Analysis of CNN architectures for object detection in drone images with a focus on Aedes aegypti

• Euller S. Miranda UFCAT
• Tércio A. dos Santos Filho UFCAT
• Sérgio F. da Silva UFCAT

DOI: https://doi.org/10.5753/eniac.2026.31275

Resumo

As doenças transmitidas pelo mosquito Aedes aegypti, como dengue, zika e chikungunya, representam um desafio crítico para a saúde pública. A identificação manual de focos de reprodução é uma tarefa exaustiva. Este trabalho propõe um sistema automatizado para a detecção de potenciais focos de água parada, utilizando Redes Neurais Convolucionais (CNNs). A metodologia consistiu na criação de bases de dados anotadas a partir de imagens da MBG e da MBG versão 2, além do treinamento e da avaliação dos modelos YOLOv8, SSD e Faster R-CNN, explorando o uso de diferentes otimizadores e variações no tamanho dos lotes. Os resultados demonstram que as CNNs são promissoras para a detecção de potenciais focos de água parada, especialmente a arquitetura YOLO com otimizador SGD.

Referências

(2024). Using uav images and deep learning in investigating potential breeding sites of aedes albopictus. Acta Tropica, 255:107234.

Carrasco-Escobar, G., Moreno, M., Fornace, K., Herrera-Varela, M., Manrique, E., and Conn, J. E. (2022). The use of drones for mosquito surveillance and control. Parasites & Vectors, 15(1):473.

Centers for Disease Control and Prevention (2025). Mosquitoes: About Mosquitoes. Acesso em: 21 fev. 2025.

Cunha, H. S., Sclauser, B. S., Wildemberg, P. F., Fernandes, E. A. M., dos Santos, J. A., Lage, M. d. O., Lorenz, C., Barbosa, G. L., Quintanilha, J. A., and Chiaravalloti-Neto, F. (2021). Water tank and swimming pool detection based on remote sensing and deep learning: Relationship with socioeconomic level and applications in dengue control. PLOS ONE, 16(12):1–24.

Jocher, G., Qiu, J., Liu, M., Lyu, S., Akyon, F. C., and Kalfaoglu, M. E. (2026). Ultralytics yolo26: Unified real-time end-to-end vision models. arXiv preprint arXiv:2606.03748.

Laboratório de TeleMídia - UFRJ (2026). Mosquito database. [link]. Acessado em 22 jun. 2026.

Laranjeira, C., Pereira, M., Oliveira, R., Barbosa, G., Fernandes, C., Bermudi, P., Resende, E., Fernandes, E., Nogueira, K., Andrade, V., Quintanilha, J. A., dos Santos, J. A., and Chiaravalloti-Neto, F. (2024). Automatic mapping of high-risk urban areas for aedes aegypti infestation based on building facade image analysis. PLOS Neglected Tropical Diseases, 18(6):1–29.

Ministério da Saúde (2025). Monitoramento das Arboviroses. Acesso em: 21 fev. 2025.

Moran-Landa, D., del Rosario Damian, M., Mendoza, P. M. P., and Sotomayor-Beltran, C. (2022). A drone system with an object identification algorithm for tracking dengue disease. International Journal of Advanced Computer Science and Applications, 13(10).

Passos, W. L., Araujo, G. M., de Lima, A. A., Netto, S. L., and da Silva, E. A. B. (2021). Automatic detection of aedes aegypti breeding grounds based on deep networks with spatio-temporal consistency.

Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G., Killeen, T., Lin, Z., Gimelshein, N., Antiga, L., Desmaison, A., Kopf, A., Yang, E., DeVito, Z., Raison, M., Tejani, A., Chilamkurthy, S., Steiner, B., Fang, L., Bai, J., and Chintala, S. (2019). Pytorch: An imperative style, high-performance deep learning library. In Wallach, H., Larochelle, H., Beygelzimer, A., d'Alché-Buc, F., Fox, E., and Garnett, R., editors, Advances in Neural Information Processing Systems 32, pages 8024–8035. Curran Associates, Inc.

Roboflow (2025). Roboflow: Computer Vision Dataset and Model Management. Acesso em: 21 fev. 2025.

Roboflow Universe (2026a). mgbv2augmented dataset. [link]. Acessado em: 23 ago. 2026.

Roboflow Universe (2026b). mgbv2augmented dataset. [link]. Acessado em: 23 ago. 2026.

Roboflow Universe (2026c). mgbv2augmented dataset. [link]. Acessado em: 23 ago. 2026.

Roboflow Universe (2026d). mgbv2augmented dataset. [link]. Acessado em: 23 ago. 2026.

Signals, Multimedia, and Telecommunications Laboratory (COPPE/Poli/UFRJ) (2026). Mosquito breeding grounds (mbg) video database. [link]. acessado em 3 jan. 2026.

Trujillano, F., Garay, G. J., Salas, H. A., Byrne, I., del Prado, M. N., Chan, K., Manrique, E., Johnson, E., Apollinaire, N., Kouakou, P. K., Oumbouke, W. A., Tiono, A. B., Guelbeogo, M. W., Lines, J., Carrasco-Escobar, G., and Fornace, K. M. (2023). Mapping malaria vector habitats in west africa: Drone imagery and deep learning analysis for targeted vector surveillance. Remote sensing, 15:2775 – 2775.

World Health Organization (2020). Vector-borne diseases. Acesso em: 21 fev. 2025.