基于Python的花卉识别系统设计与实现开题报告

全文总字数：3100字

1. 研究目的与意义（文献综述）

花卉作为我们平时常见的植物，有着十分丰富的种类，全世界大概有45万种花卉分布在各地，单是我国就有3万多种花卉分布，其中月季花、梅花、桃花、牡丹等是我们耳熟能详的花卉。但还有大多数花卉品种是大众所不熟知的，甚至有些只有专业的植物学家经过繁杂的一系列辨别程序才可以辨别的花卉。花卉识别系统的研究同时也是植物学领域的一个重要课题，开发此花卉识别系统目的在于让没有相关知识背景的人迅速地识别并了解该种花卉的学名、详细资料等。识别系统不仅可以提高植物学家的工作效率，同时也提高大众对各种花卉的认知水平，也保护他们免受一些含有有毒物质的花卉的毒害如夹竹桃、水仙、郁金香等。同时有利于我们对一些不为人熟知的、稀有的花卉品种进行识别和保护，对环境以及生物多样性的保护有着积极意义。

本题目计划基于python及其相关的一系列深度学习框架开发一个可以通过用户上传的花卉图片识别出其花卉种类的花卉识别系统。

花卉识别主要通过深度学习来进行识别分类，从2006年至今，深度学习模型在不断发展，从传统的目标检测算法如支持向量机（svm）、聚类算法等到如今在深度学习中具有代表性的循环神经网络（rnn）、生成对抗网络（gan）、卷积神经网络（cnn）。2012年，hinton及其学生通过alexnet在imagenet分类竞赛中将错误率下降到16%[1]。受其鼓舞，在最近几年中，用于图像识别的深度学习模型快速发展，用于花卉分类的方法也越来越多。liu[2]等人用基于全局对比度的显著性检测算法获取花卉图像的显著图，将显著图与灰度图结合来选取原始花卉图像中的花卉区域，之后运用卷积神经网络来学习花卉区域的特征，最后完成分类。通过在oxford flower-102上实验，准确率为84.02%。angelova[3]等人首先收集了大量的花卉图片并委托植物学家鉴别，再在4个不同级别提取hog特征。然后使用局部线性编码的方法将特征编码为8196维全局特征字典。之后完成编码特征的池化，得到80,000维的特征向量，最后通过svm完成分类。在众多方法当中，吴迪[4]等人提出了使用迁移学习进行花卉识别分类，在oxford flower-102上达到93.38%的准确率。迁移学习是指将一个领域的知识，迁移到另一个领域，使目标领域获得更好地学习效果。由于深度卷积网络具有可迁移性，即卷积神经网络的前几层学习到的是通用的特征，但随着网络层次的加深，卷积神经网络便逐渐检测到图像的特定特征，迁移学习中可以使用前人训练过的模型进行微调或将其当作一个特征提取器为自己的目标服务[5]。这样不仅能缩短模型的训练时间、减轻计算机硬件压力还保证了准确率。

2. 研究的基本内容与方案

本次设计主要目的是设计一个以网页形式呈现的花卉识别应用，可供实际用户使用。在设计中，我需要查询和阅读有关资料，学习掌握深度学习的具体知识，补充计算机视觉的相关知识，深入理解卷积神经网络、梯度下降算法，了解当今行之有效的几种花卉识别系统的原理和设计思路，了解它们的特点，并找到它们之间的差异。在此基础上选择适当的模型和算法设计自己的花卉识别系统并对其进行优化，最后通过网页呈现给用户使用。

鉴于Python在深度学习领域的杰出表现，拟采用Python作为开发语言。拟使用TensorFlow2.0作深度学习框架。由于从头开始训练一个深度卷积网络模型需要花费大量的时间，也需要大量的数据，而且海量的数据对于计算机硬件而言是极大的考验，所以拟使用迁移学习的方法对已经训练好权重的一种或多种模型如AlexNet、VGG-16、GoogLeNet等，用自己的数据集进行参数训练，并进行比较，然后对模型进行优化，探索提高准确率的方法。为呈现给实际用户使用，网页服务器端拟使用Django，前端拟使用HTML和Boostrap框架进行美化。开发工具拟使用PyCharm。开发平台拟使用Windows 10。

3. 研究计划与安排

(1) 2020年1月13日-2020年2月28日：确认选题，查阅相关文献，进行外文翻译，撰写开题报告。

(2) 2020年3月1日-2020年3月31日：学习深度学习以及计算机视觉的相关知识，研究其他花卉识别系统的原理，学习它们使用的优化手段。

(3) 2020年4月1日-2020年4月30日：设计花卉识别系统，并进行优化。实现服务器以及前端，并对整体系统进行测试完善。

4. 参考文献（12篇以上）

引用文献：

[1]陈思聪.深度学习技术及在花卉识别中的应用.信息与电脑

[2]liu y y, tang f, zhou d w, etal. flower class- ification[c].proceedings of the 2^nd internationalconference on image, vision and computing. ieee, 2017 3-787