Navegando por Autor "Andrade, Pedro Henrique Meira de"
Agora exibindo 1 - 4 de 4
- Resultados por página
- Opções de Ordenação
TCC Abordagem para avaliar o comportamento do motorista em tempo real com TinyML(Universidade Federal do Rio Grande do Norte, 2023-12-05) Medeiros, Morsinaldo de Azevedo; Silva, Ivanovitch Medeiros Dantas da; Silva, Marianne Batista Diniz da; https://orcid.org/0000-0002-8277-7571; http://lattes.cnpq.br/6470261020797104; https://orcid.org/0000-0002-0116-6489; http://lattes.cnpq.br/3608440944832201; https://orcid.org/0000-0001-7624-5301; http://lattes.cnpq.br/2910614991697297; Andrade, Pedro Henrique Meira de; https://orcid.org/0000-0002-7729-9085; http://lattes.cnpq.br/6695123583643731; Flores, Thommas Kevin Sales; http://lattes.cnpq.br/0630479458408181; Nunes, Tomaz Filgueira; http://lattes.cnpq.br/2130997198434189O expressivo aumento no número de sensores veiculares tem como resultado uma crescente quantidade de dados, aproveitando-se da convergência com as tecnologias de Internet das Coisas (IoT) para possibilitar análises em tempo real na borda da rede, por meio de um dispositivo OBD-II Edge. Nesse contexto, este estudo consiste em desenvolver, embarcar e validar uma solução de processamento de dados veiculares em tempo real para determinar o comportamento do motorista. Para isso, criou-se uma abordagem de três camadas, na qual utilizou-se soft-sensors e integrou o framework Typicality and Eccentricity Data Analytics (TEDA) e o algortimo Autocloud Adaptativo em um hardware de baixo custo energético, focando na aplicação de técnicas de TinyML. Deste modo, um estudo de caso foi conduzido na cidade de Natal-RN, Brasil, em cenário real, envolvendo dois participantes e incorporando a abordagem proposta ao Freematics One+. Os resultados analisados foram promissores na classificação do comportamento do motorista, capturando nuances significativas ao longo do trajeto. Por fim, concluiu que esse estudo contribuiu para a análise em tempo real do comportamento de condução de motoristas.TCC An agnostic platform for vehicle monitoring and data visualization(Universidade Federal do Rio Grande do Norte, 2020-12-01) Queiroz, Rodolfo Natan Silva; Silva, Ivanovitch Medeiros Dantas da; Silva, Marianne Batista Diniz da; Andrade, Pedro Henrique Meira deRecent achievements in the technological area of the car industry has brought to attention the necessity for vehicles that are more connected and supervised, with the emergence of the Internet of Things (IoT) playing a great role in such advancements and creating a sector specialized for such industry, called the Internet of Intelligent Vehicles (IoIV). Although there is already a great number of solutions for data monitoring, for instance, they are usually pre-installed in the vehicles and do not allow for much configuration, nor third party integration. This work, therefore, presents a platform that allows for data resourcing from multiple sources while providing statistical data to the final user. Furthermore, it presents the creation and implementation of a metric that uses sensor information gathered from the vehicles using OBD-II technology in order to characterize driver behavior along time, including detailed results from an experiment performed in order to validate such metric.Tese An unsupervised tinyML incremental learning approach for outlier processing and forecasting(Universidade Federal do Rio Grande do Norte, 2024-08-30) Andrade, Pedro Henrique Meira de; https://orcid.org/0000-0002-0116-6489; http://lattes.cnpq.br/3608440944832201; https://orcid.org/0000-0002-7729-9085; http://lattes.cnpq.br/6695123583643731; Oliveira, Luiz Affonso Henderson Guedes de; Barros, Tiago Tavares Leite; Costa, Daniel Gouveia; Villanueva, Juan Moisés MauricioA Internet das Coisas (IoT) é um paradigma no qual as capacidades de computação e conectividade são incorporadas a objetos, conectando-os à Internet. Reconhecida como uma área tecnológica crucial e emergente, a IoT possui um potencial significativo para melhorar a qualidade de vida, otimizar processos industriais e ampliar as aplicações em objetos do cotidiano. Com o aumento do número de dispositivos IoT conectados, surge a necessidade de uma infraestrutura capaz de gerenciar o vasto volume de dados gerados. Nesse contexto, a Computação de Borda (Edge Computing) se destaca ao processar dados próximos à sua origem, deixando apenas as tarefas de processamento mais complexas para servidores centrais. O processamento na