Dados do Trabalho

Título

Ensaio de reconhecimento automático de ovos de Aedes aegypti em imagens de substratos de ovitrampas com Deep Learning: perspectivas para o avanço do monitoramento vetorial

Introdução

As ovitrampas vêm sendo adotadas para o monitoramento de Aedes aeypti por serem econômicas, sensíveis e de fácil manutenção. Contudo, a contagem manual dos ovos coletados nestas armadilhas é trabalhosa e sujeita a erros, devido ao tamanho dos ovos e à quantidade de material coletado no campo. Com o avanço do poder computacional nas últimas décadas, é possível investigar o uso de ferramentas de machine learning para o controle e vigilância desses mosquitos, possibilitando alcançar a automatização, redução de erros e agilidade na obtenção de dados entomológicos.

Objetivo (s)

Assim, o objetivo deste trabalho é desenvolver um sistema para a identificação automática de ovos de A. aegypti em imagens de substratos de ovitrampas, através de ferramentas de deep learning.

Material e Métodos

Para isso, gaiolas contendo diferentes números de fêmeas e machos de A. aegypti receberam dois tipos de substrato de oviposição: madeirite e madeirite revestida com tecido. Os ovos postos nos substratos foram contados de forma manual com auxílio de um estereomicroscópio e contador. Em seguida, foram capturadas imagens dos substratos com um smartphone com câmera de 12 megapixels e auxílio de um suporte para padronização da distância da câmera e iluminação artificial. Com isso, obtivemos 137 imagens, com uma variação de 1 a 8266 ovos. Para o processamento, as imagens foram recortadas de forma automática através de um script em python, mantendo apenas a região do substrato. Em seguida, foram divididas em grupo de treinamento, teste e validação. No grupo de treinamento, foram adicionados metadados manualmente para identificar os ovos na imagem, através do CVAT. Os dados obtidos foram utilizados para o treinamento de um modelo de rede neural CNN, através de um processo iterativo para obtenção de resultados satisfatórios. Assim, neste primeiro ciclo de experimentos, utilizou-se uma abordagem de aprendizagem por transferência, que aproveita o conhecimento de uma rede pré-treinada. Para isso, selecionou-se a rede neural Faster R-CNN, reputada por sua alta acurácia. 

Resultados e Conclusão

Após 3000 passos de treinamento e validação, utilizando recursos computacionais da plataforma Kaggle, obteve-se precisão de 48,16%, revocação de 57% e F1-Score de 52,2% para o conjunto de dados de teste. Estima-se que este resultado possa ser melhorado em outros ciclos do processo iterativo, incluindo estratégias de aumento de dados e experimentos com outras redes. Agradecimentos à FACEPE, financiadora do projeto.  

Palavras Chave

ovitrampa; Deep learning; Ovos; Vigilância entomológica; Visão Computacional