{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5294823"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5294823","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Monitoring beehives with IoT using AI","abstract":"Η παρούσα διπλωματική εργασία εξετάζει την εφαρμογή τεχνολογιών Internet of Things (IoT) και Τεχνητής Νοημοσύνης (AI) στην παρακολούθηση και διαχείριση κυψελών μελισσών. Η μελισσοκομία αποτελεί έναν κρίσιμο κλάδο για τη γεωργία και τη βιωσιμότητα των οικοσυστημάτων, με τις μέλισσες να παίζουν καθοριστικό ρόλο στη γονιμοποίηση φυτών και την παραγωγή προϊόντων όπως μέλι και πρόπολη και τα παράγωγα τους. Ωστόσο, οι σύγχρονες προκλήσεις, όπως η μείωση των πληθυσμών μελισσών λόγω ασθενειών και της κλιματικής αλλαγής, απαιτούν καινοτόμες προσεγγίσεις για την αποτελεσματική διαχείριση των κυψελών. Το προτεινόμενο σύστημα χρησιμοποιεί αισθητήρες για τη μέτρηση θερμοκρασίας, υγρασίας και βάρους, σε συνδυασμό με τον μικροελεγκτή ESP32, για τη συλλογή και μετάδοση δεδομένων σε πραγματικό χρόνο μέσω του πρωτοκόλλου MQTT. Τα δεδομένα αναλύονται με τη χρήση μοντέλων Long Short-Term Memory (LSTM) για την πρόβλεψη της παραγωγής μελιού, των περιόδων της νομαδικής μελισσοκομίας. Η ανίχνευση πιθανών προβλημάτων, όπως η παρουσία παρασίτων ή η απουσία βασίλισσας, μπορούν να διαβαστούν εύκολα από τις ενδείξεις των αισθητήρων δίνοντας τη δυνατότητα λήψεων αποφάσεων από τους μελισσοκόμους. Το σύστημα λειτουργεί αυτόνομα, με ενεργειακή τροφοδοσία από ηλιακό πάνελ, διασφαλίζοντας 24ωρη λειτουργία με ελάχιστη χειροκίνητη παρέμβαση. Οι αρχικές δοκιμές ανέδειξαν την αξιοπιστία του συστήματος στη συλλογή δεδομένων από αισθητήρες, την επιτυχημένη μετάδοσή τους μέσω MQTT, και τη σταθερή λειτουργία του συστήματος σε πραγματικές συνθήκες. Η ενεργειακή αυτονομία αξιολογήθηκε ως επαρκής, με τη λειτουργία του συστήματος να υποστηρίζεται από το φωτοβολταϊκό πάνελ για συνεχείς κύκλους παρακολούθησης. Επιπλέον, το σύστημα σχεδιάστηκε ώστε να παρέχει ευκολία στη χρήση μέσω μιας διαδικτυακής εφαρμογής βασισμένης σε πλατφόρμα Flask, η οποία επιτρέπει στους μελισσοκόμους να παρακολουθούν δεδομένα σε πραγματικό χρόνο, να λαμβάνουν ειδοποιήσεις για κρίσιμες καταστάσεις και να αποκτούν πρόσβαση σε προγνωστικά μοντέλα. Η ενσωμάτωση API για μετεωρολογικά δεδομένα ενισχύει περαιτέρω τη λήψη αποφάσεων, καθώς οι περιβαλλοντικές συνθήκες επηρεάζουν σημαντικά τη δραστηριότητα των μελισσών. Η μελέτη υπογραμμίζει τη δυνατότητα χρήσης έξυπνων τεχνολογιών για την παρακολούθηση της υγείας των αποικιών, τη βελτιστοποίηση της παραγωγικότητας και την ενίσχυση της βιωσιμότητας της μελισσοκομίας. Οι δοκιμές κατέδειξαν τη δυνατότητα εφαρμογής του συστήματος σε πραγματικές συνθήκες, ανοίγοντας τον δρόμο για περαιτέρω βελτιώσεις, όπως η ενσωμάτωση επιπρόσθετων αισθητήρων ή προηγμένων μοντέλων μηχανικής μάθησης για ακόμη πιο ακριβείς προβλέψεις. Η παρούσα εργασία αποτελεί μια ολοκληρωμένη προσέγγιση για την επίλυση σύγχρονων προκλήσεων στη μελισσοκομία, προσφέροντας πρακτικές και οικονομικά αποδοτικές λύσεις.","abstract_html":"Η παρούσα διπλωματική εργασία εξετάζει την εφαρμογή τεχνολογιών Internet of Things (IoT) και Τεχνητής Νοημοσύνης (AI) στην παρακολούθηση και διαχείριση κυψελών μελισσών. Η μελισσοκομία αποτελεί έναν κρίσιμο κλάδο για τη γεωργία και τη βιωσιμότητα των οικοσυστημάτων, με τις μέλισσες να παίζουν καθοριστικό ρόλο στη γονιμοποίηση φυτών και την παραγωγή προϊόντων όπως μέλι και πρόπολη και τα παράγωγα τους. Ωστόσο, οι σύγχρονες