Inspiration
La proliferación del mosquito Aedes aegypti, transmisor del dengue, representa un desafío crítico para la salud pública. La detección temprana de sus huevos es clave para aplicar medidas de control efectivas. OviScan nace como una solución tecnológica que automatiza la identificación y clasificación de estos huevos a partir de imágenes recolectadas con ovitrampas.
What it does
OviScan es una aplicación web que permite subir imágenes de ovitrampas para detectar la presencia de huevos de Aedes aegypti. Utiliza visión por computadora para analizar las imágenes y clasificar visualmente los huevos, facilitando así el monitoreo y la toma de decisiones sanitarias en zonas vulnerables.
How we built it
El desarrollo de OviScan combina tecnologías web modernas con herramientas de visión por computador. Se construyó una interfaz intuitiva para la carga y visualización de imágenes, y se entrenó un modelo de detección para identificar huevos en distintas condiciones. La solución está optimizada para usarse tanto en entornos de laboratorio como en campo.
Challenges we ran into
Algunos de los principales retos fueron:
Lograr precisión en la detección, considerando imágenes con ruido, iluminación variable y baja resolución.
Reducir los falsos positivos y negativos durante el entrenamiento del modelo.
Crear una interfaz accesible que no requiera conocimientos técnicos por parte del usuario final.
Accomplishments that we're proud of
Desarrollamos un prototipo funcional capaz de identificar huevos con alta precisión.
Logramos una herramienta sencilla y directa, que facilita el trabajo de técnicos sanitarios y personal en campo.
Integramos la inteligencia artificial en un contexto real y socialmente relevante.
What we learned
Durante este proceso, aprendimos a:
Integrar visión computacional en una solución práctica.
Optimizar flujos de trabajo entre la carga de imágenes y la inferencia del modelo.
Diseñar experiencias de usuario centradas en la claridad y la utilidad en contextos no técnicos.
What's next for OviScan
Nuestros próximos pasos incluyen:
Mejorar el rendimiento del modelo con más datos de entrenamiento y validación.
Incorporar mapas geográficos con reportes automatizados por zona.
Desarrollar una versión móvil para facilitar su uso en campo sin necesidad de conexión constante.
Built With
- google-cloud
- nextjs
- python
- supabase
- tailwind
Log in or sign up for Devpost to join the conversation.