Aprendizado de máquina profundo aplicado a estimação pela densidade de ovos em palhetas ovitrampas

Fernandes, Marcelo Augusto Costa

Universidade Federal do Rio Grande do Norte

2023-07-03

Aprendizagem profunda

Deep learning

Ovitrampas

Ovitraps

Dengue

U-NET

Rede de regressão totalmente convolucional

Fully convoluctional regression network

O Aedes aegypti é o principal vetor do vírus da dengue no Brasil, doença que pode chegar a matar os seres humanos, especialmente nos casos mais perigosos, a dengue hemorrágica. Como atualmente não se tem vacina e remédio para tal doença, e a eliminação por completo do mosquito em nosso país é algo praticamente impossível, a melhor maneira de se combater a doença é a prevenção e monitoramento. Para isso o uso de armadilhas para as fêmeas depositarem seus ovos, armadilhas estas denominadas de ovitrampas, tem se mostrado bastante eficazes no monitoramento do vetor, através da contagem de ovos presentes nessas mesmas. A contagem desses ovos é feita de forma manual e visual, se tornando uma tarefa repetitiva e cansativa. Tendo isso em mente, este trabalho tem como objetivo desenvolver um método de contagem automática de ovos de Aedes aegypti em imagens de ovitrampas usando técnicas de aprendizagem profunda (como as arquiteturas de rede de regressão totalmente convolucional e a U-Net) tornando, assim, o processo de contagem mais ágil e eficaz. Contudo, os resultados mostraram que o modelo U-NET obteve 3,2 no seu erro médio absoluto em quanto a arquitetura FCRN apresentou 3,8, demonstrando um resultado inferior ao anterior.

Aedes aegypti is the main vector of the dengue virus in Brazil, a disease that can be fatal to humans, especially in severe cases like dengue hemorrhagic fever. Since there is currently no vaccine or medicine for this disease, and complete eradication of the mosquito in our country is almost impossible, the best way to combat the disease is through prevention and monitoring. For this purpose, the use of traps for female mosquitoes to deposit their eggs, known as ovitraps, has proven to be highly effective in vector monitoring by counting the eggs present in them. Counting these eggs is done manually and visually, making it a repetitive and tiring task. The objective of this work is to develop an automatic counting method for Aedes aegypti eggs in ovitrap images using deep learning techniques (such as fully convolutional regression network and U-NET architectures), making the counting process faster and more efficient. However, the results showed that the U-NET model achieved a mean absolute error of 3.2, while the FCRN architecture had a mean absolute error of 3.8, demonstrating a lower performance compared to the other.