Resumo Os drones tem se tornado uma importante ferramenta tecnológica para auxiliar no combate aos focos de mosquitos. No entanto, as imagens adquiridas por eles são usualmente analisadas de forma manual, podendo consumir muito tempo nas atividades de inspeção. Neste trabalho é proposto um sistema de visão computacional (SVC) para identificação e geolocalização automática de potenciais criadouros do mosquito Aedes aegypti a partir de imagens aéreas adquiridas por drones. O SVC desenvolvido deu origem a um software, cujo núcleo é composto por uma rede neural convolucional (RNC) que apresentou taxas de acerto e mAP-50 (mean average precision) de 0,9294 e 0,9362 nos experimentos realizados com uma base composta por 500 imagens. Esses resultados, comparados com resultados recentes da literatura, corroboram a adequação da RNC para compor o SVC, o qual pode trazer melhorias para a utilização de drones em programas de prevenção e combate de fontes de reprodução de mosquitos.

Abstract Drones have become an important technological tool to help fight mosquito breeding sites. However, the images acquired by them are usually analyzed manually, which can consume a lot of time in inspection activities. In this work, a computer vision system (SVC) is proposed for the automatic identification and geolocation of potential breeding sites of the Aedes aegypti mosquito from aerial images acquired by drones. The developed SVC gave rise to a software, whose core is composed of a convolutional neural network (CNN) that presented rates of recall and mAP-50 (mean average precision) of 0.9294 and 0.9362 in the experiments conducted with a database composed by 500 images. These results, compared with recent results from the literature, corroborate the adequacy of the CNN to compose the SVC, which can bring improvements to the use of drones in programs of prevention and combating mosquito breeding sources.

Este trabalho objetivou a simulação da cinética e a otimização do processo de secagem do malte de milho por meio da técnica Simulated Annealing (SA), para estimação dos parâmetros de temperatura e tempo, tais que mantenham a atividade máxima das enzimas amilases no produto obtido. Para tanto, as sementes de milho germinadas foram secas entre 54-76°C, em um secador convectivo de ar. De tempo em tempo, a umidade e a atividade enzimática foram medidas. Esses dados experimentais foram usados para testar os modelos. A simulação e a otimização do processo foram feitas por meio do método SA, um algoritmo de melhoria randômica, análogo ao processo de têmpera simulada. Os resultados mostram que as sementes estavam secas após 3 h ou 5 h de secagem. Entre os modelos usados, o modelo cinético de difusão da água através das sementes apresentou o melhor ajuste. O tempo e a temperatura de secagem mostraram influência quadrática sobre a atividade enzimática. A otimização usando SA mostrou que a melhor condição de processo foi quando se trabalhou a 54 ºC e entre 5,6 h e 6,4 h. No malte produzido, foram encontrados valores da atividade específica de 5,26±0,06 SKB/mg e umidade residencial de 15,69±0,10%.

Kinetic simulation and drying process optimization of corn malt by Simulated Annealing (SA) for estimation of temperature and time parameters in order to preserve maximum amylase activity in the obtained product are presented here. Germinated corn seeds were dried at 54-76 °C in a convective dryer, with occasional measurement of moisture content and enzymatic activity. The experimental data obtained were submitted to modeling. Simulation and optimization of the drying process were made by using the SA method, a randomized improvement algorithm, analogous to the simulated annealing process. Results showed that seeds were best dried between 3h and 5h. Among the models used in this work, the kinetic model of water diffusion into corn seeds showed the best fitting. Drying temperature and time showed a square influence on the enzymatic activity. Optimization through SA showed the best condition at 54 ºC and between 5.6h and 6.4h of drying. Values of specific activity in the corn malt were found between 5.26±0.06 SKB/mg and 15.69±0,10% of remaining moisture.