Im Rahmen des IoT-FWPMs wurden dieses Semester unterschiedliche Projekte im Bereich Home und Gardening realisiert.
So wurden u.a. digitale Lösungen zur Raumluftverbesserung in Innenräumen entwickelt. In Zusammenarbeit mit einem Gymnasium in Unterfranken wurde in einem Klassenraum eine Messstation mit CO2-, Feinstaub- und Temperatursensoren platziert. Die Messdaten wurden in eine Datenbank übertragen und über eine Zeitleiste ausgewertet. So konnten einige interessante Korrelationen festgestellt werden, etwa dass der Feinstaubwert in die Höhe schnellt sobald eine Person den Raum betritt und „Staub aufwirbelt“. Über Phyton und Node-RED auf einem Raspberry Pi wurden Daten auch in die App telegram integriert, so dass Raumnutzer z.B. die Push-Nachricht „Bitte lüften“ direkt auf das Smartphone erhalten. Die Messstation wird bis auf weiteres im Gymnasium verbleiben.
Eine weitere Aufgabenstellung war die Bestimmung von Echtzeit-Besucherzahlen z.B. in einem Museum, einer Bibliothek oder Mensa. Hier wurde ein PAX-Counter eingesetzt, der WiFi und Bluetooth Signale naheliegender smart devices erfasst. Die Daten wurden ohne Angabe/Speicherung von Geräteadressen über LoRaWAN in die TTN Cloud hochgeladen, über MQTT abgerufen, in Node-RED aufbereitet und im Datenbank-Server gespeichert.
Darüberhinaus wurden von einem weiteren Team Ultraschallsensoren an Raumzugängen angebracht, die ein- und austretende Personen zählen und so eine rechnerische Bestimmung der Anzahl von Personen im Raum ermöglichen. Über die WLAN-Verbindung des Arduino ESP konnten die Daten auch in die App telegram integriert werden, so dass man aus der Ferne entsprechende Rauminformationen von einem Bot erfragen kann.
Im Bereich Gardening wurde der Anbau von Kresse digital optimiert. Es wurden Platinen mit Sensoren für Temperatur, Luft- und Bodenfeuchtigkeit, Luftdruck und Lichtstärke bestückt und ein Programm mit dem Arduino ESP erstellt. Über mehrere Messzyklen wurden Daten in eine Datenbank geschrieben und mit dem Ziel einer optimalen Wuchshöhe als Trainingsdaten für einen KI-Algorithmus verwendet. So ergaben sich abhängig von der gemessenen Bodenfeuchtigkeit und Lichtstärke Gieß- bzw. Standortempfehlungen, die grafisch über ein Node-RED-Dashboard oder das Aufleuchten einer über ZigBee angesteuerten Philips Hue-Lampe angezeigt wurden.