近年来番茄的种植面积增多,番茄病害成了限制番茄质量、品质和经济效益的主要因素。因此在番茄病害早期时能准确的识别出病害种类是至关重要的。我国目前识别番茄病害的主要方法是靠人工识别,只能根据自身经验来诊断和用药,主观性强,容易出现偏差,有一定的局限性。随着计算机视觉技术和人工智能的兴起,图像处理技术逐渐应用于各个方面,开始研究利用计算机实现识别作物病害的方法。大部分番茄病害发病早期会在叶部产生病斑,因此识别叶部病害可以提前对其进行诊断预防,保证番茄产量和质量。本文在分析了国内外近些年来图像处理技术和模式识别技术的基础上,重点研究了番茄早期叶部病害的识别方法。研究了一种通过对叶部病斑图像的纹理特征、形状特征进行提取,结合BP神经网络实现番茄叶部病害识别的方法。本文的主要工作如下:(1)番茄叶部病害图像的预处理:在采集设备、光照强度、杂草灰尘等各种因素的影响下,采集的番茄病害图像会存在一些噪声干扰,因此要对图像进行预处理。依次对图像作图像均衡化和图像去噪。图像平滑处理中,对比了均值滤波和中值滤波,实验结果表明中值滤波处理效果较好。(2)番茄叶部病害图像分割:图像分割是整个图像识别过程中最重要的组成部分。病斑分割的好坏直接影响了图像识别的准确程度。对比了常见的颜色空间模型RGB、HIS、HSV,发现在HSV的H分量下的病斑最明显。分别用双峰法、迭代法和OTSU分割法对番茄叶部图像的病斑图像进行了研究,实验证明采用OTSU的方法病斑分割效果最好。(3)番茄叶部病害图像的特征提取:选取纹理和形状两种特征进行提取。纹理特征采用灰度共生矩阵的提取方法,以能量、惯性矩、相关性、逆差矩和熵为特征参数进行研究。形状特征提取选用了面积、圆形度、矩形度、伸长比作为特征参数进行研究。从中选出三种病害差异性较大的特征参数,用作病害识别。(4)番茄叶部病害图像的识别:选择BP神经网络进行分类识别。以选出的7个特征参数作为神经网络的输入,需要识别的番茄叶部病害的种类数作为输出,建立BP神经网络模型。通过调整BP神经网络中的各项参数,选择出识别效果最佳的参数训练网络。利用训练好的网络对番茄叶部病害的图像进行识别,结果能够很好的识别病害,识别率为93.5%。