IMPLEMENTAZIONE DI INTELLIGENZA ARTIFICIALE SU SCHEDA NUCLEO-F401RE PER LA CLASSIFICAZIONE DI SEGNALI AUDIO

This thesis explores the use of the Tiny Machine Learning (TinyML) paradigm for audio classification on embedded devices. Specifically, the designed system allows the classification of animal sounds in naturalistic contexts: the goal is the monitoring of flora and fauna, as useful information about the ecosystem can be inferred from the inferences, triggering - if necessary - alarms in case of anomalies. The designed convolutional network uses a minimal number of parameters and has been trained with mel spectrograms. In addition, through Tensorflow Lite, the model is quantized and optimized to run on a microcontroller. Thus, the whole application is implemented on the Nucleo-F401RE board: starting with audio acquisition through a microphone connected to the ADC of the microcontroller, proceeding with preprocessing for the extraction of mel spectrograms, up to the actual classification operated by the model directly on the microcontroller. The latter operation was made possible by the use of the X-CUBE-AI expansion package, used in the STM32CubeIDE environment.

Questa tesi esplora l’utilizzo del paradigma Tiny Machine Learning (TinyML) per la classificazione audio su dispositivi embedded. In particolare, il sistema progettato permette la classificazione di versi di animali in contesti naturalistici: l’obiettivo è il monitoraggio di flora e fauna, in quanto dalle inferenze è possibile desumere informazioni utili sull’ecosistema, attivando – eventualmente – allarmi in caso di anomalie.La rete convoluzionale progettata utilizza un numero minimale di parametri ed è stata addestrata con spettrogrammi mel. Inoltre, tramite Tensorflow Lite, il modello viene quantizzato e ottimizzato per essere eseguito su microcontrollore. L’intera applicazione viene dunque implementata su scheda Nucleo-F401RE: partendo dall’acquisizione audio tramite microfono collegato all’ADC del microcontrollore, procedendo con il preprocessing per l’estrazione degli spettrogrammi mel, fino alla vera e propria classificazione operata dal modello direttamente sul microcontrollore. Quest’ultima operazione è stata resa possibile grazie all’utilizzo dell’expansion package X-CUBE-AI, utilizzato in ambiente STM32CubeIDE.