UNIVERSIDADE ESTADUAL PAULISTA “JÚLIO DE MESQUITA FILHO” Campus de Sorocaba - SP Rodrigo de Souza Jacomini SISTEMA EMBARCADO APLICADO A AUTOMAÇÃO NA ALIMENTAÇÃO DE PETS: ML E IoT Sorocaba 2024 Rodrigo de Souza Jacomini SISTEMA EMBARCADO APLICADO A AUTOMAÇÃO NA ALIMENTAÇÃO DE PETS: ML E IoT Dissertação apresentada como parte dos requisitos para obtenção de título de Mestre em Engenharia Elétrica, junto ao Programa de Pós-Graduação em Engenharia Elétrica, da Universidade Estadual Paulista “Júlio de Mesquita Filho”. Área de concentração: Automação. Orientador: Prof. Dr. Ivando Severino Diniz Sorocaba 2024 J17s Jacomini, Rodrigo de Souza Sistemas embarcado aplicado a automação na alimentação de pets: ML e IoT / Rodrigo de Souza Jacomini. -- Sorocaba, 2024 117 p. Dissertação (mestrado) - Universidade Estadual Paulista (UNESP), Instituto de Ciência e Tecnologia, Sorocaba Orientador: Ivando Severino Diniz 1. Alimentação dos animais. 2. Automação residencial. 3. Inteligência artificial. 4. Indústria animal. 5. Circuitos eletrônicos-Projetos. I. Título. Sistema de geração automática de fichas catalográficas da Unesp. Dados fornecidos pelo autor(a). UNIVERSIDADE ESTADUAL PAULISTA Câmpus de Sorocaba Sistema Embarcado para Controle de Alimentação de Pets Baseado em Aprendizado de Máquina e IoT TÍTULO DA DISSERTAÇÃO: CERTIFICADO DE APROVAÇÃO AUTOR: RODRIGO DE SOUZA JACOMINI ORIENTADOR: IVANDO SEVERINO DINIZ Aprovado como parte das exigências para obtenção do Título de Mestre em Engenharia Elétrica, área: Automação pela Comissão Examinadora: Prof. Dr. IVANDO SEVERINO DINIZ (Participaçao Presencial) Departamento de Engenharia de Controle e Automação / Instituto de Ciência e Tecnologia / UNESP / Sorocaba Prof. Dr. EDUARDO VERRI LIBERADO (Participaçao Presencial) Departamento de Engenharia de Controle e Automacao / Instituto de Ciência e Tecnologia - UNESP - Câmpus de Sorocaba Prof. Dr. SERGIO SHIMURA (Participaçao Presencial) Departamento de Indústria / Instituto Federal de Educação, Ciência e Tecnologia de São Paulo - Campus Soracaba Sorocaba, 27 de novembro de 2024 Instituto de Ciência e Tecnologia - Câmpus de Sorocaba - Três de Março, 511, 18087180, Sorocaba - São Paulo http://www.sorocaba.unesp.br/#!/pos-graduacao/--engenharia-eletrica-local/CNPJ: 48031918003573. Assinado de forma digital por Eduardo Verri Liberado Dados: 2024.11.29 09:43:27 -03'00' Dedico esse trabalho a toda minha família e principalmente a minha netinha Lili. AGRADECIMENTOS Agradeço, em primeiro lugar, ao Divino Mestre Gabriel, fonte de sabedoria e força, e aos meus familiares, pelo amor e apoio incondicional. Registro minha gratidão ao Professor Dr. Ivando Severino Diniz, pela orientação e dedicação ao longo desta jornada acadêmica. Agradeço também aos funcionários, professores e colegas da UNESP Sorocaba – SP, que contribuíram para o enriquecimento desta experiência. Quero expressar um agradecimento especial ao meu irmão, Ricardo de Souza Jacomini que é Mestre, Doutor e Ph.D., por todo o apoio, paciência e valiosas orientações durante a elaboração desta dissertação. Sua vasta experiência acadêmica foi essencial para me guiar nesse processo, e seu incentivo constante me mostrou que nunca estive sozinho nesta caminhada. Sou profundamente grato por todo o aprendizado compartilhado e por ser uma inspiração contínua em minha vida. “A paz é a única forma de nos sentirmos realmente humanos.” Albert Einstein https://www.pensador.com/autor/albert_einstein/ RESUMO O Brasil se destaca globalmente na indústria de animais de configuração, com significativo faturamento e uma vasta população de aproximadamente 160 milhões de animais, incluindo 67,8 milhões de cachorros e 33,6 milhões de gatos. No entanto, a ausência dos tutores durante viagens ou períodos de trabalho pode comprometer o cuidado adequado com os animais. Nesse contexto, a tecnologia, especialmente a Internet das Coisas (IoT), surge como uma solução para facilitar o cuidado com os animais de estimação. Muitas soluções disponíveis para monitoramento e alimentação de animais apresentam limitações, como curto alcance de identificação e alto consumo de energia. Assim, há uma demanda por dispositivos mais avançados e eficientes capazes de fornecer cuidados personalizados aos animais e lidar com falhas de energia. Esta dissertação apresenta o desenvolvimento de um sistema inteligente que combina hardware e software para identificar animais, lidar com falhas de energia elétrica e fornecer alimentação personalizada e garantir o bem-estar dos animais de estimação, mesmo na ausência do tutor e em situações de falta de energia. No presente estudo, foi desenvolvido um dispositivo capaz de alimentar e oferecer água a diferentes animais de estimação a partir de treinamentos realizados por meio dos algoritmos FOMO e YOLO. Além disso, foi criado um nobreak inédito para a manutenção da funcionalidade do dispositivo mesmo na ausência de energia elétrica. Como resultados, foi possível observar que o dispositivo desenvolvido foi capaz de distinguir cães e gatos com uma sensibilidade e especificidade adequadas, no entanto, o algoritmo de classificação YOLO (83,3%) se saiu melhor que o FOMO (75%). Além disso, observou-se que, na ausência de energia elétrica, o sistema continuou funcionando por 60 horas. Na ausência de energia elétrica, o dispositivo ainda foi capaz de enviar dados sobre alimentação e consumo de água pelo animal de estimação para um cartão SD Card e para nuvem. Testes realizados com um cão em uma casa mostraram que o sistema foi facilmente utilizável. Os resultados obtidos destacam o desenvolvimento bem- sucedido de um dispositivo inteligente que atende às necessidades dos tutores de animais de estimação, proporcionando tranquilidade e bem-estar tanto para os animais quanto para seus cuidadores. O dispositivo desenvolvido demonstrou eficiência na identificação e alimentação dos animais, além de garantir a operação contínua, mesmo em situações de falta de energia elétrica. Análises futuras visarão testar o dispositivo em um ambiente real. Palavras-chave: Internet das Coisas (IoT); Inteligência Artificial (IA); Dispositivo inteligente; Resiliência a falta de energia; Alimentação personalizada; Cuidados com animais de estimação; Automação residencial. ABSTRACT Brazil stands out globally in the pet industry, with significant revenue and a vast population of approximately 160 million pets, including 67.8 million dogs and 33.6 million cats. However, the absence of owners during travel or work periods can compromise proper pet care. In this context, technology, especially the Internet of Things (IoT), emerges as a solution to facilitate pet care. Many available solutions for monitoring and feeding pets have limitations such as short identification range and high energy consumption. Thus, there is a demand for more advanced and efficient devices capable of providing personalized care to pets and handling power failures. This dissertation presents the development of an intelligent system combining hardware and software to identify animals, manage power failures, provide personalized feeding, and ensure pet well-being even in the absence of owners and during power outages. The study developed a device capable of feeding and offering water to different pets based on training using FOMO and YOLO algorithms. Additionally, a novel uninterruptible power supply (UPS) was created to maintain device functionality during power outages. Results show that the developed device could distinguish between dogs and cats with adequate sensitivity and specificity, with the YOLO classification algorithm performing better (83.3%) than FOMO (75%). Furthermore, in the absence of electricity, the system continued to operate for 60 hours and was able to send feeding and water consumption data by the pet to an SD card and cloud storage. Tests conducted with a dog in a home environment demonstrated the system's ease of use. Overall, the results highlight the successful development of an intelligent device meeting the needs of pet owners, providing peace of mind and well-being for both pets and their caregivers. The device demonstrated efficiency in animal identification and feeding, along with ensuring continuous operation even in power outage situations. Future analyses will focus on testing the device in a real-world environment. Keywords: Internet of Things (IoT); Artificial intelligence (AI); Smart device; Power outage resilience; Personalized feeding; Pet care; Smart Homes. LISTA DE FIGURAS Figura 1 – Estrutura mecânica dividida em cinco partes .................................................... 34 Figura 2 – Detalhes alimentador por gravidade.................................................................. 35 Figura 3 – Detalhes mecânicos interno do dosador de ração ............................................. 35 Figura 4 – Detalhes da estrutura ........................................................................................ 36 Figura 5 – Esquema elétrico do alimentador ...................................................................... 38 Figura 6 – Detalhes da montagem dos componentes elétricos .......................................... 39 Figura 7 – Arquitetura do sistema ...................................................................................... 40 Figura 8 – Integração da comunicação entre todas as placas ............................................ 41 Figura 9 – Diagrama em bloco do Hardware do Nobreak Inteligente ................................. 43 Figura 10 – Vista em 3D da PCI do nobreak no software Easyeda .................................... 44 Figura 11 – Vista em 2D do nobrek com todos os detalhes ............................................... 45 Figura 12 – Gravador USBASP ......................................................................................... 46 Figura 13 – Esquema eletrônico do gravador USBASP ..................................................... 47 Figura 14 – Sensor 220ac .................................................................................................. 48 Figura 15 – Esquema Eletrônico do Sensor DC ................................................................. 49 Figura 16 – Sequencia de cálculo do sensor DC ............................................................... 49 Figura 17 – Esquema do circuito da célula de carga .......................................................... 50 Figura 18 – Estrutura física da balança da ração ............................................................... 52 Figura 19 – Peso padrão de 200 gramas - calibrar a balança ............................................ 53 Figura 20 – Firmware de calibração da balança ................................................................. 54 Figura 21 – DF500 modelo de bateria estacionária ............................................................ 55 Figura 22 – Processador ESP32CAM ................................................................................ 57 Figura 23 – Dolly a cachorra utilizada no treinamento ........................................................ 58 Figura 24 – Passos da Edge Impulse ................................................................................ 58 Figura 25 – Captura das fotos na plataforma Edge Impulse ............................................... 59 Figura 26 – Inclusão do label na plataforma Edge Impulse ................................................ 60 Figura 27 – Impulse Design na plataforma Edge Impulse .................................................. 61 Figura 28 – Parametrização da rede neural - Plataforma Edge Impulse ............................ 62 Figura 29 – Resultado da rede neural - Edge Impulse ....................................................... 