Defesa – Dissertação de Antonio Marcio Adiodato de Menezes

Aluno(a): Pedro Antônio da Silva Borges
Orientador(a): Jose Rodrigo Furlanetto de Azambuja

Título: Implementação de Redes Neurais em Microcontroladores ESP32 S3 para a Identificação em Tempo Real de Aedes aegypti

Linha de Pesquisa: Sistemas Embarcados

Data: 18/12/2025
Hora: 09:00
Local: Esta banca ocorrerá de forma remota. Acesso público disponibilizado pelo link https://meet.google.com/rxd-oeet-vkx.

Banca Examinadora:
-Claudio Machado Diniz (UFRGS)
-Marcelo de Oliveira Johann (UFRGS)
-André Inácio Reis (UFRGS)

Presidente da Banca: Jose Rodrigo Furlanetto de Azambuja

Resumo: Doenças 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 em2019ecerca de3milcasos de microcefalia no surto de zika de 2015/2016, que podem levar a deficiências permanentes, associados ao mosquito Aedes aegypti. O mosquito Ae des 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 classifi cadores 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 mosqui tos Aedes aegypti em um dispositivo de borda. O classificador escolhido já existe em ambiente TensorFlow 2. Sua versão embarcada é implementada usando-se versões perso nalizadas 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 im plementação original do classificador. Variando configurações e parâmetros do algoritmo, vários tempos de execução foram mensurados. O tempo para executar o classificador,teve uma amplitude considerável entre as diferentes camadas de redes neurais convolucionais. Os tempo de execução foram suficientes para processamento de intervalos selecionados de maior atividade dos mosquitos.

Palavras-Chave: TinyML. Sistemas Embarcados. Aedes aegypti. ESP32-S3. Redes Neurais Convolucionais. Computação na Borda.