Implementação de redes neurais em microcontroladores ESP32 S3 para a identificação em tempo real de aedes aegypti

Detalhes bibliográficos
Ano de defesa: 2026
Autor(a) principal: Borges, Pedro Antônio da Silva
Orientador(a): Azambuja, José Rodrigo Furlanetto de
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: http://hdl.handle.net/10183/310034
Resumo: As doenças transmitidas por vetores, notadamente as arboviroses como Dengue, Zika e Chikungunya, representam um desafio persistente de saúde pública global. No Brasil, o controle do vetor Aedes aegypti ainda depende majoritariamente de métodos de vigilância manual, que são onerosos e sofrem de alta latência entre a coleta e a tomada de decisão. Este trabalho propõe uma solução baseada em Internet das Coisas (IoT) e Inteligência Artificial na Borda (TinyML) para automatizar a identificação do vetor através da sua assinatura acústica de voo. O sistema foi implementado no microcontrolador ESP32-S3, explorando suas instruções vetoriais para processamento de sinais em tempo real. A metodologia envolveu a construção de um dataset híbrido (HumBugDB e Kaggle) e o treinamento de Redes Neurais Convolucionais (CNNs) com diferentes níveis de complexidade. Para viabilizar a execução no hardware restrito, aplicaram-se técnicas de otimização como a extração de características MFCC e a quantização pós-treinamento para inteiros de 8 bits (Int8). Os resultados experimentais demonstraram que a arquitetura de 7 camadas com quantização Int8 atingiu a melhor relação entre desempenho e custo, obtendo uma acurácia de 93,5% e um tempo de inferência de apenas 32,40 ms no hardware alvo. Conclui-se que a solução proposta supera as limitações de processamento local, viabilizando armadilhas inteligentes de baixo custo e alta autonomia energética para o monitoramento entomológico em larga escala.
id UFRGS-2_e0685f5895a7aabfa01d62a00925bb85
oai_identifier_str oai:www.lume.ufrgs.br:10183/310034
network_acronym_str UFRGS-2
network_name_str Lume - Repositório Digital da Universidade Federal do Rio Grande do Sul (UFRGS)
repository_id_str
spelling Borges, Pedro Antônio da SilvaAzambuja, José Rodrigo Furlanetto de2026-07-10T08:03:13Z2026http://hdl.handle.net/10183/310034001307713As doenças transmitidas por vetores, notadamente as arboviroses como Dengue, Zika e Chikungunya, representam um desafio persistente de saúde pública global. No Brasil, o controle do vetor Aedes aegypti ainda depende majoritariamente de métodos de vigilância manual, que são onerosos e sofrem de alta latência entre a coleta e a tomada de decisão. Este trabalho propõe uma solução baseada em Internet das Coisas (IoT) e Inteligência Artificial na Borda (TinyML) para automatizar a identificação do vetor através da sua assinatura acústica de voo. O sistema foi implementado no microcontrolador ESP32-S3, explorando suas instruções vetoriais para processamento de sinais em tempo real. A metodologia envolveu a construção de um dataset híbrido (HumBugDB e Kaggle) e o treinamento de Redes Neurais Convolucionais (CNNs) com diferentes níveis de complexidade. Para viabilizar a execução no hardware restrito, aplicaram-se técnicas de otimização como a extração de características MFCC e a quantização pós-treinamento para inteiros de 8 bits (Int8). Os resultados experimentais demonstraram que a arquitetura de 7 camadas com quantização Int8 atingiu a melhor relação entre desempenho e custo, obtendo uma acurácia de 93,5% e um tempo de inferência de apenas 32,40 ms no hardware alvo. Conclui-se que a solução proposta supera as limitações de processamento local, viabilizando armadilhas inteligentes de baixo custo e alta autonomia energética para o monitoramento entomológico em larga escala.Vector-borne diseases, particularly arboviruses such as Dengue, Zika, and Chikungunya, represent a persistent global public health challenge. In Brazil, the control of the Aedes aegypti vector still relies heavily on manual surveillance methods, which are costly and suffer from high latency between data collection and decision-making. This work proposes a solution based on the Internet of Things (IoT) and Edge Artificial Intelligence (TinyML) to automate vector identification through its acoustic flight signature. The system was implemented on the ESP32-S3 microcontroller, exploiting its vector instructions for real-time signal processing. The methodology involved constructing a hybrid dataset (HumBugDB and Kaggle) and training Convolutional Neural Networks (CNNs) with varying levels of complexity. To enable execution on restricted hardware, optimization techniques such as MFCC feature extraction and post-training quantization to 8-bit integers (Int8) were applied. Experimental results showed that the 7-layer architecture with Int8 quantization achieved the best trade-off between performance and cost, reaching an accuracy of 93.5% and an inference time of only 32.40 ms on the target hardware. It is concluded that the proposed solution overcomes local processing limitations, enabling low-cost, high-energy-autonomy smart traps for large-scale entomological monitoring.application/pdfengTinyMLSistemas embarcadosAedes aegyptiRedes neurais convolucionaisComputação na bordaImplementação de redes neurais em microcontroladores ESP32 S3 para a identificação em tempo real de aedes aegyptiImplementation of neural networks on ESP32-S3 