63 Figura 30 – Escolha de qual microcontrolador irá rodar o algoritmo ................................... 64 Figura 31 – Gerenciamento e inclusão da biblioteca .......................................................... 65 Figura 32 – Algoritmo de classificação para esp32_câmera .............................................. 66 Figura 33 – Projeto esp32_câmera aberto na IDE Arduíno ................................................ 67 Figura 34 – Escolha da placa AI Thinker ESP32-CAM ....................................................... 68 Figura 35 – Esquema eletronico do gravador da ESP32-CAM ........................................... 69 Figura 36 – Base da ESP32-CAM ...................................................................................... 70 Figura 37 – Pinagem da ESP32-WROOM-32 .................................................................... 71 Figura 38 – PCI do Datalogger .......................................................................................... 72 Figura 39 – Esquema de ligação de todas PCIs ................................................................ 74 Figura 40 – Divisão das tarefas nos dois core da ESP32 ................................................... 76 Figura 41 – Lógica de registro na nuvem e gravação no cartão SD ................................... 77 Figura 42 – Lógica de controle da ração ............................................................................ 78 Figura 43 – Lógicas de controle da água e da luz .............................................................. 79 Figura 44 – Cabeçalho, configuração do servidor Ubidots e Wi-fi ...................................... 80 Figura 45 – Função callback .............................................................................................. 81 Figura 46 – Função setup .................................................................................................. 81 Figura 47 – Função principal .............................................................................................. 82 Figura 48 – Esquema eletrônico de teste do servidor Ubidots ........................................... 83 Figura 49 – Hardware de teste do servidor Ubidots ........................................................... 83 Figura 50 – Conta gratuíta no servidor MQTT Ubidots ....................................................... 84 Figura 51 – Dispositivo esp32C publicando no Ubidots ..................................................... 85 Figura 52 – Dashborad aberto no PC ................................................................................ 86 Figura 53 – Dashboard pronto e aberto no celular ............................................................. 86 Figura 54 – Projeto IoT e fluxo dos dados publish e subscribe .......................................... 87 Figura 55 – Dispositivo publicando 6 variáveis no Ubidots ................................................. 89 Figura 56 – Variável botão virtual da ração ........................................................................ 90 Figura 57 – Variável da boia física ligada a ESP32 ............................................................ 90 Figura 58 – Variável da célula de carga da balança ........................................................... 90 Figura 59 – Variável da tensão DC da bateria ................................................................... 91 Figura 60 – Variável da tomada 127 V AC ......................................................................... 91 Figura 61 – Dashboard completo do projeto da dissertação .............................................. 92 Figura 62 – Classificação gato pela ESP32_CAM ............................................................. 96 Figura 63 – Classificação (Cachorro) pela ESP32_CAM ................................................... 97 Figura 64 – Resultado do Sensor AC ................................................................................. 98 Figura 65 – Resultado do Sensor DC ................................................................................ 99 Figura 66 – Resultado da balança funcionando ............................................................... 100 Figura 67 – Resultado da autonomia de 60 horas da bateria ........................................... 102 Figura 68 – Dashboard do Sistema funcionando pela bateria .......................................... 103 Figura 69 – Dashboard do sistema AC e DC normalizados ............................................. 104 Figura 70 – Arquivo interno do Datalogger gerado no cartão SD ..................................... 105 Figura 71 – Resultado físico da dissertação do Mestrado ................................................ 107 Figura 72 – Teste do equipamento real na casa com a cachorra ..................................... 108 LISTA DE TABELAS Tabela 1 – Comparação da dissertação com estado da arte ............................................... 32 Tabela 2 – Consumo dos equipamentos eletroeletrônicos ................................................... 56 Tabela 3 – Matriz de confusão do algorítmo YOLO ............................................................. 94 Tabela 4 – Matriz de Confusão: Treinamento do modelo aprendizado usando o FOMO ..... 94 LISTA DE SIGLAS ABINPET Associação Brasileira da Indústria de Produtos para Animais de Estimação AC Alternating Current (Corrente Alternada) AD0 Analógico/Digital 0 AH Amper Hora APP Application (Aplicativo) AVR Um Microcontrolador da empresa Microchip AWS Amazon Web Services – (Serviços Web Amazon) BLE Bluetooth Low Energy (Bluetooth de Baixa Energia) CI Integrated Circuit (Circuito Integrado) DC Direct Current (Corrente Contínua) EEPROM Electrically Erasable Programmable Read Only Memory FC1 Fim-de-curso 1 FOMO Faster Objects, More Objects (Objetos mais rápidos, mais objetos) GPIO General-Purpose Input/Output (Entrada/Saída de Propósito Geral) IA Artificial Intelligence (Inteligência Artificial) I2C Inter-Integrated Circuit (Circuito Inter-Integrado) IDE Integrated Development Environment IoT Internet of Things (Internet das Coisas) IR Infrared – Infravermelho I2S Integrated Inter-IC Sound (Som Inter-IC Integrado) LED Light Emitting Diode (Diodo Emissor de Luz) mA Milésimo de Amper MHz Megahertz ML Machine Learning (Aprendizado de Máquina) M2M Machine to Machine (Máquina a Máquina) MP Mega Pixel MQTT Message Queuing Telemetry Transport NTP Network Time Security (Rede de Relógio Seguro) PC Personal Computer (Computador Pessoal) PCB Printed Circuit Board PCI Placa de Circuito Impresso PVC Poli Cloreto de Vinila PSC Placa do Sistema de Controle (Datalogger) PWM Pulse-Width Modulation (Modulação por Largura de Pulso) RAM Random Access Memory (Memória de Acesso Aleatório) RFID Identificador por Rádio Frequência RMS Root Mean Square (Raiz Média Quadrada) RNAs Redes neurais artificiais ROM Read-Only Memory (Memória Somente de Leitura) RTC Real Time Clock (Relógio Tempo Real) RX Recepção SASA Síndrome de Ansiedade de Separação em Animais SD Secure Digital (Digital Segura) SIP Sistema de Identificação de Pets (ESP32-CAM) SMD Surface Mounted Device (Componentes de Montagem de Superfície) SMS Short Message Service (Serviço de Mensagem Curta) SPI Serial Peripheral Interface (Interface Periférica Serial) SRAM Static Random Acess Memory (Memória de Acesso Aleatório e Estático) SSEI Sistema de Suprimento de Energia Inteligentes (Placa do Nobreak) TCP/IP Transfer Control Protocol / Internet Protocol TTL Transistor-Transistor Logic (Lógica Transistor-Transistor) TX Transmissão UART Universal Asynchronous Receiver UNESP Universidade Estadual Paulista USB Universal Serial Bus (Barramento Serial Universal) VAC Voltage Alternating Current (Tensão Corrente Alternada) VCC Direct Current Voltage (Tensão Corrente Contínua) VNC Virtual Network Computing (Rede de Computador Virtual) W Watts Wi-Fi Wireless Fidelity WPA Wi-Fi Protected Access (Acesso Protegido por Wi-Fi) WPS Wi-Fi Protected Setup (Configuração Protegida por Wi-Fi) YOLO You Only Look Once (Você Só Olha uma Vez) SUMÁRIO 1 Sumário 1 INTRODUÇÃO ................................................................................................... 17 2 JUSTIFICATIVA ................................................................................................. 20 3 OBJETIVOS ....................................................................................................... 21 3.1 OBJETIVO GERAL ....................................................................................... 21 3.2 OBJETIVOS ESPECÍFICOS ......................................................................... 21 4 ORGANIZAÇÃO DA DISSERTAÇÃO ............................................................... 22 5 FUNDAMENTOS TEÓRICOS ............................................................................ 23 5.1 IOT – INTERNET DAS COISAS ................................................................... 23 5.2 MQTT (MESSAGE QUEUING TELEMETRY TRANSPORT) ........................ 24 5.3 AWS IOT – AMAZON .................................................................................... 25 5.4 ML – MACHINE LEARNING (APRENDIZADO DE MÁQUINA) ..................... 25 5.5 REDE NEURAL ............................................................................................. 26 5.6 EDGE IMPULSE ........................................................................................... 26 5.7 MECÂNICA – DIFERENTES MECANISMOS DE DOSAGEM DE RAÇÃO .. 27 6 REVISÃO DA LITERATURA .............................................................................. 29 6.1 MERCADO PET NO BRASIL ........................................................................ 29 6.2 UTILIZAÇÃO DE SISTEMAS INTELIGENTES PARA CUIDADOS DE PETS ...................................................................................................................... 29 7 MATERIAIS E MÉTODOS.................................................................................. 33 7.1 ESTRUTURA MECÂNICA DO SISTEMA ..................................................... 33 7.2 ESQUEMA ELÉTRICO DO SISTEMA .......................................................... 36 7.3 ARQUITETURA DO SISTEMA ..................................................................... 39 7.4 PROJETO NOBREAK INTELIGENTE .......................................................... 41 7.4.1 Escopo do Nobreak Inteligente ................................................................. 41 7.4.2 Gravador USBASP ................................................................................... 46 7.4.3 Sensor AC Voltage LM358 ........................................................................ 47 7.4.4 Sensor DC de 0 à 25Vdc .......................................................................... 49 7.4.5 Sensor da Balança – Célula de Carga 3 kg – Amplificador hx711 ............ 50 7.5 AUTONOMIA DOS SISTEMAS DE BATERIA E CARREGAMENTO ........... 55 7.6 MICROCONTROLADOR ESP32CAM .......................................................... 56 7.7 PLATAFORMA EDGE IMPULSE – TREINAMENTO DA REDE NEURAL .... 57 7.7.1 Passo 1 - Edge Impulse (Coleta Imagens) ................................................ 59 7.7.2 Passo 2 - Edge Impulse (Inclusão de Lables). .......................................... 60 7.7.3 Passo 3 - Edge Impulse (Impulse Design) ................................................ 60 7.7.4 Passo 4 - Edge Impulse (Deployment) ..................................................... 63 7.7.5 Passo 5 - Edge Impulse (Run Model) ....................................................... 64 7.8 MICROCONTROLADOR ESP32-WROOM-32 ............................................. 70 7.9 SISTEMA IOT DO PROJETO ....................................................................... 