προκλήσεις, όπως η μείωση των πληθυσμών μελισσών λόγω ασθενειών και της κλιματικής αλλαγής, απαιτούν καινοτόμες προσεγγίσεις για την αποτελεσματική διαχείριση των κυψελών. Το προτεινόμενο σύστημα χρησιμοποιεί αισθητήρες για τη μέτρηση θερμοκρασίας, υγρασίας και βάρους, σε συνδυασμό με τον μικροελεγκτή ESP32, για τη συλλογή και μετάδοση δεδομένων σε πραγματικό χρόνο μέσω του πρωτοκόλλου MQTT. Τα δεδομένα αναλύονται με τη χρήση μοντέλων Long Short-Term Memory (LSTM) για την πρόβλεψη της παραγωγής μελιού, των περιόδων της νομαδικής μελισσοκομίας. Η ανίχνευση πιθανών προβλημάτων, όπως η παρουσία παρασίτων ή η απουσία βασίλισσας, μπορούν να διαβαστούν εύκολα από τις ενδείξεις των αισθητήρων δίνοντας τη δυνατότητα λήψεων αποφάσεων από τους μελισσοκόμους. Το σύστημα λειτουργεί αυτόνομα, με ενεργειακή τροφοδοσία από ηλιακό πάνελ, διασφαλίζοντας 24ωρη λειτουργία με ελάχιστη χειροκίνητη παρέμβαση. Οι αρχικές δοκιμές ανέδειξαν την αξιοπιστία του συστήματος στη συλλογή δεδομένων από αισθητήρες, την επιτυχημένη μετάδοσή τους μέσω MQTT, και τη σταθερή λειτουργία του συστήματος σε πραγματικές συνθήκες. Η ενεργειακή αυτονομία αξιολογήθηκε ως επαρκής, με τη λειτουργία του συστήματος να υποστηρίζεται από το φωτοβολταϊκό πάνελ για συνεχείς κύκλους παρακολούθησης. Επιπλέον, το σύστημα σχεδιάστηκε ώστε να παρέχει ευκολία στη χρήση μέσω μιας διαδικτυακής εφαρμογής βασισμένης σε πλατφόρμα Flask, η οποία επιτρέπει στους μελισσοκόμους να παρακολουθούν δεδομένα σε πραγματικό χρόνο, να λαμβάνουν ειδοποιήσεις για κρίσιμες καταστάσεις και να αποκτούν πρόσβαση σε προγνωστικά μοντέλα. Η ενσωμάτωση API για μετεωρολογικά δεδομένα ενισχύει περαιτέρω τη λήψη αποφάσεων, καθώς οι περιβαλλοντικές συνθήκες επηρεάζουν σημαντικά τη δραστηριότητα των μελισσών. Η μελέτη υπογραμμίζει τη δυνατότητα χρήσης έξυπνων τεχνολογιών για την παρακολούθηση της υγείας των αποικιών, τη βελτιστοποίηση της παραγωγικότητας και την ενίσχυση της βιωσιμότητας της μελισσοκομίας. Οι δοκιμές κατέδειξαν τη δυνατότητα εφαρμογής του συστήματος σε πραγματικές συνθήκες, ανοίγοντας τον δρόμο για περαιτέρω βελτιώσεις, όπως η ενσωμάτωση επιπρόσθετων αισθητήρων ή προηγμένων μοντέλων μηχανικής μάθησης για ακόμη πιο ακριβείς προβλέψεις. Η παρούσα εργασία αποτελεί μια ολοκληρωμένη προσέγγιση για την επίλυση σύγχρονων προκλήσεων στη μελισσοκομία, προσφέροντας πρακτικές και οικονομικά αποδοτικές λύσεις.","abstract_has_math":false,"creators":["Ευαγγελιστής Κωνσταντίνος","Evangelistis Konstantinos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:32:51Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5294823"],"render_values":[{"text":"uoadl:5294823","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5294823","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5294823","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5294823","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ευαγγελιστής Κωνσταντίνος","Evangelistis Konstantinos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5294823","https://pergamos.lib.uoa.gr/uoa/dl/object/5294823"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία εξετάζει την εφαρμογή τεχνολογιών Internet of Things (IoT) και Τεχνητής Νοημοσύνης (AI) στην παρακολούθηση και διαχείριση κυψελών μελισσών. Η μελισσοκομία αποτελεί έναν κρίσιμο κλάδο για τη γεωργία και τη βιωσιμότητα των οικοσυστημάτων, με τις μέλισσες να παίζουν καθοριστικό ρόλο στη γονιμοποίηση φυτών και την παραγωγή προϊόντων όπως μέλι και πρόπολη και τα παράγωγα τους. Ωστόσο, οι