随着如今AI行业的高速发展，计算机行业的逐渐成熟，已经有很多传统专业领域开始借助人工智能技术来提高行业效率和准确性，得以实现行业创新和突破。风景园林专业也经过了数十载的数字化的发展，无论是在生产和设计技术方面都在尝试着不断地创新，产生了很多新型的生产设计方式和策略。但是在城市道路景观评价方面还是依赖于专业人员的认知和经验，而且基本都是人工处理和评价的方式，由于人工的介入，存在一定的主观性，面对大量的数据处理效率低，准确度低，故在城市道路景观评价的客观科学性和效率方面都有着很大的发展空间。全卷积神经网络具有强大的学习能力和高效的数据处理能力，应用于解决图像识别处理和数据计算等问题，己经在较多行业得以应用，从其理论基础上来看也可以应用于风景园林专业。

在传统的城市道路绿化定额评价方法中均为基于绿化建设的客观评价，在绿化效果评价方法中均为基于调查问卷和专业经验的主观评价。“绿视率”是能够把人的主观感受与自然环境之间的抽象关系用量化数据具体表达出来的额定指标。基于“绿视率”的理论，本文引用最新的“全景绿视率”的概念。基于人工神经网络技术在图像的识别处理领域的相关理论，来构建语义分割神经网络模型。并对自动识别计算绿视率的算法以及SBE法城市道路景观效果的评价的相关问题进行研究，探讨一种城市道路绿化效果的智能评价方法。本文的主要研究内容及结果如下：

（1）全景绿视率引用和研究，对于传统的绿视率来说，全景绿视率更贴合人的主观视觉感受，更科学合理的反映人与周边环境的绿量视觉关系。通过全景影像的投影转换，将全景图像等积投影处理后，计算等积投影图像中植物面积的占比来得出全景绿视率。

（2）通过对全卷积神经网络（FCN）的网络构建以及相关算法原理的深入学习，本文研究使用了识别能力更强，训练速度更快的UNet神经网络模型，将模型训练和实测。将人工识别植被区域作为标准数据，计算UNet神经网络识别植被区域的IoU。经分析可知，使用UNet对城市道路绿地范围识别的IoU在42.64-85.82%之间，mIoU为67.34%。从绿视率识别计算结果来看，UNet识别计算的绿视率与人工识别计算的差异值在在0.82-21.25%之间，平均差异值为8.61%。准确度为91.39%。验证了UNet神经网络模型的精度和实效性。实现了对城市道路绿量的智能化评价，提高了识别的精确度，显著降低了对城市道路绿化效果评价的成本，综上所述该技术方法切实可行。

（3）通过对桂阳县城市主干道的全景绿视率自动识别计算的结果进行5段评价划分，获得评价结果。本研究使用SBE法对桂阳县城市主干道植物景观进行美景度评价，通过问卷调查、因子评判、数据收集处理分析，得出绿化效果的准确评价结果，将智能评价和SBE法评价结果对比归纳，验证了智能评价方法的可行性、科学性以及准确性。

综上所述，本文基于卷积神经网络语义分割模型对绿视率计量算法从而能自动化更有效地、更准确的计算绿视率，通过实验训练和对比实验，来验证UNet模型的有效性和准确性，可以直接输入道路绿化图像，实验得出图像的绿视率计算结果，从而获得城市道路绿量的科学客观评价，并分析结合SBE法评价结果，为城市道路景观的评价的智能化提供了一定的理论基础和数据支撑。

随着如今AI行业的高速发展，计算机行业的逐渐成熟，已经有很多传统专业领域开始借助人工智能技术来提高行业效率和准确性，得以实现行业创新和突破。风景园林专业也经过了数十载的数字化的发展，无论是在生产和设计技术方面都在尝试着不断地创新，产生了很多新型的生产设计方式和策略。但是在城市道路景观评价方面还是依赖于专业人员的认知和经验，而且基本都是人工处理和评价的方式，由于人工的介入，存在一定的主观性，面对大量的数据处理效率低，准确度低，故在城市道路景观评价的客观科学性和效率方面都有着很大的发展空间。全卷积神经网络具有强大的学习能力和高效的数据处理能力，应用于解决图像识别处理和数据计算等问题，己经在较多行业得以应用，从其理论基础上来看也可以应用于风景园林专业。

在传统的城市道路绿化定额评价方法中均为基于绿化建设的客观评价，在绿化效果评价方法中均为基于调查问卷和专业经验的主观评价。“绿视率”是能够把人的主观感受与自然环境之间的抽象关系用量化数据具体表达出来的额定指标。基于“绿视率”的理论，本文引用最新的“全景绿视率”的概念。基于人工神经网络技术在图像的识别处理领域的相关理论，来构建语义分割神经网络模型。并对自动识别计算绿视率的算法以及SBE法城市道路景观效果的评价的相关问题进行研究，探讨一种城市道路绿化效果的智能评价方法。本文的主要研究内容及结果如下：

（1）全景绿视率引用和研究，对于传统的绿视率来说，全景绿视率更贴合人的主观视觉感受，更科学合理的反映人与周边环境的绿量视觉关系。通过全景影像的投影转换，将全景图像等积投影处理后，计算等积投影图像中植物面积的占比来得出全景绿视率。

（2）通过对全卷积神经网络（FCN）的网络构建以及相关算法原理的深入学习，本文研究使用了识别能力更强，训练速度更快的UNet神经网络模型，将模型训练和实测。将人工识别植被区域作为标准数据，计算UNet神经网络识别植被区域的IoU。经分析可知，使用UNet对城市道路绿地范围识别的IoU在42.64-85.82%之间，mIoU为67.34%。从绿视率识别计算结果来看，UNet识别计算的绿视率与人工识别计算的差异值在在0.82-21.25%之间，平均差异值为8.61%。准确度为91.39%。验证了UNet神经网络模型的精度和实效性。实现了对城市道路绿量的智能化评价，提高了识别的精确度，显著降低了对城市道路绿化效果评价的成本，综上所述该技术方法切实可行。

（3）通过对桂阳县城市主干道的全景绿视率自动识别计算的结果进行5段评价划分，获得评价结果。本研究使用SBE法对桂阳县城市主干道植物景观进行美景度评价，通过问卷调查、因子评判、数据收集处理分析，得出绿化效果的准确评价结果，将智能评价和SBE法评价结果对比归纳，验证了智能评价方法的可行性、科学性以及准确性。

综上所述，本文基于卷积神经网络语义分割模型对绿视率计量算法从而能自动化更有效地、更准确的计算绿视率，通过实验训练和对比实验，来验证UNet模型的有效性和准确性，可以直接输入道路绿化图像，实验得出图像的绿视率计算结果，从而获得城市道路绿量的科学客观评价，并分析结合SBE法评价结果，为城市道路景观的评价的智能化提供了一定的理论基础和数据支撑。