植物的表型分析在许多领域都有重要的研究价值，菊花的花期表型对菊花的培育和收获有重要意义，菊花花期分析能够为菊花的相关产业提供指导。研究基于深度学习技术，采用多层卷积神经网络，从互联网资源中获取菊花的图像数据，对其进行特征提取，进而实现菊花的花期表型分类。最终的神经网络模型应用了局部响应归一化、交叉熵损失函数等算法，通过多次迭代训练，使得识别准确率达到了87.5%，并能够给出菊花的花期信息及其相关概率。通过该模型，较为成功地实现了菊花花期分析，对植物的表型分析和菊花的相关产业都有参考价值。
目录
摘要 1
关键词 1
Abstract 1
Key words 1
引言 1
1 选题背景 2
1.1 研究意义 2
1.2 国内外研究状况 2
1.2.1 国外研究状况 2
1.2.2 国内研究状况 2
1.3 研究的目的和内容 3
1.3.1 研究目的 3
1.3.2 研究内容 3
2 研究工具 3
2.1 Pycharm集成开发工具 3
2.2 TensorFlow机器学习库 4
3 数据的获取与处理 4
3.1 数据获取 4
3.2 数据处理 5
4 算法介绍 5
4.1 算法背景 5
4.2 算法设计 6
4.2.1 基于LeNet思想的网络模型 6
4.2.2 基于AlexNet思想的网络模型 6
4.3 算法优化 8
4.3.1 Softmax函数 8
4.3.2 损失函数 8
4.3.3 局部响应归一化 8
5 结果分析 8
5.1 准确度分析 8
5.2 测试结果 9
6 总结 10
致谢 11
参考文献 11
基于深度学习的菊花花期分析
引言
引言：随着人口的逐渐增长，农作物的生产成 *景先生毕设|www.jxszl.com +Q: *351916072* 
为社会发展的重要问题，作物品种选择技术是解决作物生产问题最有效的方法之一。植物表型分析是作物品种选择技术中的关键技术，它不仅可以研究外观物理表型，还可以研究植物生长过程中基因与环境相互作用产生的生理特征，因此被科研工作者广泛关注[1]。菊花作为中国的传统名花，具有十分巨大的观赏和经济价值[2]。大多数人都知道，花卉大多数的价值都与其盛开时间息息相关，所以菊花的花期表型对于菊花产业而言有着十分重要的意义。植物表型分析技术在菊花产业中的应用，能够为其提供对不同花期菊花的选择能力，从而使得菊花产业能够根据菊花的花期表型，安排不同的培育方案和设计不同的营销策略。近年来，计算机图像识别技术飞速发展，深度学习作为计算机图像识别领域中较为成熟的技术之一，对于多种图像都有较强的选择能力。将深度学习应用于植物表型分析领域，能够为其提供先进的技术基础，提高作物品种的选择能力。选择菊花的花期表型分析作为研究方向，应用深度学习技术，能够获得比人工识别更加准确的识别能力，从而提高菊花产业安排培育方案和设计营销计划的效率，促进菊花产业甚至是整个农业的发展。
1 选题背景
1.1 研究意义
植物的表型分析在植物的许多研究领域都有着重要的研究价值，例如植物保护、植物育种、产品收获等。菊花作为中国农业的重要花卉品种，在观赏、药用、饮用和食用等方面具有较高的价值。然而，菊花的品种变化是极其丰富的，据统计目前菊花有2000030000个可以人为栽培的品种，野生品种更是数不胜数。如此众多的品种以及同一品种的不同式样给菊花资源调查、按需分类与相关检测等带来了极大困难[3]，因此菊花的分析和鉴定具有重要的研究意义。
目前，菊花的分析和鉴定研究大多集中于形态学的方法。图像数据是形态学研究中最直观的研究数据，菊花的图像数据亦是菊花的分析和鉴定研究中最重要的数据。随着近年来计算机图像识别领域的迅速崛起，图像分析技术也逐渐走向成熟，深度学习作为图像分析的重要技术之一，被广泛地应用于各大领域[46]。将深度学习技术应用于菊花的图像数据，为菊花的分析和鉴定研究提供了极大的技术支持，能够提升菊花的分析和鉴定研究的效率，促进与菊花相关的研究的发展。
菊花在食用、观赏和药用等多个方面具有较高的价值，无论是哪一方面的价值，都与菊花的花期息息相关。对于菊花的相关产业而言，菊花的花期分析有着极大的重要性。研究采用深度学习技术，对菊花的花期表型进行分析，获取菊花的花期数据，菊花的相关产业可以根据该数据制定相应的培育方案和营销策略，从而实现较高的产品价值，促进我国农业的发展。
1.2 国内外研究状况
1.2.1 国外研究状况
国外图像分析技术的发展与应用要比国内起步早。Arivazhagan等人[7]根据纹理特征检测植物叶片的病斑，然后鉴定植物病害种类。系统首先将RGB图像转换为HIS图像，然后使用阈值分割方法获得病变区域，通过计算求出图像的纹理特征。最后，训练出来的特征模型准确度高达94%。Hsu等人[8]设计了带有人机交互界面的花的识别系统。该系统首先使用边界跟踪算法以从背景图像中提取花的图像，然后使用花的颜色和形状特征来描述花的特性，该系统具有较高的精度。Lim等人[9]设计的机器人系统用于定位和判断出成熟黑胡椒，该系统首先借助视觉定位找到胡椒果实区域，然后提取胡椒的图像特征与预先存有的成熟胡椒图像进行比较，根据相似度以确定是否采摘，实验表明，该系统的准确度是84%。Saitoh等人[10]设计了一套识别自然环境中的花的方法，该方法借助具有最小化局部代价的路径长度来获取花朵区域，然后提取花的形状和纹理特征，建立模型实现对花的品种识别，正确率达到90%。

原文链接：http://www.jxszl.com/jsj/wljs/563978.html