Mostrar el registro sencillo del ítem

dc.contributor.advisorAzambuja, José Rodrigo Furlanetto dept_BR
dc.contributor.authorDal Castel, Lucas Kendrickpt_BR
dc.date.accessioned2023-08-04T03:34:35Zpt_BR
dc.date.issued2023pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/263181pt_BR
dc.description.abstractDoenças transmitidas por vetores são responsáveis por centenas de milhares de mortes todos os anos no mundo todo. O Brasil registrou cerca de 1,5 milhões de casos de dengue em 2019 e cerca de 3 mil casos de microcefalia no surto de zika de 2015/2016, que podem levar a deficiências permanentes, associados ao mosquito Aedes aegypti. O mosquito Aedes aegypti é o maior vetor de dengue e outras arboviroses no país, se reproduzindo em larga escala através do depósito de ovos em recipientes com água parada. Os métodos atuais de vigilância e controle são lentos e insuficientes para reduzir o número de casos no longo prazo. Recentemente, tem-se desenvolvido melhores classificadores de dados, capazes de detectar a espécie de um mosquito através do seu bater de asas. Todavia, isso carece de escalabilidade se dados brutos necessitarem envio contínuo de cada ponto de sondagem para um servidor central de processamento de dados. A escalabilidade pode ser alcançada trazendo o conceito de computação na borda ao se incorporar esses classificadores nas armadilhas que atraem os mosquitos. Isso reduziria drasticamente o volume de trafego de dados exigido. A fim de inserir telemetria nos mecanismos de vigilância de mosquitos já existentes, que dependem de trabalho lento e contínuo para inspeção local dos inúmeros pontos de coleta, este trabalho implementa um classificador de mosquitos Aedes aegypti em um dispositivo de borda. O classificador escolhido já existe em ambiente TensorFlow 2. Sua versão embarcada é implementada usando-se versões personalizadas das bibliotecas livres keras2c e esp32-fft e do framework esp-idf, que é o padrão para o microcontrolador ESP32. Obteve-se saídas as quais foram equivalentes às da implementação original do classificador. Variando configurações e parâmetros do algoritmo, vários tempos de execução foram mensurados. O tempo para executar o classificador, na melhor configuração, foi de 5,21 segundos para um segmento de 1,248 segundos amostrado a 8 kHz. O tempo de execução é suficiente para processamento de intervalos selecionados de maior atividade dos mosquitos.pt_BR
dc.description.abstractVector-borne diseases are responsible for hundreds of thousands of deaths every year worldwide. In Brazil, Dengue recorded about 1.5 million cases in 2019. In the 2015/2016 Zika outbreak, about 3,000 cases of microcephaly that generated permanent disabilities were associated with the mosquito. The Aedes aegypti mosquito is the country’s primary vector of dengue and other arboviruses, reproducing on a large scale by laying eggs in standing water. Current surveillance and control methods could be faster and more robust to reduce the number of cases in the long term. Recently better data classifiers have been developed which are capable of detecting the species of a mosquito through its wingbeat. However, this needs more scalability if raw data needs continuous upload from every instrumented spot to a centralized server. Scalability may be achieved by bringing the idea of edge computing by incorporating these classifiers into the traps that attract mosquitoes. That would drasticaly reduce the amount of data traffic required. In order to insert telemetry into the existing mosquito surveillance mechanisms, which currently depends on slow and continuous work for inspection of numerous spots, this work implements an Aedes aegypti mosquito classifier in an edge device. The classifier already exists in a TensorFlow 2 environment. Its embedded version is implemented using custom versions of the free libraries keras2c and esp32-fft with a bug-fixed version of the esp-idf framework, which is the standard for the microcontroller ESP32. Outputs that coincide with the original algorithm’s outputs were obtained. By variating configurations and algorithm parameters, many run times were measured. The time to run the classifier in the best setup was 5,21 seconds on the ESP32 from a 1.248 seconds segment sampled at 8 kHz. The run time is sufficient for processing selected intervals of greater mosquitoes activity.en
dc.format.mimetypeapplication/pdfpt_BR
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectSistemas embarcadospt_BR
dc.subjectMosquitoen
dc.subjectAprendizado de máquinapt_BR
dc.subjectClassifieren
dc.subjectMosquitospt_BR
dc.subjectCNNen
dc.subjectEmbeddeden
dc.subjectMachine learningen
dc.titleSistema Embarcado Classificador de Mosquitos Aedes aegypti por Modelo Inteligentept_BR
dc.typeTrabalho de conclusão de graduaçãopt_BR
dc.contributor.advisor-coBrum, Raphael Martinspt_BR
dc.identifier.nrb001170764pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentEscola de Engenhariapt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2023pt_BR
dc.degree.graduationEngenharia Elétricapt_BR
dc.degree.levelgraduaçãopt_BR


Ficheros en el ítem

Thumbnail
   

Este ítem está licenciado en la Creative Commons License

Mostrar el registro sencillo del ítem