σύγχρονες προκλήσεις, όπως η μείωση των πληθυσμών μελισσών λόγω ασθενειών και της κλιματικής αλλαγής, απαιτούν καινοτόμες προσεγγίσεις για την αποτελεσματική διαχείριση των κυψελών. Το προτεινόμενο σύστημα χρησιμοποιεί αισθητήρες για τη μέτρηση θερμοκρασίας, υγρασίας και βάρους, σε συνδυασμό με τον μικροελεγκτή ESP32, για τη συλλογή και μετάδοση δεδομένων σε πραγματικό χρόνο μέσω του πρωτοκόλλου MQTT. Τα δεδομένα αναλύονται με τη χρήση μοντέλων Long Short-Term Memory (LSTM) για την πρόβλεψη της παραγωγής μελιού, των περιόδων της νομαδικής μελισσοκομίας. Η ανίχνευση πιθανών προβλημάτων, όπως η παρουσία παρασίτων ή η απουσία βασίλισσας, μπορούν να διαβαστούν εύκολα από τις ενδείξεις των αισθητήρων δίνοντας τη δυνατότητα λήψεων αποφάσεων από τους μελισσοκόμους. Το σύστημα λειτουργεί αυτόνομα, με ενεργειακή τροφοδοσία από ηλιακό πάνελ, διασφαλίζοντας 24ωρη λειτουργία με ελάχιστη χειροκίνητη παρέμβαση. Οι αρχικές δοκιμές ανέδειξαν την αξιοπιστία του συστήματος στη συλλογή δεδομένων από αισθητήρες, την επιτυχημένη μετάδοσή τους μέσω MQTT, και τη σταθερή λειτουργία του συστήματος σε πραγματικές συνθήκες. Η ενεργειακή αυτονομία αξιολογήθηκε ως επαρκής, με τη λειτουργία του συστήματος να υποστηρίζεται από το φωτοβολταϊκό πάνελ για συνεχείς κύκλους παρακολούθησης. Επιπλέον, το σύστημα σχεδιάστηκε ώστε να παρέχει ευκολία στη χρήση μέσω μιας διαδικτυακής εφαρμογής βασισμένης σε πλατφόρμα Flask, η οποία επιτρέπει στους μελισσοκόμους να παρακολουθούν δεδομένα σε πραγματικό χρόνο, να λαμβάνουν ειδοποιήσεις για κρίσιμες καταστάσεις και να αποκτούν πρόσβαση σε προγνωστικά μοντέλα. Η ενσωμάτωση API για μετεωρολογικά δεδομένα ενισχύει περαιτέρω τη λήψη αποφάσεων, καθώς οι περιβαλλοντικές συνθήκες επηρεάζουν σημαντικά τη δραστηριότητα των μελισσών. Η μελέτη υπογραμμίζει τη δυνατότητα χρήσης έξυπνων τεχνολογιών για την παρακολούθηση της υγείας των αποικιών, τη βελτιστοποίηση της παραγωγικότητας και την ενίσχυση της βιωσιμότητας της μελισσοκομίας. Οι δοκιμές κατέδειξαν τη δυνατότητα εφαρμογής του συστήματος σε πραγματικές συνθήκες, ανοίγοντας τον δρόμο για περαιτέρω βελτιώσεις, όπως η ενσωμάτωση επιπρόσθετων αισθητήρων ή προηγμένων μοντέλων μηχανικής μάθησης για ακόμη πιο ακριβείς προβλέψεις. Η παρούσα εργασία αποτελεί μια ολοκληρωμένη προσέγγιση για την επίλυση σύγχρονων προκλήσεων στη μελισσοκομία, προσφέροντας πρακτικές και οικονομικά αποδοτικές λύσεις.","This thesis explores the application of Internet of Things (IoT) and Artificial Intelligence (AI) technologies in monitoring and managing beehives. Beekeeping is a critical sector for agriculture and ecosystem sustainability, with bees playing a pivotal role in plant pollination and the production of honey and other products like propolis. However, modern challenges such as declining bee populations due to diseases and environmental factors demand innovative approaches for effective hive management. The proposed system utilizes sensors to measure temperature, humidity, and weight, combined with the ESP32 microcontroller for real-time data collection and transmission via the MQTT protocol. These data are analyzed using Long Short-Term Memory (LSTM) models to predict honey production, detect potential issues such as parasite presence or queen loss, and improve decision-making for beekeepers. The system operates autonomously, powered by solar panels, ensuring 24/7 functionality with minimal manual intervention. Initial tests highlighted the system's reliability in sensor data