71 7.9.1 IoT parte 1 - Hardware do sistema ............................................................ 72 7.9.2 IoT parte 2 - IDE de programação do sistema embarcado ....................... 75 7.9.3 IoT parte 3 – Ubidots – o Servidor ............................................................ 84 7.9.4 Ubidots aplicado ao projeto da dissertação .............................................. 86 8 RESULTADOS E DISCUSSÃO ......................................................................... 93 8.1 RESULTADOS DO SISTEMA DE IDENTIFICAÇÃO DE PETS (SIP) ........... 93 8.2 RESULTADO INDIVIDUAL DO SENSOR AC ............................................... 97 8.3 RESULTADO INDIVIDUAL DO SENSOR DC............................................... 98 8.4 RESULTADOS DA IMPLEMENTAÇÃO DA CÉLULA DE CARGA ............... 99 8.5 RESULTADO DA AUTONOMIA DA BATERIA ........................................... 102 8.6 SIMULAÇÃO SEM ENERGIA AC DA REDE (NOBREAK OPERANDO) .... 102 8.7 SIMULAÇÃO COM ENERGIA AC DA REDE .............................................. 104 8.8 SIMULAÇÃO DO SISTEMA SEM INTERNET (DATALOGGER) ................ 105 8.9 TESTE REAL EM CASA ............................................................................. 106 9 CONCLUSÃO ................................................................................................... 109 10 PERSPECTIVAS FUTURAS ........................................................................... 110 REFERÊNCIAS .................................................................................................... 111 17 1 INTRODUÇÃO O Brasil ocupa a terceira colocação mundial em faturamento com a indústria de animais de estimação, seguido da China e Estados Unidos (ABINPET, 2023). Em 2023, no Brasil, o faturamento total na indústria de animais de estimação foi igual a 47 bilhões, sendo dividido em 7% nos cuidados com os animais de estimação, 15% com veterinários e 78% com alimentação. Além disso, estima-se que a população de animais de estimação no Brasil é igual a 167,6 milhões, sendo 67,8 milhões só de cães (ABINPET, 2023). Assim, considerando uma população de 215 milhões de pessoas no país, é possível que aproximadamente 70% dela tenha ao menos um animal de estimação em casa (Valeri, 2023). Tais dados evidenciam a importância que brasileiros dão para seus animais de estimação. Entretanto, é comum que, em viagens a passeio ou trabalho, tutores precisem se ausentar por dias, afetando o nível de cuidado oferecido a seus animais domésticos. Ao ficar sozinho, o animal está sujeito, em alguns casos, a apresentar problemas como 1) baixa frequência de alimentação ou 2) exagero na alimentação, que pode levar à obesidade (Lima et al., 2023). Além disso, os animais, quando sozinhos, podem apresentar a Síndrome de Ansiedade de Separação em Animais (SASA), que leva à vocalização excessiva, comportamentos compulsivos constantes fora de contexto, destruição de objetos, vômitos e depressão (SOARES; TELHADO; PAIXÃO, 2012). Esses fatores podem desencadear uma série de outros problemas para tutores e animais de estimação, como reclamações em ambientes de convívio compartilhado e mais gastos com a saúde do animal. Com o avanço da tecnologia, são desenvolvidas constantemente ferramentas para auxiliar em necessidades diárias, trazendo mais conforto e praticidade para pessoas e seus animais de estimação (Lima et al., 2023; Devaki et al., 2023). Desta forma, essas tecnologias podem melhorar o aproveitamento do tempo em lazer e em família, pois nem sempre é possível levar o animal de estimação ao trabalho ou a passeios e viagens. Além disso, tecnologias que forneçam alimento e água para animais na ausência de tutores podem contribuir para uma melhor convivência e qualidade de vida do animal de estimação. Nesse contexto, a internet das coisas (IoT - Internet of Things) vêm auxiliando no controle e monitoramento de sensores em vários locais, inclusive nos ambientes de animais de estimação. Com o avanço dos sistemas digitais embarcados, sensores e comunicação de redes, a IoT vem sendo 18 aplicada na indústria, centros de pesquisas e no meio acadêmico (Santos et al., 2016). A tecnologia atual IoT tem a capacidade de medir, controlar e armazenar dados com a possibilidade de aplicação nas mais diversas áreas, como por exemplo na saúde, nas casas e cidades inteligentes (Molina, 2024). Atualmente, existem dispositivos que visam monitorar e oferecer alimento e água para animais de estimação que ficam sozinhos ao longo do dia ou durante dias. O trabalho “Protótipo de um Alimentador para Cães com Identificador por Rádio Frequência” aplicou a tecnologia de reconhecimento de RFID (Radio-frequency identification) na coleira do cachorro. Nesse sistema, o animal é identificado por uma tag e o dispositivo oferece alimento e água ao animal assim que ele é reconhecido. No entanto, o sistema apresenta algumas limitações, como curta distância de leitura entre a tag e a antena do sensor. Com isso, há maior dificuldade no reconhecimento do animal de estimação. Além disso, o sistema depende integralmente da energia elétrica, de modo que, na ausência dela, o animal não recebe alimento ou água (Teixeira e Rodowanski, 2021). No estudo A Multifunctional Automatic Dog-Feeder with Bluetooth and Wi-Fi Connectivity, os autores utilizaram inúmeras tecnologias para desenvolver um sistema capaz de alimentar e fornecer água para animais de estimação. Nesse estudo, foi utilizado um microcontrolador ESP32, balança para medir o peso da ração, controle de nível de água, meios para administrar medicamentos em conjunto com a ração, sistema de refrigeração da ração e aplicativo (app) para controle do sistema. O sistema desenvolvido utiliza Bluetooth, porém consome uma corrente elevada de 34,7A, desta forma, apresenta uma grande limitação na aplicação de um sistema de nobreak pelo alto consumo de energia elétrica. Outra limitação é que não tem sistema de autenticação de animal de estimação (Boateng e Akparibo, 2022). Em outro estudo, Bembde e colaboradores (2023) utilizaram um microcontrolador Raspberry PI com sistema de câmera, de áudio, servos motores para dosar água e ração. Apesar de implementar tecnologias avançadas, o robô é imóvel e o reconhecimento por câmera é feito pelo tutor, que necessita estar conectado em tempo real para verificar se o cachorro está presente na hora de servir a ração. Outra limitação é a falta de um sistema de baterias e nobreak (Bemde et al., 2023b). Outro estudo dos mesmos autores é similar ao anterior, porém a água e a ração são controladas por temporizador. O robô também é imóvel e controla o sistema por meio de uma bateria de 12 V CC; porém, não possui sistemas de carregamento de bateria e nobreak, além de não ter um sistema de reconhecimento 19 de animais de estimação (Bemde et al., 2023a). Na atual circunstância, faz-se necessário desenvolver um dispositivo capaz de identificar animais e oferecer alimento na ausência do tutor. Ademais, mesmo na presença do dispositivo dotado de inteligência artificial (IA), capaz de autenticar o animal, e automaticamente servir a ração, a falta de energia elétrica pode comprometer o funcionamento do sistema, levando a problemas de alimentação supracitados. Portanto, este estudo tem como objetivo desenvolver um dispositivo inteligente capaz de auxiliar os tutores de animais que precisam se ausentarem e têm dificuldade em deixar seu animal de estimação em casa. O dispositivo terá a capacidade de distinguir animais diferentes em um mesmo ambiente, oferecer água e alimento nas condições e quantidades pré-estabelecidas, além de controlar a falta de energia elétrica por meio de um nobreak inédito com autonomia de mais de 48 horas. 20 2 JUSTIFICATIVA Considerando os cuidados diários com animais domésticos, essa dissertação apresenta o desenvolvimento de um sistema inteligente que permite ao tutor ou uma família tratar e interagir com o seu animal de estimação por intermédio do controle de ração, água e iluminação, mesmo na ausência do tutor e na falta de energia elétrica por longos períodos. O sistema trará maior segurança para o animal de estimação e o imóvel, considerando que não será mais necessário fornecer as chaves da residência a terceiros para supervisionar e alimentar os animais. A solução dessa dissertação, comparada o com produtos similares, é feita deixando em evidência as características e vantagens deste novo conceito de relação entre homem e animal de estimação, tais como:  Tranquilidade para o tutor e segurança para o animal.  Controle das principais necessidades dos animais domésticos, proporcionando maior comodidade nos cuidados via internet, de qualquer lugar do mundo. Total controle de água, ração e luminosidade, mesmo na ausência de energia elétrica.  Controle e monitoramento de qualquer aparelho eletrônico: smartphones, notes, computadores, etc.  Reconhecimento, diferenciação e autenticação do animal de estimação com aplicação de IA com captura via câmera e classificação através de rede neural.  Nobreak com mais de 48 horas de autonomia.  Sistema de alarme local e discadora para celular na falta de corrente alternada. 21 3 OBJETIVOS 3.1 OBJETIVO GERAL O objetivo deste trabalho é criar um sistema inteligente controlado via web que contenha um hardware, software e mecânica capaz de classificar, por meio de IA, animais diferentes em um mesmo ambiente e oferecer alimento e água de forma personalizada, mesmo na ausência de energia elétrica e do dono. 3.2 OBJETIVOS ESPECÍFICOS  Criar uma estrutura mecânica de alimentador e dosagem de água.  Criar placas eletrônicas do Datalogger e do nobreak dedicado a animais de estimação.  Desenvolvimento da IA para classificação de imagem de diferentes animais de estimação em um mesmo ambiente.  Desenvolvimento de um nobreak inédito dedicado ao sistema de classificação, identificação e reconhecimento de animais de estimação para evitar a queda repentina de energia. 22 4 ORGANIZAÇÃO DA DISSERTAÇÃO FUNDAMENTOS TEÓRICOS – Neste capítulo, é apresentado o embasamento teórico necessário para execução desse trabalho. Desta forma, dará o devido suporte aos leitores quanto ao estado atual da arte tratado nesta dissertação; REVISÃO DE LITERATURA – Na revisão bibliográfica, são apresentados os estudos das tecnologias aplicadas nos cuidados dos animais de estimação via web; MATERIAIS E MÉTODOS – São descritos a metodologia, materiais e aplicação das tecnologias; RESULTADOS E DISCUSSÃO - São apresentados os resultados das medições efetuadas com o dispositivo e discussão dos resultados; CONCLUSÃO - São apresentadas as principais conclusões do trabalho; PERSPECTIVAS FUTURAS - São apresentadas sugestões para trabalhos futuros. 23 5 FUNDAMENTOS TEÓRICOS Neste capítulo, é abordado o embasamento teórico necessário para o entendimento de conceitos importantes desta dissertação. 