Please use this identifier to cite or link to this item:
http://www.monografias.ufop.br/handle/35400000/8424
Title: | Aplicação de MLOps em sistemas embarcados para análise da qualidade do ar. |
Authors: | Brito, Kevin Lucas de Oliveira |
metadata.dc.contributor.advisor: | Pereira, Igor Muzetti |
metadata.dc.contributor.referee: | Garcia, Racyus Delano Pereira, Igor Muzetti Marinho, Euler Horta |
Keywords: | IoT MLOPS Qualidade do ar K-means |
Issue Date: | 2025 |
Citation: | BRITO, Kevin Lucas de Oliveira. Aplicação de MLOps em sistemas embarcados para análise da qualidade do ar. 2025. 59 f. Monografia (Graduação em Engenharia da Computação) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2025. |
Abstract: | O monitoramento da qualidade do ar é um desafio crescente em áreas urbanas, devido ao impacto direto na saúde pública e à limitação de estações oficiais de medição, que possuem alto custo e baixa cobertura geográfica. Nesse contexto, este trabalho propõe um sistema integrado de \textit{hardware} e \textit{software} que combina Internet das Coisas (IoT) e \textit{Machine Learning Operations} (MLOps), utilizando um protótipo baseado no microcontrolador ESP32 com sensores MQ-4 (metano), MQ-7 (monóxido de carbono) e DHT22 (temperatura e umidade). O sistema coletou dados ambientais contínuos por 30 dias em condições estáveis e processou-os em um pipeline MLOps automatizado, empregando o algoritmo K-means para análise. Os testes revelaram a capacidade do protótipo em identificar padrões de variabilidade nos gases e condições climáticas, embora a comparação com estações de referência públicas tenha evidenciado limitações na validação cruzada, devido a diferenças metodológicas e geográficas. Os resultados indicam que, mesmo com sensores de baixo custo, é possível obter agrupamentos consistentes para ambientes controlados. Como principais contribuições, destacam-se: (1) a aplicação de MLOps em dispositivos de baixo custo, (2) uma metodologia reprodutível para coleta e processamento de dados ambientais, e (3) uma arquitetura escalável que permite a integração de novos sensores. O trabalho abre perspectivas para sistemas de monitoramento ambiental distribuídos, de baixo custo, com inteligência artificial embarcada. |
metadata.dc.description.abstracten: | This work presents an integrated hardware and software system for air quality analysis, combining Internet of Things (IoT) and Machine Learning Operations (MLOps). The system is based on an ESP32 microcontroller equipped with MQ-4 (methane), MQ-7 (carbon monoxide), and DHT22 (temperature and humidity) sensors. Environmental data were continuously collected for 30 days under stable conditions and processed through an automated MLOps pipeline using the K-means algorithm. Comparison with public reference stations highlighted significant challenges in cross-validation due to methodological and geographical differences — particularly discrepancies in local measurement conditions. The main contributions of this work are: (1) the implementation of MLOps in low-cost devices, (2) a reproducible methodology for controlled environments, and (3) a scalable architecture that supports the integration of additional sensors. The study opens perspectives for massively distributed environmental monitoring systems with embedded artificial intelligence. |
URI: | http://www.monografias.ufop.br/handle/35400000/8424 |
Appears in Collections: | Engenharia de Computação - JMV |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
MONOGRAFIA_AplicaçãoMLOSistemas.pdf | 2,59 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.