深度学习的看图识花app的设计与开发【字数：8373】
随着人工智能的发展，识别技术在日常生活中使用的越来越多，例如花朵识别技术。但是由于花朵的杂交性，不同品种的花具有很大的相似性，且花朵易受风等因素的影响而产生变形，不易进行识别，现有的识别系统准确率较低，本设计采用深度学习框架完成花朵的识别及应用。本APP为看图识花软件，基于Android平台开发。Android语言基于java语言，结合python，TensorFlow等技术，使用flask作为python服务器。本App主要用于给不识花的普通人士提供花朵常识。本软件具有花朵识别，提供花朵常识等功能。
Key Words: deeplearning; image recognition; Android; APP 目录
1．绪论 1
1.1 课题研究目的及意义 1
1.2 国内外研究现状 1
1.3 人文影响 2
1.3.1 社会影响 2
1.3.2 法律影响 2
1.3.3 健康影响 2
1.4 本文的主要工作内容 2
1.5 论文的组织结构 2
2．知识介绍 4
2.1 ImageNet数据集 4
2.2 Oxford flowers数据集 4
2.3 TensorFlow 5
2.4 卷积神经网络（CNN）模型 5
2.4.1 卷积层 6
2.4.2 池化层 6
2.4.3 激活函数 6
2.4.4 全连接层 7
3.使用卷积神经网络模型训练数据集 8
3.1 卷积神经网络模型构建 8
3.2 训练过程 10
4.构建看图识花APP 11
4.1 服务端的构建 11
4.2 移动端的构建 12
4.2.1 APP页面的开发 12
4.2.2 APP功能的实现 15
5.总结与展望 18
5.1 工作总结 18
5.2 研究展望 18
参考文献 20
致谢 21
1.绪论
1.1 课题研究目的 *好棒文|www.hbsrm.com +Q: &351916072&
及意义
花可以说是大自然中常见的物种，目前已知花卉的种类已达369000种。对于专业的植物学家们来说，可以实地考察，通过观察花卉的生长环境、生活习性以及花朵的结构特征，对比花卉标本确定花卉的科属种别。但对于普通人而言，想要弄清楚花卉的种类具有很大的难度。为了解决这一问题，看图识花app的研发刻不容缓。
看图识花app旨在通过分析移动设备拍摄的花卉图像得出该花卉的种类名称，有着重大的研究意义：可以让非专业人士通过这款APP达到轻松认识花卉，知道花卉一些基本的知识，满足人们对了解花卉的需求。
传统的花卉分类方法主要通过算法进行特征提取，然后与机器学习结合进行分类。该方法有几大弊端。首先需要对图像进行大量的预处理，突出图像的有效部分；其次，该方法极度依赖选取的特征，然而选取的特征需要人工参与，这就需要研究人员有大量的经验，且人工选取的特征可能只针对这个数据集，不具备通用性，可能在不同的数据集上分类效果相差极大。本设计采用深度学习，利用卷积神经网络，只需对初始图像进行少量的预处理，无需特征提取，能够自我完成特征学习，对复杂环境具有很强的适应能力。
1.2 国内外研究现状
目前主流花卉分类方法主要分为基于机器学习和基于深度学习两种方法。基于机器学习的方法，首先需要对原始图像进行预处理，提取原始图像中的花卉区域，然后设计算法提取花卉的特征，最后结合传统机器学习算法实现分类。其中，特征主要包含颜色、形状、纹理、尺度不变性（SIFT）、方向梯度直方图（HOG）等，传统机器学习算法主要包含支持向量机（Support Vector Machine, SVM）、核学习、K 最近邻算法（KNN）等0。手工特征提取在一定条件下能取得较好的分类效果，但是分类结果依赖于图像分割方法和特征提取算法，这些都取决于研究人员的经验。
目前，深度学习已经逐渐代替传统机器学习，并在图像分类领域取得了骄人的成绩。卷积神经网络（CNN）是一个经典的深度学习网络，标准结构从上到下层级结构依次是数据输入层、卷积计算层、激励层、池化层、全连接层。不同于传统机器学习的图像分类方法，CNN能够自动学习多层次的特征，不需要人工提取，且提取的特征具有范化性，CNN的图像分类效果已经超过了已经大部分机器学习的分类方法。在历届ILSVRC大赛上，分类效果较好的卷积神经网络有：AlexNet、GoogLeNet、ResNet、SENet，他们对ImageNet数据集的分类都比较精准。但是，这些深度学习模型都不适用与花朵识别，原因如下：
（1）ImageNet数据集上图像区别大，而花卉图像十分相像，利用这些网络对花卉进行分类会出现过拟合的现象。
（2）网络结构较复杂，参数较多。例如LeNet5全连接层的训练参数和连接数一共有10164 个，完全训练好这些参数需要大量的数据。这还是众多网络模型中最简单的那个。
1.3 人文影响
1.3.1 社会影响
本设计对社会具有重要的影响。首先，有助于人们在日常生活中识别花卉，提高人们的知识储备；其次，能够减轻科研学者花卉分类方面的负担。同时本设计能够提供一个思路，其他分类领域可以采取本设计的方法进行迁移学习。尤其是智能机器人，能够采取本设计的分类方法提高分类效果，提高智能程度，完成更复杂的任务。
