基于深度学习的植物叶片图像分类方法研究开题报告

1. 研究目的与意义

植物学利用高新技术来处理一个老生常谈的问题，植物鉴别。

这种跨学科的方法结合了植物数据，物种概念与算法来分类植物或其部分组织，并着重于新颖的识别方法的设计。这些使用植物数据建模，但可扩展到其他大型存储库和应用程序的方法，在很多领域都是非常重要的研究主题，包括农业，保护，环境影响，天然产物和药物发现以及其他方向。

例如在现代农业中,缺乏有效的杂草控制会显著得影响田地产量.由于环境问题,政府对除草剂的使用限制日益增长。而利用详细的对当前杂草种类及其生长情况的信息,可以使田间除草剂的使用种类和数量减少约40%.而目前大部分的分类工作是由人工进行的，不仅效率底下，且仍然有约5%的错误率。

2. 研究内容和预期目标

近年来，深度学习成为国内外各个领域的研究热点，并且取得了显著突破。

本研究旨在研究并运用卷积神经网络来构建一个准确率较高的植物叶片分类模型。在模型构建中主要内容有以下几个方面：

(1)数据：本次研究计划使用由导师提供的，10000 照片，300 种类，有良好标注的数据集作为目标数据集，并在https://www.kaggle.com/c/leaf-classificationamp; https://www.kaggle.com/c/plant-seedlings-classification两个竞赛的数据集上测试模型的泛化能力。

3. 国内外研究现状

大量的国内外研究形成了植物叶片鉴别中几种常用的特征提取方法。

（1）形状。多数研究使用形状识别技术来模拟和表示叶子的轮廓形状。在一篇最早的论文中，neto等人[3]引入了椭圆傅立叶和判别分析，以根据叶子的形状区分不同的植物种类。接下来，杜等人[4]提出了基于不变矩和质心半径模型的两种形状建模方法。 有人提出结合几何和不变矩以提取叶片的形态结构。形状环境（sc）和定向梯度直方图（hog）也被用于尝试创建叶形描述符。最近，aakif和khan [5]提出使用不同的基于形状的特征，如形态特征，傅里叶描述符和新设计的形状定义特征（sdf）来作为鉴别叶片的手段。尽管该算法在flavia 等基线数据集中显示出其有效性，但sdf高度依赖于叶片图像的分割结果。也有人提出使用手工制作形状（hcs）和规模曲率直方图（hocs）来分析叶子。还有一些研究人员正在将植物识别纳入移动计算技术.

（2）纹理。纹理是植物识别研究的另一个主要领域。它用于根据区域上的像素分布来描述叶子的表面。最早的研究之一将多尺度分形维数应用于植物分类。接下来，cope等人[6]提出在植物纹理分类中使用gabo共现。拉沙德等人[7]采用组合分类器- 学习矢量量化（lvq）和ra-dial基函数（rbf）根据纹理特征对植物进行分类和识别。奥尔森等人[8]提出使用旋转和尺度不变的hog特征集来表示叶子图像内的纹理区域，修改了传统的局部二值模式（lbp）方法来考虑相邻像素之间的结构关系，取代了基本lbp的阈值方法。唐等人[9]引入了一种新的纹理提取方法——基于灰度共生矩阵（glcm）和lbp的组合对茶叶进行分类。

4. 计划与进度安排

2022.11学生选题,确定毕业论文题目

2022.12完成开题报告,收集实验数据集,查阅文献

2022.1-2进行试验

5. 参考文献

1.dyrmann m, karstoft h, midtiby h s. plant species classification using deep convolutional neural network[j]. biosystems engineering, 2016, 151: 72-80.

2.lee s h, chan c s, mayo s j, et al. how deep learning extracts and learns leaf features for plant classification[j]. pattern recognition, 2017, 71: 1-13.

3. neto, jo#227;o camargo, et al. 'plant species identification using elliptic fourier leaf shape analysis.' computers and electronics in agriculture 50.2 (2006): 121-134.