1. 研究目的与意义
（1）鸟类识别背景鸟类物种全世界已发现有9000多种，其中中国就有1200多种。
鸟类又分为游禽涉禽、攀禽、走禽、猛禽、鸣禽六大类，加上鸟类的迁徙活动，它们踪迹几乎遍布世界的每一个角落。
此六类生态类有可以细分为许多科目，例如说隼形目、鸡形目等等。
2. 研究内容和预期目标
而卷积神经网络(convolutional neural network, cnn)是深度学习技术中极具代表的网络结构之一，是近年发展起来并引起广泛重视的一种高效识别方法，在图像处理领域取得了很大的成功。
本课题使用开源的深度学习框架和成熟的cnn模型，收集鸟类样本照片，进行cnn模型训练，并实现一个能拍照识别鸟类物种的移动应用。
3. 研究的方法与步骤
（1）研究方法本课题使用开源的深度学习框架caffe和成熟的卷积神经网络模型。
收集鸟类的样本图片，进行cnn模型训练，获取鸟类的特征值，从而分析图像的信息。
同时实现一个能拍照识别鸟类物种的移动应用。
4. 参考文献
[1] 王光陛. 基于卷积神经网络的鸟类细粒度识别方法研究[D]. 保定: 华北电力大学，2018. [2] 李新叶，王光陛．基于卷积神经网络语义检测的细粒度鸟类识别[J]．科学技术与工程，2018，18(10): 240-244.[3] 陈淑娴. 结合姿态对齐和部位表达的鄱阳湖鸟类种群细粒度识别[D]. 江西师范大学,2017.[4] 周志华著. 机器学习[M]. 北京: 清华大学出版社, 2016.[5] 吴岸城著. 神经网络与深度学习[M]. 北京: 电子工业出版社, 2016.[6] 赵永科著. 深度学习 - Caffe之经典模型详解与实战[M].北京: 电子工业出版社, 2016.[7] 赵永科著. 深度学习 - 21天实战Caffe[M]. 北京: 电子工业出版社, 2016.[8] Caffe Deep Learning Framework[EB/OL]. http://caffe.berkeleyvision.org/
5. 计划与进度安排
(1) 2022.1.10 ---- 2022.3.10 查阅资料，撰写开题报告，翻译英文资料(2) 2022.3.11 ---- 2022.3.18 需求分析，熟悉开发工具(3) 2022.3.19 ---- 2022.3.31 概要设计(4) 2022.4.1 ---- 2022.4.9 详细设计(5) 2022.4.10 ---- 2022.5.9 编写代码(6) 2022.5.10 ---- 2022.5.17 程序调试和测试(7) 2022.5.18 ---- 2022.5.31 整理资料，撰写毕业设计说明书(8) 2022.6.1 ---- 2022.6.10 答辩准备及答辩