5.1 IOT – INTERNET DAS COISAS Em 1999, Kevin Ashton cunhou o termo IoT ao explorar dispositivos de Identificação por Rádio Frequência (RFID) e sensores de rede sem fio. A IoT representa a interconexão digital de objetos físicos capazes de medir, coletar e transmitir dados remotamente pela internet (Ashton, 2010). A IoT é aplicada em diversas áreas, na indústria, no comércio, bem como em residências. A automação residencial é uma área crescente de pesquisa e desenvolvimento com potencial para transformar a gestão e operação dos lares. A IoT integra dispositivos inteligentes, sensores e atuadores (Molina, 2024). Em 2013, um avanço significativo na aplicação da tecnologia da informação na automação residencial foi alcançado com o desenvolvimento de um alimentador controlado remotamente (Jacomini, 2013). Este projeto inovador permitiu o controle de água, ração, iluminação e até mesmo a interação com animais de estimação. O alimentador foi projetado para dosar água diretamente da caixa d’água ou da rua. O processamento foi realizado por um microcomputador conectado a uma placa na porta paralela, que controla três relés. Para facilitar o acesso aos bits da porta paralela, foi desenvolvido um programa em Delphi, apresentando ícones intuitivos para água, ração e iluminação. Além disso, o dispositivo incluía uma câmera de monitoramento conectada a uma placa PCI de captura de vídeos. O acesso ao sistema era realizado remotamente através de ferramentas como VNC, TeamViewer ou AnyDesk, destacando as limitações tecnológicas da época em relação ao controle via web (Jacomini, 2013). No estudo intitulado "Estudo dos Agronegócios 4.0", os autores, por meio de uma revisão bibliográfica, delinearam a evolução do agronegócio desde 1900 até os dias atuais, bem como os benefícios da adoção de tecnologias da Indústria 4.0 nesse setor. Desde os primeiros dias da tração animal até a era atual da agronomia, observa- se uma transformação radical impulsionada pela aplicação de tecnologias como IoT, Big Data, Sensores Wi-Fi, Drones, IA e Aprendizado de Máquina (Oliveira et al., 2022). 24 5.2 MQTT (MESSAGE QUEUING TELEMETRY TRANSPORT) A Amazon Web Services (AWS) IoT disponibiliza um guia para desenvolvedores de soluções IoT, onde são explicados os significados das siglas MQTT em português e em inglês: Enfileiramento de Mensagens e Transporte de Telemetria (Message Queuing Telemetry Transport), respectivamente. Esse protocolo é essencial para a comunicação de máquina para máquina (M2M - Machine to Machine), com foco em IoT, e opera utilizando a estrutura do protocolo TCP/IP. Desenvolvido inicialmente pela IBM na década de 90 para preencher a necessidade de um protocolo leve capaz de permitir a comunicação entre várias máquinas, o protocolo MQTT ganhou popularidade por sua eficiência em termos de largura de banda, evitando congestionamentos de rede e permitindo uma comunicação full- duplex. A comunicação era estabelecida utilizando microcontroladores para controle e sensoriamento entre as máquinas (Amazon Web Services, 2024). Um exemplo prático do uso do protocolo MQTT é o Dogs Feed Smart System with Food Scales Indicator IoT Based, um alimentador inteligente repleto de recursos, gerenciado através desse protocolo (Vimos et al., 2022). O dispositivo inclui um Arduino Uno R3 responsável pelo controle do servomotor para a dispensação da ração, um relógio de tempo real, um leitor Radio Frequency Identification (RFID) na coleira para identificação do cachorro e liberação de acesso à ração, além de um módulo de célula de carga para medir a quantidade correta de ração a ser dispensada. Um microcontrolador ESP8266 recebe todos os sinais do Arduino e os envia para a nuvem via protocolo MQTT. Os usuários podem acessar e conFigurar o alimentador por meio de um aplicativo Android que se conecta ao dispositivo usando o protocolo MQTT. No aplicativo, os usuários podem selecionar a quantidade de ração a ser dispensada e quantas vezes ao dia desejam alimentar o animal de estimação. Este sistema resolve o problema comum de falta de alimentação para animais de estimação quando o tutor está ausente, garantindo que o animal seja alimentado automaticamente nos horários configurados e autenticado pela coleira RFID do cachorro. Dada a frequência de múltiplos animais de estimação em uma mesma casa, cada um com suas próprias necessidades alimentares, essa abordagem é particularmente interessante, pois permite que cada animal receba sua ração individualmente (Harahap et al., 2022). 25 5.3 AWS IOT – AMAZON A AWS IoT também fornece serviços de nuvem para conectar dispositivos IoT, bem como fornece software para dispositivos se integrarem às soluções AWS IoT (Amazon Web Services, 2024). Trata-se de uma plataforma de computação em nuvem oferecida pela Amazon.com. Nela, há uma variedade de serviços de computação, armazenamento, rede, banco de dados, análise, IA, machine learning, IoT, segurança e entre outros. Um estudo teve como objetivo eliminar a leitura manual de consumo de energia elétrica nas residências. Assim, o dispositivo atenderia os objetivos de evitar erros humanos na leitura, de enviar alarmes de suspeita de roubo de energia elétrica em casos de anomalia na média de consumo e enviar a fatura automaticamente no celular dos clientes. Os autores usaram um microcontrolador STM32 para receber a leitura do sensor eletrônico PZEM-004T que é voltímetro, amperímetro e um wattímetro. O Sensor é ligado ao 220 V AC do relógio medido de energia e tem uma interface de saída serial nível TTL – 5 V CC. Essa saída serial RS-232 é conectada ao STM32, que calcula tensão, corrente e potência consumida, envia para a nuvem AWS (Devaki et al., 2023). Esses sistemas foram amplamente utilizados no desenvolvimento do dispositivo descrito nesta dissertação. 5.4 ML – MACHINE LEARNING (APRENDIZADO DE MÁQUINA) A definição de "Machine Learning" (ML), ou "Aprendizado de Máquina" em português, representa um campo de estudo dentro da IA e da ciência da computação. ML utiliza algoritmos para aprender e aprimorar seu desempenho, emulando o processo de aprendizagem humano. Em 1962, Arthur Samuel criou o termo "Machine Learning" ao desenvolver um sistema computacional capaz de derrotar o melhor jogador de damas da época (Samuel, 1959). Uma ilustração da implementação de Machine Learning foi a aplicação na classificação de raças de cachorro. Os autores empregaram técnicas da plataforma Edge Impulse para este fim. Aplicaram uma Raspberry Pi equipada com uma câmera para detectar e classificar os cachorros em ambientes residenciais. A detecção dos cachorros foi realizada utilizando a rede neural YOLOv5, enquanto a classificação das raças foi feita com a biblioteca de aprendizado de máquina ML.Net. Após a captura, 26 processamento e classificação das imagens, o sistema envia uma mensagem de texto (SMS) aos usuários com os resultados obtidos (Macedo, 2023). Similarmente, o presente estudo implementou algoritmos de IA para treinar redes neurais de classificação e identificação de diferentes animais de estimação em um mesmo ambiente. 5.5 REDE NEURAL A concepção do neurônio artificial, derivado do neurônio biológico, foi apresentada por Warren McCulloch e Walter Pitts em 1943, marcando a introdução do primeiro modelo "computacional" de neurônio. Essa inovação abriu caminho para a pesquisa em redes neurais, que se dividiu em duas abordagens distintas: uma voltada para os processos biológicos no cérebro e outra direcionada às redes neurais na área da IA (McCulloch e Pitts, 1943). Redes neurais artificiais (RNAs) constituem um conjunto de algoritmos de IA que se baseiam em um modelo inspirado no neurônio humano, sendo capazes de aprender por meio de experiências e estímulos. O aprendizado de máquina em sistemas embarcados, conhecido como tinyML, adapta os princípios do aprendizado de máquina para que sejam viáveis em dispositivos de borda, ou seja, dispositivos com capacidade reduzida de memória e processamento. O tinyML foi desenvolvido para atender à necessidade de processamento de dados em tempo real, com baixo custo e sem a necessidade de enviar dados para a nuvem. Além disso, com a integração da IA à IoT, surgiu uma nova geração de dispositivos inteligentes, conhecida como Artificial Intelligence of Things (AIoT), que combina a coleta de dados por meio de dispositivos IoT com a capacidade de tomar decisões localmente em tempo real, utilizando o aprendizado de máquina tinyML (Nascimento, 2022).. 5.6 EDGE IMPULSE Ainda sendo uma ideia nova, o Edge Impulse também é uma plataforma de treinamento de redes neurais projetada para TinyML. O Edge Impulse foi fundado em 2019 por Zach Shelby e Jan Jongboom com a missão de pavimentar o caminho para o futuro do aprendizado de máquina incorporado, capacitando os desenvolvedores a 27 criar e otimizar soluções com dados do mundo real. Os criadores têm como objetivo simplificar o processo de construção, implantação e escalonamento de aplicativos de ML incorporados, tornando-o mais fácil e rápido do que nunca. Além disso, a plataforma foi reconhecida com os prêmios de Melhor em plataformas de aprendizado de máquina em 2021, 2022 e o Prêmio AI Tech em 2023. Esses reconhecimentos destacam sua inovação e impacto na engenharia e ciência de dados. Portanto, quando se trata de IA para embarcados atualmente, o Edge Impulse certamente é uma referência. Ao longo dos últimos anos, tem contribuído e sido aplicado em diversas áreas da ciência, podendo ser implantado em uma ampla variedade de hardware. Por meio do link https://edgeImpulse.com/, os usuários podem criar uma conta e utilizar a plataforma para treinar seu próprio hardware de borda. A plataforma oferece um conceito de prototipagem de software rápida, permitindo que, após o treinamento do modelo, seja escolhido em qual microcontrolador o algoritmo será executado (Hymel et al., 2023). Uma aplicação prática dessa tecnologia é o robô doutor humanoide recentemente apresentado. Utilizando tecnologias avançadas, como IoT, chatGPT e Edge Impulse, o autor afirma que a plataforma Edge Impulse é um sistema de aprendizagem baseado em IA capaz de integrar dispositivos de borda para coletar sintomas do paciente, como áudio, imagem e texto. No contexto deste trabalho, o Edge Impulse foi aplicado para classificar duas doenças com base em sinais de áudio: pneumonia e asma. Após o treinamento com amostras de áudio dessas doenças, foi possível desenvolver um modelo classificador eficaz para distinguir entre elas (Venkataswamy, Janamala e Cherukuri, 2023). 5.7 MECÂNICA – DIFERENTES MECANISMOS DE DOSAGEM DE RAÇÃO A análise do estado da arte revela a presença de dosador de ração por gravidade, onde o animal tem acesso livre à comida (FERCAR, 2024). Um outro tipo de dosador foi proposto pelos autores do trabalho denominado Inovação na alimentação de animais de estimação: Desenvolvimento de um sistema automatizado para animais de estimação. Nele foi integrado um sistema de armazenamento de ração e um mecanismo de transporte. Esse mecanismo consiste em um tubo equipado com uma engrenagem de rosca sem fim, acionado por um motoredutor de corrente contínua, responsável por transferir a ração do reservatório https://edgeimpulse.com/ 28 para o recipiente de distribuição (Pereira et al., 2023). Diferentemente, no trabalho chamado Feeding Pets using Automation Technology and Google Assistant, os autores utilizam servidores NodeMCU e Network Time Protocol (NTP) para responder aos comandos do comedouro enviados via Google Assistant, fornecendo alimentação por meio de controle por servo-motor (Prasad et al., 2023). Por outro lado, os autores do projeto “Alimentador Automático de Animais Domésticos Utilizando” implementaram um controle de Motor de Passo dotado de sensor encoder angular para controlar o posicionamento do eixo do motor através dos passos nas bobinas A, B, C e D (Pires et al., 2022). O mecanismo adotado nesta dissertação difere dos outros existentes no estado da arte, apresentando uma abordagem inovadora para a dosagem de ração. Utilizando um tubo de PVC cortado ao meio para armazenar a quantidade desejada de ração, a dosagem é realizada de forma giratória, acionada pelo eixo de um motoredutor. Uma única rotação completa de 360° dispensa a quantidade necessária no recipiente de comida do cachorro. Consequentemente, o uso de ferramentas de IoT, redes neurais e mecanismos de dosagem permite a construção de um sistema integrado que visa fornecer alimento e água para animais de estimação na ausência de tutores. 29 6 REVISÃO DA LITERATURA Nesta seção, são apresentados estudos que investigaram a aplicação de tecnologias na área de cuidados, controle e monitoramento de animais de estimação. 