全文总字数：5957字
1. 研究目的与意义、国内外研究现状（文献综述）
研究意义
植物是生命的主要形态之一，自然界的植物种类繁多，现存的种子植物、苔藓植物、蕨类植物和拟蕨类等植物大约有35万余种。植物通过光合作用将太阳能转化为化学能，释放氧气，调节环境中的碳氧平衡，为自然界动物的生存提供必不可少的能源，推动了自然界的发展和进化。一些植物可以直接入药或者提取有效入药成分，是人类治疗疑难杂症的重要方法之一。因此对植物进行识别分类是众多相关研究的关键一步，但是由于地球上的植物种类繁多，仅凭人类有限的认知能力很难做到快速、准确地识别植物种类[1]。
叶片是高等植物的一种重要器官，由于其具有普遍存在和易于观察的特性，常被植物学家作为识别植物的重要依据之一[2]。传统的识别和鉴定方法大多依赖人工完成。然而不同的植物，其叶片在种类、形状、纹理、颜色等方面都有着巨大的差异，并且这些特征也可能随着季节发生变化。在这种情况下，传统的叶片识别方法工作效率较低、工作量大、并且准确性也很难保证[3]。
2. 研究的基本内容和问题
研究目标
本项目主要将二维叶片图像通过图像预处理、特征提取、特征选择，将最终形成的一维特征作为svm模型的输入，以此训练svm模型，优化调参，获得能够达到预期效果的模型。同时对其他机器学习模型进行训练测试，将得到的分类器与svm分类器的识别结果进行比较分析，分析svm模型相比于其他模型对植物叶片识别的优缺点。
研究内容
3. 研究的方法与方案
研究方法
1. 获取开源数据集或者自己拍摄植物叶片的图片，收集整理后建立一个自定义数据集，用于后续工作。在建立自定义数据集时，要拍摄单片叶片的完整图像，避免遮盖、光照不足等因素；
2. 运用图像处理和分析技术，对获取的叶片图像去噪、灰度化、二值化等一系列预处理，并对叶片提取颜色、形状等特征。在自定义数据集大小受限的条件下，还需要对已收集的数据进行变换操作，如通过图像剪裁对数据集进行扩增；
4. 研究创新点
特色或创新之处
随着人工智能的快速发展，许多领域都与人工智能技术有着密不可分的联系。机器学习作为人工智能的核心，也得到广泛的应用。将机器学习引入植物叶片识别领域，使得叶片识别取得了较为优异的成果。与传统叶片识别方法相比，基于机器学习的植物叶片识别技术提高了识别成功率，识别植物的种类也更为丰富。基于此，不难发现，利用机器学习进行植物叶片识别不失为一种很好的方法。5. 研究计划与进展
研究计划及预期进展
2018年12月：学习机器学习，python等相关知识，搜集相关资料，开始选题；
2019年1月：撰写开题报告，并根据老师的意见修改开题报告，进行开题答辩；
