Professional Documents
Culture Documents
国家级大学生创新创业训练计划
项目申报表
(创新训练项目)
推 荐 学 校 : (盖章)
项 目 编 号 :
基于改进 YOLO 算法和 ResNet 深度卷积
项 目 名 称 : 神经网络的茶叶病虫害识别报警系统
所属一级学科名称: 计算机类
项 目 负 责 人 : 冯喆
联 系 电 话 : 13362835421
指 导 教 师 : 林志洁
联 系 电 话 : 13675867498
申 报 日 期 : 2023/5/26
浙江省教育厅 制
二○一三年五月
1
项目名称 基于改进 YOLO 算法和 ResNet 深度卷积神经网络的茶叶病虫害识别报警系统
项目所属
计算机类
一级学科
项目类型 (√)创新训练项目 ( )创业训练项目 ( )创业实践项目
/专业
主
1210204 信息学院/软 2035971655a@
持 冯喆 大二 13362835421
150 件工程 gmail.com
人
1210204 信息学院/软 1246410084@q
成 沈奕 大二 18357271355
137 件工程 q.com
1210410 艺术设计与 williamchomsk
员 魏卓宇 大二 15057474141
022 服装学院 y@qq.com
第一 信息与电子工程
姓名 林志洁 单位
指导 学院
教师 年龄 44 专业技术职务 计算机视觉
指
项;与浙江大学联合开展国家重点研发计划项目、国家自然科学
师
主要成果 基金项目、国家科技支撑计划项目、浙江省文物局项目、浙江省
尖兵计划项目、浙江省重大专项等项目多项;指导学生获得
ACM-ICPC 国际大学生程序设计竞赛亚洲区域赛银奖、CCPC 中国
大学生程序设计竞赛银奖、浙江省省大学生程序设计竞赛金奖
等。
2
一、申请理由
1. 具体申请原因
基于计算机视觉的农业病虫害防治的研究在国内刚刚起步,茶叶病虫害防治方向
的研究十分薄弱,项目组研究发现与薄弱的研究成明显对比的,是市场上对茶叶病虫
害识别技术的巨大需求,相关系统的开发与算法方面的研究是热点需求。项目组在这
一领域已经具有一定的研究进度,项目组希望将研究结果转化为论文及专利成果,但
相关经费仍存在缺口,项目组希望通过申请国家级大学生创新创业训练计划来补全研
究所需之条件。
2. 具备知识
冯喆:熟悉计算机视觉识别相关知识,具有较多算法开发及优化经验
沈奕:后端编程、数据库设计
魏卓宇:人机图形交互、图形语言
3. 特长
冯喆:计算机视觉、人工智能、深度学习、神经网络
沈奕:后端编程、数据库设计
魏卓宇:工业设计
4. 兴趣
冯喆:智能自动化、乒乓球
沈奕:阅读、健身
魏卓宇:摄影、地理学
5. 已有实践创新成果
3
二、项目方案
1. 项目研究背景
1.1 国内外研究现状
1.1.1 计算机视觉与神经网络对作物病虫害识别方面研究现状
在农业病虫害防治领域, 计算机视觉应用图像识别技术加强对害虫的及时预防措
施, 例如病叶片识别[1–3],水果检测[4–6] 和水稻病虫害识别[7–9], 病虫害图像识别逐渐
成为时代的发展趋势。早期发现和识别农作物中的害虫主要以人工观察的方法, 根据
经验总结结论,而作物的症状有非常相似的视觉特征, 如颜色纹理等,其在时间消耗、
准确度上受到限制。要克服这些局限性, 目前的工作是以计算机视觉与深度学习相结
合的方式, 利用优化 CBAM[10] 注意力机制和改进 YOLOv5 主干网络等技术, 用于检测
农作物病虫害, 为后续的增产农作物、减少农药滥用等具有重要意义。 随着人工智能
技术的发展, 国内外学者对害虫识别研究已经取得了十足的进展。Kasinathan 等人[11]
认为害虫的纹理、颜色、形状、HOG 和 GIST 特征的组合可以最大化提升识别性能。Liu
等人[12] 利用集成学习思想, 将迁移学习后的 CNN 网络系列害虫图像识别和分析模型
有效融合, 极大提高模型对农作物害虫识别和分类的准确性. 曾伟辉等人 [13] 利用
ResNet 网络融合注意力机制, 并通过自校准卷积模块的方式, 提升了对低分辨率病
虫害图像的识别精度。这些方法虽然可以增强检识别害虫的性能, 但是大多是针对单
个农作物病虫害进行检测对比实验, 对多种农作物病虫害检测实验未有涉及。
1.1.2 茶叶病害识别算法方面研究现状
得益于计算机硬件和计算机科学技术理论研究的迅速发展,图像处理已被广为运
用于作物病虫害识别,茶叶作为我国重要的经济作物,成为了我国学者的重点研究对
[14]
象之一。 2006 年,陈全胜等 基于 RBF 核函数的支持向量机对碧螺春、龙井和祁
[15]
红等 3 种茶叶分别建立识别模型,取得了较好的识别结果。徐海卫等 基于灰度共
生矩和 Tamura 提取茶叶的 12 种纹理特征,然后使用 BP 神经网络对其进行分类,
[16]
最终取得了良好的识别效果。林彬彬等 基于 HSV 颜色直方图法提取出茶叶的病斑
颜色特征,并基于 K 近邻算法进行对茶叶病害进行识别分类,最终得到 93.33% 的识
[17]
别准确率。孙肖肖 提出一种基于深度卷积对抗生成网络的茶叶叶部病害图像生成
4
方法,首先对茶叶病害图像进行增强,然后利用 CNN 模型对增强后的茶叶病害数据集
进行识别分类。上述方法虽然可以有效实现对单片叶片的病虫害类型识别,但无法有
效的在实际环境的多叶片环境下实现病虫害位置标注,缺少实际落地能力。
参考文献:
[1] 谢圣桥, 宋健, 汤修映, 等. 基于迁移学习和残差网络的葡萄叶部病害识别. 农
机化研究, 2023, 45(8): 18–23, 28. [doi:10.13427/j.cnki.njyi.2023.08.0
48]
[2] 曹跃腾, 朱学岩, 赵燕东, 等. 基于改进 ResNet 的植物叶片病虫害识别. 中国
农机化学报, 2021, 42(12): 175–181. [doi:10.13733/j.jcam.issn.2095-555
3.2021.12.26]
[3] Koppal LB, Rajesh TM. Review on the techniques used foridentification of
diseased leaves. I-Manager ’s Journal on Pattern Recognition, 2020, 7(1):
32. [doi: 10.26634/jpr.7.1.17375]
[4] 陈贝文, 陈淦. 水果分类识别与成熟度检测技术综述. 计算机时代, 2022, (7):
62–65. [doi: 10.16644/j.cnki.cn33-1094/tp.2022.07.016]
[5] 徐印赟, 江明, 李云飞, 等. 基于改进 YOLO 及 NMS 的水果目标检测. 电子测
量与仪器学报, 2022, 36(4): 114–123.[doi: 10.13382/j.jemi.B2104724]
[6] 朱明秀. 采摘机器人水果检测及定位研究——基于图像处理和卷积神经网络. 农
机化研究, 2022, 44(4): 49–53. [doi:610.13427/j.cnki.njyi.2022.04.009]
[7] 周维, 牛永真, 王亚炜,等. 基于改进的 YOLOv4-GhostNet 水稻病虫害识别方
法 .江苏农业学报 , 2022, 38(3):685–695. [doi: 10.3969/j.issn.1000-444
0.2022.03.014]
[8] Rahman CR, Arko PS, Ali ME, et al. Identification and recognition
of rice diseases and pests using convolutional neural networks. Bios
ystems Engineering,2020, 194:112–120. [doi: 10.1016/j.biosystemseng.
2020.03.020]
[9] 高雨亮, 徐向英, 章永龙, 等. 融合分组注意力机制的水稻病虫害图像识别算
法. 扬州大学学报(自然科学版), 2021,24(6): 53–57. [doi: 10.19411/j.100
7-824x.2021.06.010]
[10]Woo S, Park J, Lee JY, et al. CBAM: Convolutional block attention module.
Proceedings of the 15th European Conference on Computer Vision
(ECCV). Munich: Springer, 2018. 3–19.
[11]Kasinathan T, Uyyala SR. Machine learning ensemble with image processi
ng for pest identification and classification in field crops. Neural
Computing and Applications, 2021,33(13): 7491–7504. [doi: 10.1007/s0
0521-020-05497-z]
[12]Liu YW, Zhang X, Gao YX, et al. Improved CNN method for crop pest
identification based on transfer learning.Computational Intelligence and
Neuroscience, 2022, 2022:9709648.
[13]曾伟辉, 张文凤, 陈鹏, 等. 基于 SCResNeSt 的低分辨率水稻害虫图像识别方
法.农业机械学报,2022,53(9):277–285.[doi: 10.6041/j.issn.1000-1298.202
2.09.028]
5
[14]陈全胜,赵杰文,蔡健荣,王新宇.支持向量机在机器视觉识别茶叶中的应用研究
[J]. 仪器仪表学报,2006(12):1704-1706.
[15]徐海卫,胡常安,汤江文,李刚.基于机器视觉的神经网络在茶叶鉴别中的应用[J].
中国测试 ,2014,40(03): 89-92.
[16]林彬彬,邱新法,何永健,朱晓晨,张阳.茶树病害智能诊断识别算法研究 [J]. 江
苏农业科学 ,2019,47(06): 85-91.
[17]孙肖肖.基于深度学习的茶叶嫩芽检测和叶部病害图像识别研究[D].山东农业大
学,2019.
1.2 研究意义
1.2.1 政策背景
国家农业农村部等多部门发布《关于促进茶产业健康发展的指导意见》《中国茶
产业十四五发展规划建议(2021—2025)》等重要指示,在绿色农业、科技兴农方向
重点发力,茶产业政策利好凸显。
表 1 2018—2021 年我国病虫害防治行业相关政策分析
6
大技术服务覆盖面。
建立茶树病虫害测报监控、研究推广体系。开展茶树病
虫害发生情况调查和新技术以及新药剂的试验示范研
《西湖区茶树病虫害
区农业农村局 究。依据监测调查数据和气象资料,及时发布茶树病虫
2020 统防统治实施方案》
(区水利局) 情报。推广茶树病虫绿色防控技术。推广太阳能杀虫灯、
(西农〔2020〕36 号)
天敌友好型粘虫色板、性诱剂捕虫器、生物和矿物农药
等茶树绿色防控技术。
《2019 年黄山市水稻、
加强重大病虫监测预警;大力推行农业生态控害技术和
2019 黄山区新丰乡人民政府 茶叶、油菜、玉米重大
绿色防控技术,促进茶园生态平衡。
病虫害防治预案》
加强茶叶生产服务组织建设、优化机械化引进引用的方
《余姚市茶叶产业提 案,通过充分利用好农机合作社这个平台,做好先进适
2018 余姚市人民政府办公室 升三年行动方案 用茶叶机械的引进试验,强化茶叶生产农机化示范基地
(2018-2020 年)》 的示范引领作用,带动合作社新型机械应用,有效提升
全程机械化水平,不断提高茶叶生产综合效率。
1.2.2 行业情况
(1) 目标用户现状
由于大型茶园人工管理较为困难,大部分茶园会选择辅助性检测设备。但是传统
传感器采用的是阈值检测,即害虫检测量超越设定值时才会向茶农发出警报,其原理
等同于烟雾报警器。受限于设备运行原理,传统传感器对早期虫害往往难以察觉,容
易泛滥成灾时才发出警报,而此时茶农已经有相当的经济损失。其中很大一部分原因:
晚发现,造成一株传染一亩的问题。并且以亩数划分茶田,警报的范围过大,准确度
低。
不同的地形对传统传感器的精度也会有较大影响。据调查数据显示,检测精度和
当地的平均海拔、地形落差、地形类型等等因素息息相关。过高的海拔与落差会显著
降低传统传感器的识别精度。
(2) 同类产品分析
在政策的引导与支持、科技的发展的条件下,有关解决病虫害的仪器设施如雨后
春笋般不断涌现,但是基于图像识别的病虫害防治技术相对缺乏,现在市场上主要的
解决分为以下四类:
①大型综合检测站。在传统检测器的类别里,是精度较高的,同时最大多数的
大型综合检测站都是半永久或者永久放置,使用寿命极长。例如,农业四情监测系统。
但是其也具有显著缺点,包括但不局限于以下几点:价格极其昂贵;检修时间间隔长
7
但需专业人员操作,一旦出现问题基本上农户无法自行解决。
图 1 一种传统大型综合检测站产品
②孢子捕获分析仪。依靠高活性的分子过滤膜,仪器获取飘散在空气中的病菌
孢子,精度适中且受到风向地形因素的限制。仪器只能固定在测报区域内,定点观察
特定区域孢子种类及数量。孢子采集仓和和柜体需要定期更换,使用寿命短,需要经
常检修。而项目组所提出之产品方案使用寿命长,后期的维护成本更低,具有更为广
大的市场前景。
图 2、3 传统孢子捕获分析仪产品
③高分图像传感器。它采用了大量先进技术,如光谱分析、红外分析、熵分析、
碳分析、图像分析等。在传统传感器的类别中是精度最高的,同时是价格最为昂贵的,
操作比较困难,需要有专门培训的人员的操作。通常不会出现在一线生产茶园中,而
是在实验室中广泛使用,现实落地实用可能性较低。
④低图像手持检测仪。价格便宜。但呈现的图像模糊,识别精度很低。作为手
8
持仪器设备,人力成本高,不符合实际落地之需求。
表 2 市场现有竞品分析
1.2.3 总结
结合当下政府政策与市场产品现状,项目组认为,茶叶产业病虫害识别防治系统
仍存在较大可优化空间,利青方案相较市场已有的传统传感器识别方案有绝对优势,
基于计算机视觉识别技术的茶叶病虫害识别亟待研究,一个完整链条的自动化识别系
统亟待建立。
1.3 项目已有基础
9
图 4 原始 YOLO 算法模型在数据集下的实验结果(完整数据集)
图 5 原始 ResNet50 算法模型在数据集下的实验结果(小数据集)
(4)项目组已经与与杭州翁家山茶叶专业合作社、杭州龙坞茶叶有限公司、杭州耳令
茶文化有限公司等企业达成了战略合作意向并签署了产品试用意向合同。
(5)项目组已经与浙江省农业科学院,宁波农业科学研究院,杭州农业科学院、杭州
中国茶叶研究所达成合作意向。他们将向我们提供实验场地、专家支持、背景知识资
源。
(6)项目组已经初步完成了对茶叶病虫害受害阶段识别任务下的 ResNet 残差机制优
化的研究工作。
(7)项目组所属相关项目“利青”荣获校“互联网+”银奖。
1.4 与项目有关的研究积累与成绩
(1) 项目组组长长期接触计算视觉方面研究开发。
(2) 导师与项目组组长植物计算机视觉方面的合作论文 A method on classification
and recognition of noisy plant images based on visual domain perception 已 在
10
SCI-E 收 录 期 刊 International Journal of Pattern Recognition and Artificial
Intelligence 发表。
(3) 项目组正在申请的发明专利基于改进 YOLOV7 的茶叶病虫害图像识别方法已被
国家知识产权局正式受理。
图 6、7 论文截图与专利申请受理通知书
1.5 已具备的条件
1.6 尚缺少的方法
11
2. 项目研究目标
本项目将聚焦于两个层进式的目标。在研究优化方法的同时,通过搭建一个以任
务优化下的算法为核心的可投入实用的系统。
2.1 针对茶叶病虫害识别任务下的计算机视觉算法优化方法研究
2.2 构建以优化后模型为核心的茶叶病虫害识别与报警系统
项目组立足于项目实地,以可靠、实用、利民为开发核心,在对传统市场进行深
入调研后决定以调优后的算法模型核心,开发一套结合软硬件、前后端的茶叶病虫害
识别报警系统,目标旨在制作一套“精确到叶片”,“识别到早期”的人机交互优异,
大数据模块可靠,脚踏实地的为茶农所想的识别系统。
3. 主要内容
3.1 算法简介与优化部分
(1) YOLOV7
YOLOv7 算法由输入端(Input)、主干特征提取网络(Backbone)、颈部特征融合网
络(Neck)、检测头(Head)四个主要模块组成。
输入端(Input)
通过 Mosaic 数据增强、自适应计算锚框和自适应图片缩放等预处理操作,将图
像裁剪成统一尺寸,使图像满足主干特征提取网络的输入要求。
主干特征提取网络(Backbone):
主干特征提取网络由 CBS 卷积层、MP 卷积层和高效聚合网络 ELAN 层组成,其中
CBS 卷积由 Conv2D、BN 和 SiLU 组成,用于从输入数据中提取原始特征,高效聚合网
络由多个 CBS 层构成,通过学习这些特征来进一步提取更高级别的特征。MP 卷积层
12
是通过下采样扩展了当前层的感受野,并将其与普通卷积处理 Computer Engineering
and Applications 3 后的特征张量拼接,以获得更加丰富的特征表达。
颈部特征融合网络(Neck) :
颈部特征融合网络包括 CBS、SPPCSPC、MP 和 ELAN,沿用传统的 PAFPN 结构,
提取三个分别位于主干部分的中间层、中下层和底层的特征层,实现多尺度特征的充
分融合。SPPCSPC 结构通过在空间金字塔池(SPP)结构中引入卷积空间金字塔(CSP)结
构来改善网络的感受野,同时在一串卷积中并行添加了多个池化操作,利用残差边来
优化和特征提取。
检测头(Head) :
检测头部分采用 anchor 机制,输出大中小三种尺度的特征图。使用重参数化结
构衔接常规卷积来调整通道数和预测,再通过 CIOU 损失函数和非线性极大值抑制
(NMS)的处理,得到最终的预测结果。
(2) YOLOV7 优化
13
3.1.2 茶叶病虫害受害阶段识别任务下的 ResNet50 算法优化
(1) ResNet50
大量实验结果表明,加深卷积神经网络可以提高分类精确度。然而,过深的卷积
神经网络会出现梯度弥散现象。当训练集精确度达到饱和后会急剧下降,因此通过简
单堆叠卷积层而构成的网络,其深度难以超过 20 层。ResNet 的出现在一定程度上打
破了卷积神经网络的层数限制。综合考虑内存占用以及分类性能,我们采用 ResNet50
作为骨干网络,并对其进行优化。ResNet50 具体结构如图 1 所示。
图 8 ResNet50 网络结构示意
14
图 9 残差单元结构示意
(2) ResNet50 优化
项目组结合先前相关开发优化案例,以及项目初期已经采集到的自建数据集下的
算法实验数据,预见算法在解决茶叶病害具体受害阶段任务时存在出现过拟合现象的
可能。我们决定将添加 BN 层、添加 dropout 层以及引入正则化作为主要解决方案,通
过后续研究引入这些机制的具体效果来解决 ResNet50 算法的过拟合问题。
同时,项目组综合先前开发经验,总结相关领域研究成果,提出优化 ResNet 核心
机制——残差机,来优化算法效率。我们发现,将原有残差机的第一个 1×1 卷积核的
通道维分为 4 等分,并利用两个卷积核尺寸负置的卷积层代替原有的卷积核为 3×3
的卷积层可以有效的提升算法在分类任务下的效率。
以利用卷积核为 3×1 和 1×3 的卷积层代替原有的卷积核为 3×3 的卷积层为
例,根据参数公式,原有 3×3 卷积核的卷积层参数为:
�3×3 = � × 3 × 3 × � = 9�2 (1)
而卷积核为 3×1 和 1×3 的卷积层参数:
� � � � 9
������ = 3 × ( 4 × 1 × 3 × 4 + 4 × 1 × 3 × 4 ) × 3 = 8 �2 (2)
对比(1)(2)两式可知,分组卷积方法可以有效减少卷积层参数量,提升算法内存
性能。
15
图 10 一种优化后的残差机结构示意
3.2 识别与报警系统——“利青”方案
我们围绕优化的算法设计了以下系统,系统结构如图 11:
图 11 软件系统结构图
茶树是一种以产叶为主的经济作物,相较于其他果类经济作物,其需要检测的目
标更多且更复杂,为了实现病叶的识别与标注,统计病虫叶数量,我们选择使用 YOLOV7
作为我们项目开发的基础模型。
16
图 12 YOLO 识别结果示例
图 13 裁切后的图片示例
YOLO 作为高效的多目标识别神经网络模型,其在相似目标分类任务环境下存在不
可避免的精度问题。由于茶株在同一病虫害下的不同阶段其外表往往较为相似,为更
好的识别茶株受害情况,为后续治疗效果监控系统提供可靠的识别结果,我们选择
ResNet50 算法模型作为茶叶受害阶段识别系统的算法基础。这一系统可以识别经基于
优化的 YOLOV7 的多目标病虫害识别系统识别并裁切的单一病虫害图样,评估茶叶的受
17
害情况与受害阶段,为使用者提供更加丰富可靠的信息,同时,通过利用计算机视觉
算法识别技术,本项具有传统传感器阈值识别方案无法实现的病虫害早期阶段识别能
力,这将直接减少茶农因病虫害导致减产带来的经济亏损,为茶农收益保驾护航。
图 14 ResNet50 在茶叶健康评估任务下的实验结果
3.2.3 灌溉与施肥指导系统
我们向用户提供一个可供记录与上传每日灌溉量与施肥情况的系统模块,同时提
供自动化接口适配用户的自动灌溉装置,通过一组 api 接口接入降水预报计算未来几
日所需的灌溉量,通过综合健康识别系统的评估结果,对当下灌溉与施肥计划进行纠
错并提供修改建议。(见图 15)
图 15 系统自动报警逻辑
18
3.2.4 病虫害应对方案库与治疗效果监控系统
茶树常见病虫害类型纷繁复杂,同种病虫害在不同茶株品种,不同时间段情况下
其所需的治疗与防控手段往往大相径庭,为了降低茶农学习成本,提高用药针对性,
从而降低受灾后防治带来的次生灾害对于茶叶产量与品质的影响,我们将为用户提供
病虫害应对策略方案库,我们采用中国农科院的病虫害防治策略,当识别系统告警识
别后,我们将同时向用户提供相关防治方法,并记录受灾茶株位置,在受灾后联动茶
叶受害阶段识别系统对该茶株进行长期恢复情况识别,若茶株处于长期无法恢复状态,
系统将重点报警提醒用户进行后续介入。(流程见图 16)
图 16 长效监控流程示意
19
Vue.is 开发的前端应用框架,使用其最大的好处便是,只需写一个项目便可以同时发
布于 Android、iOS、Web、小程序等平台,大大提高了开发效率。同时它也支持 Vue
的生态系统,方便使用。
3.2.6 历史病虫害统计数据库
为了更好的预防病虫害的发生,系统将自动记录受灾茶株病发前的外观图片,统
计病发前灌溉、降雨、施肥、气温等情况,本系统采用 SSM 框架实现后端功能。
以下是数据库的设计:接收检测系统传过来的数据后,去病虫害表查询对应的病
虫害,如果查询不到说明出现了新的病虫害,将由管理员对病虫害表进行更新。由查
询到的病虫害信息去病虫害预防表中查询预防方案。将上述信息储存到病虫害记录表。
可以为用户数据可视化页面传输数据。另外还有一个环境情况表,对每条病虫害记录
额外记录病发前灌溉、降雨、施肥、气温等情况。
20
图 17 数据库设计
图 18 数据流图
3.2.7 “利青”软硬件整合方案
