如果你想选一个既能展示深度学习功底、又不容易在答辩时被问倒的计算机毕业设计题目，基于Python的CNN花卉绽放识别会是个非常稳妥的选择。它要做的事情听起来不复杂：输入一张花或花苞的图片，告诉你是"绽放状态"还是"未绽放状态"。但麻雀虽小五脏俱全，从数据集构造、图像预处理、卷积神经网络搭建、训练调参到模型评估，一套完整的深度学习项目流程全都覆盖到了。
这篇文章我会把整个项目的落地过程拆开讲：为什么选CNN、数据怎么准备、网络怎么搭、超参怎么调、坑在哪里。希望能给正在选题或者正卡在某个环节的同学一点实际帮助。
1. 选题思路与项目定位
1.1 为什么选"花卉绽放识别"这个题目
计算机毕业设计最常见的问题，是选题太大或者太虚。要么想做自然语言处理加知识图谱再加推荐系统，最后发现半年时间连环境都没配好；要么随便找一个开源项目改个名字就交差，答辩时一问三不知。相比之下，花卉绽放识别是一个典型的"小切口、深覆盖"题目。
从学术定位看，这是一个标准的图像二分类问题。分类目标只有两个状态：绽放（花萼张开、花瓣可见）和未绽放（花苞或闭合状态）。二分类问题虽然没有多分类那样看起来"热闹"，但它更适合把一套深度学习流程完整走通，也便于在论文中把每个环节讲透。图像分类本身就是卷积神经网络应用最成熟的领域，参考资料极多，遇到问题时不会像冷门方向一样连搜索都搜不到有效信息。
从工作量看，这个题目的核心链路非常清晰：收集图片、标注状态、构造数据集、设计网络、训练验证、评估分析。每个环节都有明确产出，也能在论文里独立成章。比起那些需要部署到真实环境、搞前后端、还要做高并发测试的工程项目，它的验收标准容易量化——模型准确率达到多少、泛化能力怎么样、混淆矩阵长什么样，这些都是摆在明面上的指标。
另外，这个题目非常适合做横向扩展。数据不够可以做数据增强，效果不好可以做迁移学习，想加分可以加可视化分析，想做成系统可以包一层简易Web界面。对毕业设计来说，"扩展性"意味着你在答辩时能说出"后续还能怎么改进"，这是很加分的事情。
1.2 技术栈选型：为什么是Python + CNN
Python几乎是深度学习开发的事实标准，选它不需要太多解释。真正需要想清楚的是：用哪个框架、从零写CNN还是用高层API。
我见过不少同学纠结要不要自己手写反向传播来展示"硬核功底"，我的建议是在项目展示阶段不要这么做。手写一个能跑的CNN是一件耗时巨大且效果未必好的事情，而且规则允许我们使用现成的深度学习框架。毕业设计的重点是你能不能合理运用技术解决一个具体问题，而不是重复造轮子。用TensorFlow/Keras这种高层API，几行代码就能定义卷积层、池化层、全连接层，把精力花在数据处理和调参上，性价比要高得多。
框架我推荐Keras（TensorFlow 2.x内置）。原因有三个：第一，它对CNN的支持封装得很干净，Sequential模型几行就能搭起来；第二，社区资料非常丰富，学生时代遇到的99%报错都能搜到答案；第三，自带的ImageDataGenerator和tf.data能直接处理图像增强和数据流水线，省去大量重复代码。
至于为什么不选PyTorch，不是说它不好，PyTorch在研究圈子里同样很流行，但Keras的抽象层级更高，对于以教学演示为主要意义的毕设项目来说更容易上手。如果你导师指定了PyTorch，那也完全可以，核心网络结构几乎可以一比一平移。
1.3 项目功能边界
做项目之前，先把"做什么"和"不做什么"想清楚。功能边界越清晰，后期实现越不容易跑偏。
这个项目要做的：
- 输入一张花卉图片，输出"绽放"或"未绽放"的二分类结果。
- 同时输出模型对该结果的置信度，帮助判断当前输入的可靠程度。
- 在测试集上给出准确率、精确率、召回率等量化指标，并可视化展示训练过程。
这个项目不做的：
- 不识别花卉的具体品种。这是另一个多分类问题，一旦混进去，会严重分散精力。
- 不检测花朵在图片中的位置。目标检测需要边界框回归，属于另一个技术路线。
- 不做移动端部署或实时视频流识别。这些属于工程化扩展，可以作为"后续工作"写进论文，不需要在毕设阶段全面实现。
把边界划清楚，不只是在给文章定框架，也能避免在答辩时被老师说"你这里怎么不做那个"。你可以理直气壮地回答：本项目聚焦于图像分类的核心流程，某功能属于后续扩展方向。
2. 数据集准备与预处理
2.1 数据集怎么来
做图像分类，数据是最先遇到的坎。花卉数据集的获取有几条常见路径。
第一种是使用公开数据集。图像分类领域有多个著名的花卉数据集，比如102类花卉数据集，里面包含上百个品种的花卉图片，每类数量从40张到258张不等。虽然原本是多分类数据集，但你完全可以筛选出其中"绽放"和"未绽放"的图片重新标注成二分类数据。具体做法是浏览图片，把明显盛开的花归为绽放，把花苞和闭合的花归为未绽放。这样筛选下来，每个类别能拿到300到500张图片，对毕设来说够用了。
