1 绪论

1.1 研究背景

21世纪是一个信息资源丰富的时代，这个时代的技术也在发展，而作为人类视觉基础的图像，则更是信息传输的主要载体[1]。从1980年开始，国际学术界一直在讨论交流神经网络的有关知识技术，交流得水深火热，有一部分著名的相关研究人员提出了一个观点：神经网络技术极有可能会转变成为当代的一项核心的首要技术，并且，这也将为图像识别技术的发展指明了方向。这个方向的走势也印证了神经网络在学术界的重要性，无论是在国外还是国内，科研工作者与追随者都随着研究的进行纷纷步入其中，发表了更多有价值的学术论文，层出不穷的科研成果也随之形成。

对于如何实现这些基于算法的图像识别模型，研究者们开发了各种学习框架，而当前有5种深度学习框架比较流行，分别是Caffe、TensorFlow、Torch、MXNet、Theano，其中本论文使用的就是TensorFlow框架，此框架在音频处理、图像识别和自然语言处理等场景下都有丰富的应用。TensorFlow作为第二代大规模机器学习模型的系统，使用基于数据流图模型的计算，将这些计算分别映射到不同的硬件平台上进行训练推断，从包含一个或者多个GPU显卡的装有Android和IOS的单个机器到运行在数百台包含数千个GPU的大规模系统。TensorFlow的计算被表示为包含状态的数据流图，让这个系统足够灵活并且能够快速地适应实验研究中产生的新模型，同时充分地提升了模型训练的性能和部署机器学习模型的健壮性[2]。

而对于菊花图像识别软件，如今还未发现有人进行开发，所以研究意义较大，而且训练模型大多数运用于个人电脑上，在移动端上的实现是一个新的创新点，在这个手机智能化的时代，将模型转移到移动端上，则为人们的生活提供了极大的便利，使人们随时随地都能使用图像识别系统。

1.2 国内外研究现状

1.2.1 国内研究现状

在国内，许多人将TensorFlow应用到很多公司产品中作为其主营业务之一，比如使用深度学习改善语音搜索，此外它还有其他的运用方式，比如在电子邮件中，它在读取用户的电子信件后会让计算机自动进行计算分析，生成三个回复，用户如果满意，则可以直接选择其中一个回复，这项功能被称为“智能应答”。除此之外，许多公司都希望能够运用TensorFlow实现人工智能，为用户提供更智能的搜索环境。比如京东、华为、优步、滴滴打车等国内科技公司都已经使用了TensorFlow。而且TensorFlow的最新标准可以让学术界的研究者方便地交流，也可以将它应用在机器生产之中。

1.2.2 国外研究现状

在Jeff Dean的引领下，谷歌大脑团队将初代DistBelief学习系统升级为TensorFlow，一个基于数据流图计算的框架[3]。通过DistBelief，谷歌在海量视频中知道了什么是“猫”，这个成果是一个划时代的标志。不仅如此，还开创了图片搜索的功能。而语音识别模型本来错误率很高，但是通过DistBelief的训练，成功地将语音识别的错误率降低了25%。著名的斯坦福CS231n课程使用了TensorFlow作为课程之一，这也让很多人认识了TensorFlow，并且很多有关书籍也已经在准备或者发售中，AlphaGo的开发团队Deepmind也计划在TensorFlow上实现神经网络。

1.3 本论文主要工作

（1） 收集菊花图像，尽量要特征明显的单朵菊花的图像，如果不是则通过人工裁剪的方法统一化，最后把这些图像和对应的标签以二进制文件的形式存放起来。

（2） 对输入的图像进行预处理，对于训练集图片，则使用简单的像素级操作将图像进行随机剪裁、随机反转、随机亮度变换、随机对比度变换、图像的白化、均值与方差的均衡，降低图像明暗、光照差异引起的影响，否则会让机器识别不准确，也为了人为的增加训练图像的数量；对于测试集图片，只将图像进行随机剪裁和图像的白化、均值与方差的均衡。