本文围绕作物病虫草害的快速诊断,将作物病虫草害识别的专家知识与数字图像处理、神经网络结合,综合运用人工智能和网络技术,研究实现了作物病虫草害的远程图像识别与诊断。取得以下进展: 1.图像预处理方面,针对作物病虫草害的图像特点,分析、比较了病虫草害图像的增强处理方法,提出了对彩色图像先进行反色运算,再通过RGB通道分离,得到增强图像的新方法,与传统图像增强算法相比,此法简单易行,运算量小,并具有较强的消除噪声能力。 2.图像分割方面,根据病害图像特点,提出通过H分量图像灰度分析来确定阈值对灰度图像分割的方法,分割精度明显高于传统的自动阈值分割结果;对病害彩色图像分割时,用HIS颜色系统中的H分量图像分割效果最好,其次是RGB颜色系统中的红色分量图像所做的分割。并提出B分量图像对光照更为敏感,适合处理在光线较暗条件下获取的图像或病斑与非病斑区域明暗差别较小图像的分割;提出了用提取轮廓分割识别目标图像的新方法,即先对病害图像作反色运算,对得到的图像进行二值化后,再进行腐蚀运算,对其结果作轮廓提取,可消除全部噪声。与传统轮廓提取方法相比,分割更为准确,几乎没有噪声。提出了对在叶片上造成孔洞图像进行分割的有效方法,即轮廓提取加种子填充技术。该方法可有效消除除叶脉外的各种背景噪声。提出了用模糊判别的自动阈值法与手工补选样点修正阈值法相结合的图像分割方法,实现了对有其它植物叶片为背景的杂草图像的正确分割。 3.在图像特征提取方面,提出使用RGB颜色系统的B/R、色度坐标b、b/r值及HIS彩色系统中的色调、饱和度、亮度值作为作物病虫草害图像识别与诊断的关键特征;研究并建立了6组叶片颜色特征与叶片绿度值（叶绿素含量）的定量预测模型,预测叶绿素含量误差在7.8-13.65%之间,用b/r与叶绿素b含量间的模型y=0.8058x+1.2403(R²=0.8056^**)对叶绿素b的预测精度超过90%,可以图像诊断的方法改进传统的作物病虫为害分级调查方法与指标,建立病虫为害分级的新指标与新方法。首次以纹理特征中能量值、熵及惯性矩作为作物病虫草害图像识别与诊断的重要特征,以单个特征识别无病斑叶片的正确率达100%,对有病斑叶片的正确识别率达90%;综合应用三个纹理特征,识别有病斑叶片的正确率达100%;提出以这些特征作为病斑图像分割的判据（阈值）。病斑的圆形度可作为病斑形状差异较大的病虫害图像初步诊断的形态特征;杂草叶片的长宽比可作为对窄叶与阔叶杂草的图像识别特征,结合颜色特征可对杂草进行更为细致的分类识别。 4.构建了基于图像识别的、具有32个特征参数的作物病虫草害图像识别特征数据库。并利用构建的玉米病害图像识别神经网络成功地实现了作物病虫草害的仿真识别与诊断,对玉米6种叶部病害图像的自动识别平均正确率达98.3%。 5.对基于图像识别的作物病虫草害诊断系统与作物远程诊断系统集成,实现了基于网络的作物病虫草害的图像识别与诊断。