第二种是自行采集。用手机或相机在不同时间、不同角度、不同光照条件下拍摄花卉照片。这样做的好处是数据更贴近真实场景，但坏处是工作量大、耗时间。我不建议一开始就走这条路，你可以用公开数据集做主体，再补充少量自己拍摄的图片来测试模型的泛化能力。
第三种是在整理好的开源数据集基础上做筛选。网上有不少专门用于分类的花卉数据集，通常已经按类别分好了文件夹，你需要做的只是二次筛选和打标签。注意检查数据是否干净——有没有拍糊的、重复的、完全不相关的图片，这些都会影响训练效果。
关于数据规模，我的建议是每个类别至少300张图片作为底线。如果每个类别只有100张不到，模型很容易过拟合；如果两个类别加起来有几千张，效果会有明显提升。但也不用追求巨大数据集，毕设题目不需要跟工业界比拼数据量，2000到4000张图片已经能训练出可用模型。
2.2 图像预处理流程
拿到原始图片后，不能直接喂给CNN，需要做标准化处理，主要有四步。
第一步是统一尺寸。CNN网络对输入图片的尺寸有固定要求，最常见的是224x224或者96x96。为什么选224x224？因为ImageNet预训练模型基本都是这个尺寸，如果你后面要用迁移学习，直接匹配；如果自己从零搭小网络，96x96甚至64x64也能跑，速度更快。可以用PIL或OpenCV统一处理。
from PIL import Image import os input_dir = "raw_images" output_dir = "processed_images" size = (224, 224) for filename in os.listdir(input_dir): if filename.lower().endswith((".jpg", ".jpeg", ".png")): img = Image.open(os.path.join(input_dir, filename)) img = img.resize(size, Image.LANCZOS) img.save(os.path.join(output_dir, filename))第二步是归一化。把像素值从0到255缩放到0到1区间，方法是直接除以255。为什么需要归一化？因为神经网络的梯度更新对输入数值范围很敏感，大范围的输入值会导致梯度更新不稳定，收敛困难。归一化后所有特征的量纲一致，训练会更顺利。如果后面用ImageDataGenerator，它的rescale参数会自动完成这一步，不需要重复做。
第三步是标签编码。绽放类记为1，未绽放类记为0。分类时用sigmoid输出加BinaryCrossentropy损失函数，也可以把标签转成one-hot然后用softmax，效果上差别不大，二分类用sigmoid更直接。
第四步是通道处理。CNN习惯的输入格式是[高度, 宽度, 通道数]，RGB图片是3通道。如果是灰度图，要么转成RGB（复制三通道），要么修改网络输入为单通道。大多数情况直接保持RGB就行。
2.3 数据增强策略
深度学习圈有句话叫"AI没饭吃的时候，数据增强管饱"。数据增强就是在训练时对每张图片做随机变换，让模型看到更多样化的样本，从而提升泛化能力。
常见的数据增强操作有水平翻转、小幅旋转、随机缩放、裁剪、亮度调整等。比如一张绽放的月季花，水平翻转后还是一张绽放的月季花，但模型被迫学会对位置变化不敏感。注意增强不能改变图片的语义标签——你不能把图片旋转90度，因为那样花朵可能变成"倒挂"的，已经不是自然状态，训练出来的特征就不靠谱了。
在Keras里面用ImageDataGenerator就能完成：
from tensorflow.keras.preprocessing.image import ImageDataGenerator datagen = ImageDataGenerator( rescale=1.0/255.0, rotation_range=30, width_shift_range=0.2, height_shift_range=0.2, shear_range=0.2, zoom_range=0.2, horizontal_flip=True, fill_mode='nearest' )这里的关键参数是zoom_range和rotation_range，不建议把旋转角度调太大，30度以内比较安全。数据增强到什么程度是个需要摸索的超参：增强太弱，模型依然容易过拟合；增强太强，可能把图片变换到偏离真实分布的形态。我的做法是分档测试：先不开增强跑一个baseline，再逐步增加增强强度对比验证集效果。
2.4 数据集划分
数据集划分为三类：训练集、验证集、测试集。
训练集用来更新模型参数，验证集用来监控模型表现并做早期停止、调整超参，测试集用来最终评估模型泛化能力。常见比例是8:1:1或者7:2:1。
划分时一定要保持类别平衡。如果绽放类有400张，未绽放类有600张，按比例切分后每个子集都要维持400和600的比例。可以用sklearn的train_test_split加上stratify参数按标签分层抽样：
