El análisis del diseño del paisaje y la selección de plantas bajo el aprendizaje profundo

Área de la Ciencia:

• Ciencias de la computación
• Inteligencia artificial
• Arquitectura del paisaje

Sus antecedentes:

• El diseño tradicional del paisaje se basa en la selección e identificación manual de plantas.
• Los métodos actuales carecen de eficiencia y precisión en el manejo de datos visuales complejos.
• La digitalización y los sistemas inteligentes ofrecen un potencial para mejorar los procesos de diseño del paisaje.

Objetivo del estudio:

• Desarrollar y evaluar un marco de aprendizaje profundo para el reconocimiento automatizado de imágenes de hojas de plantas (PLIR) en el diseño de paisajes.
• Mejorar la eficiencia y la calidad de la selección de plantas y la clasificación de elementos paisajísticos.
• Contribuir a la digitalización y el avance inteligente de la arquitectura del paisaje.

Principales métodos:

• Propuso un nuevo marco que integra la red neuronal convolucional (CNN) y la red totalmente convolucional (FCN).
• Incorporación de la fusión de características a escala múltiple, mecanismos de atención y tecnologías de detección de objetos.
• Aprendizaje de transferencia adaptativo por dominio y una función de pérdida ponderada por región para una mayor precisión y robustez.

Principales resultados:

• El modelo FCN mejorado mejoró la precisión de clasificación en un 4,5% en el conjunto de datos Sift Flow.
• La precisión del PLIR de grano fino aumentó en un 4,8% con el marco propuesto.
• La detección de objetos combinada y la segmentación basada en FCN lograron un 90,4% y un 88,7% de precisión, respectivamente.

Conclusiones:

• El marco de aprendizaje profundo mejora significativamente la clasificación de elementos del paisaje y el reconocimiento de hojas de plantas.
• La integración de técnicas avanzadas de DL ofrece una solución robusta para el diseño inteligente del paisaje.
• Esta investigación proporciona apoyo técnico para la conservación de la biodiversidad y la planificación urbana sostenible.