Abstract:
Este proyecto aborda la identificación y clasificación automática de huevos de mosquito
Aedes aegypti a partir de imágenes, esencial para el control de enfermedades como dengue,
malaria y Zika. Utilizando el modelo de aprendizaje profundo YOLOv8, se logró una precisión
general de 0.854 y una sensibilidad de 0.892. Específicamente, se alcanzó un mAP50 de
0.963 para huevos eclosionados, 0.897 para huevos en canoa y 0.944 para huevos viables.
La solución se implementó en una aplicación web desarrollada en Angular con Bootstrap y
NG-Zorro, permitiendo cargar imágenes y obtener detalles de clasificación y conteo a través
de una API en Roboflow. El modelo fue entrenado con los optimizadores Adam y SGD,
demostrando alta precisión y eficiencia. Aunque hubo desafíos en la clasificación de huevos
en canoa, la herramienta proporciona resultados precisos y confiables, facilitando el trabajo
de los investigadores del Centro de Estudios en Salud, de la Unidad de Entomología Médica
y Malaria, del Instituto de investigaciones de la Universidad del Valle de Guatemala. (LA)