另一方面，本设计能够激发人们栽花的兴趣，陶冶情操，修身养性。在增加绿色植物的同时，也保护了地球上物种的多样性。
Key Words: deeplearning; image recognition; Android; APP 目录
1．绪论 1
1.1 课题研究目的及意义 1
1.2 国内外研究现状 1
1.3 人文影响 2
1.3.1 社会影响 2
1.3.2 法律影响 2
1.3.3 健康影响 2
1.4 本文的主要工作内容 2
1.5 论文的组织结构 2
2．知识介绍 4
2.1 ImageNet数据集 4
2.2 Oxford flowers数据集 4
2.3 TensorFlow 5
2.4 卷积神经网络（CNN）模型 5
2.4.1 卷积层 6
2.4.2 池化层 6
2.4.3 激活函数 6
2.4.4 全连接层 7
3.使用卷积神经网络模型训练数据集 8
3.1 卷积神经网络模型构建 8
3.2 训练过程 10
4.构建看图识花APP 11
4.1 服务端的构建 11
4.2 移动端的构建 12
4.2.1 APP页面的开发 12
4.2.2 APP功能的实现 15
5.总结与展望 18
5.1 工作总结 18
5.2 研究展望 18
参考文献 20
致谢 21
1.绪论
1.1 课题研究目的 *好棒文|www.hbsrm.com +Q: &351916072&
及意义
花可以说是大自然中常见的物种，目前已知花卉的种类已达369000种。对于专业的植物学家们来说，可以实地考察，通过观察花卉的生长环境、生活习性以及花朵的结构特征，对比花卉标本确定花卉的科属种别。但对于普通人而言，想要弄清楚花卉的种类具有很大的难度。为了解决这一问题，看图识花app的研发刻不容缓。
看图识花app旨在通过分析移动设备拍摄的花卉图像得出该花卉的种类名称，有着重大的研究意义：可以让非专业人士通过这款APP达到轻松认识花卉，知道花卉一些基本的知识，满足人们对了解花卉的需求。
传统的花卉分类方法主要通过算法进行特征提取，然后与机器学习结合进行分类。该方法有几大弊端。首先需要对图像进行大量的预处理，突出图像的有效部分；其次，该方法极度依赖选取的特征，然而选取的特征需要人工参与，这就需要研究人员有大量的经验，且人工选取的特征可能只针对这个数据集，不具备通用性，可能在不同的数据集上分类效果相差极大。本设计采用深度学习，利用卷积神经网络，只需对初始图像进行少量的预处理，无需特征提取，能够自我完成特征学习，对复杂环境具有很强的适应能力。
1.2 国内外研究现状
目前主流花卉分类方法主要分为基于机器学习和基于深度学习两种方法。基于机器学习的方法，首先需要对原始图像进行预处理，提取原始图像中的花卉区域，然后设计算法提取花卉的特征，最后结合传统机器学习算法实现分类。其中，特征主要包含颜色、形状、纹理、尺度不变性（SIFT）、方向梯度直方图（HOG）等，传统机器学习算法主要包含支持向量机（Support Vector Machine, SVM）、核学习、K 最近邻算法（KNN）等0。手工特征提取在一定条件下能取得较好的分类效果，但是分类结果依赖于图像分割方法和特征提取算法，这些都取决于研究人员的经验。
目前，深度学习已经逐渐代替传统机器学习，并在图像分类领域取得了骄人的成绩。卷积神经网络（CNN）是一个经典的深度学习网络，标准结构从上到下层级结构依次是数据输入层、卷积计算层、激励层、池化层、全连接层。不同于传统机器学习的图像分类方法，CNN能够自动学习多层次的特征，不需要人工提取，且提取的特征具有范化性，CNN的图像分类效果已经超过了已经大部分机器学习的分类方法。在历届ILSVRC大赛上，分类效果较好的卷积神经网络有：AlexNet、GoogLeNet、ResNet、SENet，他们对ImageNet数据集的分类都比较精准。但是，这些深度学习模型都不适用与花朵识别，原因如下：
（1）ImageNet数据集上图像区别大，而花卉图像十分相像，利用这些网络对花卉进行分类会出现过拟合的现象。
（2）网络结构较复杂，参数较多。例如LeNet5全连接层的训练参数和连接数一共有10164 个，完全训练好这些参数需要大量的数据。这还是众多网络模型中最简单的那个。
1.3 人文影响
1.3.1 社会影响
本设计对社会具有重要的影响。首先，有助于人们在日常生活中识别花卉，提高人们的知识储备；其次，能够减轻科研学者花卉分类方面的负担。同时本设计能够提供一个思路，其他分类领域可以采取本设计的方法进行迁移学习。尤其是智能机器人，能够采取本设计的分类方法提高分类效果，提高智能程度，完成更复杂的任务。
另一方面，本设计能够激发人们栽花的兴趣，陶冶情操，修身养性。在增加绿色植物的同时，也保护了地球上物种的多样性。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/542.html
