Marco de Aprendizaje Profundo Híbrido para la Clasificación de Alta Precisión de Especies de Puffball Morfológicamente Similares Usando Arquitecturas CNN y Transformer
Autores: Kumru, Eda; Ugurlu, Güney; Sevindik, Mustafa; Ekinci, Fatih; Güzel, Mehmet Serdar; Acici, Koray; Akata, Ilgaz
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Marco de Aprendizaje Profundo Híbrido para la Clasificación de Alta Precisión de Especies de Puffball Morfológicamente Similares Usando Arquitecturas CNN y Transformer
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Biología
Palabras clave
Bolas de humo
Inteligencia artificial
Modelos de aprendizaje profundo
Modelo ConvNeXt-Base
Identificación de hongos
Especies morfológicamente similares
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 18
Citaciones: Sin citaciones
Los puffballs a menudo parecen muy similares entre sí, lo que dificulta la identificación visual. En este estudio, se empleó inteligencia artificial, específicamente modelos de aprendizaje profundo, para identificar automáticamente ocho especies diferentes de puffballs a partir de imágenes. Se probaron cinco modelos populares y, entre ellos, el modelo ConvNeXt-Base arrojó los resultados más precisos, identificando especies con un 95% de precisión. Este modelo fue particularmente efectivo para distinguir especies que suelen ser difíciles de diferenciar. Los hallazgos indican que la inteligencia artificial ofrece una herramienta valiosa para facilitar la identificación precisa y eficiente de hongos, incluso entre especies morfológicamente similares. Este enfoque tecnológico tiene un potencial significativo para apoyar a investigadores, naturalistas aficionados y profesionales de la conservación en la superación de los desafíos de los métodos de identificación tradicionales.
Descripción
Los puffballs a menudo parecen muy similares entre sí, lo que dificulta la identificación visual. En este estudio, se empleó inteligencia artificial, específicamente modelos de aprendizaje profundo, para identificar automáticamente ocho especies diferentes de puffballs a partir de imágenes. Se probaron cinco modelos populares y, entre ellos, el modelo ConvNeXt-Base arrojó los resultados más precisos, identificando especies con un 95% de precisión. Este modelo fue particularmente efectivo para distinguir especies que suelen ser difíciles de diferenciar. Los hallazgos indican que la inteligencia artificial ofrece una herramienta valiosa para facilitar la identificación precisa y eficiente de hongos, incluso entre especies morfológicamente similares. Este enfoque tecnológico tiene un potencial significativo para apoyar a investigadores, naturalistas aficionados y profesionales de la conservación en la superación de los desafíos de los métodos de identificación tradicionales.