1. 研究目的与意义、国内外研究现状（文献综述）
课题的意义、国内外研究进展、应用前景等（列出主要参考文献）1课题的意义植物是大自然的重要组成部分，赋予地球无限生机，是其他生命的基础。
植物在地球上的分布非常广泛，从高山到平原，甚至海洋和湖泊的深处；从沙漠到两级，甚至是温泉和大气都有植物的生长。
早在远古时代，人类就已经开始识别和利用植物，至今被公认的植物有 55 万多种[1]。
2. 研究的基本内容和问题
1研究目标旨在研究基于bp网络的叶片种类识别技术，使用单反相机采集梧桐、银杏、榕树、松树、苏铁等15种植物的叶片的图片，通过一系列预处理后，提取相应的特征值，用训练样本训练bp网络，建立合适的训练模型，并根据测试结果加以改进，最终实现能够高效识别叶片种类的网络模型。
2研究内容2.1数据采集和预处理采集15种未枯萎腐坏的成熟植物叶片，并使用单反相机在白色背景下拍摄，每种叶片拍摄50张作为样本。
将750张样本图片传输入计算机中，分别依次进行图像归一化、灰度化、二值化、去噪、锐化、细化等预处理。
3. 研究的方法与方案
1研究方法1.1样本的收集与整理采集15种未枯萎腐坏的成熟植物叶片，并使用单反相机在白色背景下拍摄，每种叶片拍摄50张作为样本。
将750张样本图片传输入计算机中，分别依次进行图像归一化、灰度化、二值化、去噪、锐化等预处理。
以此去除冗余信息、方便提取叶片的形状、纹理等特征。
4. 研究创新点
1降维处理本次实验叶片样本图片所提取的特征有12个之多，若直接将其应用到分类器来训练，不仅影响训练时间，也会对内存有较高的要求，因此我打算对叶片实行降维处理，以此来提高bp神经网络识别的精度以及训练的速度。
2 bp算法改进传统的bp算法运用于识别领域时，拥有自学习、自适应以及非常强大的非线性映射能力并且在叶片图像识别准确率上占有很大的优势，但是算法本身具有收敛缓慢、训练过程震荡、易陷入局部极小点等缺点。
针对传统bp算法的不足，我打算对其进行改进，以此提高训练的效率以及识别的成功率。
5. 研究计划与进展
12018年1月-2月收集并研究相关资料，了解和学习有关的研究工作成果和已有的研究工作成绩，并更加深入的学习和掌握相关的编程语言与技术，搭建编程环境。
完成构建样本库，对图像进行预处理等工作做。
22018年3月-4月中旬对预处理后的图像进行特征提取，根据特征进行bp神经网络对叶片识别分类的训练。
