中国作为农业大国,农业的发展对于社会的进步有着极其重要的作用。当前在农业生产过程中,病虫害是农作物减产的主要原因,农药喷洒作为主要的手段处理病虫害。农药的大量施用会造成环境的污染,也会影响食物的安全性,精准的施药是解决农药滥用的有效方法。首先需要对病虫害的程度与种类作出准确的判断。传统的农作物病虫害检测方法通过人工方式费时费力,难以满足快速精准的现代农业的要求。本文采用图像处理技术,基于FPGA与MATLAB,从图像处理和图像特征提取的角度,通过支持向量机的机器学习方法,研究了甘蓝型油菜叶片图像的虫害程度与识别的检测方法。本文主要开展完成以下研究工作:(1)基于DE10-Nano开发板,搭载Linux操作系统。通过Linux构建交叉编译环境,tftp服务器的搭建,nfs服务器的搭建,u-boot移植,Linux内核移植,根文件系统制作。移植Open CV库,完成甘蓝型油菜叶片图像的采集。(2)针对采集到的甘蓝型油菜叶片的图像,基于FPGA图像处理通过Quartus Prime 18.0设计电路,完成直方图的统计和均衡化,并基于MATLAB 2016a完成甘蓝型油菜叶片图像的目标区域的图像分割,初步完成甘蓝型油菜叶片图像的预处理。(3)为了实现甘蓝型油菜叶片图像的虫害程度与识别的研究,本文挑选了4个特征参数:虫害啃食后叶片虫孔的数目、虫孔总面积、叶片圆形度和完整度。这4个特征参数用于检测虫害程度的有效性,通过对比分析可知,发现随着虫害程度的变化,虫孔的总面积和叶片的完整度变化较大,圆形度变化不明显。可见可以采用虫孔总面积和叶片的完整度来进行虫害程度的简易检测。提取颜色特征,彩色纹理特征和灰度纹理特征等28个特征,作为支持向量机的输入特征向量,进行虫害类型的识别。(4)采用机器学习支持向量机的方法,结合颜色特征,彩色纹理特征和灰度纹理特征等28个特征向量作为支持向量机的输入特征向量,并建立支持向量机分类模型,根据选择不同核函数类型对待测的样本进行分类识别,最终确定RBF径向基核函数的支持向量机的分类方法的平均识别准确率最高为91%。