我国是农业大国，农业病虫害检测预报工作是各级植保部门的主要工作。目前普遍采用的黑光灯诱集害虫、人工识别计数的测报方法，存在识别准确性差、效率低等严重缺陷，极大地降低了测报的准确度和时效性，不利于指导农田害虫的防治工作，因此本文提出了基于机器视觉和小波分析的图像识别技术，用于农田害虫的自动检测预报。 本文设计制作了诱捕装置，诱集农田害虫，使用摄像头摄取害虫图像，采用小波分析进行图像处理，在此基础上重点进行了特征提取工作，提出了利用害虫颜色和纹理等特征进行种类识别的观点，并成功提取了彩色特征、小波图像边缘矩特征等五类有效特征，并经特征选择后输入神经网络分类器进行模式识别，最后给出检测结果。 基于上述原理，针对农田害虫这一研究对象，进行了以下工作： 1．设计硬件装置。采用植保站常用的20W黑光灯诱集害虫，设计装置使害虫落入流动的水中，借此调整害虫的姿态；选择合适的位置，安装彩色摄像头，并设计照明系统，尽可能保证获得的害虫图像清晰；经彩色图像采集卡将害虫图像输入计算机。 2．小波变换。对小波变换进行了详细研究，并用Visual C++6.0语言编制了软件，利用小波变换对图像进行三个尺度下的分解与重构。 3．对图像进行预处理。在对图像进行小波分解的基础上，利用小波系数实现图像增强处理，消除噪声。 4．特征提取。这是对害虫图像进行识别的关键环节，分别提取了以下特征：(1)形态特征：对图像进行灰度化和二值化后提取面积和周长；(2)彩色特征：把彩色模型空间由RGB(red，green，blue)转换为HSI(hue，saturation，intensity)空间，根据H值确定了红、黄、绿、青、蓝、紫、黑七种颜色，每种颜色分别提取了面积、周长、宽度、高度、圆度五种形态特征；(3)小波尺度不变矩特征：在不同尺度下利用小波系数计算出七个不变矩；(4)小波图像边缘矩：利用小波的多分辨率特征，进行多尺度边缘检测，然后计算图像边缘矩；(5)分形维数特征：利用不同尺度下的能量比计算分形维数特征。 5．特征选择。对提取的特征进行选择，共选择出面积、周长、六个颜色特征、两个图像边缘矩特征、两个分形维数特征等共12个特征；结合具体情况，把六个郑州大学工学硕士论文颜色待征压缩为一维，因此共形成了七个有效特征。 6.农田害虫的识别与分炎。结合本文研究对象，针对提取的七个有效特征，设计并训练了BP网络分类器;针对传统即算法易陷入局部极小和收敛速度慢的问题，分析了各种改进方法。 用VisualC什6.0语言实现了上述各环节的功能，开发了识别系统软件包，与研制的硬件装置相配合，分别对茶斑蛾、褐边绿刺蛾、栗六点天蛾、甜菜夜蛾、玉米螟、棉铃虫、粘虫等8种常见的农田害虫进行测试，识别率达到了85.7%。 在农田害虫自动识别方面，还没有类似的报导，本论文初次试验，在软硬件设计上还存在很多缺陷，能达到85 .7%的识别率签本令人满意。由于我国省、市、县各级都设有植保站，农田害虫检测预报是重要工作，因此本系统有很大的市场空间。今后应在识别速度方面、特征提取方面、硬件设计方面有待改进，提高害虫识别率，尽快把该系统推向市场。