Implementação de redes neurais em microcontroladores ESP32 S3 para a identificação em tempo real de aedes aegypti
| Ano de defesa: | 2026 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| 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 |