Detalhes bibliográficos
Ano de defesa: |
2022 |
Autor(a) principal: |
CORDEIRO JÚNIOR, Geraldo Pires |
Orientador(a): |
ALMEIDA, Leandro Maciel |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Universidade Federal de Pernambuco
|
Programa de Pós-Graduação: |
Programa de Pos Graduacao em Ciencia da Computacao
|
Departamento: |
Não Informado pela instituição
|
País: |
Brasil
|
Palavras-chave em Português: |
|
Link de acesso: |
https://repositorio.ufpe.br/handle/123456789/46727
|
Resumo: |
As doenças transmitidas por mosquitos vetores expressam um grande perigo à sociedade. Arboviroses como Dengue, Zika, Febre Amarela e Chikungunya vem causando alto número de mortes, além de diminuírem a qualidade de vida das pessoas e causarem outras doenças, como é o caso de microcefalia em recém- nascidos, por conta do vírus da Zika, e impactarem a economia. Ações que visem o controle dos vetores se mostraram eficazes no combate a essas doenças. Entretanto, em áreas em que essas doenças são endêmicas, os vetores coexistem com outros mosquitos que não transmitem doenças, sendo essencial a identificação desses mosquitos, para que se possa analisar a densidade e entender mais sobre a população deles; todavia, é necessário a atuação de um especialista, além de muitas vezes ser um trabalho fatigante. Observando a importância da identificação desses vetores e os problemas das atuais técnicas de identificação, este estudo propõe um modelo computacional inteligente para a classificação automática de mosquitos vetores, baseado em imagens. Para isso, foi construída uma base com 5.432 imagens de mosquitos de 3 espécies: Aedes aegypti, Aedes albopictus e Culex quinquefasciatus. Foram utilizadas três redes convolucionais: VGG16, ResNet50 e EfficientNetB0. O modelo de Deep Learning que obteve maior resultado foi a VGG16, com acurácia de 95%, mostrando-se eficiente na identificação das espécies estudadas. |