from sklearn.model_selection import train_test_split import numpy as np X = np.array(file_paths) # 所有图片路径 y = np.array(labels) # 对应标签 0/1 X_train, X_temp, y_train, y_temp = train_test_split( X, y, test_size=0.2, random_state=42, stratify=y) X_val, X_test, y_val, y_test = train_test_split( X_temp, y_temp, test_size=0.5, random_state=42, stratify=y_temp)划分完成后，需要检查一个容易被忽略的问题：训练集和验证集不能有同源图。如果你连续拍摄了同一个花盆的几十张照片，它们很可能高度相似，如果其中一部分进了训练集、一部分进了验证集，验证集的效果会虚高，测试时就会穿帮。这种情况下尽量让同一株、同一时段拍摄的图片整体划分到同一个集合。
3. 模型构建与训练
3.1 CNN核心组件通俗解释
卷积神经网络为什么能处理图片？关键在于它模拟了人类视觉系统"由局部到整体"的感知方式。
卷积层的作用是提取局部特征。一个卷积核就是一个小窗口，在图片上滑动，每个位置计算一次内积，得到一张特征图。不同的卷积核能提取不同特征，比如第一个卷积层可能提取边缘、线条、颜色块，后面的卷积层会把低级特征组合成花瓣形状、花蕊纹理等高级特征。用个生活化的类比：你把一张大图片切成很多小方块，每个小方块被一个模板匹配一下，匹配度高的地方就激活，然后所有激活值拼在一起，就是模型眼里的"重点区域"。
池化层的作用是压缩信息。最大池化取窗口内的最大值，平均池化取平均值，本质上是降低特征图尺寸。池化能减少计算量、增强平移不变性，同时保留最重要的特征。它相当于从一张高清照片缩略成小图，小图依然看得出主要轮廓。
全连接层位于网络末端，把卷积层提取到的所有特征"压扁"成一维向量，再经过若干线性变换，最后输出类别得分。可以说卷积层是"特征提取器"，全连接层是"分类器"。
为什么不用全连接网络直接处理图片？因为一张224x224的3通道图片展开后有150528个像素，全连接网络第一层的参数量就是百万级，几层下来参数量爆炸，训练不动而且很容易过拟合。CNN通过卷积核参数共享，大幅减少了参数量，也让网络天然具备了局部感知和空间不变性的能力。
3.2 从零搭建一个小型CNN
对新手来说，第一次跑通自己的CNN网络极其重要。这里提供一个经典的小网络结构：两个卷积块加两个全连接层。
from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout, BatchNormalization model = Sequential([ Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224, 3)), BatchNormalization(), MaxPooling2D((2, 2)), Conv2D(64, (3, 3), activation='relu'), BatchNormalization(), MaxPooling2D((2, 2)), Conv2D(128, (3, 3), activation='relu'), BatchNormalization(), MaxPooling2D((2, 2)), Flatten(), Dense(256, activation='relu'), Dropout(0.5), Dense(1, activation='sigmoid') ]) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])逐层解释一下。第一层Conv2D(32, (3,3))输出32张特征图，用3x3卷积核在224x224x3的输入上滑动。BatchNormalization对每批数据的激活值做标准化，能让训练更稳定，尤其在小数据集上效果明显。MaxPooling2D把尺寸从224降到112。第二层卷积输出64张特征图，尺寸继续降到56。第三层输出128张，降到28。为什么卷积核数量逐层递增？因为随着空间尺寸减小，我们希望保留更丰富的语义信息，特征通道数增加可以让网络表达能力更强。
Flatten把三维特征图压成一维，然后经过256个神经元的全连接层，最后接一个输出为1的全连接层。为什么最后用sigmoid？因为二分类任务只需要一个输出值，sigmoid把它映射到0到1之间，越接近1表示"绽放"的概率越高。
Dropout(0.5)是防止过拟合的经典手段，训练时随机让一半神经元失活，让网络不能过度依赖某几个节点。这里放在全连接层之间，比放在卷积层后更常见。