collection, successful data transmission through MQTT, and stable operation under real-world conditions. The integration of the LSTM model demonstrated capabilities in predicting honey productivity and detecting anomalies in hive performance. Furthermore, the system's energy autonomy was assessed as sufficient, with the photovoltaic panel supporting continuous monitoring cycles. Additionally, the system is designed to provide ease of use through a web application based on the Flask platform, enabling beekeepers to monitor real-time data, receive alerts for critical conditions, and access predictive models. The integration of an API for meteorological data further enhances decision-making, as environmental conditions significantly influence bee activity. This project underscores the potential of smart technologies for monitoring colony health, optimizing productivity, and promoting the sustainability of beekeeping. Tests demonstrated the system's applicability in real-world conditions, paving the way for further improvements, such as the incorporation of additional sensors or advanced machine learning models for even more accurate predictions. This thesis presents a comprehensive approach to addressing modern challenges in beekeeping, offering practical and cost-effective solutions."]},{"key":"dc:title","label":"Title","values":["Monitoring beehives with IoT using AI"]}]}],"canonical_facts":{"dc:creator":["Ευαγγελιστής Κωνσταντίνος","Evangelistis Konstantinos"],"dc:date":["2025"],"dc:description":["Η παρούσα διπλωματική εργασία εξετάζει την εφαρμογή τεχνολογιών Internet of Things (IoT) και Τεχνητής Νοημοσύνης (AI) στην παρακολούθηση και διαχείριση κυψελών μελισσών. Η μελισσοκομία αποτελεί έναν κρίσιμο κλάδο για τη γεωργία και τη βιωσιμότητα των οικοσυστημάτων, με τις μέλισσες να παίζουν καθοριστικό ρόλο στη γονιμοποίηση φυτών και την παραγωγή προϊόντων όπως μέλι και πρόπολη και τα παράγωγα τους. Ωστόσο, οι σύγχρονες προκλήσεις, όπως η μείωση των πληθυσμών μελισσών λόγω ασθενειών και της κλιματικής αλλαγής, απαιτούν καινοτόμες προσεγγίσεις για την αποτελεσματική διαχείριση των κυψελών. Το προτεινόμενο σύστημα χρησιμοποιεί αισθητήρες για τη μέτρηση θερμοκρασίας, υγρασίας και βάρους, σε συνδυασμό με τον μικροελεγκτή ESP32, για τη συλλογή και μετάδοση δεδομένων σε πραγματικό χρόνο μέσω του πρωτοκόλλου MQTT. Τα δεδομένα αναλύονται με τη χρήση μοντέλων Long Short-Term Memory (LSTM) για την πρόβλεψη της παραγωγής μελιού, των περιόδων της νομαδικής μελισσοκομίας. Η ανίχνευση πιθανών προβλημάτων, όπως η παρουσία παρασίτων ή η απουσία βασίλισσας, μπορούν να διαβαστούν εύκολα από τις ενδείξεις των αισθητήρων δίνοντας τη δυνατότητα λήψεων αποφάσεων από τους μελισσοκόμους. Το σύστημα λειτουργεί αυτόνομα, με ενεργειακή τροφοδοσία από ηλιακό πάνελ, διασφαλίζοντας 24ωρη λειτουργία με ελάχιστη χειροκίνητη παρέμβαση. Οι αρχικές δοκιμές ανέδειξαν την αξιοπιστία του συστήματος στη συλλογή δεδομένων από αισθητήρες, την επιτυχημένη μετάδοσή τους μέσω MQTT, και τη σταθερή λειτουργία του συστήματος σε πραγματικές συνθήκες. Η ενεργειακή αυτονομία αξιολογήθηκε ως επαρκής, με τη λειτουργία του συστήματος να υποστηρίζεται από το φωτοβολταϊκό πάνελ για συνεχείς κύκλους παρακολούθησης. Επιπλέον, το σύστημα σχεδιάστηκε ώστε να παρέχει ευκολία στη χρήση μέσω μιας διαδικτυακής εφαρμογής βασισμένης σε πλατφόρμα Flask, η οποία επιτρέπει στους μελισσοκόμους να παρακολουθούν δεδομένα σε πραγματικό χρόνο, να λαμβάνουν ειδοποιήσεις για κρίσιμες καταστάσεις