# Artigos acadêmicos relacionados

<div align="justify">
Foram selecionados 3 artigos relevantes sobre o uso do <strong>Raspberry Pi</strong> em sistemas embarcados para <strong>monitoramento em tempo real</strong>, devido ao seu papel fundamental na integração de tecnologias de baixo custo com soluções eficientes para controle e análise de dados. Esses artigos abordam diferentes aspectos dos sistemas embarcados, com foco na coleta e processamento de dados em tempo real, fundamentais para o funcionamento de sistemas críticos. O primeiro artigo apresenta uma aplicação de <strong>monitoramento energético em tempo real</strong> utilizando o Raspberry Pi para analisar o consumo de energia em ambientes industriais, evidenciando a importância do <strong>Raspberry Pi</strong> em sistemas embarcados para otimização de recursos e controle de processos. O segundo artigo propõe um framework de <strong>gêmeos digitais</strong> para o gerenciamento inteligente de estufas, utilizando o Raspberry Pi como uma plataforma central para capturar e processar dados em tempo real, essencial para a <strong>agricultura inteligente</strong> e tomada de decisões baseadas em dados. O terceiro artigo explora a implementação de um sistema de <strong>reconhecimento facial</strong> baseado em <strong>Raspberry Pi</strong> para auxiliar na <strong>segurança pública</strong> em <strong>cidades inteligentes</strong>, destacando o uso de processamento em tempo real para identificar suspeitos e apoiar ações de policiamento. Esses artigos são exemplares na demonstração de como o Raspberry Pi, em sua essência de sistema embarcado, pode ser utilizado para diferentes finalidades, aproveitando a <strong>computação em tempo real</strong> para oferecer soluções inovadoras e eficientes em áreas como <strong>energia</strong>, <strong>agricultura</strong> e <strong>segurança</strong>.
</div>

## Artigo 1 - IoT based real time energy monitoring system using Raspberry Pi
<div align = "justify">
O artigo "IoT based real time energy monitoring system using Raspberry Pi", de M.D. Mudaliar e N. Sivakumar, apresenta um sistema de monitoramento de energia em tempo real projetado para indústrias de switchgear, utilizando a tecnologia IoT e a plataforma Raspberry Pi. O sistema é estruturado com medidores de energia existentes, como Schneider e Elmeasure, que se conectam ao Raspberry Pi por meio da interface RS485. O Raspberry Pi, programado com Node.js, coleta e armazena dados de parâmetros elétricos, possibilitando o acesso remoto e a visualização gráfica em dispositivos móveis ou laptops. O sistema usa o InfluxDB para armazenar os dados e o Grafana para gerar visualizações gráficas, facilitando a análise dos padrões de consumo de energia. A aplicação de sistemas embarcados é fundamental para esse projeto, pois permite a integração de sensores e atuadores em uma rede IoT, promovendo o monitoramento e controle em tempo real. A principal contribuição do artigo é demonstrar como a combinação de sistemas embarcados e IoT pode otimizar o monitoramento de energia, trazendo benefícios como a redução de custos operacionais e a implementação de medidas de conservação de energia nas indústrias.
</div><br>

<div align = "center">
    <p><em><strong>Figura 1:</strong> <a href="https://ars.els-cdn.com/content/image/1-s2.0-S2542660520301244-gr11.jpg" target="_blank">Saída gráfica dos dados coletados no Grafana.</a></em></p>
</div>
<div align = "center">
    <a href = "https://ars.els-cdn.com/content/image/1-s2.0-S2542660520301244-gr11.jpg">
    <img style="border: 5px solid #000; border-radius: 15px;" src="https://ars.els-cdn.com/content/image/1-s2.0-S2542660520301244-gr11.jpg" alt="Grafana" height="360">
    </a>
</div>
<div align = "center">
    <p><em><strong>Fonte:</strong><a href = "https://www.sciencedirect.com/science/article/pii/S2542660520301244#fig0011"> IoT based real time energy monitoring system using Raspberry Pi, Fig. 11</a><br></em></p>
</div><br>

> [Clique aqui](https://gitlab.com/FRC_Estudo/docs/-/raw/main/docs/t1/Artigos/1_Artigo.pdf?ref_type=heads&inline=false) para baixar o artigo.

