Autor: Lucas Caetano Meireles Pereira (Currículo Lattes)
Resumo
Edge Computing é um novo paradigma de desenvolvimento que traz poder computacional para a borda da rede e para o usuário final, por meio de serviços inteligentes inovadores. O paradigma permite que aplicativos sensíveis à latência sejam colocados onde os dados são criados, com satisfação assim a sobrecarga de comunicação e com a segurança, a mobilidade e o consumo de energia. Existe uma conexão de aplicações que se beneficiam desse tipo de processamento. Em particular a classificação de imagens no nível microscópico. A escala e magnitude dos objetos para segmentar, detectar e classificar são muito desafiadoras, com dados coletados usando ordem de grandeza em extensão. O processamento de dados necessário é intenso e a lista de desejos dos usuários finais nesse espaço inclui ferramentas e soluções que cabem em um dispositivo limitado. Levar modelos de classificação inicialmente construídos na nuvem para dispositivos de análise de imagem baseados em mesa é uma tarefa difícil para desenvolvedores. Este trabalho analisa as limitações de desempenho e os requisitos de consumo de energia na incorporação de modelos de classificação, baseados em aprendizado profundo, em um dispositivo representativo de Edge Computing. Particularmente, o conjunto de dados e os modelos de levantamento pesado exploratório no estudo de caso são imagens de fitoplâncton para detectar a antecipação de algas nocivas (HAB) na aquicultura nos iniciais. O trabalho utiliza modelos de aprendizado profundo treinados para classificar de fitoplâncton e os implantar na borda. modelo base, aprimorado em uma forma base juntamente com opções otimizadas, é mantido a uma série de experimentos de estresse do sistema. O perfil de consumo de energia e desempenho ajuda a entender a limitação do sistema e seu impacto na tarefa de classificar a imagem de grau microscópico.