και να αποκτούν πρόσβαση σε προγνωστικά μοντέλα. Η ενσωμάτωση API για μετεωρολογικά δεδομένα ενισχύει περαιτέρω τη λήψη αποφάσεων, καθώς οι περιβαλλοντικές συνθήκες επηρεάζουν σημαντικά τη δραστηριότητα των μελισσών. Η μελέτη υπογραμμίζει τη δυνατότητα χρήσης έξυπνων τεχνολογιών για την παρακολούθηση της υγείας των αποικιών, τη βελτιστοποίηση της παραγωγικότητας και την ενίσχυση της βιωσιμότητας της μελισσοκομίας. Οι δοκιμές κατέδειξαν τη δυνατότητα εφαρμογής του συστήματος σε πραγματικές συνθήκες, ανοίγοντας τον δρόμο για περαιτέρω βελτιώσεις, όπως η ενσωμάτωση επιπρόσθετων αισθητήρων ή προηγμένων μοντέλων μηχανικής μάθησης για ακόμη πιο ακριβείς προβλέψεις. Η παρούσα εργασία αποτελεί μια ολοκληρωμένη προσέγγιση για την επίλυση σύγχρονων προκλήσεων στη μελισσοκομία, προσφέροντας πρακτικές και οικονομικά αποδοτικές λύσεις.","This thesis explores the application of Internet of Things (IoT) and Artificial Intelligence (AI) technologies in monitoring and managing beehives. Beekeeping is a critical sector for agriculture and ecosystem sustainability, with bees playing a pivotal role in plant pollination and the production of honey and other products like propolis. However, modern challenges such as declining bee populations due to diseases and environmental factors demand innovative approaches for effective hive management. The proposed system utilizes sensors to measure temperature, humidity, and weight, combined with the ESP32 microcontroller for real-time data collection and transmission via the MQTT protocol. These data are analyzed using Long Short-Term Memory (LSTM) models to predict honey production, detect potential issues such as parasite presence or queen loss, and improve decision-making for beekeepers. The system operates autonomously, powered by solar panels, ensuring 24/7 functionality with minimal manual intervention. Initial tests highlighted the system's reliability in sensor data collection, successful data transmission through MQTT, and stable operation under real-world conditions. The integration of the LSTM model demonstrated capabilities in predicting honey productivity and detecting anomalies in hive performance. Furthermore, the system's energy autonomy was assessed as sufficient, with the photovoltaic panel supporting continuous monitoring cycles. Additionally, the system is designed to provide ease of use through a web application based on the Flask platform, enabling beekeepers to monitor real-time data, receive alerts for critical conditions, and access predictive models. The integration of an API for meteorological data further enhances decision-making, as environmental conditions significantly influence bee activity. This project underscores the potential of smart technologies for monitoring colony health, optimizing productivity, and promoting the sustainability of beekeeping. Tests demonstrated the system's applicability in real-world conditions, paving the way for further improvements, such as the incorporation of additional sensors or advanced machine learning models for even more accurate predictions. This thesis presents a comprehensive approach to addressing modern challenges in beekeeping, offering practical and cost-effective solutions."],"dc:identifier":["uoadl:5294823","https://pergamos.lib.uoa.gr/uoa/dl/object/5294823"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Monitoring beehives with IoT using AI"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:32:51Z"}