谷子是我国主要的杂粮作物之一,其播种面积占据世界播种面积的80%,产量约占世界谷子总量的85%。以相同的种植面积作为前提,谷子的产投比和经济效益都优于玉米、小麦等主要作物。然而,每年因病虫害问题造成了谷子粮食产量的严重损失,且不同类别的谷子叶片病害的防治措施均有所差别。基于病害类别的相似性和多样性,寻找一种有效的自动检测方法是解决病害问题的重要保障。本文以谷瘟病、白发病、胡麻斑病、锈病、红叶病作为试验对象,采用基于机器视觉的识别方法实现五种谷子叶片病害的分类判别,为谷子叶片病害的自动检测提供了一种有效的科学方法。本文的主要研究内容如下:(1)谷子叶片病害的图像采集和变化趋势分析。利用手机作为拍摄工具对谷瘟病、白发病、红叶病等五种谷子叶片病害类型进行图像采集,该病害的试验背景为复杂背景。选择病害类型中的白发病和红叶病进行观察,针对同一病害植株作变化趋势分析,发现白发病和红叶病仅需13天就可完成由早期到晚期的过渡。(2)复杂背景下的谷子叶片病害的图像分割研究。采用基于形态学的无边界主动轮廓方法完成复杂背景下的谷子叶片病害的分割,该方法结合了灰度图像的形态学操作,并引入窄带快速法完成叶片轮廓的边缘检测,实现了复杂背景下谷子叶片病害的分割。针对分割后谷子叶片病害,分别利用基于超绿特征的最大类间方差法、基于种子点选取的区域生长法、基于Lab空间的K-Mean聚类算法这三种不同方法进行分割效果对比。结果表明,基于超绿特征的最大类间方差法的效果最佳,能完好的分割出五种谷子叶片病害的病斑部分,可用于后续的特征提取环节。(3)谷子叶片病害的特征形成和优化。试验分析五种谷子叶片病害的特征表现,对五种病害的RGB、Lab图像的颜色矩特征进行提取,根据灰度共生矩阵和灰度梯度共生矩阵的灰度、梯度信息提取其纹理特征,依据病斑二值图像提取形态特征,构建34维的原始特征空间。运用蚁群算法对该特征空间进行降维处理,使特征维度由之前的34维降低到16维,减少了不必要的冗余特征。(4)支持向量机的参数优化及分类识别。试验以蚁群优化后的16维特征组合作为输入样本,以支持向量机作为分类识别工具。试验总样本数为900个,包含谷子叶片病害及健康谷子叶片在内的六类样本,每种病害的样本数为150,其中600个样本作训练集,300个样本作测试集。选择网格搜索法与本文的灰狼优化算法作对比分析,基于灰狼优化的分类识别率达到了96.67%。相较于网格搜索法,识别率提高了5.34%,识别时间缩短了233.4s。试验结果表明,基于机器视觉的谷子叶片病害的分类识别是有效的,能够实现五种谷子叶片病害的自动检测。