移动机器人加CNN的花卉识别框架在50张训练图和50张测试图上分别达到92.0%与95.0%准确率

研究提出并搭建了一个智能园艺框架，把移动机器人的图像采集与CNN花卉物种识别串联起来，识别结果进一步对应到植物专属信息，用于支持后续养护决策。 相对于以往多聚焦于田间作物检测或病害识别的农业深度学习工作，这里把机器人平台与花卉物种识别整合为一个面向园艺场景的端到端流程。 证据来自摘要中对框架组成与流程的描述，即机器人拍摄花园图像、CNN完成分类并输出植物专属信息；摘要未给出机器人平台细节、CNN结构或类别数量。

在50张训练图像和50张独立测试图像上，模型报告了92.0%的训练准确率和95.0%的测试准确率。 该结果给出了这一机器人加CNN花卉识别流程在所述小规模图像集上的量化表现，为后续扩展提供参照点。 证据为摘要中明确列出的两项准确率数值与对应的训练、测试图像数量；摘要未报告类别分布、数据来源或重复实验。

该框架被定位为未来灌溉、施肥与自主花园管理功能的基础。 把视觉识别环节与后续养护动作连接起来，使识别结果具备向园艺管理决策延伸的接口意义。 证据为摘要中关于该框架为未来灌溉、施肥和自主花园管理功能提供基础的表述；这些后续功能在摘要中属于展望，尚未报告实现结果。

该框架面向园艺场景，适用于由移动机器人采集花园图像、再由CNN完成花卉物种识别并向养护决策提供植物专属信息的设定；摘要将其定位为未来灌溉、施肥和自主花园管理功能的基础，因此其直接价值在于把机器人图像采集与自动视觉识别连接起来，为后续在这些方向上扩展的人提供起点。

摘要未说明CNN的具体结构、花卉类别数量、图像采集环境以及50张训练图像与50张测试图像之间的划分方式，也未报告重复实验或误差分析；此外，灌溉、施肥与自主花园管理功能在摘要中属于未来方向，尚无实现结果。由于本次读取范围不完整，正文与图表中的方法细节和更多结果无法在此确认，这些是读者继续阅读时可以关注的问题。