隨著時代的進步，智慧型行動裝置上應用越來越廣泛，在現今已成熟的物聯網(Internet of Things)架構中，結合農業領域轉變成智慧農業，避免農作物遭受感染或病害，造成重大的經濟損失，農民能透過行動裝置連線至網際網路，隨時察看農作物的災情或損失。
本研究利用深度學習的卷積神經網路(Convolutional Neural Networks，CNN)來辨識照片中植物。根據樹葉或花朵的外型進行辨識分類，排除不符合的物種。最後配置不同權重值給予不同的特徵值找出與圖像中最相似的種類名稱，模型架構採用知名的VGG-16模型，訓練過程使用遷移式學習(Transfer learning)與資料增強(Data augmentation)進行模型訓練。
本研究透過深度學習結合智慧型手機，達到物聯網模式，讓民眾戶外運動或園藝時可以透過APP辨識出該植物是否為有毒植物或無毒植物，以及讓民眾知道該植物的介紹跟中毒的症狀，並且行動裝置是現代人不可或缺的必備品，不需要特地準備，減輕民眾戶外運動的負擔。

With the progress of the times, applications on smart mobile devices become more and more widespread. By using the maturity structure of the Internet of Things, the application under the Internet of Things framework about the agriculture will be transformed into Smart and Convenient way to use it. Therefore, in order to avoid major economic losses caused by crop infection or disease, farmers or ordinary families can see the status about crops on their own device which connect to the Internet of Things.
The propose of the study uses deep learning convolutional neural networks to identify plants photos. Identify and classify the appearance of leaves or flowers to exclude non-compliant species. Finally, different weights are assigned to different feature values to find the most similar species names in the image. The model architecture uses the well-known VGG-16 model. The training process use transfer learning and data augmentation for model training.
Nowadays, people using mobile device more and more often than before. Therefore, this project will be using on the smartphone and combine with deep learning technology, which user can using this app to connect to the Internet of Things and recognize the plant whether are poisonous, and telling the detail to the user and introduce the plant.

摘要 I
ABSTRACT II
誌謝 III
目錄 IV
圖目錄 VI
第一章 緒論 1
1.1 研究背景 1
1.2 研究方法 2
1.3 研究範圍與限制 3
第二章 文獻探討 4
2.1 TENSORFLOW 6
2.1.1 TensorFlow Lite 6
2.2 OPENCV 6
2.2.1 機器學習常用的模組 7
2.2.2 功能介紹 7
2.3 人工智慧 8
2.3.1 機器學習 8
2.3.2 深度學習 8
2.4 卷積神經網路(CNN) 9
2.4.1 卷積層(Convolution Layer) 9
2.4.2 池化層(Pooling Layer) 10
2.4.3 扁平層(Flatten Layer) 10
2.4.4 全連接層(Fully Connected Layer) 11
2.4.5 反向傳播(Backpropagation) 11
2.5 IMAGENET 12
第三章 系統架構 13
3.1 整體架構 13
3.2 中心雲&機器學習 14
3.3 研究架構流程圖 15
3.4 圖像前置處理 18
3.4.1 灰階值轉換 18
3.4.2 二值化轉換 18
3.4.3 資料增強(Data augmentation) 19
3.4.4 邊緣檢測 19
3.4.5 圖像品質 20
3.5 資料庫建立 21
3.5.1 花卉 23
3.5.2 顏色 23
3.6 連接資料庫 24
3.6.1 權限控制 25
第四章 實驗結果 28
4.1 結果展示 28
第五章 結論與未來展望 32
參考文獻 33

