一、毕业设计（论文）课题的背景
咖啡原产于非洲热带地区，距今发展己有1300多年的的历史。作为饮料，咖啡具有健胃、消食、利尿、醒脑、提神等功效。咖啡含有淀粉、糖分、脂肪和蛋白质等多种营养成分。其中小粒咖啡的主要成分含量为:粗纤维17.94、蛋白质13.86、粗脂肪11.97、淀粉6.67、蔗糖1.87和葡萄糖0.17。据研究，咖啡豆粒含有抗癫皮病的维生素等物质。由于其具有多种营养成分而成为一种广受欢迎的饮品。在国际贸易上，咖啡是继石油之后，世界排名第二的原料型产品，其消费量为可可的3倍、茶叶的4倍。
咖啡锈病是咖啡病害中最主要的病害，对叶片有很大的危害作用，有时也会危害咖啡的嫩枝和幼果二中粒种类的咖啡对锈病有比较强的抵抗力，而小粒种类和大粒种类的咖啡没有对锈病的抵抗力二在咖啡叶片感染锈病初期，会有许多浅黄色的斑点出现，随着病情的加重而呈水渍状逐渐扩大，橙黄色粉状抱子堆会伴随着出现在叶片的背面，在病斑周围有浅绿色的晕圈出现，而在锈病的后期，病斑会越来越大，甚至连成一片，呈不规则形状二感染锈病的叶片呈现深褐色，并逐渐干枯，直至最后脱落二咖啡锈病的危害性很强，严重影响咖啡植株的长势，病情轻微的会导致咖啡的减产，病情严重的会使植株死亡。
图像分类是农业图像分析领域的研究热点之一，目的是通过图像分析技术对咖啡叶片图像进行分类和识别，以实现咖啡植株病害的早期诊断和有效治疗。深度学习是一种基于神经网络的机器学习技术，通过多层非线性变换和特征学习自动化提取数据的高级特征，可以提高作物植株病害识别与分析的精度与效率，与基于传统人工特征提取的方法相比，基于深度学习的作物病害识别方法不需要手动选择和提取特征，能够更好地处理大量复杂的作物图像数据。
二、毕业设计（论文）的内容
毕业设计论文应具有如下的功能：
（1）深度学习集成开发环境的搭建
搭建深度学习开发环境，安装Anaconda3、TensorFlow、keras等深度学习框架。
（2）咖啡叶片图像数据集
使用Kaggle提供的咖啡叶片深度学习图像数据集。
（3）图像分割
使用全卷积或者U-Net等图像分割框架对于咖啡叶片图像进行图像分割。
（4）图像分类
使用深度学习框架、如YoloV3、卷积神经网络对于咖啡叶片图像进行分类。
（5）深度学习参数调优
针对深度学习框架参数，如：卷积层、池化层、全连接层参数调整，提高图像分类效果。
三、毕业设计（论文）的要求与数据
（1）操作系统：Windows 2003/XP/Vista
（2）开发工具：Anaconda3、TensorFlow、keras、JupyterLab
（3）开发语言：JavaScript、TypeScript
（4）文档工具：Word
四、毕业设计（论文）应完成的工作
（1）毕业设计论文。
（2）对于图像数据集进行分类。
五、毕业设计（论文）进程安排
序 号 设计（论文）各阶段名称 日期（教学周）
1 学生选题 2023.12.14-2023.12.21
2 查阅资料，明确研究方向 2024.12.22-2024.1.5
3 提交开题报告 2024.1.7-2024.1.8
4 查阅资料，确定写作方向 2024.1.1-2024.1.20
5 安装开发环境，明确系统功能要求 2024.1.21-2024.2.10
6 系统开发，教师指导 2024.2.21-2024.3-15
7 系统功能完善与补充，教师指导 2024.3.16-2024.4.10
8 撰写毕业论文，教师指导 2024.4.11-2024.5.10
9 论文修改与完善，教师指导 2024.5.11-2024.5.20
10 检查程序与论文，教师指导 2024.5.21-2024.5.30
11 论文查重，准备答辩PPT 2024.5.31-2024.6.2
六、应收集的资料及主要参考
[1] Muehe, E, M; Wang, T, M; Kerl, C, F. et al. 2019. Rice production threatened by coupled stresses of climate and soil arsenic[J]. Nat Commun, 10: 4985-4995.