> Obs.: para o trabalho desenvolvido nesse artigo, foi utilizado uma Raspberry Pi 3 Model B+ e o sistema operacional Raspbian

## Artigo 2 - Digital twin framework for smart greenhouse management using next-gen mobile networks and machine learning
<div align = "justify">
O artigo discute a implementação de um sistema de gêmeo digital para a gestão de processos em estufas inteligentes. Ele foca na integração de tecnologias como Internet das Coisas (IoT), redes móveis (5G/6G) e aprendizado de máquina. O sistema tem três partes principais: física, comunicação e aplicação. A parte física inclui sensores e atuadores, como Arduino e Raspberry Pi. Eles coletam dados em tempo real e controlam sistemas como irrigação, ventilação e luz. Isso é importante para melhorar o crescimento das plantas. A parte de comunicação usa redes móveis e protocolos como MQTT para enviar dados entre os dispositivos e a nuvem. O aprendizado de máquina analisa os dados e prevê condições futuras, permitindo ajustes no ambiente da estufa. A integração de sistemas embarcados é crucial para processar dados localmente e enviar para a nuvem. Isso permite controle e automação em tempo real. Juntas, essas tecnologias oferecem uma solução inovadora para uma agricultura mais eficiente e sustentável.
</div><br>

<div align = "center">
    <p><em><strong>Figura 2:</strong> <a href="https://ars.els-cdn.com/content/image/1-s2.0-S0167739X24000931-gr10.jpg" target="_blank">Cenas criadas para gêmeo digital de estufa.</a></em></p>
</div>
<div align = "center">
    <a href = "https://ars.els-cdn.com/content/image/1-s2.0-S0167739X24000931-gr10.jpg">
    <img style="border: 5px solid #000; border-radius: 15px;" src="https://ars.els-cdn.com/content/image/1-s2.0-S0167739X24000931-gr10.jpg" alt="Grafana" height="360">
    </a>
</div>
<div align = "center">
    <p><em><strong>Fonte:</strong><a href = "https://www.sciencedirect.com/science/article/pii/S0167739X24000931?ref=pdf_download&fr=RR-2&rr=8ec1cd75fd03506e#fig10"> Digital twin framework for smart greenhouse management using next-gen mobile networks and machine learning, Fig. 10</a><br></em></p>
</div><br>

> [Clique aqui](https://gitlab.com/FRC_Estudo/docs/-/raw/main/docs/t1/Artigos/2_Artigo.pdf?ref_type=heads&inline=false) para baixar o artigo.

## Artigo 3 - Raspberry Pi assisted face recognition framework for enhanced law-enforcement services in smart cities
<div align = "justify">
O artigo apresenta um framework de reconhecimento facial assistido por Raspberry Pi, projetado para melhorar os serviços de aplicação da lei em cidades inteligentes. O sistema utiliza o algoritmo Viola-Jones para a detecção de faces, sendo computacionalmente eficiente e adequado para dispositivos com recursos limitados, como o Raspberry Pi. Para o reconhecimento, o framework emprega a técnica ORB (Oriented FAST and Rotated BRIEF), que extrai características faciais de forma rápida e invariável à rotação, tornando-o ideal para operação em tempo real em ambientes de vigilância pública. A eficiência computacional do sistema é otimizada pelo uso do ORB, permitindo que ele opere de maneira eficaz em dispositivos embarcados com recursos limitados. Além disso, o framework implementa o offloading para a nuvem, utilizando um modelo de máquina de vetor de suporte (SVM) treinado na nuvem para reconhecer e categorizar faces, enviando apenas as características extraídas em vez das imagens completas, economizando energia e largura de banda. O sistema tem como objetivo facilitar a identificação de suspeitos em fluxos de vídeo, auxiliando as agências de segurança a melhorar a segurança pública sem comprometer a privacidade dos cidadãos. Em resumo, o artigo demonstra como a combinação de algoritmos eficientes e a capacidade de processamento em nuvem pode tornar o reconhecimento facial uma ferramenta prática e acessível para sistemas embarcados, contribuindo para a segurança em ambientes urbanos.
</div><br>