这个网络虽然简单，但在几千张图片的数据集上，准确率做到90%左右完全有可能。如果效果不好，优先怀疑数据问题而不是网络结构问题。
3.3 迁移学习方案
如果你的数据集比较小，或者从零搭的CNN效果始终不行，换迁移学习是立竿见影的招。
迁移学习的思路是：先用一个在超大数据集（比如ImageNet，包含1400万张图片、2万多个类别）上训练好的模型，把它的卷积层当作一个已经学会通用视觉特征的"特征提取器"，只需在它的顶端接一个新的分类器，让它学会针对我们的任务做判断。
具体做法有两种。第一种是"冻结主干、替换分类头"：把预训练模型截断到卷积部分，冻结所有卷积层权重，训练时只更新新加的Dense层。第二种是"微调"：先把冻结状态下的分类头训练几轮，然后解冻部分高层卷积层，用较低的学习率继续训练所有层的参数。微调效果通常更好，但训练时间长一些。
以MobileNet为例：
from tensorflow.keras.applications import MobileNet from tensorflow.keras.models import Model from tensorflow.keras.layers import GlobalAveragePooling2D, Dense, Dropout base_model = MobileNet(weights='imagenet', include_top=False, input_shape=(224, 224, 3)) base_model.trainable = False # 冻结 x = base_model.output x = GlobalAveragePooling2D()(x) x = Dense(128, activation='relu')(x) x = Dropout(0.5)(x) output = Dense(1, activation='sigmoid')(x) model = Model(inputs=base_model.input, outputs=output) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])为什么推荐MobileNet而不是VGG16？VGG16精度不错但模型很大，训练和推理都慢；MobileNet使用深度可分离卷积，参数少、速度快，对毕设来说完全够用。当然如果导师指定用经典VGG16，也没问题，只是训练耗时更长。
迁移学习最需要注意的是include_top=False，意思是丢掉预训练模型原有的1000类输出层，因为我们要的是自己的二分类头。weights='imagenet'会自动下载预训练权重，第一次运行需要联网，之后缓存到本地。
3.4 训练参数配置与执行
训练CNN时，模型结构只是"骨架"，超参数直接决定训练能不能收敛、模型会不会过拟合。
最重要的几个超参数：batch size、epoch、学习率、优化器。
batch size代表每次向模型输入多少张图片。常用值是16、32、64。batch size太小，梯度震荡严重，训练不稳定；太大会显存不足，泛化也变差。毕设项目用32起步比较稳妥。如果你的显存只有几GB，降到16或者8，同时把输入尺寸从224降到128，也能解决问题。
epoch代表完整遍历训练集的次数。不要傻傻地固定一个数跑完，应该配合EarlyStopping，当验证集loss连续几个epoch不再下降时自动停止训练。通常设置patience=10，意思是连续10个epoch没有改善就提前结束。这样既不浪费时间，还能避免过拟合。
学习率决定了参数每次更新的步长。Adam优化器的默认学习率是0.001，多数场景可以直接用。如果发现训练震荡很大，降低到0.0001；如果loss降得太慢，可以提高到0.01试试，但要小心发散。模型检查点ModelCheckpoint也是一个必备工具，它会自动保存验证集效果最好的权重，防止训练中途出问题后前面的努力白费。
from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint batch_size = 32 train_steps = train_generator.samples // batch_size val_steps = val_generator.samples // batch_size checkpoint = ModelCheckpoint( 'best_model.h5', monitor='val_loss', save_best_only=True, mode='min' ) early_stop = EarlyStopping( monitor='val_loss', patience=10, restore_best_weights=True ) history = model.fit( train_generator, steps_per_epoch=train_steps, epochs=50, validation_data=val_generator, validation_steps=val_steps, callbacks=[checkpoint, early_stop] )训练中要看两个关键指标：训练集accuracy/val_accuracy和训练集loss/val_loss。如果训练准确率很高但验证准确率远远落后，过拟合无疑；如果两个都低，可能是学习率不合适或数据没做好预处理。
