantas/
├── esp32Code/                  # Código MicroPython para o ESP32-CAM
│   ├── boot.py
│   ├── main.py
│   ├── micropython_requirements.txt # Descrição das dependências do MicroPython
│   └── README.md                  # README específico para o código do ESP32
├── server_code/                # Código Python para o servidor Flask (a ser criado)
│   ├── server.py
│   └── data/
│       ├── images/
│       └── results.json
├── dashboard_code/             # Código Python para o dashboard Streamlit (a ser criado)
│   └── dashboard.py
├── requirements.txt            # Dependências Python para servidor e dashboard
└── README.md                   # Este arquivo (README principal do projeto)

• Python 3.7+ (para o servidor e dashboard)
• pip (Python package installer)
• Hardware ESP32-CAM e ambiente de desenvolvimento MicroPython configurado (Thonny, esptool, etc.)

• Consulte as instruções detalhadas em c:\Users\anton\Documents\GitHub\IA_saude_plantas\esp32Code\README.md.
• Principais passos:
  • Configure as credenciais Wi-Fi em c:\Users\anton\Documents\GitHub\IA_saude_plantas\esp32Code\boot.py.
  • Configure o modo de processamento (PROCESSAMENTO_LOCAL) e o IP do servidor (se remoto) em c:\Users\anton\Documents\GitHub\IA_saude_plantas\esp32Code\main.py.
  • Instale a biblioteca urequests no MicroPython do ESP32.
  • Transfira boot.py e main.py para o ESP32-CAM.

1. Clone este repositório (se ainda não o fez).
2. Navegue até o diretório raiz do projeto: cd c:\Users\anton\Documents\GitHub\IA_saude_plantas\
3. Crie e ative um ambiente virtual (recomendado):

   python -m venv venv
   # Windows
   .\venv\Scripts\activate
   # macOS/Linux
   # source venv/bin/activate

4. Instale as dependências Python:

   pip install -r requirements.txt

   (Nota: O arquivo requirements.txt deve conter Flask, streamlit, pandas)

1. ESP32-CAM:

   • Após configurar e transferir os scripts, reinicie o ESP32-CAM. Ele tentará se conectar ao Wi-Fi e iniciará o main.py.

2. Servidor (se PROCESSAMENTO_LOCAL = False no ESP32):

   • Navegue até c:\Users\anton\Documents\GitHub\IA_saude_plantas\server_code\.
   • Execute o servidor Flask (exemplo, o arquivo server.py precisa ser criado):

     python server.py

   • Certifique-se de que o SERVER_IP em esp32Code/main.py corresponde ao IP da máquina que executa o servidor.

3. Dashboard:

   • Navegue até c:\Users\anton\Documents\GitHub\IA_saude_plantas\dashboard_code\.
   • Execute a aplicação Streamlit (exemplo, o arquivo dashboard.py precisa ser criado):

     streamlit run dashboard.py

   • Abra o navegador no endereço fornecido (geralmente http://localhost:8501).

• Implementar modelos de IA reais (TensorFlow Lite no ESP32, TensorFlow/PyTorch no servidor).
• Criar os arquivos server.py e dashboard.py com a lógica completa.
• Utilizar um banco de dados mais robusto no servidor em vez de um arquivo JSON.
• Adicionar sistema de alertas para classificações críticas.
• Melhorar a interface do usuário do dashboard.
• Implementar comunicação segura (HTTPS).