6.1 MERCADO PET NO BRASIL Existem inúmeros fatores responsáveis pelo crescimento do mercado de animais de estimação no Brasil. O maior deles consiste no aumento da quantidade desses animais nos lares brasileiros, que tem impulsionado o crescimento deste setor, tornando-o o terceiro maior do mundo em faturamento. Além disso, tutores priorizam a saúde, o bem-estar e a alimentação de seus animais, destacando a importância da qualidade dos produtos e serviços (Dalmas, 2019). Da mesma forma, a expansão do mercado de animais de estimação no Brasil está intimamente ligada às transformações socioeconômicas da população e aos avanços na medicina veterinária observados nos últimos anos. Como essas mudanças impactam o crescimento nesse mercado, destaca-se a importância do marketing para a análise de mercado e a construção de estratégias eficazes para alcançar esse público consumidor (Elizeire, 2013). Benedito (2018) afirma que esse crescimento tem sido impulsionado pela maior presença dos animais de estimação nos lares e pelos vínculos afetivos mais fortes entre humanos e seus animais de estimação (Benedito, 2018). 6.2 UTILIZAÇÃO DE SISTEMAS INTELIGENTES PARA CUIDADOS DE PETS Quanto à aplicação de tecnologia nos cuidados com animais de estimação, existem inúmeros sistemas descritos. Por exemplo, ao aplicar um controle com sistema embarcado simples e processamento local, Jain e colaboradores (2023) utilizaram um Arduino Pro Mini no controle de identificação por rádio frequência (RFID), relógio de tempo real (RTC) e servomotor. O projeto controla apenas a ração, com o objetivo de ensinar o cachorro a se alimentar no horário correto e controlar a quantidade para prevenir obesidade (Jain et al., 2023). . Similarmente, Rossi, Joselino e Junior (2017) desenvolveram um alimentador 30 automático de ração para cachorro, incluindo estrutura mecânica, eletrônica e programação do Arduino. O dosador de ração foi controlado por motor de passo e uma rosca sem fim que transporta a ração do reservatório até a bandeja de alimentação. A parte eletrônica foi controlada por Arduino e IHM, no qual o usuário define quantidade e horários de dispensação da ração. O sistema também conta com um reservatório local de água que dosa água através de uma válvula solenoide 110 V AC (Rossi, Joselino e Junior, 2017). Quando se trata de identificação e diferenciação de animais, Teixeira e Rodowanski (2021) criaram um alimentador para cães de rua com identificação por RFID, onde uma tag na coleira do animal permite a autenticação quando se aproxima do alimentador. A tampa controlada por Arduino e um motoredutor de corrente contínua abre até o ponto onde a ração está localizada, permanecendo aberta enquanto o cão se alimenta (Teixeira e Rodowanski, 2021). Sistemas como esse também são relevantes no contexto da alimentação de animais de estimação em casa. Já Boateng e Akparibo (2022) apresentaram uma solução com controle de temperatura e refrigeração do local de armazenamento da ração. O projeto integra dispensação de água, ração e medicamentos secretamente junto com a ração, utilizando um microcontrolador ESP32 para conexão Wi-Fi, Bluetooth, controle IoT, e um programa para celular desenvolvido na IDE App Inventor (Boateng e Akparibo, 2022). Esta solução foi interessante, pois além dos cuidados com a água e a ração, incorporou a possibilidade de administrar medicamentos à distância, garantindo maior tranquilidade a tutores. Seguindo pela mesma linha de solução, Harahap e colaboradores (2022) aplicaram IoT para o controle de água potável e ração, bem como adicionaram uma célula de carga no recipiente de ração para dosar a quantidade ideal no horário de alimentação do animal. Além disso, sensores ultrassônicos dosaram a quantidade necessária de água potável. O sistema foi controlado por um Arduino Uno R3 e uma ESP8266 para a conexão Wi-Fi (Harahap et al., 2022). Com solução parecida com as anteriores, porém com uma abordagem diferente, Bembde e colaboradores (2023) desenvolveram um robô creche para animais de estimação utilizando sensores e Raspberry Pi, com capacidade para controlar água e ração do cachorro, enviando informações para uma aplicação que gerencia a quantidade dispensada em intervalos determinados (Bemde et al., 2023b). No entanto, Faria e colaboradores (2023) implementaram um sistema distinto 31 dos demais. Os autores implementaram sistemas com IA, demonstrando a viabilidade de um modelo de reconhecimento de aves usando a plataforma Edge Impulse, alcançando a precisão esperada de classificação e auxiliando na alimentação dos patos. Os autores aplicaram uma ESP32 com câmera para atender o projeto com custo significativamente baixo, tornando a tecnologia acessível para aplicação na avicultura (Faria, Melo e Muller, 2023). A IoT também tem sido uma solução essencial no controle e monitoramento de ração e água. Um estudo recente utilizou IoT para monitorar e gerenciar um comedouro para animais de estimação conectado à internet. O sistema permitia alimentação remota através de uma página web, usando microcontroladores Arduino Uno e ESP8266, sensores ultrassônicos, motor de passo, relógio em tempo real e sensor de peso (BIRHA et al., 2022). Outro estudo apresentou o uso de um Dispenser, um dispositivo inteligente que simplifica a rotina de cuidados com animais de estimação, proporcionando alimentação automática. Composto por estrutura mecânica, sistema embarcado com Arduino Mega e servidor de aplicações com Raspberry Pi, o dispositivo permite monitoramento e controle remoto via aplicativo conectado à rede (Rodrigues et al., 2024). No quesito integração e controle de dados, um estudo desenvolveu um protótipo de comedouro inteligente utilizando IoT, ESP32, sensor ultrassônico e servomotor para dosagem de ração controlada por um aplicativo móvel, com comunicação em tempo real através de um banco de dados (Ramos e Junior, 2023). No contexto de animais de rua, Silva (2021), com objetivo de resolver o problema de cachorros e gatos abandonados na pandemia, desenvolveu um alimentador colaborativo para cães e gatos de rua usando IoT e plataforma NodeMCU para envio de dados via Wi-Fi. O sistema incluiu sensores de célula de carga e nível de água, com um aplicativo Android para visualização e reabastecimento comunitário (Silva, 2021). Ainda como solução aplicando a IoT, Rodrigues e colaboradores (2019) construíram um alimentador automático para animais de estimação que mede e exibe a quantidade de ração, controlado por um servidor broker MQTT conectado à rede Wi- Fi (Rodrigues e Queiróz, 2019). Similar ao estudo anterior, a IoT foi aplicada para monitoramento remoto do nível de água em recipientes de animais domésticos utilizando ESP32 com Shield GSM para enviar notificações de nível crítico de água para dispositivos móveis (Gadelha, 2020). Por outro lado, Chen & Elshakankiri (2020) 32 aplicaram IoT com servidor broker MQTT - blynk.io para implementar um sistema integrado de alimentador, dispensador de água e caixa de areia para gatos. Usando placas Arduino Uno e módulos Wi-Fi, os subsistemas são conectados à rede local, com dados exibidos em um aplicativo de smartphone para monitoramento do consumo de alimentos, água e frequência da defecação dos animais de estimação (Chen e Elshakankiri, 2020). Os estudos citados acima mostram a diversidade de usos de sistemas mecânicos integrados ou não para a criação de alimentadores para animais de estimação. No entanto, na presente literatura, não foram identificados estudos que utilizam ferramentas integradas, redes neurais para identificação e diferenciação de animais, bem como o desenvolvimento de um nobreak dedicado a animais de estimação, que mantém o sistema em funcionamento mesmo na ausência de energia elétrica. Tabela 1 — Comparação da dissertação com estado da arte Fonte: Elaboração própria, 2024. 33 7 MATERIAIS E MÉTODOS Neste capítulo, são apresentados os materiais e metodologia adotados nesta dissertação. Os métodos foram aplicados para construir um dispositivo inteligente capaz de auxiliar nos cuidados com os animais domésticos, mesmo quando o tutor não está presente. Para isso, aqui será descrito a eletrônica, a elétrica, a mecânica, a lógica de programação e o treinamento de rede neural para classificação e reconhecimento do cachorro para liberar a ração, água e mensurar suas proporções ao longo do tempo, assim como seu funcionamento na ausência de energia elétrica. 7.1 ESTRUTURA MECÂNICA DO SISTEMA A mecânica do projeto envolve a estrutura do alimentador de ração e água. Utilizou-se o software “Solid Works” para desenvolver as peças do alimentador com a finalidade de permitir que o sistema fosse automatizado (Figura 1). Para a ração (armazenagem e dispensa), adotou-se um comedouro (Figura 2), que é vendido no mercado (Fercar). Trata-se de um comedouro por gravidade de 10 kg. Esse comedouro foi utilizado para fazer a automação, na qual foram instalados o motorredutor, fim-de-curso, mancais e o tubo cortado ao meio (Figura 3). O tubo serve para captar a quantidade de 100 gramas de ração, onde a ração é dispensada quando o motorredutor girar 1 volta completa. Ao lado direito, parte 3 do alimentador, foi construído com chapa de alumínio de 2mm de espessura. Com o desenho mecânico e dimensões dessa estrutura, foi construída a estrutura da água e local dos componentes elétricos. A seguir, é descrito o processo de fabricação mecânica do comedor: A) medição e traçagem das partes a serem cortadas e dobradas; B) corte na máquina de serra de fita; C) retirado as rebarbas com processo de limagem; D) dobras 90º na máquina dobradeira; E) furos de 5,5mm de diâmetro; F) parafusado os dois lados da estrutura com parafusos de inox m5 com porca parloc de inox M5 e arruela m5 de inox; G) realizados furos de fixação do motor, fixação da fonte e fixação da válvula solenoide da água. 34 Figura 1 — Estrutura mecânica dividida em cinco partes Fonte: Elaboração própria, 2024. Cada estrutura mecânica possui uma função distinta dentro do sistema: 1) Local para armazenar até 10 quilos de ração. 2) Local que o alimentador dispensa ração após a dosagem via software. 3) Local que o alimentador libera água potável após a dosagem via software. 4) Pés anti formiga. 5) Mancal de apoio do eixo do motor. Figura 1 - Estrutura mecânica dividida em cinco partes 35 Figura 2 — Detalhes alimentador por gravidade Fonte: Metalúrgica Fercar, 2024. Figura 3 — Detalhes mecânicos interno do dosador de ração Fonte: Elaboração própria, 2024. 1) Motorredutor 2) Acoplamento do eixo do motor 3) Flanges de acoplamento no tubo 4) Tubo de PVC 50mm x 240mm de comprimento 5) Rolamento radial de esferas de 10x22x6mm 6) Mancal do rolamento de 10x50x22mm Figura 2 - Detalhes alimentad or por gravidade Figura 3 - Detalhes mecânicos interno do dosador de ração 36 Figura 4 — Detalhes da estrutura Figura 4 - Detalhes da estrutura[Fonte: Elaboração própria, 2024. 