[2] Food and Agriculture Organization of the United Nations, 2021. Food and agriculture data. Available at:< https://www.fao.org/faostat/en/#data/QCL>. (Accessed: 3 Jan 2023).
[3] Xin, F, F; Xiao, X, M; Dong, J, W; et al.2020. Large increases of paddy rice area, gross primary production, and grain production in Northeast China during 2000-2017[J]. SCI Total Environ, 711: 135183.
[4] Chen, X, G; Tian, G, P. 2016. Impacts of weather variations on rice yields in China based on province-level data[J]. Reg environ change, 16(7): 2155-2162.
[5] Liu, L, H; Wei, O; Wang, Y, D, et al. 2023. Paddy water managements for diffuse nitrogen and phosphorus pollution control in China: A comprehensive review and emerging prospects. Agr water manage, 277: 108102.
[6] Zhuang, Y., Zhang, L., Li, S.S. et al. 2019. Effect of water-saving irrigation for rice production in China. Agric. Water Manag. 217, 374–382.
[7] Zhou, Y, M; Chen, X, Y; Zhu, S, Y; et al. 2022. Understanding the flavor signature of the rice grown in different regions of China via metabolite profiling[J]. J Sci Food Agr, 102(7): 3010-3020.
[8] Zhang, Y, J; Xu, J, N; Cheng, Y, D; et al. 2020. The effects of water and nitrogen on the roots and yield of upland and paddy rice[J]. J Integr Agr, 19(5): 1363–1374.
[9] Ginigaddara, G, A, S; Ranamukhaarachchi, S, L.2009. Effect of conventional, SRI and modified water management on growth, yield and water productivity of direct-seeded and transplanted rice in central Thailand[J]. Aust j crop sci, 3(5):278-286.
[10] Asheesh, C; Dutta,S,K; Ajoy, K, S. 2022. Layering smart management practices to sustainably maintain rice yields and improve water use efficiency in eastern India[J]. Field crop res.275: 108341.
[11] Kimura, M; Murase, J; Lu, Y, H. 2004. Carbon cycling in rice field ecosystems in the context of input, decomposition and translocation of organic materials and the fates of their end products (CO2 and CH4)[J]. Soil biol biochem, 36(9): 1399-1416.
[12] Tan, X, Z; Shao, D, G; Gu, W, Q.2018. Effects of temperature and soil moisture on gross nitrification and denitrification rates of a Chinese lowland paddy field soil[J]. Paddy water environ, 16(4): 687-698.
[13] Emine, K, A; Meral, Ş; Khawar, J. 2019. Effect of different water management strategies on competitive ability of semi-dwarf rice cultivars with Echinochloa oryzoides[J]. Crop Prot. 116: 33–42.
[14] Yao, Z, S; Zheng, X,H; Liu, C, Y; et al, 2016. Improving rice production sustainability by reducing water demand and greenhouse gas emissions with biodegradable films[J]. Sci Rep-UK, 7: 39855.
[15] Yu, Z, Y; Zhang, X, L; Liu, H, J; et al; 2022. Improving SPAD spectral estimation accuracy of rice leaves by considering the effect of leaf water content[J]. Crop Sci, 62(6): 2382-2395.
[16] Tallada, J,.G; Ramos, M, A. 2018. Visible-near-infrared absorbance spectroscopy for rapid estimation of leaf nitrogen contents of Philippine rice cultivars[J]. Cogent Food Agr, 4(1): 1-14.
[17] Li, J ,H; Wang, C, G, Kang, D, M, et al; 2009. Identification and Analysis of Rice Drought Tolerance Using Near Infrared Diffuse Reflection Spectra of Leaves[J]. Spectrosc spect anal, 29(10):2646-2650.