Inteligência artificial em sistemas embarcados utilizando abordagem TinyML

• Autor(a) principal: Almeida, Weslley do Nascimento
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/30638
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; Aprendizado do computador; Sistemas embarcados (Computadores); Microcontroladores; Machine learning; Embedded computer systems; Microcontrollers

Atualmente, existem mais de 250 bilhões de microcontroladores no mundo, logo, viabilizar a possibilidade de executar modelos de aprendizado de máquina em sistemas embarcados é motivado porque muitos dos dados captados por sensores são descartados devido ao custo, necessidade de conexão com internet ou restrições de energia. Diante desse cenário, surge uma nova abordagem de soluções de aprendizado de máquina, que integram sistemas com recursos limitados e inteligência artificial, o Tiny Machine Learning (TinyML), essa abordagem tem como objetivo viabilizar a implantação de modelos de inteligência artificial em sistemas embarcados de baixo custo e pouco poder de processamento. Entre as aplicações que poderiam se beneficiar da integração de aprendizado de máquina e hardware com recursos limitados, são os dispositivos de reconhecimento automático. Portanto, o presente trabalho busca realizar a implantação de uma rede neural artificial que realize o reconhecimento de placas veiculares em um hardware de baixo custo. Dessa forma, treinou-se um modelo MobileNetV2 SSD FPN-Lite para detecção de placas automotivas, efetuando a quantização fazendo uso do framework do TensorFlow Lite e implantando a solução em um sistema embarcado Raspberry Pi Zero 2W. Foram realizados experimentos em quatro formas de quantização e entre duas linguagens distintas, Python e C++. O melhor resultado apresentado considerando o tamanho de armazenamento, índice de confiabilidade e tempo de latência, foi o da quantização dinâmica em C++, pois, comparado ao modelo não quantizado, obteve uma redução em armazenamento de 75%, apresentando um score de 72,38% contra 72,28% do modelo não quantizado, e, uma eficiência no tempo de execução de 20%. Tornando assim, o tinyML uma alternativa viável para aplicações em sistemas com limitações de recursos.