Contagem de ovos do Aedes Aegypti em palhetas de ovitrampas baseada em Deep Learning
Resumo
O Aedes aegypti é o vetor de um dos problemas de saúde pública mais difíceis de serem combatidos no mundo tropical: a proliferação da epidemia de dengue. Como não há vacina ou tratamento específico, e a erradicação do seu vetor se tornou praticamente impossível, a melhor maneira de se evitar a doença é realizando o controle do mosquito Aedes aegypti. Com isso, este trabalho apresenta uma metodologia computacional para a segmentação de ovos nas palhetas ovitrampas que visa auxiliar especialistas nessa contagem. Para o desenvolvimento deste trabalho realizamos testes com as redes neurais convolucional desenvolvida para segmentação: U-Net, Segnet e uma rede pré treinada. Em seguida, realizamos uma etapa de pós-processamento baseada em morfologia matemática. Os resultados alcançados foram promissores, e a rede U-Net foi a que apresentou melhor desempenho, com Acurácia de 98,65% na segmentação dos ovos e erro médio quadrado de 4,25% na contagem.
Referências
Bandong, S. and Joelianto, E. (2019). Counting of aedes aegypti eggs using image processing with grid search parameter optimization. In 2019 International Conference on Sustainable Engineering and Creative Computing (ICSECC), pages 293–298.
Barros, V. C., Pacheco, A. C. L., Feitosa, L. M., Figueredo, J. S., Batista, F., Lima, I. P., and Barbosa, O. A. A. (2019). Produtos naturais no combate ao mosquito Aedes aegypti. Campinas: Atomo.
Feitosa, L. N. (2015). Sistema de contagem automática de ovos do aedes aegypti a partir de processamento de imagens das palhetas de ovitrampas. Monografia, Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte.
Gaburro, J., Duchemin, J.-B., Paradkar, P., Nahavandi, S., and Bhatti, A. (2016). Assessment of icount software, a precise and fast egg counting tool for the mosquito vector aedes aegypti. Parasites Vectors, 9:1–9.
Garcia, P. S. C., Martins, R., Coelho, G. L. L. M., and Cámara-Chávez, G. (2019). Acquisition of digital images and identification of aedes aegypti mosquito eggs using classification and deep learning. In 2019 32nd SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI), pages 47–53.
Glasser, M. and Gomes, C. (2000). Infestação do estado de são paulo por aedes aegypti e aedes albopictus. Revista de Saúde Pública, 34:570–577.
LONG, J.; SHELHAMER, E. D. (2015). Fully convolutional networks for semantic segmentation. IEEE. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 28:3174 – 3179.
MENDES, C. C. T.; FR ´EMONT, V. W. D. F. (2017). Exploiting fully convolutional neural networks for fast road detected). IEEE. Robotics and Automation (ICRA),, 28.
Rocha, C., Bizerra, A., Coutinho, D., Silva, L., de Deus, M., and Souto, P. (2019). Contagem automática de ovos do Aedes Aegypti em palhetas de ovitrampas: um sistema para aquisição e processamento de imagens, pages 67–74.
Santana, C. et al. (2019). A solution for counting aedes aegypti and aedes albopictus eggs in paddles from ovitraps using deep learning. (17):1987–1994.
Silva, M. A. G. N. M. d., Rodrigues, M. A. A. B., and Araujo, R. E. d. (2012). System for acquisition and processing of ovitraps images to ght dengue. Brazilian journal of biomedical engineering, 28:364 – 374.
Simonyan, K. and Zisserman, A. (2014). Very deep convolutional networks for largeIEEE. Proceedings of the IEEE Conference on Computer scale image recognition. Vision and Pattern Recognition, 28.
Sousa, J. A. and Paiva, A. C. (2014). Contagem automática de ovos de mosquito da dengue em imagem de ovitrampa. In 2014 V Jornada de Informática do Maranhão (JIM), pages 1–4.
Yussof, W., Man, M., Hitam, M., abdul hamid, a. a., Awalludin, E., and Wan Abu Bakar, W. A. (2018). Wavelet-based auto-counting tool of aedes eggs. pages 56–59.
