1. 研究目的与意义（文献综述）

1.1、研究背景及意义

地球上植物种类繁多，多样性丰富，已发现的植物总数约有50多万种。我国幅员辽阔，植物资源丰富，种子植物30000余种，隶属于3400余属，301科。植物为人类提供了丰富的生态资源，是人类赖以生存和发展的物质基础。因此，对于植物的分类和识别是十分必要的。而实现植物叶片的自动识别，对于植物的管理和保护有着重要意义。

随着现代科学技术的发展，由计算机视觉研究发展而来的植物识别系统帮助植物学家更快的识别未知的植物种类。计算植物学将植物数据和物种概念结合到一起，利用计算机方法对植物或部分植物分类。

由于植物叶片具有容易采集保存、生理特征明显等优点，因此在植物分类学中，叶片常被作为植物分类的重要依据。此外，植物叶片关键特征的自动提取及发现对于植物性状识别及育种研究工作具有重要意义。

2. 研究的基本内容与方案

2.1、基本内容

首先使用卷积神经网络（cnn）来学习叶子图像的健壮的表征。然后通过特征可视化技术深入地探索、分析和理解特征子集；基于研究结果分析，为叶子数据提供一个新的全局-局部特征提取模型，并证明新的特征提取模型可以进一步提高植物分类系统的识别能力；最后，集成一套能够运行于windows环境或者android环境的植物叶片识别系统原型。

2.2、目标

基于研究成果，设计一个新的基于cnn方法的混合全局-局部特征提取模型；集成一套能够运行于windows环境或者android环境的植物叶片识别系统原型。

2.3、拟采用的技术方案及措施

（1）深度学习模型在叶片识别中的研究：利用alexnet、vgg等前沿人工神经网络模型，在flavia等主流叶片数据集上进行叶片识别。分析在不同数据集合上，不同网络模型的结构及初始化方式等方面对识别结果的影响。并于据此自行设计一个人工神经网络结构，使其能够在叶片识别中达到高效、准确的效果。

3. 研究计划与安排

(1)2018/1/14—2018/2/28：确定选题，查阅文献，外文翻译和撰写开题报告；

(2)2018/3/1—2018/4/30：系统架构、程序设计与开发、系统测试与完善；

(3)2018/5/1—2018/5/25：撰写及修改毕业论文；

4. 参考文献（12篇以上）

[1] wang bin, brown douglas, gao yongsheng, salle john la. march:multiscale-arch-height description for mobile retrieval of leaf images[j].information sciences, 302 (2015) 132–148.

[2] junwei wang, xiang bai, xinge you, wenyu liu , longin jan latecki.shape matching and classification using height functions[j]. patternrecognition letters 33 (2012) 134–143.

[3] sue han lee, chee seng chan, simon joseph mayo, paolo remagnino. howdeep learning extracts and learns leaf features for plant classification[j].pattern recognition 71 (2017) 1–13.