[1]許甲奇，以情境感知行動學習系統輔助植物辨識教學之研究，國立台灣師範大學工業科技教育學系，2008
[2]黃奎龍，智慧型校園樹葉物種辨識之研究，國立高雄應用科技大學電機工程系碩士班，2011
[3]董昱廷，適用於iOS裝置之植物辨識系統-以第一科大校園為例，國立高雄第一科技大學電腦與通訊工程系，2015
[4]張家銘，物聯網穿戴式救護裝置應用於心肌梗塞，元智大學資訊工程學系，2017
[5]陳奕瑄，以CNN進行植物圖片的辨識以及經過處理後的再辨識，國立台灣大學電機資訊學院資訊工程學系，2018
[6]楊敞翔，使用卷積神經網路分類龍舌蘭品種，慈濟大學醫學資訊學系碩士班，2019
[7]李麗華、朱育聖、郭顯豪，運用機器學習進行植物病害檢測-以蘭花為例，朝陽科技大學資訊管理系，2019
[8]李訓安，KNRm影像辨識機器人之物聯網應用，萬能科技大學電資研究所碩士班，2019
[9]Xiao-FengWang,De-ShuangHuang,Ji-XiangDu,HuanXu,LaurentHeutte"Classification of plant leaf images with complicated background", In Advances in neural information processing systems, pp. 916-926, 2008.
[10]Alex Krizhevsky, Ilya Sutskever, and Geoffrey E Hinton, " Imagenet classification with deep convolutional neural networks", In Advances in neural information processing systems, pp. 1097–1105, 2012.
[11]Yann LeCun, Yoshua Bengio & Geoffrey Hinton, "Deep learning", 2015 IEEE 5nd International Conference on Signal and Image Processing (ICSIP), Singapore, pp. 436–444,2015.
[12]Nikos Petrellis, "Plant lesion characterization for disease recognition A Windows Phone application", 2016 2nd International Conference on Frontiers of Signal Processing (ICFSP), Warsaw, pp. 10-14,2016 .
[13]A. Sahay and Min Chen, "Leaf analysis for plant recognition," 2016 7th IEEE International Conference on Software Engineering and Service Science (ICSESS), Beijing, pp. 914-917,2016.
[14]S. Fahad, S. ur Rahman, I. Khan and S. Haq, "An experimental evaluation of different face recognition algorithms using closed circuit Television images", 2017 IEEE 2nd International Conference on Signal and Image Processing (ICSIP), Singapore, pp. 51-54, 2017, doi: 10.1109/SIPROCESS.2017.8124504.
[15][Android]Sample Socket Server & Client https://blog.johnsonlu.org/androidsocket/ 2011
[16]彩色轉灰階原理(RGB To Grey) http://atlaboratary.blogspot.com/2013/08/rgb-g-rey-l-gray-r0.html 2013
[17]使用Python和OpenCV檢測圖像中的物體並將物體裁剪下，csdn https://blog.csdn.net/liqiancao/article/details/55670749 2015
[18]基於opencv的葉片鋸齒和葉裂檢測，itdaan https://www.itdaan.com/tw/e84d1b7e936118c54391838e512cc57 2015
[19]資料分析&機器學習，medium
https://medium.com/jameslearningnote 2017
[20]入門深度學習-2，medium
https://medium.com/@syshen/入門深度學習-2 2018
[21]圖像處理：分離土壤與植物，Python
https://blog.csdn.net/lights_joy/article/details/46291229 2018
[22]卷積應用圖像邊緣提取 ，OpenCV https://blog.csdn.net/just_tree/article/details/89253795 2019
[23]APP使用JDBC連接MySQL資料庫並讀取指定資料表中所 https://mnya.tw/cc/word/1480.html 2019
[24]PlantVillage Disease Classification Challenge https://www.crowdai.org/challenges/plantvillage-disease-classification-challenge
[25]什麼是人工智慧、機器學習和深度學習? https://medium.com/@chih.sheng.huang821 2018
[26]影像二值化方法及適用場景分析(OTSU Trangle自適應閾值分割) https://www.itread01.com/content/1542987483.html#_8 2018
[27]讓AI給植物看病，坦尚尼亞農民已經用上了這款用TensorFlow訓練的應用https://read01.com/PMAgd0P.html#.XuD3gUUzaHu 2018
[28]農業資訊，科技應用發展107年第一期電子報 https://www.coa.gov.tw/office_epaper/epaper/infoexplorer/online/47/content_1.html
[29]Canny邊緣檢測，OpenCV https://blog.csdn.net/qq_39384184/article/details/82943557 2018
[30]網頁設計教學百科 HTML表單中get與post的用法差異，Wibibi https://www.wibibi.com/info.php?tid=235
[31]ImageNet，維基百科
https://zh.wikipedia.org/wiki/ImageNet
[32]人工智能史，維基百科
https://zh.wikipedia.org/wiki/人工智能史
[33]What’s the Difference Between Artificial Intelligence(AI),Machine Learning, and Deep Learning? https://www.prowesscorp.com/whats-the-difference-between-artificial-intelligence-ai-machine-learning-and-deep-learning/
[34]林大貴，TensorFlow+Keras深度學習人工智慧實務應用，博碩，2017