Dot-Flik: A Scalable Edge AI Architecture for Distributed Insect Monitoring

Resumo Técnico: Dot-Flik: Uma Arquitetura de IA de Borda Escalável para Monitoramento Distribuído de Insetos

Declaração do Problema
As populações globais de insetos estão enfrentando declínios precipitados, o que exige sistemas de monitoramento contínuos e escaláveis para rastrear a biodiversidade. Embora existam soluções baseadas em visão automatizadas, elas enfrentam barreiras fundamentais para a implantação em larga escala. As abordagens atuais de estado da arte geralmente dependem de hardware caro e de alto consumo de energia ou de conectividade constante com a nuvem. Essas dependências criam um "hiato de monitoramento": altos custos de hardware limitam a densidade dos nós, o alto consumo de energia restringe o posicionamento a áreas conectadas à rede elétrica, e as arquiteturas centradas na nuvem introduzem restrições de largura de banda e privacidade. Além disso, os sistemas de IA de borda existentes (como a plataforma Flik) frequentemente operam próximos da saturação computacional, onde cada área de monitoramento adicional requer uma implantação proporcionalmente densa de nós de processamento completo, levando a uma escala desfavorável de custo, energia e recursos computacionais.

Metodologia
O artigo propõe o Dot-Flik, uma arquitetura de IoT hierárquica e distribuída que desacopla a aquisição de dados da classificação por IA através da redução de dados no lado da borda (edge-side). O sistema consiste em duas camadas distintas:

1. Nós Dot (Sensoriamento de Borda): Unidades de sensoriamento de baixo custo (implementadas em Raspberry Pi Zero 2 W) equipadas com módulos de câmera padrão. Estes nós realizam a filtragem de quadros baseada em movimento de forma leve na origem. Em vez de transmitir vídeo contínuo, eles descartam localmente o conteúdo dominado pelo fundo.
2. Nós Flik 2.0 (Classificação de IA de Borda): Unidades de processamento centralizadas (implementadas em Raspberry Pi 5 com NPU Hailo-8) que recebem apenas os quadros candidatos filtrados de múltiplos nós Dot. Estes nós realizam a inferência de aprendizagem profunda computacionalmente intensiva para a classificação de espécies de insetos.

Principais Contribuições
Os autores apresentam três contribções primárias:

1. Algoritmo de Filtragem de Quadros Baseado em Movimento: Um algoritmo leve executado nos nós Dot que descarta quadros irrelevantes sem exigir inferência de aprendizagem profunda no dispositivo de sensoriamento. O algoritmo utiliza um fluxo de trabalho de três estágios:

   • Pré-processamento: Conversão para tons de cinza, redução de escala para 320x320 e desfoque gaussiano de 5x5 para suprimir ruído de alta frequência.
   • Diferenciação Temporal e Amplificação: Cálculo da probabilidade de movimento usando um buffer rotativo de três quadros. O sinal de movimento é normalizado e corrigido via gama ($\gamma=3.0$) para enfatizar o movimento concentrado (insetos) enquanto suprime o movimento ambiental disperso (ex: vegetação movida pelo vento).
   • Análise de Densidade Baseada em Blocos: O quadro é particionado em blocos não sobrepostos de 20x20 pixels. Usando imagens integrais para complexidade $O(1)$, o sistema calcula a intensidade de movimento por bloco. Um quadro é retido apenas se pelo menos um bloco exceder um limiar de movimento ($\tau=2000$), distinguindo a atividade localizada de insetos do movimento uniforme do fundo.

2. Arquitetura Hierárquica Distribuída: A topologia Dot-Flik separa o sensoriamento da classificação, permitindo um modelo de escalonamento "muitos-para-poucos" ($N$ nós Dot para $M$ nós Flik, onde $M \ll N$). Esta arquitetura reduz o volume de comunicação e permite que a demanda de processamento de backend escale fracionalmente com a área monitorada, em vez de linearmente com o número de nós. Ela suporta operação assíncrona, onde os nós Dot transmitem em tempo real (30 FPS) enquanto os nós Flik processam dados em modo de lote (batch mode) para otimizar a utilização computacional.

3. Validação no Mundo Real: O sistema foi implantado ao ar livre em um ambiente de jardim urbano sob várias condições de vento (de sem vento a vento extremo). A avaliação cobriu quatro eixos: desempenho em tempo real, escalabilidade de rede, custo de hardware e eficiência energética.

Resultados

• Redução de Dados: A filtragem baseada em movimento alcançou taxas de redução de quadros de 60–80% sob condições de vento leve (5–15 km/h) e 20–40% sob ventos fortes. A inspeção manual confirmou que a atividade de insetos visível nos fluxos não filtrados foi consistentemente preservada.
• Desempenho em Tempo Real: Os nós Dot sustentaram operação de 30 FPS com um tempo de processamento total de 33,32 ms por quadro, deixando 12,8 ms de margem computacional. A captura da câmera representou 76,8% do tempo de processamento.
• Escalabilidade: Com base na taxa de filtragem de vento leve ($r \approx 0,72$) e nas capacidades de processamento em lote do nó Flik 2.0, os autores projetam uma concorrência sustentável de 5–6 fluxos de Dot simultâneos por nó Flik 2.0. A largura de banda da rede foi identificada como não limitante; a capacidade de computação do nó central é a principal restrição de escalabilidade.
• Eficiência Energética: O consumo de energia correlacionou-se com as taxas de transmissão de quadros. O sistema alcançou economias de energia de até 22,6% com taxas de descarte de quadros de 100% (ocioso). Sob condições de vento moderado (70% de descarte), o sistema demonstrou uma redução de energia de 15,6%, traduzindo-se em aproximadamente 9,2 horas adicionais de operação em um power bank de 20.000 mAh.

Significância e Alegações
O artigo afirma que o Dot-Flik estabelece uma base prática para redes densas e de baixo custo de monitoramento de biodiversidade em ambientes urbanos. Ao realocar a filtragem baseada em movimento para um estágio de borda de baixo custo antes da inferência, a arquitetura aborda as limitações de escalabilidade dos modelos centralizados. Os autores enfatizam que o padrão "filtrar-na-borda-então-inferir" é um princípio de design necessário para implantação em escala de rede em hardware comercial, particularmente para cargas de trabalho de IoT baseadas em visão onde eventos de interesse ocorrem infrequentemente em relação ao total de captura de dados.

Os autores mantêm um escopo modesto em relação às suas alegações:

• Eles não alegam ter resolvido a taxa de detecção para todas as espécies de insetos; a avaliação da precisão de detecção depende do pipeline de montante Flik (um projeto separado) e foi validada qualitativamente neste estudo.
• As projeções de escalabilidade (5–6 fluxos) são derivadas de medições de nó único; a validação com múltiplos nós físicos simultâneos é notada como trabalho futuro.
• A eficácia do sistema é atualmente limitada pela sensibilidade ao vento; condições de vento forte reduzem a eficácia da filtragem devido ao movimento da vegetação, embora isso coincida com a atividade de insetos naturalmente suprimida.
• O estudo foca em variações de vento; outros fatores ambientais como precipitação, névoa e mudanças sazonais de iluminação não foram sistematicamente avaliados.

O trabalho posiciona-se como um passo para resolver o "hiato de monitoramento" ao permitir o monitoramento de insetos em escala de cidade de forma economicamente e tecnicamente viável através da otimização arquitetural, em vez de apenas através de melhorias algorítmicas de classificação.