1. 研究目的与意义
图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。图像识别一般分为传统的基于特征的识别和现在比较流行的基于AI的识别。传统的图像识别一般是通过目标的形状、颜色、纹理等进行识别，二基于AI的识别是应用深度学习算法的一种实践应用。
图像识别系统能够对图片进行存储与分类，在用户需要查看或者寻找图片的时候，可以根据用户提供的关键信息来查找图片，以便于满足用户的需求。但是传统的图像识别系统的提取是通过构建不同类型的局部特征提取器以人工预处理的方式完成，局部特征提取算法选择的恰当与否直接影响图像分类结果，因此在图像检索的过程中会推送与关键字不相关的图片，而人工智能的大数据图像识别系统及方法可以通过机器学习的方式来来解决上述问题，得到较高的准确率。
2. 研究内容和预期目标
（1）设计模型：设计一个简单的含有输入层、卷积层，Relu层、池化层和全连接层的卷积神经网络 (CNN) 来对图像进行分类。该模型利用 CIFAR10 数据集，并增加 Dense 层，最后编译和训练模型，展示评估模型。（2）优化模型和更改图集：调整参数并增加层级以获得更优秀的训练模型；更改实验使用的图集，在前期实验过程中以CIFAR10数据集为主要实验图集，后期将对更多的图集进行训练，获取训练模型，测试训练模型等操作。
3. 国内外研究现状
我国对于人工智能的研究在20世纪50年代就已经开始，从文献来看，研究呈现频度低、数量少、深度不够等问题。进入21世纪，从文献数量上看，我国每年关于人工智能论文呈现逐年上升的特征，自2016年开始陡然上升，尤其在2017年和2018年两年，中国知网上关于人工智能的论文高达24,388篇，占所有相关论文（99,639）的24.5%。可见，“人工智能”无疑是当下一个不可回避的话题和热词。如今各大公司再人工智能上都有较大的投入，如微软、亚马逊、谷歌、脸书、百度、科大讯飞等都把人工智能作为企业的一个大的发展方向。
论文产出：中国人工智能论文总量和高被引论文数量都是世界第一。中国在人工智能领域论文的全球占比从 1997 年 4.26% 增长至2017 年的 27.68%，遥遥领先其他国家。
专利申请：中国专利数量略微领先于美国和日本，国家电网表现突出。中国已经成为全球人工智能专利布局最多的国家，数量略微领先于美国和日本，而中美日三国占全球总体专利公开数量的 74%。
4. 计划与进度安排
为实现上述图像识别目的，本次实验提供如下研究计划：
1. 利用Python语言和TensorFlower及Keras技术进行开发
2. 利用CIFAR10数据集为主要实验图集，搭建一个小型的基于卷积神经网络的图像设别模型
5. 参考文献
[1]机器学习[M].周志华.北京:清华大学出版社,2016.[2]黄文坚.TensorFlow实战.北京:电子工业出版社,2017.[3]卷积神经网络的发展及其在计算机视觉领域中的应用综述[J].陈超,齐峰.计算机科学,2019,46(03).[4]图像物体分类与检测算法综述[J]. 黄凯奇,任伟强,谭铁牛.计算机学报. 2014(06)[5]ImageNet classification with deep convolutional neural networks[J] . Alex Krizhevsky,Ilya Sutskever,Geoffrey E. Hinton.Communications of the ACM . 2017 (6)
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
