News News

Back

Ciência da Computação realiza defesa de dissertação de mestrado

A defesa acontece na quarta-feira (18), às 9h

O Programa de Pós Graduação em Ciência da Computação realiza a defesa de dissertação de mestrado do aluno Geraldo Pires Cordeiro Júnior, no dia 18 deste mês. A defesa acontece via plataforma Google Meet, às 9h. Interessados em assistir entrar em contato com o aluno pelo e-mail gpcj@cin.ufpe.br.
 
Com o título “Reconhecimento de espécies de mosquitos por meio de métodos computacionais inteligentes baseados em aprendizagem profunda”, o trabalho contou com a orientação do professor Leandro Maciel Almeida. A banca examinadora é formada pelos professores Fernando Maciano de Paula Neto (UFPE/Centro de Informática), Rosângela Maria Rodrigues Barbosa (Fiocruz/Centro de Pesquisas Aggeu Magalhães) e Leandro Maciel Almeida (UFPE/Centro de Informática).
 
Resumo
 
As doenças transmitidas por mosquitos vetores expressam um grande perigo à sociedade. Arboviroses como dengue, zika, febre amarela, chicungunha, causaram alto número de mortes nas últimas décadas, além de diminuírem a qualidade de vida das pessoas, causarem outras doenças, como é o caso de microcefalia em recém-nascidos por conta 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 necessária a atuação de um especialista, sendo muitas vezes um trabalho cansativo. Observando a importância da identificação desses vetores e os problemas das atuais técnicas de identificação, esse 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.
Date of last modification: 16/05/2022, 17:23