叶绿素作为高等绿色植株的重要生理色素,其对绿色植物的作用也不言而喻,在绿色植物所依赖的光合作用过程中叶绿素是不可或缺的基础。现阶段的叶绿素含量测定的方案较多,基于计算机视觉方向的叶绿素测定也有很多学者在研究。但是,大部分基于计算机视觉的研究中对于视觉设备的要求较高,同时,由于其固定的设计软件运行环境等因素,使得基于计算机视觉的叶绿素含量识别研究存在一定的局限性,本文主要选择移动设备作为计算机视觉的视觉终端设备,同时提供在线实时反馈的方式,为叶绿素含量的测量以及其数据存储、展示和可视化分析提供可行的解决方案。本文通过图像的颜色直方图和K-means聚类分析,研究了油菜叶片的颜色在RGB、HSV和L*a*b*颜色空间的分布特性,然后,对图像进行均值滤波、高斯去燥等操作,通过形态学的腐蚀对图像进行处理,使用颜色分割技术获取图像的掩膜,使用图像分割技术进行目标分割,获取叶片的基本信息,最后通过K-means聚类分析,获取叶片图像的特征变量,通过和Photoshop软件对比分析,该特征变量的识别正确率达到97.82%。本文通过研究油菜叶片,使用苹果手机对油菜叶片进行拍摄,获取图像的色彩空间的参数,建立线性回归和神经网络回归模型。采用Python编程语言结合Open C图像处理软件库进行油菜叶片图像信息分析。在获取了叶片图像信息后,采用了MATLAB数据分析与仿真软件和数据分析SPSS软件包,进行了数据的分析处理和清洗。然后,使用基于Python的机器学习工具Scikit-learn对模型训练和测试。建立以归一化颜色参数r为输入,SPAD值为输出的线性回归模型,以及以g、b、G/B+R、R/G和G-R为输入,SPAD为输出的神经网络模型,再将线性回归模型和神经网络模型的输出值作为输入Y1、Y2建立一个三层神经网络,包含两个隐藏层,隐藏节点数量分别为2个和1个,通过L-BFGS进行优化,采用有监督的训练模型。构建了基于计算机视觉的油菜叶片叶绿素反演模型。最后以Python为后台语言建立油菜叶片叶绿素的在线检测系统,系统具有实时、有效且可进行数据分析等功能,为叶绿素含量的测量和数据分析整理提供了系统解决方案。本文主要目的是设计和建立一个基于机器视觉的油菜叶片叶绿素反演系统为核心的在线检测和数据分析平台,为解决叶绿素测定过程中对设备的硬性要求,通过在线实时处理的方式进行实时反馈大田叶绿素数据和趋势,从而协助油菜的生产和科研工作。