由于一項新的研究，瞄準攜帶疾病蚊子的地區(qū)變得更容易了。最近發(fā)表在 IEEE 探索 ， 上的這項研究利用深度學習，從公民科學家拍攝的圖像中，以近乎完美的準確度識別老虎蚊子。

“識別蚊子是最基本的，因為它們傳播的疾病仍然是一個重大的公共衛(wèi)生問題，”主要作者 Gerezhier Adhane 說。

這項研究由加泰羅尼亞大學（ UOC ） 計算機科學、多媒體和電信學院 和 電子健康中心 的場景理解與人工智能研究小組（ SUnAI）的研究人員使用 蚊子警報 應用程序中的圖像進行。該平臺在西班牙開發(fā)，目前正在全球擴展，匯集了公民、昆蟲學家、公共衛(wèi)生當局和蚊子控制服務機構，以減少蚊子傳播的疾病。

世界上的任何人都可以將帶有地理標記的蚊子圖片上傳到應用程序中。三位昆蟲學家在將提交的圖像添加到數據庫、分類和繪制地圖之前，對其進行檢查和驗證。

隨著氣候變化和城市化，旅游和口糧擴大了蚊子的活動范圍和棲息地。迅速查明已知傳播登革熱、寨卡病毒、基孔肯雅病毒和黃熱病的老虎等物種，仍然是協(xié)助有關當局遏制其傳播的關鍵一步。

Adhane 說：“這種類型的分析很大程度上依賴于人類的專業(yè)知識，需要專業(yè)人員的合作，通常很耗時，而且由于入侵物種可能會快速繁殖，因此不具有成本效益?！痹谶@里，神經網絡可以作為控制蚊子傳播的實用解決方案發(fā)揮作用?！?/p>

研究小組開發(fā)了一種能夠區(qū)分蚊子種類的深度卷積神經網絡。從一個預先訓練好的模型開始，他們使用手工標記的蚊子警報數據集對其進行了微調。利用 NVIDIA GPU 和 cuDNN – 加速 PyTorch 深度學習框架，根據可識別的形態(tài)特征（如腿上的白色條紋、腹部斑塊、頭部和胸部形狀）教導分類模型精確定位虎蚊。

深度學習模型通常依賴于數百萬個樣本。然而，研究人員僅使用了來自蚊子警報的 6378 張老虎和非老虎蚊子的圖像，就能夠訓練出準確率約為 94% 的模型。

Adhane 說：“我們開發(fā)的神經網絡可以表現得和人類專家一樣好，甚至幾乎一樣好，而且算法足夠強大，可以處理大量的圖像?！薄?/p>

根據研究人員的說法，隨著蚊子警報規(guī)模的擴大，這項研究可以擴展到對全球多種蚊子及其繁殖地進行分類。

“我們開發(fā)的模型可以在實際應用中使用，只需稍作修改，就可以與移動應用一起使用。利用這個經過訓練的網絡，有可能對使用智能手機拍攝的蚊子圖像進行高效實時的預測，” Adhane 說。

關于作者

Michelle Horton 是 NVIDIA 的高級開發(fā)人員通信經理，擁有通信經理和科學作家的背景。她在 NVIDIA 為開發(fā)者博客撰文，重點介紹了開發(fā)者使用 NVIDIA 技術的多種方式。

審核編輯：郭婷