4. 模型评估与优化
4.1 评估指标体系
准确率是最直观的指标：预测正确的图片数除以总图片数。但在类别不平衡时，准确率会骗人。假如测试集中90%都是"未绽放"，模型全部预测"未绽放"也能有90%准确率，但它其实什么都没学会。所以必须看精确率和召回率。
精确率（Precision）关注的是：模型预测为"绽放"的样本中，真正绽放的有多少？召回率（Recall）关注的是：所有真实绽放的样本中，模型找回来了多少？F1值是两者的调和平均，兼顾两者。
对于"是否绽放"这个题目，还需要想清楚哪种错误更不可接受。如果系统用于果园花期监测，把"未绽放"误判成"绽放"可能导致提前行动，造成损失；如果把"绽放"误判成"未绽放"，可能错过最佳授粉时间。这个问题可以在论文里讨论，也是答辩时的加分点。
画混淆矩阵可以把预测结果看得明明白白：
from sklearn.metrics import confusion_matrix, classification_report y_pred = (model.predict(test_generator) > 0.5).astype(int) y_true = test_generator.classes print(confusion_matrix(y_true, y_pred)) print(classification_report(y_true, y_pred, target_names=['未绽放', '绽放']))注意，使用flow_from_directory方式加载测试集时，test_generator.classes取到的是按文件夹顺序排列的真实标签，需要确保predict时没有shuffle，否则顺序会被打乱。
4.2 训练曲线怎么读
训练完成后，第一件事就是画出loss和accuracy曲线。这一步看似简单，很多人会忽略，但对理解模型行为非常重要。
import matplotlib.pyplot as plt plt.plot(history.history['loss'], label='train_loss') plt.plot(history.history['val_loss'], label='val_loss') plt.legend() plt.title('Loss Curve') plt.show()常见曲线模式有几种。
第一种：训练loss和验证loss都持续下降，最后稳定在低位。这是理想状态。
第二种：训练loss一路走低，验证loss先降后升。这是经典过拟合。解决思路是：增加数据增强强度、加大Dropout比例、增加训练数据、早期停止。
第三种：两个loss都降不下去，甚至震荡。可能是学习率过大，或者网络结构有问题，或者数据标签错乱。此时先检查数据：随机抽20张训练图片看看标签是否对得上，再用小的训练子集（比如100张）跑10个epoch，如果loss还是不动，再改学习率或结构。
4.3 优化策略排序
我在调优时一般按下面顺序来，不盲目改网络。
第一，检查数据和标签。这是成本最低却收益最大的一步。标注错误的数据会让模型无所适从，漏标、错标的图片清理掉之后，准确率通常能涨好几个点。
第二，增加数据增强。如果过拟合，先加大增强力度，不要急着加Dropout或者砍网络。
第三，调整训练策略。比如把优化器换成SGD加动量、使用余弦退火学习率，这些高级策略能带来稳定而有效的提升。
第四，尝试迁移学习。自己搭的CNN如果到不了理想精度，迁移学习几乎必然带来提升，因为预训练模型已经学会了大量通用视觉特征。
第五，模型集成。把多个模型的结果做投票平均，准确率还能再涨一点，但毕设中不推荐，这会让论文与应用展示变得复杂。
5. 模型部署与预测演示
5.1 推理脚本
训练完成后，用户最关心的自然是"拿一张新图片能不能预测"。写一个简洁的推理函数：
