基于云计算与深度学习的常见作物害虫识别
项目概述：
建立高质量农作物害虫数据库的研究。在经过网络爬虫，数据库下载、实地拍摄等方法收集到害虫图像数据后，除了传统的人工筛选清洗数据以外，还基于视觉显著性理论，选定 GBVS 和 GrabCut 方法对数据集进行批量分割处理，提高数据集的质量。
利用云计算与深度学习技术训练高精度害虫识别模型的研究。使用 Inception-V3、MobileNet-V2 和 ResNet-50-V2 三种算法作为研究模型，基于 TensorFlow 框架在 Google Colab 云服务器上训练，并使用交叉检验和负样本检验对模型进行筛选，使模型的正负样本精度都达到可落地应用的标准。
使用云服务部署深度学习模型的研究。基于阿里云服务器 ECS , Docker 容器技术和 TensorFlow Serving 镜像，部署深度学习模型，以提供可跨平台访问的 RESTFul API。
开发一套 Web 端作物害虫识别系统，并支持跨平台、跨系统的无差别访问。基于 JS，Vue、TensorFlow 和 OpenCV 等框架技术，实现一个网页端的作物害虫智能识别系统，提供给所有操作系统的用户使用，降低开发与维护成本。