马铃薯是新世纪以来在我国最为具有发展前景的高产经济作物之一,而马铃薯病虫害的频繁出现往往会直接导致其大量减产或者低产。及时发现并有效控制各种病害虫,对于确保马铃薯的正常生长和健康具有重要的作用。传统的人工检测和诊断方法主要是依赖专家的肉眼观察,受主观因素影响较大。因受到空间限制,田间病害和虫害无法得到快速有效地检测,所以,利用图像处理技术对马铃薯的病虫害进行检测和诊断可以更好地满足农民对病虫害诊断与防治的需求。本文以马铃薯病虫害图像为研究对象,通过采用机器学习与深度学习方法提取关键特征,从而确认马铃薯病虫害种类。首先使用相机在田间进行图像采集,建立数据库。然后对图像进行预处理,并使用K-means聚类方法进行分割。最后利用改进的LBP和迁移学习方法提取马铃薯病虫害图像特征并进行分类。本文的主要研究内容和结论如下:(1)采集并建立马铃薯病虫害图像数据库。本文使用数码相机和手机摄像头等图像采集设备在田间进行图像采集,采集地点包括内蒙古自治区武川县、和林格尔县和察哈尔右翼中旗,采集病害3类、虫害4类,共1400幅原始图像。为进一步扩充图像数据库,对原始图像进行了旋转、翻转等操作,共计得到7000幅图像。(2)实现了一种基于G-R分量和K-means的马铃薯田间病虫害图像分割方法。田间采集的图片易受到光照、噪声等因素的影响且背景复杂,该方法可以准确地将目标区域从背景中提取出来,取得了较为理想的分割效果,为后续分类识别奠定了良好的基础。(3)实现了基于BILBP与CILBP的马铃薯田间病虫害图像分类实验。分别用两种方法提取经小波变换后得到的高频重构图像的纹理特征,并对其进行匹配分类。最终,与双线性插值LBP相比,三次插值LBP能够更加均匀地分配提取的特征向量,进而提高分类精确度。(4)实现了基于Inception v3模型迁移学习的马铃薯田间病虫害图像分类实验。将马铃薯病虫害图像数据集导入预训练好的Inception V3模型中,保留模型中的所有参数,重新训练最后一层,利用softmax分类器进行分类。通过实验,证明了基于Inception v3模型迁移学习的方法对马铃薯病虫害图像分类研究的有效性。