全文总字数：3472字
1. 研究目的与意义（文献综述）
图像是人类获取信息的重要途径，而相机是获得图像的主要手段。使用计算机进行图像识别,在众多行业发挥着重要的作用,是当前研究的热门课题。传统的图像识别技术采用人工选择特征,使用模式匹配、线性分类等算法进行图像识别,识别的准确率十分依赖于所选特征的质量,很难提取到可以表达原始数据本质的特征。深度学习方法用于图像识别,相对于传统方法有很大优势,常用的方法是构建深度神经网络,使用一定量的数据进行训练,深度神经网络会自动提取图像的特征,达到较好的识别结果。卷积神经网络是深度学习应用于图像识别的关键网络,通过构建卷积神经网络,可以逐层提取图像的特征。
图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。文字识别的研究是从1950年开始的，一般是识别字母、数字和符号，从印刷文字识别到手写文字识别，应用非常广泛。数字图像处理和识别的研究开始于1965年。数字图像与模拟图像相比具有存储，传输方便可压缩、传输过程中不易失真、处理方便等巨大优势，这些都为图像识别技术的发展提供了强大的动力。物体的识别主要指的是对三维世界的客体及环境的感知和认识，属于高级的计算机视觉范畴。它是以数字图像处理与识别为基础的结合人工智能、系统学等学科的研究方向，其研究成果被广泛应用在各种工业及探测机器人上。现代图像识别技术的一个不足就是自适应性能差，一旦目标图像被较强的噪声污染或是目标图像有较大残缺往往就得不出理想的结果。图像识别问题的数学本质属于模式空间到类别空间的映射问题。目前，在图像识别的发展中，主要有三种识别方法：统计模式识别、结构模式识别、模糊模式识别。图像分割是图像处理中的一项关键技术，自20世纪70年代，其研究已经有几十年的历史，一直都受到人们的高度重视，至今借助于各种理论提出了数以千计的分割算法，而且这方面的研究仍然在积极地进行着。
2. 研究的基本内容与方案
本系统使用深度学习技术进行图像识别，同时可以辅助深度学习研究人员进行图像识别研究。通过配置后可以使用深度学习技术对图像数据集进行研究，可以在系统中实时查看运行结果，对识别的结果分类整理后展示，帮助研究人员调整算法。用户可以在不用编程的情况下使用该系统。
在国外，google、microsoft、 facebook等公司将深度学习技术作为公司发展的重要技术之一，甚至针对深度学习技术研发了一系列的深度学习框架，如：goolgle公司研发的tensorflow，microsoft 公司研发的cntk，facebook公司研发的torch，fchollet 公司研发的keras，dmlc研发的 mxnet 以及blvc（berkeley vision and learning center）和社区贡献者共同研发的caffe等，这些深度技术框架主要应用于图像识别分类、手写字识别、语音识别、预测、自然语言处理等方面。正是由于上述深度学习框架的提出与应用， 促进了深度学习技术的快速发展。
本系统计划使用tensorflow框架，此框架具有兼容性好，易学，易扩展，支持并行运算，提供了可视化工具支持多种编程语言以及支持细粒度网络层，方便调试复杂的计算图模型等优点，主要开发语言选择python，操作系统为windows。
3. 研究计划与安排
2020/1/7—2020/2/23：查阅参考文献，明确选题；
2020/2/24—2020/3/7：进一步阅读文献，并分析和总结；确定技术路线，完成并提交开题报告；
2020/3/8—2020/4/26：需求分析，算法或系统设计，分析、比较或实现等；
4. 参考文献（12篇以上）
夏长林.深度学习在图像识别中的应用[j].电脑知识与技术,2019,15(33):185-186.
李春晓,尹振红.深度学习在图像识别中的应用研究[j].卫星电视与宽带多媒体,2019(19):37-38.
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
