Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Gonçalves, Rodrigo Gurgel | - |
Autor(es): dc.creator | Araújo, Taís Oliveira de | - |
Data de aceite: dc.date.accessioned | 2025-09-01T11:50:55Z | - |
Data de disponibilização: dc.date.available | 2025-09-01T11:50:55Z | - |
Data de envio: dc.date.issued | 2025-05-15 | - |
Data de envio: dc.date.issued | 2025-05-15 | - |
Data de envio: dc.date.issued | 2025-05-15 | - |
Data de envio: dc.date.issued | 2025-02-10 | - |
Fonte completa do material: dc.identifier | http://repositorio.unb.br/handle/10482/52250 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1118677 | - |
Descrição: dc.description | Dissertação (mestrado) — Universidade de Brasília, Faculdade de Medicina, Programa de Pós-Graduação em Medicina Tropical, 2025. | - |
Descrição: dc.description | A identificação de mosquitos vetores é fundamental para o controle de doenças. Estudos de identificação automatizada usando Redes Neurais Convolucionais (CNNs) já foram realizados para alguns mosquitos vetores urbanos, mas ainda não para mosquitos silvestres que transmitem a febre amarela e outras arbovíroses. Avaliamos a capacidade da rede CNN AlexNet de identificar quatro espécies de mosquitos: Aedes serratus, Aedes scapularis, Haemagogus leucocelaenus e Sabethes albiprivus e se há variação na capacidade da AlexNet de classificar mosquitos com base em fotos de quatro regiões diferentes do corpo. Os espécimes foram fotografados usando um telefone celular conectado a um estereoscópio. Foram tiradas fotografias de corpo inteiro, pronoto e vista lateral do tórax, que foram pré-processadas para treinar o algoritmo AlexNet. A avaliação foi baseada na matriz de confusão, na média de acurácia (10 pseudoreplicatas) e no intervalo de confiança de cada experimento. Nosso estudo constatou que o AlexNet pode identificar com precisão imagens de mosquitos dos gêneros Aedes, Sabethes e Haemagogus com mais de 90% de precisão. Além disso, o desempenho do algoritmo não mudou de acordo com as regiões do corpo apresentadas. É importante observar que o estado de preservação dos mosquitos, que muitas vezes estavam danificados, pode ter afetado a capacidade da rede de diferenciar essas espécies e, portanto, as taxas de precisão poderiam ter sido ainda maiores. Nossos resultados apoiam a ideia de aplicar CNNs orientadas por IA para identificação automatizada de mosquitos vetores de doenças tropicais. Essa abordagem pode ser usada na vigilância de vetores da febre amarela pelos serviços de saúde e na vigilância de base comunitária. | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES). | - |
Descrição: dc.description | Identifying mosquito vectors is crucial for controlling diseases. Automated identification studies using Convolutional Neural Network (CNN) have been conducted for some urban mosquito vectors but not yet for sylvatic mosquito vectors that transmit the yellow fever and other arboviruses. We evaluated the ability of the AlexNet CNN to identify four mosquito species: Aedes serratus, Aedes scapularis, Haemagogus leucocelaenus and Sabethes albiprivus and whether there is variation in AlexNet's ability to classify mosquitoes based on pictures of four different body regions. The specimens were photographed using a cell phone connected to a stereoscope. Photographs were taken of the fullbody, pronotum and lateral view of the thorax, which were pre-processed to train the AlexNet algorithm. The evaluation was based on the confusion matrix, the accuracy (10 pseudo-replicates) and the confidence interval for each experiment. Our study found that the AlexNet can accurately identify mosquito pictures of the genus Aedes, Sabethes and Haemagogus with over 90% accuracy. Furthermore, the algorithm performance did not change according to the body regions submitted. It is worth noting that the state of preservation of the mosquitoes, which were often damaged, may have affected the network's ability to differentiate between these species and thus accuracy rates could have been even higher. Our results support the idea of applying CNNs for AI-driven identification of mosquito vectors of tropical diseases. This approach can potentially be used in the surveillance of yellow fever vectors by health services and the population as well. | - |
Descrição: dc.description | Faculdade de Medicina (FM) | - |
Descrição: dc.description | Programa de Pós-Graduação em Medicina Tropical | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Acesso Aberto | - |
Direitos: dc.rights | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | - |
Palavras-chave: dc.subject | Aprendizagem de máquina | - |
Palavras-chave: dc.subject | Aprendizado profundo | - |
Palavras-chave: dc.subject | Redes neurais | - |
Palavras-chave: dc.subject | Febre amarela | - |
Palavras-chave: dc.subject | Mosquitos | - |
Título: dc.title | Aplicação da inteligência artificial para identificação de mosquitos vetores da febre amarela | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional – UNB |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: