1. 毕业设计（论文）主要内容：
植物的气孔是蒸腾过程中水蒸气从体内排到体外的主要出口，也是光合作用和呼吸作用与外界气体交换的通道，从而影响着蒸腾、光合、呼吸等作用过程，所以对气孔的识别和数量提取对于研究植物的生长具有一定的实践意义。
传统的气孔数量的获取主要是依靠人工计数，人工统计法工作量巨大，消耗大量宝贵的人力资源，数据量较大时该方法几乎没有实现的可能，并且人工计数法具有一定的主观性，尽管计数相对精准，由于观察者专业水平的不一致，有可能对气孔的状态发生误判。
本课题提出一种基于深度学习的方法对显微镜采集的小麦叶片图像中的气孔进行预测，即利用FasterR-CNN目标检测框架对小麦显微图像进行气孔识别并统计每张图像中气孔的数量。
2. 毕业设计（论文）主要任务及要求
（1）参考相关文献，了解相关图像处理技术以及深度学习有关知识。
（2） 学习卷积神经网络和基于RegionProposal的目标检测思想。
（3） 学习基于TensorFlow框架的FasterR-CNN目标检测。
3. 毕业设计（论文）完成任务的计划与安排
（1） 2020/1/13—2020/2/28：确定选题，查阅文献，外文翻译和撰写开题报告；
（2） 2020/3/1—2020/4/30：系统架构、程序设计与开发、系统测试与完善；
（3） 2020/5/1—2020/5/25：撰写及修改毕业论文；
4. 主要参考文献
[1]Simonyan, K., Zisserman, A. (2014). Very deepconvolutional networks for large-scale image recognition.arXivpreprint arXiv:1409.1556.
[2]He, K., Zhang, X., Ren, S., Sun, J. (2015). Spatialpyramid pooling in deep convolutional networks for visual recognition.IEEEtransactions on pattern analysis and machine intelligence,37(9),1904-1916.
[3]Girshick, R. (2015). Fast r-cnn. InProceedings ofthe IEEE international conference on computer vision(pp. 1440-1448).
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