7.2 ESQUEMA ELÉTRICO DO SISTEMA Após definidos os requisitos da automação, foi idealizado o esquema elétrico (Figura 5), respeitando as devidas característica elétricas do motor, lâmpada e válvula solenoide. Essa é a estrutura de potência do projeto e trabalhará na tensão de 127 V AC. Para construção do esquema apresentado na Figura 5, foi utilizado o software EasyEda online. Nele, consta o controle do motorredutor 12 V CC – 3 A, que é regulado pela fonte através de um dimmer, um transformador bivolt de 5 A e uma ponte retificadora de 10 A. No primário, a tensão é controlada em conjunto com o dimmer. Desta forma, o primário pode variar de 0 a 127 V AC, assim, na saída do secundário do transformador, a tensão pode ser alterada entre 0 à 12 V AC. Por fim, no secundário, tem-se uma ponte retificadora que transforma o valor de tensão de 12 V AC alternada em 12 V CC em corrente contínua. Essa fonte variável foi desenvolvida como uma forma de fazer o processamento de potência de corrente continua, ao qual 37 é possível controlar a velocidade do motor. No fim-de-curso FC1, há uma função crucial. Ele foi construído de forma inteligente para poder auto-desligar o motor do alimentador de ração. Ele é um contato normal fechado e é acionado por um came colocado na posição do alimentador em modo ração contida dentro do silo. Desse modo, com o contato estando pressionado, ele mantém seu contato aberto, impedindo a passagem da fase para a fonte do motor. Em paralelo com FC1, há o contato aberto do Relé 1, que deve ser acionado pelo microcontrolador por apenas 0,5 segundos. Assim que é acionado o relé 1, ele manda a fase para o motor da ração, que começa a girar, dispensando a ração que cabe no tubo, que é 120 gramas. Nesse momento, o FC1 é desacionado e seu contato é fechado mantendo a fase na fonte do motor. Em paralelo, o relé 1 é desacionado após 0,5 segundos e o motor se desligará no momento que o FC1 for acionado novamente. Esse processamento foi idealizado considerando ser possível realizar um controle através da rede IoT; portanto, para não haver inúmeras dosagens, o microcontrolador envia um comando de ligar o relé 1 por 0,5 ms. Para mais segurança, ao pressionar o botão de ração, ele não fará nada. Se for mantido pressionado, também não fará nada, e só ligará o relé 1 após soltar o botão de ração. O relé 2, ao ser acionado pelo microcontrolador, manda a fase à válvula solenoide, liberando a água nova e potável no pote de água do animal de estimação. Essa válvula tem uma entrada de 3/4" com rosca, que é instalada na água da caixa ou da rua. O tutor tem a opção de incluir um filtro na entrada da água. Na estrutura hidráulica, há uma válvula reguladora de vazão por haver, em muitos casos, pressão no fornecimento de água. A lâmpada é para iluminar o ambiente do animal de estimação. Ela é de led e alimentada em 127 V AC. Ao ser acionado, o relé 3 pelo microcontrolador, envia a fase para a lâmpada acendendo a luz. Para desligar, basta pressionar o mesmo botão. O motor possui um redutor em seu eixo, que apresenta torque suficiente para girar o dosador. Os detalhes dos elementos elétricos já posicionados e fixados no alimentador estão apresentados na Figura 6. É possível verificar o motorredutor, a solenoide, a fonte de 12 V CC do motor e a chave fim-de-curso. 38 Figura 5 — Esquema elétrico do alimentado Fonte: Elaboração própria, 2024. Figur a 5 - Esquema el étrico do ali mentador 39 Figura 6 — Detalhes da montagem dos componentes elétricos Figura 6 - Detalhes da montagem dos componentes elétricos Fonte: Elaboração própria, 2024 7.3 ARQUITETURA DO SISTEMA O diagrama de blocos da Figura 7 apresenta a arquitetura do sistema proposto, constituído por: Placa do Sistema de Controle (PSC) (4), Placa do Nobreak - Sistema de Suprimento de Energia Inteligentes (SSEI) (13) Sistema de Identificação de Pets (SIP) (11). A placa PSC gerencia os demais módulos (1 a 9) sendo responsável pela integração e processamento dos dados recebidos. PSC recebe do SSEI os valores de peso da ração, a tensão da rede AC e tensão da bateria DC. A placa SIP faz a 40 captação e classifica a imagem do animal de estimação por meio de técnicas de aprendizado de máquina da IA. Os dados relacionados a identificação são enviados à PSC que autoriza ou não uma dosagem de ração. Os sistemas SSEI e SIP tem seus próprios procesadores e se comunicam com a PSC através de comunicação serial. A Figura 8 apresenta a integração da comunicação entre as placas que compõem toda a arquitetura do sistema. Figura 7 — Arquitetura do sistema Fonte: Elaboração própria, 2024. 1) Sistema de alimentação 2) Sistema de iluminação 3) Sistema de abastecimento de água 4) Sistema de Controle 5) Wifi - TCP/IP 6) RTC 7) Dashboard Mobile 8) Dashboard PC 9) Servidor Ubidots 10) Plataforma Edge Impulse 11) Sistema de Identificação de Pets 12) Sistema de classificação e 13) Sistema de suprimento de energia inteligente. Figura 7 - Arquitetura do sistema 41 Figura 8 — Integração da comunicação entre as placas que compõem toda arquitetura do sistema Figura 8 - Integração da comunicação entre todas as placas Fonte: Elaboração própria, 2024. 7.4 PROJETO NOBREAK INTELIGENTE 7.4.1 Escopo do Nobreak Inteligente O controlador do nobreak adota o microcontrolador Atmega328P (Microchip), conforme descrito na folha de dados do componente (Atmel Corporation, 2015). Este microcontrolador é de 8 bits e segue a arquitetura Harvard, fornecendo 23 portas de entrada/saída, memória flash de 32KB, 2KB de memória SRAM e 1KB de EEPROM. Ele é o mesmo processador usado no Arduino Uno e Nano, sendo utilizado aqui apenas o chip com cristal, capacitores e resistores, todos onboard. O sistema do nobreak realiza a leitura da bateria/fonte, do valor de AC e mede o peso da balança. Controla os níveis mínimo e máximo de tensão da bateria e possui dois tipos de alarmes: 1) Falta de AC. 2) Problema na fonte. Além disso, conta com 42 uma discadora para celular e envia na serial TX o valor calculado de AC, DC e Peso da Ração. Para o controle de baixa tensão na bateria em caso de falta de AC, o nobreak opera em dois níveis: 1) Mantém a potência ligada enquanto a bateria estiver com tensão superior a 10.5 V CC. Caso a tensão caia abaixo desse valor, é desacoplada a potência do circuito da bateria por meio de um relé de 60 A. 2) Os controladores permanecem ligados enquanto a bateria estiver com tensão superior a 10.3 V CC. Se a tensão da bateria cair abaixo de 10.3 V CC, outro relé é desacionado, desligando todo o circuito. O sistema só é reativado quando o 127 V AC retornar, acionando a fonte de 14.4 V CC, os controladores e a parte de potência, além de recarregar a bateria. A placa foi elaborada na plataforma EasyEda, com a vasta maioria dos componentes em montagem superficial (SMD), e a programação foi realizada no ambiente de desenvolvimento integrado (IDE) do Arduíno. Na Figura 9, é possível visualizar o resultado da placa de circuito impresso (PCI), enquanto a Figura 10 apresenta todos os detalhes para a ligação do nobreak. Além disso, na Figura 8 a seguir, é apresentado o diagrama de blocos que representa de maneira abrangente o escopo do Nobreak Inteligente, oferecendo uma visão geral dos diversos recursos que ele possui. 43 Figura 9 — Diagrama em bloco do Hardware do Nobreak Inteligente Fonte: Elaboração própria, 2024. Após a definição do escopo do projeto do nobreak, o esquema eletrônico foi elaborado utilizando o software EasyEda. Em seguida, o projeto do circuito impresso (PCB) foi desenvolvido, os componentes SMD foram selecionados e o pedido de produção foi encaminhado para a empresa JLCPCB, localizada na China. Na Figura 10 abaixo, é possível observar a placa em uma representação tridimensional. Figura 9 - Diagrama em bloco do Hardware do Nobreak Inteligente 44 Figura 10 — vista em 3D da PCI do Nobreak no Software Easyeda Fonte: Elaboração própria, 2024. A próxima Figura 11 em vista 2D contém todos os detalhes da PCB do Nobreak Inteligente e seus devidos bornes de ligação do circuito elétrico. Figura 10 - Vista em 3D da PCI do nobreak no software Easyeda 45 Figura 11 — Vista em 2D do nobrek com todos os detalhes Fonte: Elaboração própria, 2024. 1) Parte do sensor AC onboard. 2) Conector onde é a entrada AC de 0 à 220 V AC. 3) Conector da entrada da fonte que alimenta o circuito e carrega a bateria. 4) Conector que liga a parte de potência do circuito (Motor da Ração). 5) Conector da Bateria. 6) Relé de 60 A – Liga e desliga a bateria da carga. 7) Liga e desliga do Nobreak. 8) Sinal de saída da discadora. 9) Quatro tomadas de 12 V CC. 10) Relé da discadora – Alarme falta de AC. 11) Relé que controla e protege a bateria – Corta com valor mínimo da autonomia da bateria. 12) Seis terminais de Gravação In-Circuit (Gavador USBASP). 13) Pinos reserva do Atmega 328P. 14) Sensor Dc - Rede de 2 resistores em série. 15) Transmissão Serial – USART TX – Envia os dados para o Datalogger. 16) GND + Led + Botão silenciar do alarme. 17) Buzzer sonoro do alarme. 18) Microcontrolador Atmega 328P. 19) Cristal de 16 MHZ. 20) Quatro pinos de conexão do display Oled. 21) Fonte chaveada – conversor CC-CC do tipo buck de 12 V CC para 5 V CC de 3 A. Abaixo, são descritas informações sobre a utilização do gravador USBASP e os detalhes do projeto de todos os sensores do Nobreak inteligente. Os componentes abordados são os seguintes: Figura 11 - Vista em 2D do nobrek com todos os detalhes 46 A. Gravador USBASP. B. Sensor AC Voltage LM358 C. Sensor de tensão DC da fonte/bateria. D. Sensor de célula de carga - balança da ração. Essas informações serão apresentadas de maneira detalhada para proporcionar uma compreensão abrangente do funcionamento do sistema. 7.4.2 Gravador USBASP Este gravador é utilizado para programar microcontroladores AVR e opera no modo in-circuit (diretamente no circuito) através da interface SPI. Em um estudo, pesquisadores desenvolveram um Kit didático de baixo custo que inclui este gravador (Quintino et al., 2017). Na Figura 12, é apresentada uma foto do gravador. Um dos lados é conectado à porta USB do PC, enquanto os outros seis fios são conectados diretamente aos pinos do microcontrolador Atmega328P, como mostrado no esquema elétrico da Figura 13. Este esquema contém o hardware necessário para a programação do microcontrolador Atmega328P. Para obter mais informações sobre o gravador USBASP, consulte o manual disponível em Arduíno e Cia, 2013. Figura 12 – Gravador USBASP Fonte: Arduíno e Cia, 2013. Figura 12 - Gravador USBASP 47 Figura 13 — Esquema elétrico Fonte: Elaboração própria, 2024. 1) Esquema eletrônico das pinagens de gravação. 2) Pinos para conectar o gravador. 3) Ligação entre o gravador USBASP x Microcontrolador Atmega328P. 7.4.3 Sensor AC Voltage LM358 O sensor representado na Figura 14 é capaz de medir valores de tensão AC de 0 a 1000 V. Utilizando o Transformador ZMTP101B, ao ser energizado na entrada, converte a tensão de saída do secundário para um valor reduzido. Quando alimentado com 127 V AC, gera uma saída de 0,5 V AC de pico a pico. Por outro lado, ao ser alimentado com 220 V AC, produz uma saída de 1 V AC de pico a pico. Este projeto encontra-se detalhadamente descrito e disponível de forma aberta em Hareendran, 2022. Figura 13 - Esquema eletrônico do gravador USBASP 48 Figura 14 — Sensor de Tensão AC 0 a 250V Voltímetro ZMPT101B Fonte: Hareendran, 2022. Este sinal de baixa amplitude é condicionado passando por um filtro ativo com dois amplificadores operacional LM358 da empresa Texas Instruments e, em seguida, é enviado ao processador dentro da faixa de valores TTL (Hareendran, 2022). Dessa forma, é possível calcular o valor RMS da tensão da rede dentro do microcontrolador Atmega328P. A equação abaixo, representada como eq. 1, descreve a fórmula da tensão RMS, utilizada na biblioteca Emolib.h (Energy Monitor Library). Esta equação define que o valor da Tensão RMS é obtido pela raiz quadrada da média da soma das amostras dos valores ao longo de um ciclo completo (Período) (GLYN, 2019). (1) Tensão RMS da rede de 0 à 220 V AC. Fonte: TrystanLea, GitHub, 2024. Com base nos estudos realizados sobre este sensor, foi possível integrá-lo completamente na placa on-board (SMD) do Nobreak Inteligente. Após a conclusão do hardware, o código foi implementado utilizando a biblioteca Emonlib.h (Energy Monitor Library), disponível em Hudson (2015). Para incluir esta biblioteca em seu projeto, basta baixar o arquivo zip e adicioná-lo ao gerenciador de bibliotecas do ambiente Arduíno. Figura 14 - Sensor 220ac Equação 1 - Cálculo da tensão da rede de 0 á 220 V AC( 49 7.4.4 Sensor DC de 0 à 25Vdc Este é um sensor simples composto apenas por dois resistores em série, como demonstrado no circuito do sensor DC na Figura 15. Para medir de 0 a 25Vdc, essa configuração cria um divisor de tensão, no qual a saída da leitura do conversor analógico-digital (AD) do microcontrolador é projetada de modo que, ao aplicar 25 Vdc na entrada do sensor, a saída será, no máximo, 5Vdc. No contexto deste projeto, a fonte de alimentação fornece o valor de 14,4 V CC, o que está dentro da faixa suportada de até no máximo 25Vdc. Conforme ilustrado na Figura 16 e nos cálculos realizados, é possível compreender o valor da saída de 5 V CC. Figura 15 — Esquema Eletrônico do Sensor DC Fonte: Elaboração própria, 2024. 