为更好的实现落地应用,利青设计了一套完整的软硬件部署方案,用户可以直接
21
参考或采购整套“利青”方案实现茶田情况自动化检测。
图 19 软硬件交互结构
得益于现代无人机的高集成度,我们可以在采集茶田影像的同时记录每一张图样
被采集时的 GPS 坐标,利用这一特性,我们可以可靠有效的回报病发植株的位置,实
现“精确到植株”的识别效果,这一实现将极大的改善传统病虫害识别方案下以亩为
农药喷洒单位的情况,将病虫害防治精确到株,精确到叶,为无公害、低公害茶产品
的发展提供技术支撑。
4. 项目创新特色概述
4.1 算法方面
4.2 系统方面
(1) 创新性的提出双算法双任务的算法网络结构。
(2) 创新性的提出“精确到植株”概念。
(3) 创新性的提出在茶叶病虫害识别上利用计算机视觉技术替代传统传感器识别的
方案,实现病虫害早期识别。
22
5. 项目研究技术路线
23
6. 研究进度安排
2023 年 6 月——2023 年 8 月 3 种茶病虫害数据集采集与搭建
2023 年 7 月——2023 年 9 月 PC 端用户界面搭建与调试,算法优化实验
2023 年 7 月——2023 年 9 月 茶叶历史病虫害数据库搭建与调试,算法实用
2023 年 10 月——2023 年 12 月 无人机硬件部分代码开发、调试与试用
2023 年 12 月——2023 年 1 月 系统整体落地测试与 debug
2023 年 10 月——2024 年 3 月 编写算法优化方向论文
2023 年 12 月——2024 年 3 月 申请系统相关专利、软著
2024 年 3 月——2024 年 5 月 发表论文
2023 年 4 月——2023 年 6 月 撰写结题报告
7. 项目组成员分工
小组成员分工合理,具有大量相关项目开发经验,熟练掌握所需的开发软件与语言。
组员 具体负责工作
冯喆 算法开发及优化、软硬件沟通开发、项目流
程管理
沈奕 项目后端开发、数据库设计
魏卓宇 项目硬件结构设计、前端开发美化
三、学校提供条件(包括项目开展所需的实验实训情况、配套经费、相关扶持政策等)
1. 实验实训情况
学校开设了众多计算机视觉、神经网络方面课程,安排诸多相关内容讲座以及线
下展会,实习活动,为产教研合作提供实训支撑。
2. 配套经费
学院大力支持学生的科研创作与发表,设有论文发表、软著申请、专利申请的专
项奖奖励机制,资金配套完善。
3. 相关扶持政策
学校允许项目组在学校所属茶田进行项目背景调研、数据集采集、项目落地测试,
为项目组提供项目实践基地。
24
四、预期成果
1. 项目组成员以第一作者发表一篇高水平相关学术论文(SCI、EI-JA 收录论文,
国内核心期刊论文)。
2. 项目组成员以第一完成人或主要成员获得软件著作权 1 项以上。
3. 力争凭借该项目成果参加学科竞赛比并获得国家级奖项。
4. 力争项目组成员以第一发明人获发明专利授权或发明专利申请进入受理公开阶段。
五、经费预算
项 目 金 额 备 注
(元)
一、经费支出 10000
1.设备费 2000
(1)购置设备费 1000
(2)试制设备费 1000
(3)设备租赁费 0
2.材料费 2000
3.测试化验加工费 0
4.燃料动力费 0
5.差旅费 1000
6.会议费 0
7.合作.协作研究与交流费 0
撰写与项目 有关
8.出版/文献/信息传播/知识产权事务费 3400 的论文版面费、申
请专利费
9.人员劳务费 0
10.专家咨询费 1600
11.其他开支 0
二、经费结余 0
25
六、导师推荐意见
项目选题合理,具有较好的理论研究和实际应用价值,推荐立项。
签名:
年 月 日
七、院系推荐意见
院系负责人签名: 学院盖章:
年 月 日
八、评审专家组意见:
负责人签名:
年 月 日
八、学校推荐意见:
学校负责人签名: 学校公章
年 月 日
26