基于深度学习的树叶识别研究开题报告

全文总字数：1488字

1. 研究目的与意义

植物是地球上一种重要的生命形式，它们分布广泛，种类繁多是自然界维持正常运转的重要元素，绿色植物通过光合作用产生大量氧气，维持地球上氧气平衡并对臭氧层的形成与修复起到关键作用，为其他物种的生命得以不断进化创造条件。

而狭义上的农业即种植业，此为人类最为重大和最重要的经济活动之一，基于此，对于植物进行识别分类对于提升农业生产，维持地球生物多样性，维持自然界生态平衡等多方面都具有着极为重要的意义。

而据推测，地球上现存约有450000种植，据统计，直至2017年，有约381910个物种已被描述和命名，与此同时，仍不断有新的物种被发现，仅2016年就有近2000种新的物种被发现。

2. 国内外研究现状分析

现阶段，对植物的分类识别多依靠植物学家或相关行业内研究人员人工进行归纳分类，其很大程度上依赖于学者本身的知识积累及相关经验，效率低下且存在较大盲目性，不能够被广泛使用。

近年来，作为计算机视觉领域重要应用之一的基于图像的识别技术正不断发展，基于图像对植物进行识别分类当下作为植物信息学研究热点，是目前国内外许多学者的研究方向。

在国内由龚丁禧等人基于卷积神经网络提出了一种可以直接在二维图像上对植物叶片进行自动特征学习与分类的方法，在swedish叶片数据集上识别正确率高达99.56%由邓立苗等人基于svm和神经网络方法构建了一个玉米叶片外观特征提取与识别系统。

3. 研究的基本内容与计划

～4月中旬 通过学习相关视频、书籍等方式掌握相关基本理论原理，达到以下三个目标：1，基本了解神经网络原理2，基本了解深度网络原理3，基本了解对抗网络原理4月中旬～5月初1，在个人电脑上或通过租用相关云服务的方式搭建基本框架，初步了解并练习相关框架的使用方法2，下载如MNIST等常见数据集，建立一个基本的识别系统3，收集多个不同规模不同类型的树叶图像数据集4，在服务器上搭建相关环境5月初至5月中旬不断优化调试，逐渐提升识别速度及精度

4. 研究创新点

相较于传统基于叶片的植物图像识别分类系统，需要专业人士对图像进行辨识，且都基于对某特定特征进行识别，对于具体数据集可能有较高识别率，但在其他数据集可能识别率会大大下降。

且对于具有复杂背景的叶片图像时，传统的分类系统往往不能达到较高精度。

而通过采用深度学习算法的系统则可在一定程度上避免以上问题，这主要是由于系统可以通过不断地训练自主去寻找特征，摆脱了传统分类系统的诸多限制，不但能够提高植物图像识别的效率，节省开支，识别速度及精度也都将有很大提升。