1. 研究目的与意义
植物在人类生活中扮演着非常重要的角色，对各种植物分门别类地建立数据库，利用计算机视觉方法自动识别植物[1,2]，对植物进行方便的管理和保护意义重大。 在植物形状分类学中，根据植物的花、叶的形状 分为不同类别。在自然界中，通常花的形状结构是三维的，分析起来比较复杂，而叶片的形状结构一般都是近似二维的，比较容易处理。而且花期一般较短，不容易采集，叶片则一年四季都可以见到，较易采集。正是基于上述原因，叶片常被作为植物分类的依据。 多年来，已经有许多植物学家和学者对基于叶片的植物识别进行了深入研究。尽管经过长足的发展，对植物分类方法的研究已 经取得了许多鼓舞人心的进展，但是依然存在各种各 样的问题。传统的植物叶片分类方法一般采用两步 法：第一步，从输入的叶片图像中计算出人为设置的特征；第二步，根据得出的特征去训练一个分类器，用于测试数据的分类。这种方法表现的好坏很大程度上取决于人为选择的特征是否合理，而人在选择特征时往往都是靠经验，据有很大的盲目性。虽然现在利用人为设置的特征进行分类也取得了较好的结果，但是这些特征都是针对特定数据设计的，如果用同样的特征来处理不同的数据集，结果可能大相径庭，因此这种特征具有不可迁移性。为了解决上述问题，本篇论文提出了一种可以直接在二维图像上进行自动特征学习与分类的方法，很好地解决了传统植物叶片分类方法的缺陷。
2. 研究内容和预期目标
2.1研究内容
基于图像特征的植物分类和识别是目前植物学的研究热点。 近年来,国内外学者对基于图像分析的叶片识别进行了研究。基于卷积神经网络的深度学习算法,可以自主学习叶片特征减少人工干预,对于复杂背景叶片图像能排除噪声干扰等,提高图像识别效率。 本课题的研究方向是使用基于卷积神经网络算法构建了一个深度学习叶片识别系统,并且利用叶片库及自主扩展的植物叶片数据来训练样本数据,提高植物种类的识别率。 为了提高识别率,本文对单一背景和复杂背景的叶片图像分别给出了图像预处理方案,并将基于深度学习的识别系统与 SIFT 算子和叶片图像特征的多分类器识别系统进行对比分析,这些措施的目的是验证算法的有效性。
2.2拟解决的关键问题
3. 国内外研究现状
形状、纹理和脉络是最常用于区分不同物种叶子的特征。
（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[3]等人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[12]等人提出了基于不变矩和质心半径模型的两种形状建模方法。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[4,5]。近年来，Aakif和Khan [13]提出使用不同的基于形状的特征，如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 [21]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。霍尔[7]等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。赵[14]等人提出了一种新的基于计数的形状描述符，即独立IDSC（I-IDSC）特征，用于识别简单和复合叶子。除了研究叶片的整个形状轮廓外，一些研究[23,15]分析了物种分类的叶片边缘。还有一些研究人员正在将植物识别纳入移动计算技术，如Leafsnap[7] 和Aplea fi[16]。
4. 计划与进度安排
2022年12月：与导师讨论研究的方向并确定论文的题目，并提交开题报告
2022年1-2月：收集和查阅论文所需的资料，集中和整理资料，撰写论文的详细提纲。
2022年3月上旬—4月上旬：查阅相关期刊、论文等文献资料，分析研究内容的研究现状整合自己的想法，完成论文的初稿。
5. 参考文献
[1]方伟, 刘恩德. 经典植物分类学的发展与iFlora[J]. 植物分类与资源学报, 2012, 34(6):532-538.
[2]汪默英. 植物搜索引擎在植物分类学中的应用初探[J]. 北京农业, 2014(15).
[3] J.C. Neto, G.E. Meyer, D.D. Jones, A.K. Samal, Plant species identification using elliptic fourier leaf shape analysis, Comput. Electron. Agric. 50 (2) (2006)
以上是毕业论文开题报告，课题毕业论文、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。
