| dc.description.abstract |
Doenças transmitidas por mosquitos, como Malária, Dengue e a Zika, infectam milhares de pessoas anualmente. A abordagem mais eficaz para combater tais doenças é evitar a reprodução dos mosquitos, identificando e removendo potenciais criadouros. Estratégias de controle enfrentam dificuldades devido a locais de reprodução inacessíveis, resultando em elevados custos governamentais. Para aprimorar a eficiência dessas estratégias, áreas como a Visão Computacional e o Aprendizado Profundo podem ser utilizados para agilizar a detecção automática de possíveis locais de reprodução. Neste contexto, o presente trabalho propõe um método estruturado em seis etapas: aquisição de dados, pré-processamento, definição de arquitetura para criação do modelo de classificação, treinamento e validação do modelo, inferência em imagens aéreas de drones para detecção dos criadouros e segmentação para melhor visualização dos objetos detectados. Com o conjunto de dados inicial definido e pré-processado, utilizou-se a arquitetura de detecção de objetos YOLO, baseada em Redes Neurais Convolucionais. O modelo YOLOv8x foi escolhido para realizar o treinamento, seguido por uma avaliação das métricas de desempenho e classificação dos criadouros de mosquito. Por fim, a segmentação dos criadouros foi aplicada para aprimorar a identificação dos contornos sobre o objeto identificado nas imagens. Os resultados alcançados indicam um bom desempenho para as detecções, com uma média de precisão (mAP) de 89% e um F1-score de 98% |
pt_BR |
