Sentinel.AI : uma arquitetura IoT para monitoramento ambiental baseada em classificação de eventos sonoros com transferência de aprendizado

Abstract

Resumo: O avanço da Internet das Coisas (IoT) e das técnicas de Inteligência Artificial (IA) tem impulsionado o desenvolvimento de sistemas inteligentes para monitoramento ambiental. Neste contexto, a análise automática de eventos sonoros ambientais tem se mostrado uma abordagem promissora para identificação de atividades naturais ou antrópicas. Este trabalho apresenta a plataforma Sentinel.AI, uma arquitetura integrada que combina sensoriamento embarcado, transmissão de dados e classificação automática de eventos sonoros por meio de transferência de aprendizado utilizando o modelo YAMNet. O sistema realiza a aquisição e o processamento de sinais acústicos, permitindo a identificação automatizada de padrões associados a atividades ambientais específicas. A abordagem foi avaliada utilizando o conjunto de dados ESC-50, considerando classes relacionadas a eventos sonoros ambientais. Os resultados experimentais indicam que a utilização de embeddings acústicos extraídos por redes profundas, aliada a técnicas de aumento de dados, permite obter desempenho consistente mesmo com conjuntos de dados reduzidos. Os resultados evidenciam o potencial da integração entre IoT e aprendizado profundo para aplicações de monitoramento ambiental inteligente

Abstract: The advancement of the Internet of Things (IoT) and Artificial Intelligence (AI) techniques has enabled the development of intelligent systems for environmental monitoring. In this context, the automatic analysis of environmental sound events has emerged as a promising approach for identifying natural or anthropogenic activities. This work presents the Sentinel.AI platform, an integrated architecture that combines embedded sensing, data transmission, and automatic classification of environmental sound events through transfer learning using the YAMNet model. The system performs acoustic signal acquisition and processing, enabling the automated identification of patterns associated with specific environmental activities. The proposed approach was evaluated using the ESC-50 dataset, considering sound classes related to environmental events. Experimental results indicate that the use of deep acoustic embeddings combined with data augmentation techniques allows consistent performance even with relatively small datasets. These findings highlight the potential of integrating IoT and deep learning techniques for intelligent environmental monitoring applications