1) Serie do divisor. 2) Resistência total do circuito. 3) Valor da Corrente do circuito. 4) Valor da tensão de 5 V CC encima do R2. Figura 16 — Sequencia de cálculo do sensor DC na condição máxima de 25 V CC na entrada Fonte: Elaboração própria, 2024. Figura 15 - Esquema Eletrônico do Sensor DC Figura 16 - Sequencia de cálculo do sensor DC 50 Abaixo segue os detalhes dos cálculos de cada um dos quadros da Figura acima. a) Dois resistores em série R1 = 30K e R2 = 7.5K. b) Resistência Total => Rtotal = R1 + R2 = (30x10³) + (7,5x10³) = 37500 Ohm c) Corrente do Circuito => I = U / Rtotal = 25 / 37500 = 0,000666666 A d) Tensão no R2 => UR2 = I x R2 = 0,000666666 x 7500 = 5 V CC Com o valor garantido de no máximo 5 V CC na entrada AD0 do Atmega328p, foi possível implementar a leitura do sensor na IDE do Arduíno. Considerando que a resolução do conversor analógico-digital do Atmega328P é de 10 bits, a resolução do sensor será de 0,00489V (5V / 1023). Abaixo segue a eq. (2), aplicada no microcontrolador, para calcular o valor DC da fonte/bateria. 7.4.5 Sensor da Balança – Célula de Carga 3 kg – Amplificador hx711 Para controlar a variável peso da ração, foi utilizada uma célula de carga, que funciona como a balança responsável por pesar a ração. Como havia entradas disponíveis no microcontrolador Atmega328P do nobreak, decidiu-se implementar a balança da ração diretamente neste microcontrolador. Para testar a célula de carga, foi montado inicialmente o circuito conforme mostrado na Figura 17, que inclui um Arduino Nano, um CI HX711 (Amplificador de célula de carga), uma célula de carga de 3 kg e um PC com USB. Figura 17 - Esquema do circuito da célula de carga Equação 2 - Cálculo do valor da tenção DC da fonte / bateria (2) 51 Figura 17 — Resultado da Balança e esquema do circuito da célula de carga para teste, calibração e validação da balança. Fonte: Elaboração própria, 2024. 1) Célula de carga de 3kg. 2) CI Amplificador de sinal de célula de carga. 3) Arduíno Nano – Atmega 328P. 4) PC com IDE Arduíno e USB. A estrutura mecânica da balança está detalhada e pode ser observada na Figura 18. Ela é composta por 4 partes distintas: 1) A base fixa inferior. 2) A célula de carga. 3) A base superior (prato). 4) Objeto a ser pesado (Ração). Todas essas partes são fixadas por quatro parafusos M4, utilizando os quatro furos com roscas M4 no corpo da célula de carga. Na parte central da balança, a célula de carga recebe o peso, causando uma deformação mecânica que resulta em uma variação na resistência elétrica. Este pequeno sinal elétrico é amplificado pelo CI HX711 e lido no Atmega328P. 52 Figura 18 — Detalhamento da Estrutura Física da balança da ração Fonte: Elaboração própria, 2024. 1) Base fixa de baixo da balança. 2) Célula de carga de 3 Kg. 3) Base da parte de cima da balança (O prato). 4) Representa o objeto a ser medido (Peso). 5) Total de 4 parafusos M4 x 20mm para fixação da base de baixo e fixação da parte de cima (prato). 7) Vista de cima da balança. 8) Vista lateral da balança. 9) Vista frontal da balança. Antes de montar o código da balança, foi necessário obter um peso padrão para garantir uma referência precisa. Para este projeto, foi utilizado um peso padrão de 200 gramas, que foi pesado e validado em uma balança . A Figura 19 apresenta a evidência da pesagem e validação do peso padrão de 200 gramas em uma balança industrial Amira. Figura 18 - Estrutura física da balança da ração 53 Figura 19 — Amostra de peso padrão de 200 gramas usado para calibrar a balança da Ração Fonte: Elaboração própria, 2024. Conforme o programa mostrado na FIGURA 20, é apresentado o código do programa da balança, baseado na biblioteca (HX711.h). Na linha 14 do código, é possível identificar a função com o argumento scale.set_scale (630811). Este valor numérico é utilizado para calibrar a balança. Para cada nova balança, esse valor será diferente, uma vez que cada equipamento possui seu próprio peso na célula de carga e no prato da balança. Este código está pronto e calibrado para medir o peso da ração. Se você deseja reproduzir esta balança, deve seguir os seguintes passos: A) Grave o microcontrolador com o argumento scale.set_scale(630811). Vazio, desta forma a função ficará assim: scale.set_scale( ) e ao gravar o microcontrolador, a balança estará descalibrada e imprimirá valores aleatórios, o que é normal. B) Coloque o peso padrão de 200 gramas sobre o prato. Neste momento, a balança ainda imprimirá valores desconhecidos. C) Capture algumas amostras do monitor serial (quanto mais amostras, melhor). Figura 19 - Peso padrão de 200 gramas - calibrar a balança 54 Neste caso, 15 amostras forneceram uma precisão satisfatória. Calcule a média dos 15 valores e divida o resultado pela massa do peso padrão que você está utilizando. Neste caso, foram usados 0,2 kg (200 gramas). Abaixo está a eq. (3) utilizada para determinar o valor correto de calibração da balança: Figura 20 — Firmware de teste, calibração e validação da balança Fonte: Elaboração própria, 2024. Após a construção, treinamento e calibragem do dispositivo, ele foi colocado à teste em diferentes condições. Os resultados das simulações são apresentados na seção Resultados. Figura 20 - Firmware de calibração da balança Equação 3 - Cálculo de calibração da balança digital (3) 55 7.5 AUTONOMIA DOS SISTEMA DE BATERIA E CARREGAMENTO Foi adotada uma bateria estacionária de 36Ah para o sistema. O fabricante recomenda que ela seja carregada com uma fonte que forneça, no máximo, 20% do valor em Ah, ou seja, até 7,2 A. A Figura 21 detalha o modelo DF500 da bateria da marca Freedom, destacando em amarelo os dados utilizados para dimensionar a autonomia. O fabricante sugere considerar como valor nominal a linha de 20h para cálculos de autonomia. Portanto, nesse caso, a eq. (4) abaixo resulta no valor em A que pode ser gasto por hora para uma autonomia de 20 horas. Assim, Figura 21 — DF500 - modelo de bateria estacionária adotada no circuito Fonte: Fabricante Freedom Com essa informação, foi possível dimensionar a autonomia do sistema do alimentador. Os circuitos eletrônicos considerando a placa do nobreak, a placa da câmera e a placa do Datalogger têm o consumo de corrente de 400 mA. Já na estrutura elétrica, tem-se a lâmpada de 5 watts que é ligada apenas na hora do almoço e jantar, desta forma, a Lâmpada = 5W / 127V = 40 mA. O motoredutor da ração consome a corrente de 7 A, porém é ligado apenas 2 vezes ao dia por 0,3 segundos cada vez, totalizando 0,6 segundos. A válvula solenoide da água que consome 100 mA e só liga para encher o pote de água. A Tabela 2 a seguir ilustra o consumo do sistema. Figura 21 - DF500 modelo de bateria estacionária Equação 4 - Cálculo da autonomia da bateria (4) (4’) 56 Tabela 2 — Consumo dos equipamentos eletroeletrônicos Fonte: Elaboração própria, 2024. Considerando a Tabela 2, em caso de falta de energia da tomada, a autonomia da bateria entrará em ação. Nesse caso o que mais impacta a duração da carga na bateria são os circuitos das placas eletrônicas que ficam ligados a todo tempo. A estrutura elétrica usa pouco a carga da bateria, com isso, aumenta o tempo da carga. A corrente do circuito do alimentador está entre a autonomia de 20 e 100 horas. Considerando o meio desses valores, tem-se um total de 60 horas de autonomia. Esse valor já apresenta uma boa margem de segurança. Portanto, está sendo adotado 48 horas de autonomia para esse projeto, com uma folga bem mais tranquila. 7.6 MICROCONTROLADOR ESP32CAM O microcontrolador ESP32-CAM é um dos modelos da família ESP32, renomada por sua versatilidade. Equipado com uma câmera OV2640 de 2MP e um slot para cartão MicroSD. Na Figura 22, é possível visualizar o design compacto e funcional deste módulo. Com o ESP32-CAM, é viável criar projetos de monitoramento, captura de vídeo e imagens, além de enviar esses dados pela internet. Além disso, as imagens podem ser armazenadas diretamente no cartão MicroSD para visualização posterior. Em ambientes com pouca luminosidade, o LED flash integrado proporciona uma melhor visualização da cena. As características detalhadas desse dispositivo podem ser verificados em (AI-THINKER, 2017) e nos itens abaixo.  Processador: Xtensa® Dual-Core 32-bit LX6;  Memória Flash programável: 4 MB (dos quais 0,9 Mb são usados pelo bootloader);  Memória RAM: 520 KBytes;  Memória ROM: 448 KBytes; Item Descrição Consumo Tempo ligado 1 Todos placas eletrônicas 400 mA 100% 2 Motor da ração 7 A 0,6 seg / dia 3 Lâmpada 40 mA 2 horas / dia 4 Solenoide da água 100 mA 20 segundos / dia 57  Clock máximo: 240 MHz;  Pinos Digitais GPIO: 11 (todos com PWM);  Resolução do PWM: até 16 bits (ajustável via código);  Wireless 802.11 b/g/n - 2.4GHz (antena integrada);  Modos de operação: Access Point / Estação / Access Point + Estação;  Bluetooth Low Energy padrão 4.2 integrado;  Slot para câmera OV2640 de 2 mega pixel;  Slot de micro sd card; Figura 22 — ESP32CAM Fonte: , Acessado em: 02/03/2024 7.7 PLATAFORMA EDGE IMPULSE – TREINAMENTO DA REDE NEURAL O objetivo com essa tecnologia é preencher a lacuna de que animais diferentes podem comer a ração um do outro. Outros estudos tentaram resolver esse problema usando um chaveiro de RFID como coleira para autenticar o animal de estimação para liberar a ração. Nesta dissertação, no entanto, será utilizada a ESPCAM com a câmera, que usa um algoritmo de detecção de imagem para classificar e diferenciar uma cachorra de um gato. O dispositivo só irá dispensar a ração se for a cachorra Figura 22 - Processador ESP32CAM 58 Dolly. Na Figura 23, pode ser observada a cachorra que participou do estudo. Figura 23 — Dolly a cachorra utilizada no treinamento Fonte: Elaboração própria, 2024. Essa classificação é realizada com algoritmo criado na plataforma Edge Impulse. Primeiramente, o usuário deve se cadastrar na plataforma, criar um projeto, escolher um nome do projeto. Nela, é realizado o treinamento da rede neural seguindo os passos, conforme abaixo na FIGURA 24. Figura 24 — Passos do treinamento da rede neural na plataforma Edge Impulse. Fonte: Edge Impulse, 2024 Figura 23 - Dolly a cachorra utilizada no treinamento Figura 24 - Passos da Edge Impulse 59 7.7.1 Passo 1 - Edge Impulse (Coleta Imagens) Aqui são inseridos os dados (fotos) do que deseja ser classificado. Pode ser carregado os dados (fotos) de três formas diferentes, através da leitura do Qrcode, que é a partir do celular, ou através do computador com uma webcam, ou através da placa de desenvolvimento, como Raspberry e ESP32CAM. Aqui devem ser coletadas várias fotos dos objetos a serem classificados e é necessário obter fotos em várias posições diferentes. Para esse treinamento, através da câmera do celular, foram realizadas a captura de 40 fotos para cada um dos dois objetos, da cachorra e do gato. Abaixo na Figura 25 são demonstrados os 4 passos para fazer a captura das fotos. Após a leitura do Qrcode pelo celular, abrirá um link. O procedimento deve ser: clicar e aguardar a sincronização do aparelho na plataforma, pressionar o botão coletar imagem, liberar acesso da câmera do celular e tirar as fotos. A