import numpy as np from tensorflow.keras.models import load_model from tensorflow.keras.preprocessing.image import load_img, img_to_array model = load_model('best_model.h5') def predict_flower(image_path): img = load_img(image_path, target_size=(224, 224)) img_array = img_to_array(img) / 255.0 img_array = np.expand_dims(img_array, axis=0) prob = model.predict(img_array, verbose=0)[0][0] label = "绽放" if prob >= 0.5 else "未绽放" confidence = prob if prob >= 0.5 else 1 - prob return label, confidence print(predict_flower("test_sample.jpg"))注意load_img本身会做尺寸调整，但不会归一化，所以除以255要手动补上。np.expand_dims是为图片增加一个batch维度，因为模型输入形状是(224,224,3)，而predict要求(N,224,224,3)。这个细节经常被忽略，导致shape报错。
5.2 简易Web接口
毕设如果能加一层简单交互，会更有完成度。用Flask写一个只有几个路由的上传页面大概几十行代码。把上一节的预测函数封装进接口里，用户上传图片，后端调用模型推理，返回结果和置信度。加这一层的目的不是做产品，而是让评委看到"深度学习模型能在一个实际可操作的流程中运转"。这部分工作量不大，但对整个项目的观感提升是质的。
from flask import Flask, request, jsonify app = Flask(__name__) @app.route('/predict', methods=['POST']) def predict(): file = request.files['image'] file.save('temp.jpg') label, confidence = predict_flower('temp.jpg') return jsonify({'label': label, 'confidence': float(confidence)}) if __name__ == '__main__': app.run(debug=True)注意，Flask的debug模式不要在生产环境开，毕设本地演示是可以的。如果上传到服务器展示，要用waitress或gunicorn这类WSGI服务器来跑，否则并发请求一多就会崩。
5.3 论文图表产出
模型在测试集上的混淆矩阵、ROC曲线、训练曲线、典型样本预测结果图，这些都是论文里最直观的素材。我建议把每次实验的参数和结果记录在表格里，比如数据增强开/关、是否迁移学习、epoch数、最终准确率等，答辩时老师问"你做过哪些对比实验"，你直接翻记录就行。
6. 常见问题与避坑指南
6.1 数据集太小、类别不平衡怎么办
如果某个类别的图片明显偏少，不要硬着头皮训练。有两个方向：一是用数据增强平衡数量，对少样本类别生成更多变换后的图片；二是在损失函数中增加权重，让少样本类别的错误受到更大惩罚。Keras里可以在fit时传入class_weight参数，这是很多人不知道的实用技巧。
6.2 训练loss不降怎么办
先排除最简单的错误：数据预处理是否统一？图片是否全是黑图/损坏图片？标签是否对应正确？然后考虑学习率，从0.001往下调一档试试。最后检查网络过深导致梯度消失，减少卷积层层数或者加入BatchNormalization。99%的情况，问题出在数据而不是网络。
6.3 显存不足怎么办
减小batch size是首选；其次减小输入尺寸，224降到160或128；再换轻量模型，比如MobileNet比VGG16小得多；最后考虑用CPU训练小网络。上面这套组合拳基本能解决。
6.4 预测效果差但训练准确率高
这是典型的过拟合。验证集效果差，说明模型记住了训练集特征但没学会泛化。多检查训练集和验证集是否可能有同源图片，有时数据划分不当会让模型"作弊"，比如同一株花的照片被分到两边，验证集虚高，测试集真相暴露。遇到这种情况，必须重新整理划分逻辑。
6.5 关于答辩的一些提醒
这是最后想重点说的一条。毕设答辩时，老师最常问的问题不是"你的模型多复杂"，而是"为什么选这个方案""为什么不用其他方案""你的结果有说服力吗"。所以要准备几个自己做过对比的小实验：不同epoch下的效果对比、加不加数据增强的对比、自建CNN和迁移学习的效果对比。把这些对比做成图表，讲清楚每个选择背后的理由，这个毕设的质量就立住了。
我自己做完这个项目回头看，最值钱的其实不是最终那张准确率截图，而是整套流程走通之后对深度学习完整链条的直觉。数据、标签、增强、网络、训练、评估，哪个环节出问题你都能大概定位到，这种感觉很难用语言形容。所以如果你正在做这个题目，多花点时间把数据弄干净，把实验记录做全，答辩时你会感谢自己。后续想扩展也很容易：从二分类改成花苞、半开、全开的三分类，或者用目标检测先定位花朵再做状态判断，甚至接一个简易的移动端识别入口，每一条路都能让项目再上一个台阶。
