Development of an artificial intelligence system for detection and classification of aedes aegypti on a low-cost embedded device

Abstract

A vigilância epidemiológica do Aedes aegypti é um componente crítico na prevenção de arboviroses como dengue, Zika e chikungunya. No entanto, os métodos tradicionais de identificação manual são trabalhosos, demorados e difíceis de escalar. Este trabalho desenvolve um sistema de visão computacional embarcado e em tempo real para a detecção e classificação automática das espécies: Aedes aegypti, Aedes albopictus e Culex quinquefasciatus, otimizado para dispositivos de borda de baixo custo, especifi camente uma Raspberry Pi 4. Um conjunto de dados abrangente de 85.296 imagens, representando 753 espécimes únicos de mosquitos, foi coletado e curado em duas fases e locais distintos para garantir a diversidade biológica. Para abordar o problema crítico do “Aprendizado de Atalho” (Shortcut Learning), onde os modelos se ajustam excessivamente às características do fundo em vez da morfologia do mosquito, um rig oroso protocolo de normalização de fundo foi desenvolvido e validado. Essa estratégia provou-se essencial para garantir a capacidade de generalização do modelo. O sis tema proposto utiliza uma sequência de Redes Neurais Convolucionais (CNNs). Para a detecção de objetos, o modelo YOLOv8n alcançou uma Precisão Média (mAP@0.5) de 99,44%. Para a classificação de espécies, a arquitetura YOLOv8n-cls atingiu uma acurácia de teste de 98,18%, distinguindo com sucesso as espécies morfologicamente semelhantes do gênero Aedes. O pipeline completo foi otimizado para o dispositivo embarcado utilizando o framework NCNN, alcançando uma latência de inferência de 3,3 segundos para classificação. Os resultados demonstram que a vigilância veto rial automatizada de alta precisão é viável em hardware acessível, oferecendo uma solução escalável para o monitoramento de saúde pública.

Epidemiological surveillance of Aedes aegypti is a critical component in preventing ar boviruses such as dengue, Zika, and chikungunya. However, traditional manual iden tification methods are labor-intensive, time-consuming, and difficult to scale. This work develops an embedded, real-time computer vision system for the automatic detection and classification of the species Aedes aegypti, Aedes albopictus, and Culex quinque fasciatus, optimized for low-cost edge devices, specifically a Raspberry Pi 4. A com prehensive dataset of 85,296 images, representing 753 unique mosquito specimens, was collected and curated in two distinct phases and locations to ensure biological di versity. To address the critical problem of Shortcut Learning, where models overfit to background features rather than mosquito morphology, a rigorous background normal ization protocol was developed and validated. This strategy proved essential to ensure the model’s generalization capability. The proposed system employs a sequence of Convolutional Neural Networks (CNNs). For object detection, the YOLOv8n model achieved a Mean Average Precision (mAP@0.5) of 99.44%. For species classifica tion, the YOLOv8n-cls architecture achieved a test accuracy of 98.18%, successfully distinguishing the morphologically similar species of the Aedes genus. The complete pipeline was optimized for the embedded device using the NCNN framework, achiev ing an inference latency of 3.3 seconds for classification. The results demonstrate that high-precision automated vector surveillance is feasible on affordable hardware, offer ing a scalable solution for public health monitoring.