1. 研究目的与意义、国内外研究现状（文献综述）
本课题的意义：传统的植物识别主要是通过有专业知识和丰富职务辨别能力的专业人员来完成的，人工完成识别效率较低，成本高，无法作为实际操作的主要方式，而通过计算机实现的植物识别技术对植物分类识别、保护稀有植物、预防农林病虫害、从生物学角度探究植物的亲缘关系、发现植物的进化规律、园艺学和景观学等实际应用等方面具有现实意义。
国内外研究：目前植物识别领域引起了国内外相关学者的普遍关注，1986 年，ingrouille 等人采用27种叶形特征，使用主成分分析方法对橡树进行分类。
guyer 等人在1993年提取了17种叶片，通过对其形状特征的提取从而对40类植物进行分类。
2. 研究的基本内容和问题
研究目标： 通过深度学习的方法中的卷积神经网络算法训练植物图像，通过python编程得到一个有一定识别率的植物识别系统，并且通过gpu加速整个算法的运行速度。
研究内容：深度学习领域最先是由神经科学家们进行探索的，他们通过观察哺乳类动物与感知能力相关的大脑皮层，发现在大脑皮层中的视觉系统中的某些模块可以通过观测信号中已经出现过的信号进行积累，在积累的过程中由基础形态逐渐形成高级形态，以此为基础产生的能够以此方式表述信息的模型就是深度学习模型的基础。
受到大脑中视觉系统结构的启发，基于卷积神经网络的图像处理技术与它所采用的图像处理过程基本一致。
3. 研究的方法与方案
研究方法：1、阅读大量专业论文和文献，加深对深度学习和卷积神经网络知识部分的理解，做好前期准备。
2、通过对此领域以前研究者所提供的数据对算法进行模拟，掌握在gpu上进行训练数据和植物识别系统的开发。
3、在考察多个编程语言后选择python语言进行开发，主要使用theano库。
4. 研究创新点
使用深度学习方法处理图像数据可以在较高识别率的基础上尽量避免过拟合问题，并且通过使用GPU进行算法运行可以节省大量时间。
5. 研究计划与进展
研究计划及预期进展3.12之前 完成理论知识的学习，包括算法部分的研究和代码的编写方法。
3.12-4.05编写算法代码，搭建可以运行的gpu加速环境，根据运行情况优化算法。
4.05-4.15开始将植物图片进行大量训练，以实现植物识别功能，并且进行算法优化。
