000106942 001__ 106942 000106942 005__ 20210909132521.0 000106942 037__ $$aTAZ-TFG-2021-1917 000106942 041__ $$aspa 000106942 1001_ $$aPhan Razquin, Enrique Anh Dung 000106942 24200 $$aDeep learning on embedded systems 000106942 24500 $$aAlgoritmos de aprendizaje profundo en sistemas empotrados 000106942 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2021 000106942 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/ 000106942 520__ $$aEste documento explora el desarrollo de aplicaciones basadas en redes neuronales y aprendizaje profundo en sistemas empotrados implementadas en microcontroladores de prestaciones reducidas. Este área recientemente se ha comenzado a denominar TinyML. Estos dispositivos presentan costes y consumos bajos, por lo que los hace ideales para aplicaciones portables y a gran escala. <br />En un primer lugar se explican las ventajas y desafíos a los que se debe enfrentar un desarrollador a la hora de realizar un proyecto en esta área. Más tarde, se procede al desarrollo de principio a fin de dos aplicaciones de distintos ámbitos, ambas procesando datos de sensores en tiempo real, con el fin de analizar las potentes herramientas hardware y software actualmente disponibles y proponer una metodología de trabajo<br />La primera aplicación, orientada a visión por computador, consiste en clasificación multiclase de imágenes de personas y/o coches para aplicarlo en sistemas de control de tráfico, además reduciendo consumos de gasolina y emisiones de CO2. El desarrollo se enfoca en el flujo de adquisición de datos y la selección de modelo para conseguir rendimientos profesionales y, al mismo tiempo, ajustados a las modestas especificaciones de un microcontrolador. Se lleva a cabo también un prototipo funcional que sirve como prueba de concepto y se analizan sus prestaciones, pudiéndose destacar que el microcontrolador procesa y clasifica la imagen en un segundo aproximadamente.<br />La segunda aplicación consiste en fijar un pequeño acelerómetro de tres ejes a la culata de un bolígrafo. La red neuronal analiza los movimientos (aceleraciones) del bolígrafo en tiempo real y transcribe las letras que se vayan escribiendo. La aplicación se enfoca en la confección del conjunto de datos (manual), así como de la implementación optimizada en un sistema operativo de tiempo real que envía los resultados por bluetooth de bajo consumo (BLE) a un servidor. También se lleva a cabo un prototipo funcional, observándose que un microcontrolador típico tarda unos 65 ms en clasificar y transcribir el trazo a la letra correspondiente.<br />En definitiva, hemos comprobado que la implementación de algoritmos avanzados basados en redes neuronales y aprendizaje profundo en sistemas empotrados basados en microcontroladores de prestaciones reducidas es factible y que aporta numerosas ventajas frente a sistemas tradicionales, demostrándolo con la elaboración de dos prototipos funcionales. Como conclusión fundamental podemos decir que en la actualidad las herramientas disponibles analizadas han alcanzado ya cierto grado de madurez, lo que permite automatizar en parte el desarrollo de aplicaciones de machine y deep learning en dispositivos empotrados, facilitando el desarrollo de aplicaciones reales.<br /><br /> 000106942 521__ $$aGraduado en Ingeniería Electrónica y Automática 000106942 540__ $$aDerechos regulados por licencia Creative Commons 000106942 700__ $$aMartín del Brío, Bonifacio$$edir. 000106942 7102_ $$aUniversidad de Zaragoza$$bIngeniería Electrónica y Comunicaciones$$cTecnología Electrónica 000106942 8560_ $$f755422@unizar.es 000106942 8564_ $$s7168422$$uhttps://zaguan.unizar.es/record/106942/files/TAZ-TFG-2021-1917.pdf$$yMemoria (spa) 000106942 909CO $$ooai:zaguan.unizar.es:106942$$pdriver$$ptrabajos-fin-grado 000106942 950__ $$a 000106942 951__ $$adeposita:2021-09-09 000106942 980__ $$aTAZ$$bTFG$$cEINA 000106942 999__ $$a20210621130524.CREATION_DATE