Otimização na classificação automática de mosquitos adultos: uma investigação com redes neurais convolucionais (CNN)

Abstract

Dengue, chikungunya e Zika são arboviroses transmitidas por mosquitos do gênero Aedes com diversos surtos de doenças no mundo nos dez últimos anos, causando um impacto negativo na saúde pública e danos econômicos em todo o mundo. Atualmente, a identificação morfológica de mosquitos inclui um exame visual individual do inseto, o que demanda tempo elevado para a sua classificação, e, além disso, requer expertise na área (vários anos de experiência do profissional). Outra possibilidade também utilizada, é a classificação a partir de técnicas moleculares, que apesar da elevada precisão, requer um alto grau de investimento, limitando o seu uso. Dentro desta problemática, pesquisadores têm desenvolvido um arsenal de ferramentas para reduzir, prever ou eliminar efeitos causados por esses mosquitos. Com base nesse contexto, neste trabalho, foi desenvolvido um modelo computacional baseado em redes neurais convolucionais (CNN’s) para extrair características de imagens de mosquitos com o objetivo de classificar as espécies de Aedes aegypti, Aedes albopictus e de Culex quinquefasciatus, bem como para detectar mosquitos do gênero Aedes. Dessa forma, para treinar as CNN’s, com o intuito de realizar a classificação morfológica automática dos mosquitos, foi usado um banco de imagens que incluiu 7.561 imagens das três espécies-alvo do estudo e 1.187 imagens de outros insetos. As amostras de mosquitos usadas para captura de imagens foram obtidas a partir do Laboratório de Parasitologia da Universidade Federal da Bahia (UFBA) e também coletadas em campo (Salvador, Bahia, Brazil). Diferentes redes neurais, incluindo LeNet, AlexNet, GoogleNet, Xception e DenseNet, foram utilizadas para o desenvolvimento do modelo de classificação automática a partir de imagens. Um processo estruturado de pesquisa aleatória e pesquisa exaustiva foi desenvolvido para otimização dos hiperparâmetros na busca do aumento da acurácia do modelo. Estratégias de eliminação de overfitting foram empregadas computacionalmente, visando a maior generalização do modelo proposto. O modelo otimizado foi testado para as atividades de classificação dos mosquitos-alvo do estudo e para detecção do gênero Aedes, obtendo o resultado de acurácia balanceada global de 93,5% para classificação e de 97,3% para detecção. Uma investigação sobre a influência do ângulo do mosquito na imagem foi conduzida para orientar sobre a maneira mais adequada para aquisição das imagens. Os resultados fornecem informações fundamentais para a classificação morfológica automática de espécies de mosquitos. A incorporação do modelo em uma poderosa ferramenta entomológica é um recurso valioso e acessível para profissionais de saúde e outros não especialistas para a identificação de insetos que podem transmitir agentes infecciosos para seres humanos.

ABSTRACT:

Dengue, chikungunya and Zika are arboviruses transmitted by mosquitos of the genus Aedes with several outbreaks in world over the past ten years, causing a negative impact on public health and economic damages worldwide. Currently, morphological identification of mosquitos includes an individual visual examination of the samples, which is time consuming and requires adequately trained professionals with several years of experience. Another possibility also used is the classification from molecular techniques, which, despite its precision, requires a high degree of investment, limiting its use. Within this problem, researchers have developed an arsenal of tools to reduce, predict or eliminate effects caused by these mosquitoes. In this context, in this work a computational model based on convolutional neural network (CNN) was developed to extract features from mosquito images and classify the species Aedes aegypti, Aedes albopictus and Culex quinquefasciatus, as well as to detect mosquitoes of the genus Aedes. Thus, to train the CNN’s to perform automatic morphological classification of mosquitoes, a dataset was structured, that included 7,561 images of the three target mosquitoes of the study and 1,187 images of other insects. The mosquito samples used for image capture were obtained from the Parasitology Laboratory of the Federal University of Bahia (UFBA) and also collected in the field (Salvador, Bahia, Brazil). Different neural networks, including LeNet, AlexNet, GoogleNet, Xception e DenseNet, were used for the development of the image based automatic classification model. A structured random search and grid search was developed to optimize the hyperparameters in order to increase the accuracy of the model. Strategies to eliminate overfitting were also implemented, aiming at greater generalization of the proposed model. The optimized model was tested for the classification task of the target mosquitoes and for the detection task of the genus Aedes, obtaining the overall balanced accuracy of 93.5% for classification and 97.3% for detection. An investigation about the influence of the angle of the mosquito on the image was conducted to guide the appropriate way to acquire the images. The results provide fundamental information for the automatic morphological classification of mosquito species. The use of CNN embedded in an entomological tool is a valuable and accessible resource for health workers and other non-taxonomists for the identification of insects that can transmit infectious agents to humans.