摘要：当今，得益于人工智能的快速发展，深度学习方法结合图像识别技术已经在日常生活的各个方面广泛应用。本文采用了深度学习相关技术进行花卉图片识别的研究与应用。卷积神经网络（简称CNN）长期以来是图像识别领域的主流算法，并在学习数据充足时有稳定的表现，对于花卉识别这种较难的细粒度图像分类非常适用。本文主要研究内容包括：

（1）模型选择方面，详细分析了卷积神经网络模型的内部结构，以及经典CNN架构。最终，采取自己简易版的卷积神经网络进行学习研究。

（2）框架选用的是开源Tensorflow，在电脑端上进行测试。以谷歌的Flower 5种花卉数据集为基础，最终准确率在65%上下浮动。后来采取成熟模型Inception-v3的迁移学习后，准确率激增至90%左右，且表明CNN为当今主流深度学习模型。

 

关键词：深度学习；花卉识别； Tensorflow； 卷积神经网络

 

目 录

摘 要

ABSTRACT

第一章  绪论-1

1.1 课题要求-1

1.2 课题目标-1

1.3 课题背景-1

1.4 课题的研究价值和意义-1

1.5 现状与发展趋势-2

1.6 课题主要研究工作-2

1.7 论文结构-2

第二章  相关理论和技术-3

2.1 卷积层 .....5

2.2 池化层 .....5

2.3 激活函数 .5

2.4 损失函数 .5

2.5 正则化 .....5

2.6 学习率 .....5

2.7 迁移学习 .5

2.8 Tensorflow框架-5

2.9 本章小结-5

第三章  系统需求分析-6

3.1 业务需求-6

3.2 功能需求-7

第四章  系统详细设计与实现-8

4.1 图像获取模块的设计与实现-8

4.2 图像识别模块的设计与实现-10

4.2.1 卷积神经网络模型的搭建-10

4.2.2 卷积神经网络模型训练-12

4.2.3 卷积神经网络模型识别结果分析-13

4.2.4 改进的卷积神经网络模型-14

4.2.5 改进模型的数据集-15

4.2.6 改进模型的构建-15

4.2.7 改进模型的训练-17

4.2.8 改进模型识别结果-17

4.2.9 两种模型识别结果的对比分析-19

4.3 结果展示模块的设计与实现-19

4.4 本章小结-20

第五章  系统测试-21

5.1 测试环境-21

5.2 识别功能测试-21

第六章  结论与展望-22

6.1 本文主要成果-22

6.2 下一阶段工作-22

6.3 感想-23

参考文献-24

致  谢-25