基于叶片图像的植物品种识别开题报告

全文总字数：4704字

1. 研究目的与意义（文献综述）

植物品种分类是一项具有长远意义的重要基础工作,有利于更好地认识与利用植物资源和进行植物育种。尽管是训练有素的植物学家，对植物品种识别的准确率也不是很高，因此亟需开发一种简单、准确的方法进行植物品种识别。品种识别一般是根据植物的外部形态特征得以实现，植物不同品种的叶片在纹理、颜色和形状等方面具有明显的差异，随着计算机视觉和图像学的快速发展，利用人工智能方法研究基于叶片特征的植物品种识别是一种简单而有效的方法^[1]。此方法能够很大程度上降低了植物品种识别的难度，极大地提升相关工作人员的工作效率，有利于保护植物种质资源。

国内外的研究人员早已进行了许多关于植物品种识别的研究，并取得了一定的成果。国外相关研究开始较早，提取的特征也较为全面。例如，早在1986年，ingrouille等提取了橡树的27种叶片形状特征，利用主成分分析(pca算法)对橡树进行了分类^[2]。abbasi等通过叶片轮廓的曲率尺度空间图像，使用多尺度分析技术对40种菊花的400幅图像进行测试，获得了较好的效果^[3]。2004年，mokhtarian等人将对叶片进行 css形式表示并和自相交二维轮廓结合，然后进行css的匹配，对12个品种的菊花叶片图像进行了分类实验。2013年，charles等人建立了叶片数据测试库，提取了叶片的形状、纹理以及边缘特征，发现将三个特征结合时识别率最高可提高到96%。2015年，zhao等人提出了一种模式计数法来识别简单叶和复合叶，主张通过计算叶子形状模式来识别叶片，而不是匹配它们的形状^[4]。2016年，grinblat等人使用深度卷积神经网络（cnn）来实现对白豆、红豆和大豆的识别与分类^[5]。2017年，lee等人研究表明使用深度学习技术混合局部和全局特征可以提高识别性能^[6]。2018年，chaki等人提出了一种用于选择叶片特征的形状选择模板（fsst）^[7]，同年，wldchen等人使用计算机视觉技术对植物自动识别进行了研究^[8]。

国内的相关研究开展较晚，始于1994年傅星等人利用计算机进行植物分类，实现了使用计算机对植物性状进行自动提取和分类^[9]。董洪斌等人（1996）利用专家系统对蔷薇科植物进行了简单的分类。傅弘等（2004）利用神经网络准确的提取了叶脉图像，为利用模式识别进行叶片识别提供一些参考。2009年，侯铜等人利用叶片轮廓计算得到叶片的矩形度、圆形度、偏心率等几何特征和多个图像不变矩作为特征值，利用神经网络进行分类识别，实现了92%的识别率^[10]。张善文等在 2010 年提出一种鲁棒的监督流形学习算法对植物叶片分类，降低了识别算法的计算复杂度^[11]。

2. 研究的基本内容与方案

2.1研究内容

1) 图像数据集的构建

3. 研究计划与安排

1.进度安排

4. 参考文献（12篇以上）

[1].恩德， 忽胜强． 基于集成神经网络的植物叶片识别方法［j］．浙江农业学报，2015， 27( 12) :2225 － 2233．

[2].ingrouillem j， laird s m. aquantitative approach to oak variability in some north london woodlands ［j］. lond nat， 1986，65：35 － 46.

[3].abbasis， mokhtarianf. reliable classification of chrysanthemum leaves through curvature ［m］// ［n. s.］. pro-ceedings of the firstinternational conference on scale-space theory in computer vision. london： springer verlag，1997：284 － 295.