<div align = "center">
    <p><em><strong>Figura 3:</strong> <a href="https://ars.els-cdn.com/content/image/1-s2.0-S0167739X17309512-gr2.jpg" target="_blank">Visão detalhada da estrutura de reconhecimento facial proposta para identificação de suspeitos.</a></em></p>
</div>
<div align = "center">
    <a href = "https://ars.els-cdn.com/content/image/1-s2.0-S0167739X17309512-gr2.jpg">
    <img style="border: 5px solid #000; border-radius: 15px;" src="https://ars.els-cdn.com/content/image/1-s2.0-S0167739X17309512-gr2.jpg" alt="Grafana" height="360">
    </a>
</div>
<div align = "center">
    <p><em><strong>Fonte:</strong><a href = "https://www.sciencedirect.com/science/article/pii/S0167739X17309512#fig2"> Raspberry Pi assisted face recognition framework for enhanced law-enforcement services in smart cities, Fig. 2</a><br></em></p>
</div><br>

> [Clique aqui](https://gitlab.com/FRC_Estudo/docs/-/raw/main/docs/t1/Artigos/3_Artigo.pdf?ref_type=heads&inline=false) para baixar o artigo.

## Conclusão
<div align = "justify">
O uso do Raspberry Pi em sistemas embarcados tem se mostrado uma solução eficiente e acessível para o monitoramento em tempo real em diversas áreas. Os artigos selecionados demonstram a versatilidade dessa plataforma, aplicada em contextos como monitoramento energético, gestão inteligente de estufas e segurança pública em cidades inteligentes. O primeiro artigo destaca a utilização do Raspberry Pi para otimizar o consumo de energia em ambientes industriais, enquanto o segundo aborda sua aplicação na agricultura inteligente por meio de um sistema de gêmeo digital para estufas. Já o terceiro artigo explora o uso do Raspberry Pi no reconhecimento facial para melhorar os serviços de segurança pública. Juntos, esses estudos evidenciam como o Raspberry Pi, combinado com tecnologias como IoT, aprendizado de máquina e processamento em tempo real, pode oferecer soluções inovadoras e de baixo custo em setores cruciais.
</div>

## Referências Bibliográficas

> 1. **Elsevier Journal** ["Internet of Things"](https://www.sciencedirect.com/journal/internet-of-things) - Vol. 12, December 2020. <br> Article ["IoT based real time energy monitoring system using Raspberry Pi"](https://www.sciencedirect.com/science/article/pii/S2542660520301244) <br> Acesso em: 29/11/2024.

> 2. **Elsevier Journal** ["Future Generation Computer Systems"](https://www.sciencedirect.com/journal/future-generation-computer-systems) - Vol 156, July 2024, Pages 285-300. <br> Article ["Digital twin framework for smart greenhouse management using next-gen mobile networks and machine learning"](https://www.sciencedirect.com/science/article/pii/S0167739X24000931?ref=pdf_download&fr=RR-2&rr=8ec1cd75fd03506e)  <br> Acesso em: 29/11/2024.

> 3.  **Elsevier Journal** ["Future Generation Computer Systems"](https://www.sciencedirect.com/journal/future-generation-computer-systems) - Vol 108, July 2020, Pages 995-1007. <br> Article ["Raspberry Pi assisted face recognition framework for enhanced law-enforcement services in smart cities"](https://www.sciencedirect.com/science/article/pii/S0167739X17309512) <br> Acesso em: 30/11/2024.