马铃薯的产销量在全球主要粮食作物中排在小麦、玉米、水稻之后,居第四位。马铃薯早疫病作为田间常见的马铃薯病害,不仅影响马铃薯品质,而且会大幅度降低马铃薯产量。针对目前马铃薯早疫病传统诊断方式效能低下的情况,本文以马铃薯早疫病检测和诊断技术为研究对象,分别研究了基于视觉技术、基于红外光谱技术和基于傅里叶变换红外光谱技术的马铃薯早疫病检测诊断关键技术,形成了能精准、迅速地诊断马铃薯早疫病的监测方法,研究结果为运用光谱图像技术监测马铃薯早疫病提供了技术和理论依据,为智慧农业发展提供了植物病害智能监测预警内容,具有重要的理论意义和应用价值。1.基于计算机视觉的马铃薯早疫病诊断系统的研发以马铃薯早疫病的病斑为主要研究对象,利用自制的图像采集校正背板对马铃薯早疫病病斑进行采集,利用R通路灰度化图像对病斑边缘进行增强完成病斑的提取,利用邻域平均法对早疫病病斑图像的进行增强,选用EM分割对早疫病病斑图像进行分离处理。提取多变量特征参数,选定了适合表示马铃薯早疫病病斑特征的9个颜色参数、3个纹理参数、1个图形参数,共13种有效特征参数描述马铃薯早疫病病斑特征。尝试两种模式识别方式对马铃薯早疫病图像进行识别分类,其中Bayes线性判别模型对验证集叶片病害样本的平均识别率可达到99.17%,BP神经网络模型对马铃薯早疫病判别准确率均达到100%。完成了对马铃薯早疫病智能识别系统的搭建并部署到服务器,实现了基于计算机图像处理技术的马铃薯早疫病的网络诊断系统。2.建立基于近红外光谱技术的马铃薯早疫病光谱诊断模型通过对比多种预处理方式,发现SG卷积平滑滤波法对马铃薯早疫病近红外光谱的降噪效果较好,不仅速度快而且保证有效信息的保留。运用逐步判别分析,在红外光谱的50个波段中提取了8个特征频段进行早疫病的识别建模。利用典型判别的模式算法得到的马铃薯早疫病识别模型,识别的准确率达到96%。考虑到光谱的反射率的结果不符合直接运用于神经网络算法的条件,因此,另外通过主成分分析和BP神经网络的算法构建出了马铃薯早疫病病害分析的新模式,大大提高了模拟运算的效率与准确性,通过该模型对马铃薯早疫病进行识别,可以获得100%识别度和89%的准确性,为利用手持设备或无人机实现对马铃薯早疫病检测提供高效算法。3.确定了基于傅立叶光谱的马铃薯早疫病早期检测技术通过对早疫病傅立叶光谱的研究,发现染病叶片和健康马铃薯叶片的谱图在1250cm-1、1500cm-1和1760cm-1之间的峰面值有明显差异。利用这些敏感波段进行聚类分析,实现了利用傅立叶变换的红外技术对马铃薯早疫病的早期检测诊断。