本研究以大豆叶部病害的智能诊断技术为研究对象,利用图像处理技术和智能信息处理技术,结合植保知识,对非线性失真的大豆病叶图像进行校正和预处理,采用遗传神经网络对病害区域识别,明确了病斑特征提取方法,提出了大豆叶部病害智能诊断关键技术,给出了在物联网环境下的大豆叶部病害远程诊断系统构建方案,开发出了大豆叶部病害远程诊断系统软件。1.采用自制便携式采集模板获取大田复杂背景非线性失真图像的方式,提出了一种任意封闭区域大豆叶部病害图像的剪裁新方法,结合相位一致性检测和面积数学形态学方法,建立了一种复杂环境下的大豆病害叶片转换为简单背景以便于处理的目标图像的提取方法。给出了使用邻域平均法作为几何、颜色特征参数提取前的预处理和选择中值滤波作为纹理、斑点分析前的预处理等相关预处理技术。2.为避免视频采集角度、光照等诸多影响,降低图像噪点,增强有用的病害特征信息,研究了大田环境下采集的大豆叶片病害图像的几何失真和颜色失真校正技术。分析了大豆叶片图像失真的产生原理,提出了应用双线性映射方程来恢复失真图像原来的空间关系;建立了基于标准灰卡的监督颜色校正方法,确定大豆病害图像颜色值在非标准光照到标准光照的非线性增量的转化关系,并给出了实现算法。3.研究了大豆叶部病斑区域识别分割的基本理论,提出了遗传计算和前馈神经网络相结合的非线性映射方法,依据自适应遗传神经网络模型设计像素点归属决策推理系统。给出了采用梯度下降的误差反向传播向量法进行学习的算法,这种算法主要结合全局搜索的一种最优性遗传算法和误差反向传播局部的梯度下降最优性方法,实验证明,识别的病斑区域图像能够很好的满足病害诊断的需要。4.依据数字图像处理技术和大豆叶部病害诊断植保专家知识,研究了病斑区域彩色图像和特征提取算法,进行了几何、颜色和纹理特征计算,推算出病斑区域的面积、周长、复杂性、球状性、重心、长短轴比、平均变动系数、H均值、S均值、I均值、平均灰度、光滑度、三阶矩、一致性、熵值和分形维数等共计15维特征向量值,为大豆叶部病害的分类提供了最佳的识别基础。5.根据大豆叶部病害诊断的特征因素,研究了在多个量子能级中能够激活函数量子神经元的量子神经网络,并给出了参数学习算法;建立了大豆叶部病害诊断模型,设计了大豆叶部病害无损智能诊断的算法及流程。6.构建了基于物联网大豆病害智能诊断系统的总体结构,提出了视频便携式采集传感器节点结构和主控中心功能,完成了基于物联网的图像采集系统设计方案,确定了大豆病害信息数据库和病害知识库构建方案,利用知识库和数据库的构造理论和方法,设计了大豆叶部病害远程诊断系统技术措施和总体设计方案,开发出了大豆叶部病害远程诊断系统软件。该研究对大豆叶部主要病害诊断准确率达96.6%,能够满足生产实际要求,同时本研究也可为其它农作物叶部病害的识别诊断提供了参考方法。