Os culicídeos formam um grupo numeroso e cosmopolita, presentes em toda a região tropical e temperada do planeta. Os gêneros Aedes, Anopheles e Culex se destacam dentro da família dos culicídeos pela sua importância médica, sendo responsáveis pela transmissão de vários patógenos que causam doenças como febre do Nilo, dengue e malária. A forma mais comum de identificação desses insetos é feita com base nos seus caracteres morfológicos de exemplares adultos, junto de chaves taxonômicas. Entretanto, a sistemática é limitada a poucas diferenças anatômicas entre algumas espécies e gêneros, sendo que em algumas espécies, a diferenciação dos indivíduos adultos se restringe a identificação do órgão sexual masculino. Este conjunto de características podem se perder até chegar às mãos de um taxonomista qualificado para realizar essa identificação da forma precisa. Uma vez que se obtém êxito em identificar corretamente espécies de mosquitos, podemos aplicar a Morfometría Geométrica Alar (WGM) como técnica complementar. Uma inovação que tem crescido dentro do campo da WGM é o uso de inteligência artificial. Podemos citar a aplicação de algoritmos de aprendizado de máquina, tais como redes neurais artificiais (ANN - Artificial Neural Network) capazes de realizar o reconhecimento de padrões em imagens e classificar as amostras baseando-se nas suas características morfométricas. Isso demonstra que a área de WGM pode ser beneficiada pelo uso de ferramentas de processamento de imagens digitais e inteligência artificial. Assim, esse trabalho teve como objetivo desenvolver um modelo de inteligência artificial para classificar espécies de culicídeos através de morfometria de asa. Um total de 180 imagens de asas de 6 espécies de culicídeos dos gêneros Culex, Aedes, Wyeomyia e Anopheles foram utilizadas. Nessas imagens anotamos manualmente as coordenadas dos pontos anatômicos usados na morfometria para a identificação de espécies. Para a obtenção automática dos pontos anatômicos, elaboramos um algoritmo na linguagem Python para o processamento das imagens digitais. Em linhas gerais, as veias alares foram segmentadas e as coordenadas dos pontos presentes nas linhas foram obtidas após afinar as veias a um pixel de espessura. Os marcos anatômicos previamente marcados foram integrados ao processamento com Procrustes gerados a partir do pacote Geomorph, em R. Utilizando filtros morfológicos para filtrar o número de pontos previstos, e distância de Mahalanobis, comparando com os TPS anotados dos espécimes e Procrustes de cada espécie, mostramos ser possível a determinação da similaridade de um espécime com as espécies presentes no banco

Culicids form a numerous and cosmopolitan group, present in tropical and temperate regions worldwide. The genera Aedes, Anopheles, and Culex stand out within the Culicidae family due to their medical importance, as they are responsible for transmitting various pathogens responsible for diseases such as West Nile fever, dengue, and malaria. The most common method of identifying these insects is based on the morphological characteristics of adult specimens, along with taxonomic keys. However, systematic identification is limited to a few anatomical differences between some species and genera. In some species, differentiation of adult individuals is restricted to the identification of the male genital organ. This set of characteristics can be lost until it reaches the hands of a qualified taxonomist capable of making accurate identifications. Once successful in correctly identifying mosquito species, we can apply Wing Geometric Morphometry (WGM) as a complementary technique. An innovation that has grown within the field of WGM is the use of artificial intelligence. We can mention the application of machine learning algorithms, such as artificial neural networks (ANN), capable of pattern recognition in images and classifying samples based on their morphometric characteristics. This demonstrates that the field of WGM can benefit from the use of digital image processing tools and artificial intelligence. Therefore, this study aimed to develop an artificial intelligence model to classify Culicidae species through wing morphometry. A total of 180 wing images from 6 species of Culicidae from the genera Culex, Aedes, Wyeomyia and Anopheles were used. In these images, we manually annotated the coordinates of the anatomical points used in morphometry for species identification. To automatically obtain anatomical points, we developed an algorithm in Python for processing digital images. In general, wing veins were segmented, and the coordinates of the points present on the veins were obtained after "thinning" the veins to one-pixel thickness. The previously marked anatomical landmarks were integrated into the processing with Procrustes generated from the Geomorph package in R. Using morphological filters to filter the number of predicted points and Mahalanobis distance, compared to the annotated TPS of specimens and Procrustes of each species, we demonstrated the possibility of determining the similarity of a specimen to the species in the database