Modelos de visión artificial para la identificación de la flora mediterránea: un análisis en cuatro ecosistemas

Área de la Ciencia:

• Ecología
• Visión por computadora
• Seguimiento de la biodiversidad

Sus antecedentes:

• La identificación de objetos es crucial para muchas aplicaciones, pero la identificación de especies vegetales en entornos naturales sigue siendo poco investigada.
• Los hábitats naturales son vitales para la biodiversidad y la salud de los ecosistemas, por lo que se requieren estrategias de seguimiento eficaces.
• La identificación de especies vegetales clave ayuda a salvaguardar estos ecosistemas críticos.

Objetivo del estudio:

• Evaluar cuantitativamente el rendimiento de seis modelos populares de detección de objetos para la identificación de especies vegetales en la naturaleza.
• Evaluar la eficacia del modelo en diversos hábitats naturales, incluidos los pantanos, las dunas, los pastizales y los bosques.
• Investigar el impacto del ajuste fino de modelos previamente entrenados en un conjunto de datos personalizados para aplicaciones ecológicas mejoradas.

Principales métodos:

• Se recogió un conjunto de datos de especies de plantas silvestres de cuatro hábitats distintos, utilizando tanto operadores humanos como el robot cuadrúpedo ANYmal C.
• Se seleccionaron seis modelos de detección de objetos: dos de una etapa (RetinaNet, YOLOv8n), dos de dos etapas (RCNN más rápido, RCNN en cascada) y dos basados en transformadores (DETR, DETR deformable).
• Los modelos previamente entrenados se ajustaron en el conjunto de datos recopilados, con experimentos que involucraban el equilibrio de clases y el ajuste de hiperparámetros.

Principales resultados:

• El estudio proporciona una evaluación cuantitativa del rendimiento de los seis modelos de detección de objetos en el conjunto de datos de diversas especies vegetales.
• Los resultados ponen de relieve la eficacia de los modelos afinados en la identificación de diversas especies de plantas en diferentes hábitats naturales.
• Las variaciones de rendimiento entre detectores de una etapa, de dos etapas y basados en transformadores se analizan en el contexto de los datos ecológicos.

Conclusiones:

• Los modelos de detección de objetos son prometedores para la identificación automatizada de especies vegetales en hábitats naturales, crucial para la biodiversidad y la investigación ecológica.
• El ajuste fino de los modelos previamente entrenados mejora significativamente el rendimiento para esta aplicación ecológica específica.
• Los hallazgos ofrecen información valiosa para desarrollar sistemas sólidos para el monitoreo del hábitat y los esfuerzos de conservación.