Sistema Colaborativo de Apoio à Vigilância do Aedes aegypti com uso de YOLOv12 para Detecção em Imagens de Smartphones

• Gustavo V. Castro PUC Minas
• Davidson M. R. Vieira PUC Minas
• Matheus S. F. Costa PUC Minas
• Rafael H. da R. Silva PUC Minas
• Pedro H. T. de Souza PUC Minas
• Felipe A. L. Soares PUC Minas

DOI: https://doi.org/10.5753/sbcas.2026.21625

Resumo

O combate à proliferação do mosquito Aedes aegypti enfrenta barreiras como a dificuldade de inspeção domiciliar presencial. Para mitigar esse problema, este trabalho propõe um sistema de detecção de potenciais criadouros por meio de imagens registradas pelos smartphones dos próprios moradores. Isso visa oferecer uma perspectiva terrestre semelhante à dos agentes de saúde, fortalecendo a proximidade e engajamento da comunidade. As imagens são processadas pelo modelo YOLOv12m e os dados são integrados a um mapa interativo para gestores. A solução demonstrou viabilidade como ferramenta complementar, alcançando precisão de 83,93%, F1-score de 70,68% e recall de 61,04% na identificação de potenciais criadouros.

Referências

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):e0258681.

DATASUS (2024). Casos prováveis por ano 1° sintoma(s) período: 2024–2024. Acesso em: 21 mar. 2025.

Javed, N., López-Denman, A. J., Paradkar, P. N., and Bhatti, A. (2023). Eggcountai: a convolutional neural network-based software for counting of aedes aegypti mosquito eggs. Parasites & Vectors, 16(1):341.

Laranjeira, C., Andrade, D., and dos Santos, J. A. (2023). Yolov7 for mosquito breeding grounds detection and tracking.

Lima, G., Cotrin, R., Belan, P., and Araújo, S. (2021). Sistema de visão computacional para identificação automática de potenciais focos do mosquito aedes aegypti usando drones. RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação, pages 93–109.

Ministério da Saúde do Brasil (2025). Monitoramento das arboviroses. Acesso em: 26 abr. 2025.

Ong, S.-Q., Isawasan, P., Nair, G., and Salleh, K. A. (2024). A novel method for studying mosquito oviposition behaviour using computer vision and deep learning algorithm. In 2024 5th International Conference on Artificial Intelligence and Data Sciences (Ai-DAS), pages 1–6. IEEE.

Passos, W. L., Araujo, G. M., de Lima, A. A., Netto, S. L., and da Silva, E. A. (2022). Automatic detection of aedes aegypti breeding grounds based on deep networks with spatio-temporal consistency. Computers, Environment and Urban Systems, 93:101754.

Sayeedi, M. F. A., Hafiz, F., and Rahman, M. A. (2024). Mosquitofusion: A multiclass dataset for real-time detection of mosquitoes, swarms, and breeding sites using deep learning. In The Second Tiny Papers Track at ICLR 2024.

Tian, Y., Ye, Q., and Doermann, D. (2025). Yolov12: Attention-centric real-time object detectors.

Wilke, A. B. B., Vasquez, C., Carvajal, A., Medina, J., Chase, C., Cardenas, G., Mutebi, J.-P., Petrie, W. D., and Beier, J. C. (2020). Proliferation of aedes aegypti in urban environments mediated by the availability of key aquatic habitats. Scientific Reports, 10(1):12925.

Zara, A. L. d. S. A., Santos, S. M. d., Fernandes-Oliveira, E. S., Carvalho, R. G., and Coelho, G. E. (2016). Estratégias de controle do Aedes aegypti: uma revisão. Epidemiologia e Serviços de Saúde, 25(2):391–404.