Inteligência Artificial em dispositivos embarcados: proposta de detecção de anomalias em processos industriais utilizando Tiny ML

Este trabalho apresenta o desenvolvimento de um sistema de detecção de anomalias ambientais baseado em TinyML (Tiny Machine Learning) para dispositivos embarcados de baixo custo. O projeto tem como objetivo principal viabilizar a inteligência artificial na borda (Edge AI), especificamente para o monitoramento de variáveis críticas como temperatura e umidade, visando aplicações em Indústria 4.0 e Internet das Coisas (IoT). A metodologia envolveu a simulação inicial do sistema no ambiente Wokwi, utilizando o microcontrolador ESP32 e o protocolo MQTT para validação lógica e de conectividade. Posteriormente, foi realizada a montagem física com o microcontrolador ESP8266 e o sensor DHT11 para a coleta de dados em tempo real. Os dados coletados e rotulados foram utilizados para treinar uma rede neural densa, otimizada via quantização e convertida para o formato TensorFlow Lite for Microcontrollers (TFLM). O modelo embarcado foi capaz de realizar a inferência localmente, classificando as condições ambientais como "ideal" ou "não ideal" para um cultivo específico com uma acurácia de aproximadamente 95,65%. Os resultados demonstram a viabilidade de sistemas autônomos e eficientes para o monitoramento de borda, reduzindo a latência, o consumo de banda e aumentando a privacidade em ambientes com conectividade limitada.