在我国甘蓝型油菜种植面积广,籽粒产量高,是重要的油料作物,但虫害会严重影响其生长,减少作物产量,精准农药喷洒技术可高效的防治病虫害。传统的作物虫害检测方法费时费力,精准度差,难以满足当前对高效快速检测的要求。本文采用图像处理技术,从图像分割、特征提取、分类模型设计的角度,研究了甘蓝型油菜叶片图像虫害程度的检测方法。论文重点研究了以下的内容:(1)由于室外采集的图片容易受光照、外界环境的影响,本文采用彩色空间模型的方法分割图像:分别用不同的空间模型来表示彩色图像,得到各空间模型中最能突出叶片区域的颜色分量,选择合适的分量进行叠加,得到叶片区域最明显的灰度图像,从而进行阈值分割。分析对比采用该方法与Otsu算法的分割结果,主要分析两种方法的分割效果和误差率,结果发现基于彩色空间模型的分割方法分割效果更好,误差率<2.4%,平均误差率达到0.611%。最后对分割后的图像进行二值化与去噪处理,得到只保留叶片区域的二值图像。(2)针对甘蓝型油菜叶片图像的虫害程度检测,提取了8个特征参数:虫孔面积、虫孔填充前叶片的占有度、偏心率和圆形度,虫孔填充后叶片的占有度、偏心率和圆形度、完整度,并基于MATLAB GUI平台设计了一个甘蓝型油菜叶片特征值提取系统,然后对所有叶片图像进行处理。基于所有叶片图像的特征值,经过特征的选择与组合,得到虫孔面积、占有度差值、完整度这三项对于虫害程度检测有效的特征。(3)考虑到样本数据较多,特征之间相互联系,且为多分类问题,本文设计了一个甘蓝型油菜叶片图像虫害程度的BP神经网络分类模型,其中隐含层为一层,神经元个数为8个。实验结果显示,该模型在训练样本上均方误差达到0.0357,测试样本分类误差的均方差为0.177905,分类正确率达到97.142857%。