partir desse momento, a cada clique no botão capture é salvo uma foto no projeto ativo no Edge Impulse. Figura 25 — Sequencia de captura das fotos através do celular na plataforma Edge Impulse Fonte: Elaboração própria, 2024 Figura 25 - Captura das fotos na plataforma Edge Impulse 60 7.7.2 Passo 2 - Edge Impulse (Inclusão de Lables). Após todas as fotos serem salvas no seu novo projeto, iniciou-se a inclusão dos labes (rótulos) em cada uma delas. Por exemplo, nesse treinamento, foram retiradas 40 fotos da cachorra em várias posições diferentes. Em cada uma das fotos, deve ser incluído o label Cachorra Figura 26. Da mesma forma, foram incluídos o label Gato em cada foto da gata. Foi incluído um frame quadrado o mais próximo possível das características que identifiquem melhor o objeto. No exemplo do frame do gato, foi enquadrado a cabeça para melhor identificação na hora da treinamento e classificação. É fundamental assegurar que exista boa iluminação e plano de fundo limpo e organizado, porque trará maior nitidez nos dados coletados, consequentemente, um bom treinamento da rede e posteriormente uma boa classificação. Figura 26 — Inclusão do frame quadrado e nome do label na plataforma Edge Impulse Fonte: Elaboração própria, 2024 7.7.3 Passo 3 - Edge Impulse (Impulse Design) Nesse passo, foi selecionado o Edge Impulse Design. É a parte que deve ser configurado como o algoritmo irá trabalhar na classificação, por exemplo, se será Figura 26 - Inclusão do label na plataform a Edge Impulse 61 reconhecimento de voz ou classificação de objetos por visão computacional. Para esse treinamento, foi selecionado o treinamento com foto, que irá realizado detecção de objetos e como saída terão duas classes distintas, Gato e Cachorro (Figura 27). Figura 27 — Impulse Design na plataforma Edge Impulse (Dados do Autor) Fonte: Elaboração própria, 2024 Nesse passo de ajuste da rede neural via Edge Impulse, é feita a seleção do algoritmo da rede neural para orquestrar o treinamento. Os algoritmos de redes neurais disponíveis na plataforma são:  MobileNetV2 SSD FPN-Lite 320x320;  FOMO (Faster Objects, More Objects) MobileNetV2 0.1  YOLOv5 A rede neural selecionada foi a FOMO, baseada na rede MobileNetV2. A plataforma Edge Impulse esclarece que o algoritmo de rede neural FOMO é um novo algoritmo de aprendizado de máquina que traz a detecção de objetos para dispositivos altamente restritos. Ele permite contar objetos, encontrar a localização de objetos em uma imagem e rastrear vários objetos em tempo real usando até 30 vezes menos poder de processamento e memória do que MobileNet ou YOLOv5. Sendo assim, o FOMO é ideal para IA aplicada em microcontroladores. Na Figura 28, é possível verificar a configuração e parametrização/peso da rede neural antes de iniciar o treinamento da rede (Menezes, 2023). Um estudo afirmou que a maioria dos modelos de rede neural para detecção de objetos têm mais memória e poder de processamento do que os microcontroladores (Menezes, 2023). Já o modelo do tipo FOMO requer Figura 27 - Impulse Design na plataforma Edge Impulse 62 apenas poucas centenas de KB de memória, com isso, torna promissora a aplicação de algoritmos de detecção em microcontroladores. Figura 28 — Parametrização da rede neural - Plataforma Edge Impulse (Dados do Autor) Fonte: Elaboração própria, 2024 Após a parametrização, ao pressionar o botão 'Iniciar Treinamento', a rede neural começará a ser treinada. Na Figura 29, são apresentados os resultados do treinamento da rede neural, incluindo a tabela da matriz de confusão, bem como os requisitos mínimos de hardware para executar o processo de inferência em 1 milissegundo. Esse tempo inclui a captura da imagem, classificação e geração de saída. Figura 28 - – Parametri zação da rede neural - Plataform a Edge Impulse 63 Figura 29 — Resultado da rede neural já treinada - Plataforma Edge Impulse Fonte: Elaboração própria, 2024 7.7.4 Passo 4 - Edge Impulse (Deployment) Nesse passo, pode-se implantar o impulso em qualquer dispositivo. Com a vantagem de o modelo funcionar sem conexão com a Internet, minimiza a latência e funciona com consumo mínimo de energia. Conforme a Figura 30 é possível escolher se vai rodar em ESP32, STM32, RASPIBARRY PI4, etc. Figur a 29 - Resul tado da rede neura l - Edge Impul se 64 Figura 30 — Escolha de qual microontrolador irá rodar o algoritmo Fonte: Elaboração própria, 2024 Neste caso, para o treinamento destinado à placa ESP32CAM, foi selecionado o ambiente Arduino para desenvolver o algoritmo de classificação. Agora, basta pressionar o botão 'Build' (Construir) para gerar os códigos a serem executados na IDE do Arduino. Após pressionar o botão 'Build', os códigos, bibliotecas e algoritmos de classificação serão automaticamente compilados, criados e um arquivo zip será baixado para o computador. 7.7.5 Passo 5 - Edge Impulse (Run Model) Esta etapa envolve a preparação da IDE Arduino para compilar, gravar o microcontrolador e executar o sistema de classificação com a ESP32-CAM utilizando o algoritmo de classificação de cães ou gatos. Após o download do arquivo .zip, ele deve ser incorporado à gestão de bibliotecas na IDE do Arduino. Na Figura 31, é demonstrado o processo a ser seguido na IDE do Arduino para incluir o arquivo compactado que foi baixado da plataforma Edge Impulse. Figura 30 - Escolha de qual microcont rolador irá rodar o algoritmo 65 Figura 31 — Gerenciamento e inclusão da biblioteca na IDE Arduíno Fonte: Elaboração própria, 2024 Com o arquivo zip da biblioteca adicionado, é possível, seguindo o caminho indicado na Figura 32, abrir o projeto 'esp32_camera'. Na Figura 33, é possível verificar o código aberto na IDE, que será carregado na ESPCAM. Este código já incorpora o algoritmo de classificação. Figura 31 - Gerenciam ento e inclusão da biblioteca 66 Figura 32 — Caminho do algoritmo do projeto classificação com esp32_câmera Fonte: Elaboração própria, 2024 Figura 32 - Algoritmo de classificaçã o para esp32_câm era 67 Figura 33 — Projeto esp32_câmera aberto na IDE Arduíno Figura 33 - Projeto esp32_câmera aberto na IDE Arduíno Fonte: Elaboração própria, 2024 Na Figura 34, é apresentado o processo de seleção da placa ESP32-CAM na IDE garantindo assim o ambiente correto para a execução no microcontrolador. 68 Figura 34 — Escolha da placa microcontrolador AI Thinker ESP32-CAM Fonte: Elaboração própria, 2024 A Figura 35 abaixo mostra como devem ser conectados o gravador, a câmera e a ESP32-CAM à porta USB do computador para gravar o programa compilado na placa. Como a placa não possui um CI USB integrado, é necessário utilizar um gravador FTDI para gravar o microcontrolador. Na Figura, são apresentados o conjunto montado e os componentes utilizados no teste de classificação. Figura 34 - Escolha da placa AI Thinker ESP32- CAM 69 Figura 35 — Detalhes de ligação do gravador FTDI, ESP32-CAM, câmera OV2640 2MP e o PC Figura 35 - Esquema eletronico do gravador da ESP32-CAM Fonte: Elaboração própria, 2024 Na Figura 36 abaixo, apresenta-se a configuração física do teste com a ESP32- CAM, incluindo uma base mecânica, conversor e cabo USB. 70 Figura 36 — Base montada para ESP32-CAM capiturar as imagens Fonte: Elaboração própria, 2024 7.8 MICROCONTROLADOR ESP32-WROOM-32 O ESP32-WROOM-32 (Figura 37) é um módulo Wi-Fi + Bluetooth, que pode ser utilizado em várias aplicações, desde redes de sensores de baixa potência até as tarefas mais exigentes, como codificação voz, streaming de música e vídeos. Contém dois núcleos de CPU que podem serem controlados individualmente e opera na frequência entre 80 MHz a 240 MHz. O ESP32 tem inúmeros periféricos, como, sensor de toque capacitivo, interface de cartão SD, Wi-Fi, Bluetooth, SPI de alta velocidade, UART, I2S e I2C (Espressif, 2023). Abaixo segue as especificações:  Processador: Xtensa 32-Bit LX6 Dual Core;  Memória SRAM: 520Kb; Figura 36 - Base da ESP32- CAM 71  Memória Flash Externa: 32-Bit de acesso e 4Mb;  Tensão de Alimentação: 2,7 à 3,6 VDC;  Corrente de consumo: 80mA (típica);  Corrente de consumo: 500mA (máxima);  WiFi: 802.11 b/g/n: 2.4 à 2.5 GHz;  Segurança WiFi: WPA / WPA2 / WPA2-Enterprise / WPS;  Bluetooth: 4.2 BR / EDR e BLE (Bluetooth Low Energy);  Suporte: Arduino IDE, Lua e MicroPython, Código C básico;  Interfaces: UART, SPI, SDIO, I2C, I2S, IR, PWM;  Temperatura de trabalho: -40° à +85° C; Figura 37 — Pinagem da ESP32-WROOM-32 Fonte: Espressif, 2023. 7.9 SISTEMA IOT DO PROJETO O sistema IoT será composto por três partes: 1 - Hardware do sistema; 2 - IDE de programação do sistema embarcado; 3 - Adoção do serviço/servidor de nuvem. Na Figura 38, apresenta-se o hardware completo responsável por controlar água, ração, luz, receber os valores de Peso da Ração, AC, DC do nobreak, receber a classificação da ESPCAM (Cachorro, Gato), gravar o Datalogger local (cartão SD) e, por fim, realizar a publicação na nuvem. Figura 37 - Pinagem da ESP32- 72 7.9.1 IoT parte 1 - Hardware do sistema Fonte: Elaboração própria, 2024 1) CI-SMD, Slot de SMD e micro sd card. 2) Conector de bateria 2032 de 3,3V. 3) RTC - CI DS3231- SMD. 4) Soquete do Microcontrolador ESP32-WROOM-32 de 38 pinos. 5) CI-CH3765-SMD (Conversor USB-RS232). 6) Outra tomada USB. 7) Pinos de Alimentação GND, 5V e 1 pinos software serial. 8) Pode ligar display gráfico nextion – 4 pinos: GND, TX, RX e 5V. 9) Conector com 3V3, GPIO27 e GND. 10) Conector com 3V3, GPIO26 e GND. 11) Conector com 3V3, GPIO25 e GND. 12) Conector com 3V3, GPIO14 e GND. 13) Conector com 3V3, GPIO34 e GND. Figura 38 - PCI do Datalogger Figura 38 — Placa responsável pelo controle com a ESP32 do RTC 73 Essa placa será responsável pelo controle com a ESP32 do RTC (Relógio de Tempo Real), receberá os valores de peso da ração, de tensão da tomada e da bateria do nobreak. Além disso, receberá a informação sobre se o cachorro foi reconhecido pela classificação do ESPCAM. Ao receber esses dados, o processador executará algumas condições para servir a ração:  Primeiramente, verificará se a classificação da ESPCAM é o um cachorro.  Em seguida, verificará se já foi servida alguma vez a ração do almoço ou do jantar. Por último, verificará o relógio para determinar se está dentro do horário de almoço ou jantar. Toda vez que houver uma atividade de reconhecimento do cachorro ou do gato, será registrado no arquivo do Datalogger no cartão SD e esses dados também serão enviados para a nuvem. Da mesma forma, um registro será incluído quando a ração e a água forem servidas. No entanto, se não houver atividade dos animais, um novo registro será incluído no cartão SD após decorridos 5 minutos e na nuvem a cada 7 minutos. Os dados registrados incluirão:  Número do Registro;  Data;  Hora;  Nível da Tomada AC;  Nível da Bateria DC;  Serviu Ração;  Serviu Água." Na Figura 39, está demonstrada a interconexão entre todas as placas eletrônicas que compõem toda a inteligência do sistema de segurança de alimentação para cachorro. Esta Figura inclui a placa com câmera para classificação, o nobreak inteligente com sistemas de fonte e a placa IoT / Datalogger, além da boia de água. 74 Figura 39 — Esquema de ligação dos periféricos do sistema de controle Fonte: Elaboração própria, 2024 1) Boia magnética da água 2) Relés 3) Placa do sistema de controle (PSC) 4) Placa de suprimento de energia Inteligente (SSEI) 5) Fonte Chaveada 6) ESP32CAM placa do sistema de identificação de Pets (SIP) 7) Sistema com célula de carga Figura 39 - Esquema de ligação de todas PCIs 75 7.9.2 IoT parte 2 - IDE de programação do sistema embarcado O ESP32-WROOM foi programado no IDE Arduino. Devido à execução de várias atividades, o microcontrolador será programado para utilizar os dois núcleos internos. Na Figura 40, é possível verificar a divisão das funções em cada núcleo. O loop principa