28/02/2024
Redação: Redação/ Rede 98
Imagem: Arquivo/Agência Brasil
Pesquisadores do Departamento de Ciência da Computação (DCC) da UFMG, da Universidade de São Paulo (USP) e da Universidade de Sheffield, no Reino Unido, aprimoraram um software que utiliza a Inteligência Artificial (IA) para identificar focos de dengue com base em imagens aéreas.
“Por meio de mosaicos de imagens obtidas por uma câmera transportada por veículos aéreos não tripulados, desenvolvemos algoritmos baseados em aprendizado profundo para detecção de caixas d’água e piscinas. Um modelo de detecção de objetos, inicialmente criado para áreas de Belo Horizonte, foi aprimorado com técnicas de transferência de aprendizagem, que nos permitiu detectar objetos em Campinas com menos amostras e mais eficiência”, afirma o coordenador dos estudos, o professor Jefersson Alex dos Santos, do DCC, e da Universidade de Sheffield.
Índice de Condição de Premissa
A mais recente etapa do experimento foi realizada em Campinas, no estado de São Paulo. Em 200 quarteirões pesquisados, foram visitadas as construções e medidos os três componentes do chamado Índice de Condição de Premissa (PCI): construção, quintal e sombreamento, além das condições das fachadas e outras características. Os resultados do estudo foram descritos no artigo Automatic mapping of high-risk urban areas for Aedes aegypti infestation based on building facade image analysis, que ainda está em revisão. No entanto, os experimentos realizados indicam avanços para otimizar recursos no combate ao Aedes aegypti.
“Treinamos uma rede neural profunda com as fotos tiradas, criando um modelo computacional capaz de examinar as fachadas dos edifícios. Avaliamos o PCINet em um cenário que iguala uma situação real de grande escala, na qual o modelo poderia ser implantado para monitorar automaticamente quatro regiões de Campinas”, informaram os autores do artigo.
Segundo os cientistas, os bons resultados obtidos com o PCINet e as boas correlações das condições da fachada com os componentes do PCI demonstraram a confiabilidade da metodologia para classificar as condições dos edifícios sem visitá-los fisicamente.
(Com informações da Assessoria de Imprensa UFMG)