borda permite o desenvolvimento de algoritmos de aprendizado de máquina otimizados, conhecidos como Tiny Machine Learning (TinyML). Ao empregar algoritmos leves e otimizados, o conceito TinyML oferece vantagens como a redução da latência, a melhoria da eficiência energética e o aumento da autonomia de dispositivos operando em aplicações remotas ou isoladas. No campo TinyML, a implementação de técnicas de aprendizado de máquina em dispositivos com recursos limitados, como microcontroladores, apresenta desafios significativos, incluindo a detecção e correção de outliers. Este trabalho, portanto, contribui para o desenvolvimento de um algoritmo de aprendizado incremental não supervisionado para o processamento de outliers no contexto do TinyML. Essa abordagem inovadora aplica aprendizado de máquina não supervisionado para a detecção e correção de outliers em dispositivos com recursos limitados, adaptando-se a variações externas ao longo do tempo. O algoritmo aborda o problema do processamento de sinais na borda de aplicações IoT, permitindo, por exemplo, que um medidor inteligente processe eventos localmente antes de enviar dados ao sistema supervisório. A solução foi implementada e validada por meio de simulações e testada em dois microcontroladores diferentes: o ATmega328P (Arduino) e o Espressif ESP32 (Freematics), confirmando sua viabilidade e bom desempenho. Este trabalho preenche uma lacuna na literatura ao introduzir uma nova abordagem para o processamento de dados em dispositivos com recursos limitados, utilizando uma técnica de aprendizado incremental. A avaliação comparou os resultados obtidos em sistemas embarcados com aqueles obtidos em computadores, utilizando diferentes linguagens de programação e ferramentas.TCC Classificação de raças de cachorro utilizando técnicas de transfer learning na plataforma Edge Impulse(Universidade Federal do Rio Grande do Norte, 2023-07-03) Pereira, Rubens Macedo; Silva, Ivanovitch Medeiros Dantas da; Costa, Hagi Jakobson Dantas da; Andrade, Pedro Henrique Meira deAtualmente são reconhecidas 365 raças de cachorro pela Federação Cinológica Internacional, cada uma delas tem suas características específicas, como tamanho, pelagem, temperamento e habilidades. Os cães são apontados como os animais domésticos mais comuns, e o Brasil abriga a segunda maior população canina do mundo. A identificação da raça canina tem sido tradicionalmente realizada por especialistas, no entanto, esta análise pode demandar tempo para avaliar cada cachorro. A classificação adequada das raças de cães é de extrema importância tanto para indivíduos que possuem ou planejam ter um cachorro, quanto para organizações e instituições que trabalham com estes animais. Desta forma, torna-se necessário o desenvolvimento de aplicações baseadas em técnicas de inteligência artificial. Porém, desenvolver uma aplicação para este propósito torna-se uma tarefa desafiadora, levando-se em consideração a complexidade e variabilidade das características de cada raça. A classificação de imagens sem qualquer informação requer uma base de dados extensa, o que pode ser minimizado com o uso do transfer learning. Neste contexto, a plataforma Edge Impulse surge como uma escolha poderosa, já que permite aos desenvolvedores trabalharem com ferramentas para construção de Machine Learning desde as etapas iniciais do processo de criação do modelo. O objetivo deste trabalho consistiu em desenvolver um modelo de classificação de raças caninas, utilizando a plataforma Edge Impulse como ambiente de trabalho. Para isto, foi realizada a preparação do conjunto de dados 'Dog Breed Identification' disponibilizado no Kaggle, divididos em 120 classes, que deu início ao pipeline de treinamento (pré-processamento das imagens e na definição de parâmetros). Nesta configuração, foi obtido uma precisão de 41% em 6 épocas. Com base neste resultado, e com intuito de sanar as limitações impostas pelo plano gratuito da plataforma, decidiu-se reduzir o número de classes para 100, 70, 50, 30, 15 e 11. Assim sendo, foi obtida a melhor precisão, para a análise com 11 classes, de 82.9%. Embora a plataforma Edge Impulse tenha limitações em relação ao tempo de treinamento, ela se apresenta como opção adequada para aplicações de classes menores. Este estudo contribui para o avanço da aplicação de transfer learning na classificação de imagens - no presente trabalho aplicado para raças caninas - e no uso da plataforma Edge Impulse como uma alternativa para aplicações TinyML.