Sistema AIoT para Detecção de Sirenes com Aprendizado de Máquina Embarcado em Dispositivos de Borda
Resumo
Este trabalho apresenta uma solução de AIoT para detecção de sirenes com inferência embarcada em microcontroladores, baseada em redes neurais convolucionais (CNNs) quantizadas. A solução proposta utiliza um microcontrolador com microfone digital integrado para captar sons do ambiente e realizar inferência local com redes neurais convolucionais otimizadas. Essa abordagem elimina a necessidade de conexão com a nuvem, reduzindo latência e aumentando a confiabilidade e a privacidade dos dados. O modelo foi treinado em espectrogramas gerados a partir de áudios de tráfego e sirenes e implantado utilizando TensorFlow Lite para microcontroladores. Os resultados demonstram acurácia de 96,83%, associada a uma precisão de 94,49%, validando a viabilidade de integrar IA embarcada em soluções IoT urbanas, como veículos autônomos e semáforos inteligentes.
Palavras-chave:
AIoT, Aprendizado de Máquina Embarcado, Detecção de Sirenes, Computação de Borda, IoT Urbana, Segurança no Trânsito
Referências
R. Sellami and M. Hammami, “Urban sound recognition in smart cities using an iot–fog based deep learning architecture,” Applied Sciences, vol. 15, no. 3, p. 1201, 2023.
M. J. Baucas and P. Spachos, “Using cloud and fog computing for large scale iot-based urban sound classification,” arXiv preprint arXiv:1910.07652, 2019.
R. David, J. Duke, A. Jain, V. J. Reddi, N. Jeffries, J. Li, S. Regev et al., “Tensorflow lite micro: Embedded machine learning on tinyml systems,” arXiv preprint arXiv:2010.08678, 2020.
P. Warden and D. Situnayake, TinyML: Machine Learning with Tensor-Flow Lite on Arduino and Ultra-Low-Power Microcontrollers. O’Reilly Media, 2019.
W. Shi, J. Cao, Q. Zhang, Y. Li, and L. Xu, “Edge computing: Vision and challenges,” IEEE Internet of Things Journal, vol. 3, no. 5, pp. 637–646, 2016.
M. Mohammadi, A. Al-Fuqaha, S. Sorour, and M. Guizani, “Deep learning for iot big data and streaming analytics: A survey,” IEEE Communications Surveys & Tutorials, vol. 20, no. 4, pp. 2923–2960, 2018.
F. Meucci, L. Pierucci, E. Del Re, and P. Desii, “A real-time siren detector to improve safety of guide in traffic environment,” Transactions on Emerging Telecommunications Technologies, vol. 19, no. 6, pp. 676–684, 2008.
J. Nordby, “Environmental sound classification on microcontrollers using convolutional neural networks,” Master’s thesis, Norwegian University of Life Sciences, 2019. [Online]. Available: [link]
M. Mohaimenuzzaman, C. Bergmeir, I. West, and B. Meyer, “Environmental sound classification on the edge: a pipeline for deep acoustic networks on extremely resource-constrained devices,” Pattern Recognition, vol. 133, p. 109025, 2023, also available as ArXiv:2103.03483.
I. AB. (2023) Siren detection ready model. [Online]. Available: [link]
V. Unnikrishnan, “Emergency vehicle siren sounds,” 2020, acesso em: 6 maio 2024. [Online]. Available: [link]
Nabto, “Iot latency: The power of real-time communication,” 2025, relatório online.
P. Muralidhara, “Edge and cloud integration: Optimizing latency and resource allocation for iot applications,” IJECS, vol. 5, no. 7, pp. 17 388–17 406, 2016.
M. J. Baucas and P. Spachos, “Using cloud and fog computing for large scale iot-based urban sound classification,” arXiv preprint arXiv:1910.07652, 2019.
R. David, J. Duke, A. Jain, V. J. Reddi, N. Jeffries, J. Li, S. Regev et al., “Tensorflow lite micro: Embedded machine learning on tinyml systems,” arXiv preprint arXiv:2010.08678, 2020.
P. Warden and D. Situnayake, TinyML: Machine Learning with Tensor-Flow Lite on Arduino and Ultra-Low-Power Microcontrollers. O’Reilly Media, 2019.
W. Shi, J. Cao, Q. Zhang, Y. Li, and L. Xu, “Edge computing: Vision and challenges,” IEEE Internet of Things Journal, vol. 3, no. 5, pp. 637–646, 2016.
M. Mohammadi, A. Al-Fuqaha, S. Sorour, and M. Guizani, “Deep learning for iot big data and streaming analytics: A survey,” IEEE Communications Surveys & Tutorials, vol. 20, no. 4, pp. 2923–2960, 2018.
F. Meucci, L. Pierucci, E. Del Re, and P. Desii, “A real-time siren detector to improve safety of guide in traffic environment,” Transactions on Emerging Telecommunications Technologies, vol. 19, no. 6, pp. 676–684, 2008.
J. Nordby, “Environmental sound classification on microcontrollers using convolutional neural networks,” Master’s thesis, Norwegian University of Life Sciences, 2019. [Online]. Available: [link]
M. Mohaimenuzzaman, C. Bergmeir, I. West, and B. Meyer, “Environmental sound classification on the edge: a pipeline for deep acoustic networks on extremely resource-constrained devices,” Pattern Recognition, vol. 133, p. 109025, 2023, also available as ArXiv:2103.03483.
I. AB. (2023) Siren detection ready model. [Online]. Available: [link]
V. Unnikrishnan, “Emergency vehicle siren sounds,” 2020, acesso em: 6 maio 2024. [Online]. Available: [link]
Nabto, “Iot latency: The power of real-time communication,” 2025, relatório online.
P. Muralidhara, “Edge and cloud integration: Optimizing latency and resource allocation for iot applications,” IJECS, vol. 5, no. 7, pp. 17 388–17 406, 2016.
Publicado
24/11/2025
Como Citar
BARRETO, Lucas; GALVÃO, Levy; BARRETO, Raimundo; OLIVEIRA, Horácio.
Sistema AIoT para Detecção de Sirenes com Aprendizado de Máquina Embarcado em Dispositivos de Borda. In: ARTIGOS COMPLETOS - SIMPÓSIO BRASILEIRO DE ENGENHARIA DE SISTEMAS COMPUTACIONAIS (SBESC), 15. , 2025, Campinas/SP.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 13-18.
ISSN 2763-9002.
DOI: https://doi.org/10.5753/sbesc_estendido.2025.15396.
