黄萎病是危害最为严重且分布较广的棉花病害,被称为“棉花癌症”。当棉花出现较为严重的黄萎病时,容易造成减产甚至绝收。当前棉花病害监测主要依靠植保人员通过观察棉花叶片,基于经验或结合现代实验室检测手段实现对病害的监测。这些传统的病害监测方法费时费力,且手段存在滞后性。因此,提高信息技术手段在棉花黄萎病诊断中的准确率,提供一种实时、可靠的黄萎病诊断方法具有重要意义。本文以棉田监控视频为数据源,提出了基于图像识别的棉花黄萎病病害实时诊断方法。通过研究视频处理技术,构建了棉田监控视频关键帧提取模型,获取包含疑似棉花黄萎病病害信息的关键帧图像;研究颜色空间技术、形态学处理方法和叶片分割方法,构建了疑似棉花黄萎病病害叶片分割模型,实现对复杂背景下棉花病害关键帧图像中的棉花叶片进行分割;研究图像处理方法、机器学习方法,构建了棉花黄萎病病害诊断模型,实现了棉花黄萎病病害的实时识别。本研究主要成果如下:(1)提出了棉田监控视频关键帧提取方法。本文讨论了视频关键帧提取方法,分别为k均值聚类算法(k-Means Clustering Algorithm,k-Means)、视频分帧、增强滤波、特征提取及k最邻近分类算法(k-NearestNeighbor,kNN)。首先根据视频帧率,提取全部帧,之后使用k-Means算法执行聚类操作,从聚类得到的结果图片中,找出最靠近类中央的一帧作为关键帧提取出来。根据视频时长输出所需数目的图片,以试验视频为例:该视频10s,共提取出250帧画面,对这些图像进行聚类后,得到4张图片;然后使用低通滤波器对图像进行处理,对之前得到的图片进行平滑去噪处理,以减小误差和噪声。再按照颜色直方图、颜色相关图、颜色矩、小波参数生成目标图片的结构化数据,得到的数据集就是该图片的特征值;使用kNN算法,对训练集进行训练,之后将要识别的图像的特征值代入算法进行识别判断。通过试验测试,关键帧提取准确率在90%以上。(2)提出了基于复杂背景下棉花病害关键帧图像叶片分割模型。本文对关键帧图像中植株图像进行分割,把植株中每个易识别的叶片单独提取出来,即复杂背景下的图像分割,为后续的图像识别做好充分的准备工作,旨在解决棉花病害识别的基础问题。首先利用棉叶的RGB颜色特征将植株与土壤进行分离;然后结合形态学处理方法,将植株的茎秆去除,实现彩色分割,保留棉花叶片;最后采用三种图像分割算法分离叶片,分别为基于广度搜索分割算法、基于OpenCV轮廓搜索函数分割算法和基于分水岭分割的算法。使用三种分割算法对棉花叶片图像进行分割与提取,其中,基于广度搜索分割算法与边缘检测方法相结合对于叶片结构清晰的图像分割效果显著,但与OpenCV轮廓搜索函数相比,后者的适用性更广,提取的轮廓层次结构更清楚。最后再采用分水岭分割算法和改进后的基于距离变换的分水岭分割算法与前两个方法进行对比,结果表明基于OpenCV轮廓搜索函数分割算法效果最优。(3)构建了棉花黄萎病病害识别诊断模型。本文通过图像处理方法和机器学习算法,以分割之后的棉叶为验证集,以正常棉花叶片、黄萎病棉花叶片、枯萎病棉花叶片和轮纹病棉花叶片为训练集。分别研究支持向量机(Support Vector Machine,SVM)、反向传播神经网络(Back Propagation,BP)、卷积神经网络(Convolutional Neural Network,CNN)三种棉花病叶识别方法,并对三种算法进行了比较研究。其中,卷积神经网络根据其特有的局部感知、权值共享和降采样方法,可建立图像特征提取、层次结构化和图像分类相结合的训练模型,对图像大小改变、特征位置、旋转角度具有很好的不变性。本文设计的卷积神经网络由输入输出层、三个卷积层、三个池化层、一个完全连接层共九层构成,分别研究激活函数、分类器、学习率、迭代次数等不同的因素对算法最终结果的影响。通过试验最终得到卷积神经网络对病叶的测试正确率为96.67%,预测正确率为88.75%,验证了该模型在棉花黄萎病识别诊断上的可行性和高效性。(4)设计并开发了棉花黄萎病实时识别诊断系统。本文在理论方法研究的基础上,按照软件工程学的方法,通过系统功能需求分析、系统业务逻辑和总体架构设计、系统数据库设计、系统实现、系统测试等,设计并开发了整套系统,初步实现了棉花黄萎病实时识别诊断。