ARARA: Monitoramento Acústico de Desmatamento Ilegal via Computação na Borda

Neste trabalho, é apresentado um sistema de monitoramento acústico florestal em tempo real que utiliza aprendizado de máquina no próprio dispositivo para detecção de eventos. A solução tem como base o uso da arquitetura do YAMNet como extrator de características para gerar um modelo refinado que classifica sons críticos como "motosserra", "motor" e "serrote". O sistema adquire segmentos de áudio e classifica os eventos acústicos diretamente em um Raspberry Pi 3. As classes identificadas são transmitidas via LoRaWAN. O sistema é alimentado por um painel solar e uma bateria para utilização em ambientes remotos. O modelo refinado apresentou acurácia global de 94% no conjunto de teste. Essa abordagem demonstra a viabilidade da implementação de classificação de áudio em plataformas embarcadas com recursos limitados (classificação na borda), possibilitando alertas em tempo real e aprimorando os esforços de preservação florestal em cenários reais.