本团队将基于计算机视觉、深度学习等相关技术，进行对扁豆根部的图像分析与处理，结合扁豆生长关键时期，探究在不同情况下扁豆根腐病的表型分型类型。并利用大数据，数据库等技术实现对不同应场景下扁豆根患病程度的判断，从而实现对生产过程中的扁豆根腐病发展情况的相关预测。根据指导老师提供的33张11种不同程度的扁豆根部图片，降低分类级别数量到四类（成员技术因素）。成员通过四类中图像进行一定观察学习（掌握各个级别形状、颜色）对指导老师给的根部数据集进行分类预处理。 在此次创新中，我在项目中负责深度学习框架的搭建，以及项目后期出现的问题总结与优化改进。首先来说说我们项目做了些什么，项目研究的的是扁豆根部病害程度的识别，即分类标准。目前是分类成4类，这个是手动标注，值得一提的是这个标注人工很难去标注清楚，因为中间两类是太难标注了。然后中期是进行聚类，将其分类，对于精准度还是很不错的。后面使用深度学习，卷积神经网络。在这里就出现问题了，我们的人工标注的图像，并不是很好的去进行训练分类，导致预期结果准确度不是很好。深度学习是事先需要对图像进行标签化，在这过程中是人工进行标注，且多人完成，这会造成差异。最重要的是人工可能无法分辨出中级和低级的区别，因为很难去分辨，这也会极大的对结果造成。目前还没能去做出很好的改进方法，唯有的方法应该是减少分类数，当前分类是4类，如果是2分类的话，效果可以得到提升。在吴恩达深度学习笔记中，建议是如果这些标记错误严重影响了你在开发集上评估算法的能力，那么就应该去花时间修正错误的标签。但是，如果它们没有严重影响到你用开发集评估成本偏差的能力，那么可能就不应该花宝贵的时间去处理。我想我们应该需要去解决标签化的问题，但由于这个是后期发现的错误，而且修改也很困难，所以还没解决掉的难题。之前用的传统机器学习的聚类方法，采用无监督方式，这无疑跳出了这个难题，总的来说，该项目当前使用聚类方法是最合适的。