近年来,多肉植物由于观赏价值高、易种植等特点,受到人们的关注和喜爱。但多肉植物种类较多,外形相似,仅仅依靠人工识别比较困难,错误率较高。针对我国最常见的十种多肉植物,本文搜集大量多肉植物图片,运用TensorFlow深度学习框架研究多肉植物识别方法,通过训练实现了基于图像的多肉植物自动识别模型。本文的主要工作如下:1.构建多肉植物图库。该图库由我国常见的十种多肉植物图片和九种生石花图片组成。多肉植物图库共有9348幅图片,每类平均934幅。生石花图库共5988幅图片,每类近600幅。图库中的每幅图像分辨率均为300×300。2.使用自搭建的卷积神经网络实现多肉植物的图像识别。构建多层卷积神经网络,并利用数据增强、Dropout、随机梯度下降(Stochastic Gradient Descent,SGD)等技术训练此卷积神经网络模型。针对多肉植物和生石花图像分类,所训练出的模型分别实现了94.7%和86.7%的分类正确率。经测试,平均每幅图片识别时间为6s左右。3.基于AlexNet深度模型和迁移学习技术实现多肉植物的图像分类。①使用微调(Fine-tuning)技术对最后三个全连接层进行重新训练,得到分类模型。针对多肉植物和生石花图像,该模型可实现95.3%和87.3%的分类正确率,平均每幅图片测试用时7.5s。②将全连接层提取的特征融合以后,再重新训练最后三个全连接层,得到最终模型对多肉植物和生石花图像进行分类的正确率分别为96.3%和88.1%,平均每幅图片测试用时8s。4.为实现识别多肉植物的便携性,本文将多肉植物图像分类模型移植到手机上的安卓操作系统,直接用终端设备即可离线识别多肉植物。经测试,此分类模型在手机上可以正常运行且有较好的分类性能。测试结果表明,该系统识别一幅多肉植物图片平均用时为10s。