Smart Pantry – IoT Inventory Tracker for Kitchen Essentials

---

شرح پروژه

ESP32: زیر یا داخل ظروف قرار می‌گیرد و

وزن‌سنج: تغییرات وزن (مصرف مواد) را می‌سنجد
حسگر نور: باز/بسته شدن درب را تشخیص می‌دهد 
Data Proxy (Python):

دریافت HTTP POST یا CoAP از ESP32
انتشار رویدادی (low-stock, access) از طریق MQTT
نوشتن هر دو نوع داده در InfluxDB 
InfluxDB: ذخیره سری‌های زمانی:

stock_level (فیلد: weight)
access_event (فیلد: open/close)
forecast (فیلد: predicted_weight)
Grafana: داشبورد نمایش:

نمودار وزن فعلی و تاریخی
هشدارهای کمبود ذخیره در جدول یا نمودار 
Data Analysis (Python):

پیش‌بینی زمان اتمام مواد بر پایه نرخ مصرف تاریخی
ذخیره خروجی forecast در InfluxDB 
Alerts & Notifications:

ارسال پیام Telegram هنگام نزدیک شدن به آستانه کمبود
یا استفاده از Web Thing برای یکپارچه‌سازی W3C WoT 
 
2. فهرست سخت‌افزار
ESP32
ماژول وزن‌سنج (مثلاً سنسور بار HX711)
حسگر نور (مثلاً LDR + مقاومت)
(اختیاری) نمایشگر OLED یا LED برای اعلان محلی
 
3. پیاده‌سازی Firmware روی ESP32
محیط توسعه: Arduino IDE یا ESP-IDF
کتابخانه‌ها:

HTTPClient / CoAPSimple
PubSubClient برای MQTT
HX711 برای وزن‌سنج
منطق کار:

دوره‌ای خواندن وزن و سطح نور
ارسال JSON از طریق HTTP POST (مثال: { "weight": 1200, "light": 0 })
هر بار که وزن پایین‌تر از آستانه شود، با MQTT پیام low-stock ارسال کند
هر بار باز/بسته شدن درب با پیام access_event اطلاع‌رسانی شود
subscribe روی تاپیک MQTT برای تغییر آستانه‌ی کمبود (threshold) 
 
4. Data Proxy (Python)
فریم‌ورک: Flask یا FastAPI
وظایف:

تعریف endpointهای HTTP/CoAP برای دریافت داده‌ها
subscribe روی تاپیک‌های MQTT (low_stock, access_event)
با influxdb-client ذخیره‌ی داده‌ها در measurementهای مناسب IOT2025-4IOT2025-4
API برای تنظیم پارامتر low_stock_threshold که از طریق MQTT به ESP32 ارسال می‌شود
 
5. ذخیره و نمایش داده‌ها
InfluxDB

Measurement: stock_level (فیلد: weight)
Measurement: access_event (فیلد: event)
Measurement: forecast (فیلد: pred_weight)
Grafana

پنل سری زمانی وزن (واقعی و پیش‌بینی)
جدول هشدارهای کمبود و رویدادهای دسترسی
تنظیم alert برای زمانی که پیش‌بینی وزن زیر آستانه برود IOT2025-4IOT2025-4
 
6. ماژول Data Analysis
کتابخانه‌ها: pandas, scikit-learn یا statsmodels
روند کار:

خواندن سری زمانی وزن از InfluxDB
محاسبه نرخ مصرف و آموزش مدل (مثلاً رگرسیون خطی یا ARIMA)
پیش‌بینی وزن آینده (e.g. 24h ahead)
ذخیره پیش‌بینی‌ها در measurement forecast و محاسبه MSE/MAE برای ارزیابی IOT2025-4IOT2025-4
 
7. ارزیابی سیستم
Mean Latency فرایند ارسال داده از ESP32 تا Data Proxy
Mean Square Error از پیش‌بینی‌های ماژول Data Analysis نسبت به مشاهدات واقعی

این پروژه شامل 1 فایل مهم است، لطفا قبل از ارسال پیشنهاد حتما نسبت به بررسی این فایل اقدام فرمایید.

مهارت ها و تخصص های مورد نیاز

---

---