随着计算机技术的快速发展,通过叶片对植物进行实时分类和识别是当前研究的热点和难点。利用计算机技术对植物进行实时分类和识别,可用于数字化植物标本、林业信息化等领域。然而,当前的叶片识别方法易受环境因素影响,识别率和运算效率较低。本文主要研究结合图像分割的叶片识别方法,设计并实现一个可实时完成叶片目标检测与识别的系统。本文的主要研究成果如下:(1)针对当前图像分割存在着过度分割、分割边界不准确的问题,提出并实现了基于目标轮廓的叶片图像分割方法。对叶片图像进行降噪处理;构建全卷积网络结构,采用VGG-16作为FCN的初始化训练模型;利用FCN分割叶片轮廓,通过反卷积上采样恢复原图尺寸,利用跳跃结构融合特征信息;采用多孔卷积提高轮廓分辨率,再利用CRF算法优化轮廓边缘,输出叶片目标分割图。(2)针对当前有监督性特征提取难以自动提取叶片特征问题,研究并设计基于卷积神经网络的叶片特征提取方法。标注叶片类别,映射叶片类别;建立Inception-V2网络模型结构,采用非对称卷积方式降低运算成本,利用Batch Normalization辅助器提高运算效率;采用Inception-V2网络模型提取叶片目标图像内容特征;利用反向学习机制调节参数,最终输出叶片图像特征图。(3)针对当前叶片识别易受环境干扰、难以实现复杂背景下叶片实时识别、多叶片识别等问题,提出并实现了基于候选区域的叶片实时识别方法。将特征图输入到RPN网络生成区域候选框;采用ROI pooling方法整合特征图和候选框的信息,提取出候选框内的特征图;将候选框特征图分别送入到全连接层进行叶片分类和边界框回归;利用多任务损失函数约束分类和回归,提高准确率和运算速度,准确预测叶片类别和叶片预测框的定位。(4)设计并实现结合图像分割的叶片识别软件系统。该系统主要分为自选内容模块、叶片特征提取模块、叶片识别模块、人机交互模块等四个模块,可实时完成叶片目标检测与识别,输出叶片所在位置框和所属类别的准确率,并最终得到叶片分类识别结果。该系统已在实验室测试运行,实时识别叶片准确率高,系统运行鲁棒性好。