水稻是我国最重要的粮食作物之一,提高水稻产量和品质是当今水稻生产的重要目标。但近年来,水稻害虫发生呈逐年加重的趋势。因此,水稻害虫防治在水稻生产和国民经济发展中占有极其重要的地位。目前我国水稻害虫监测主要依靠黑光灯引诱捕获害虫,于次日取回害虫,并人工进行识别与计数,存在劳动强度大、效率低、客观性差、非实时性等问题,已不能满足当前水稻害虫发生严重状况监测的需求。为了减轻基层植保人员劳动强度,提高水稻害虫监测的准确度和预测预报的时效性,本文利用机器视觉、图像处理和模式识别等技术对水稻灯诱害虫识别与计数进行了初步研究。主要研究结果包括:　　 (1)建立了一套室内水稻灯诱害虫图像采集系统。在该系统中,通过不同目的网筛实现了害虫初步筛选分类,利用2个单反相机采集害虫正反两面图像,采用Visual C++6.0开发了害虫图像采集软件,实现相机自动采集害虫图像。该系统的建立为水稻灯诱害虫自动识别提供了较好的平台;　　 (2)在图像预处理方面,提出了一种基于图像灰度差分的背景分割方法。首先在相同的拍照环境和相机参数设置下,拍摄害虫混合图像与相应的背景图像,根据两幅图像的灰度差分实现图像分割。通过实验对比分析,本论文提出的分割方法较传统的阈值分割方法,能有效地避免在分割过程中害虫边缘断裂、区域出现空洞等现象,且具有较强的鲁棒性;　　 (3)在特征参数提取方面,选择与人类视觉感知系统一致的HSV空间,利用非均匀量化的直方图提取颜色特征,提高了识别鲁棒性。提取具有旋转、平移、尺度不变性的形态特征,保证了识别稳定性。利用灰度共生矩阵提取纹理特征,压缩了害虫图像的灰度等级,减少了3/4的计算量,降低了特征提取复杂度;　　 (4)在特征数据优化方面,利用主成分分析对害虫数据矩阵进行降维处理,通过计算每个主成分的方差贡献率,根据累计贡献率不低于85％的原则,选取了前6个主成分作为害虫识别依据,消除变量的相关性,减轻了计算机存储和运算负担;　　 (5)在数据集划分方面,利用7折交叉验证思想,将害虫特征数据均匀地分为7组,1组作为测试样本,同时其余6组作为分类器的训练样本。经实验分析,利用交叉验证后建立的分类器可以解决过学习和欠学习状态的发生;　　 (6)在害虫识别方面,本文以多目标水稻混合害虫图像为研究对象,打破了传统对害虫个体识别的模式。分别利用模板匹配与支持向量机对4种主要水稻害虫混合样本进行识别分类。结果表明多模板匹配方法相比于单模板匹配可以较好地解决害虫受残体、姿态各异等因素的影响,而支持向量机较多模板匹配在识别率上提高了14.4％。由于支持向量机在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,并且算法固定,避免了输出不收敛与随机性较大的情况,本文选用支持向量机作为分类器对水稻害虫进行识别;　　 (7)在识别多种水稻灯诱害虫的基础上,对每种害虫实现了准确计数,为害虫预测预报提供可靠的数据来源;　　 目前国内外文献中未见水稻灯诱害虫自动识别方面的研究,本研究结果为水稻灯诱害虫自动识别开拓了一条新思路。在该方面的研究中,还有许多技术难关,比如多种多个害虫粘连分割、残缺害虫和部分叠加害虫的自动识别、非目标害虫剔除等问题,有待多领域的专家共同攻克。