microcontrollers for real-time identification of aedes aegypti info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPrograma de Pós-Graduação em ComputaçãoPorto Alegre, BR-RS2026mestradoinfo:eu-repo/semantics/openAccessreponame:Lume - Repositório Digital da Universidade Federal do Rio Grande do Sul (UFRGS)instname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001307713.pdf.txt001307713.pdf.txtExtracted Texttext/plain121031http://www.lume.ufrgs.br/bitstream/10183/310034/2/001307713.pdf.txtc6d0027bc07bc13e3c61519c2c2a52c0MD52ORIGINAL001307713.pdfTexto completoapplication/pdf1502747http://www.lume.ufrgs.br/bitstream/10183/310034/1/001307713.pdfa9ee6ef4769411662a6fbcd07f9c4c89MD5110183/3100342026-07-11 08:02:42.238534oai:www.lume.ufrgs.br:10183/310034Repositório InstitucionalPUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.bropendoar:2026-07-11T11:02:42Lume - Repositório Digital da Universidade Federal do Rio Grande do Sul (UFRGS) - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Implementação de redes neurais em microcontroladores ESP32 S3 para a identificação em tempo real de aedes aegypti
dc.title.alternative.en.fl_str_mv Implementation of neural networks on ESP32-S3 microcontrollers for real-time identification of aedes aegypti
title Implementação de redes neurais em microcontroladores ESP32 S3 para a identificação em tempo real de aedes aegypti
spellingShingle Implementação de redes neurais em microcontroladores ESP32 S3 para a identificação em tempo real de aedes aegypti
Borges, Pedro Antônio da Silva
TinyML
Sistemas embarcados
Aedes aegypti
Redes neurais convolucionais
Computação na borda
title_short Implementação de redes neurais em microcontroladores ESP32 S3 para a identificação em tempo real de aedes aegypti
title_full Implementação de redes neurais em microcontroladores ESP32 S3 para a identificação em tempo real de aedes aegypti
title_fullStr Implementação de redes neurais em microcontroladores ESP32 S3 para a identificação em tempo real de aedes aegypti
title_full_unstemmed Implementação de redes neurais em microcontroladores ESP32 S3 para a identificação em tempo real de aedes aegypti
title_sort Implementação de redes neurais em microcontroladores ESP32 S3 para a identificação em tempo real de aedes aegypti
author Borges, Pedro Antônio da Silva
author_facet Borges, Pedro Antônio da Silva
author_role author
dc.contributor.author.fl_str_mv Borges, Pedro Antônio da Silva
dc.contributor.advisor1.fl_str_mv Azambuja, José Rodrigo Furlanetto de
contributor_str_mv Azambuja, José Rodrigo Furlanetto de
dc.subject.por.fl_str_mv TinyML
Sistemas embarcados
Aedes aegypti
Redes neurais convolucionais
Computação na borda
topic TinyML
Sistemas embarcados
Aedes aegypti
Redes neurais convolucionais
Computação na borda
description As doenças transmitidas por vetores, notadamente as arboviroses como Dengue, Zika e Chikungunya, representam um desafio persistente de saúde pública global. No Brasil, o controle do vetor Aedes aegypti ainda depende majoritariamente de métodos de vigilância manual, que são onerosos e sofrem de alta latência entre a coleta e a tomada de decisão. Este trabalho propõe uma solução baseada em Internet das Coisas (IoT) e Inteligência Artificial na Borda (TinyML) para automatizar a identificação do vetor através da sua assinatura acústica de voo. O sistema foi implementado no microcontrolador ESP32-S3, explorando suas instruções vetoriais para processamento de sinais em tempo real. A metodologia envolveu a construção de um dataset híbrido (HumBugDB e Kaggle) e o treinamento de Redes Neurais Convolucionais (CNNs) com diferentes níveis de complexidade. Para viabilizar a execução no hardware restrito, aplicaram-se técnicas de otimização como a extração de características MFCC e a quantização pós-treinamento para inteiros de 8 bits (Int8). Os resultados experimentais demonstraram que a arquitetura de 7 camadas com quantização Int8 atingiu a melhor relação entre desempenho e custo, obtendo uma acurácia de 93,5% e um tempo de inferência de apenas 32,40 ms no hardware alvo. Conclui-se que a solução proposta supera as limitações de processamento local, viabilizando armadilhas inteligentes de baixo custo e alta autonomia energética para o monitoramento entomológico em larga escala.
publishDate 2026
dc.date.accessioned.fl_str_mv 2026-07-10T08:03:13Z
dc.date.issued.fl_str_mv 2026
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/310034
dc.identifier.nrb.pt_BR.fl_str_mv 001307713
url http://hdl.handle.net/10183/310034
identifier_str_mv 001307713
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Lume - Repositório Digital da Universidade Federal do Rio Grande do Sul (UFRGS)
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Lume - Repositório Digital da Universidade Federal do Rio Grande do Sul (UFRGS)
collection Lume - Repositório Digital da Universidade Federal do Rio Grande do Sul (UFRGS)
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/310034/2/001307713.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/310034/1/001307713.pdf
bitstream.checksum.fl_str_mv c6d0027bc07bc13e3c61519c2c2a52c0
a9ee6ef4769411662a6fbcd07f9c4c89
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Lume - Repositório Digital da Universidade Federal do Rio Grande do Sul (UFRGS) - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br
_version_ 1877356708267819008