1. 研究目的与意义、国内外研究现状（文献综述）
植物生长需要各种矿质养分。必需营养素的缺乏通常会导致农作物产量和质量下降。为了避免植物缺素对人类生产生活带来影响，并且及时补充缺少元素，科学家们进行了探索，并且创立一门叫做植物营养诊断的技术。
植物营养诊断技术起源于19世纪。目前，已有外观诊断法、化学诊断法、叶绿素仪诊断法、数字图像诊断法、光谱诊断法等方法[1]。外观诊断法，通过观察植物物的症状并结合专家的经验来判断植物的营养状况。由于植物的缺素症状种类很多，并且一种缺素症状可能对应很多种缺素状况，具有较大的迷惑性，而且植物的种类也有很多，每种植物的缺素症状也不尽相同，无法单纯地通过图谱传阅来达到技术交流的目的，这种方法需要非常丰富的实践经验才能掌握，并且实践经验的获得也非常的耗费时间。化学诊断法、叶绿素仪诊断法和光谱诊断法，都需要专业的诊断设备，而诊断设备的购买价格往往比较昂贵，对技术在生产者间的推广造成了比较大的阻碍。上述的方法使用起来都有较大的局限性，因此需要寻找一种使用门槛和推广门槛较低的方法。
2. 研究的基本内容和问题
本课题拟构建了一个基于数字图像诊断法以作物叶片为对象的缺素识别程序。
关键问题有以下几个：
1.如何尽可能降低外界条件对图像的影响？
3. 研究的方法与方案
通过matlab软件得到实现。
1.通过数据归一化和自定义训练图片和特征参数的方式降低外界条件对图像的影响。
2.将叶片与背景进行分割。
4. 研究创新点
将大学学习的计算机知识结合植物营养学知识在现实中进行运用。
本程序可以从特征参数r、g、b、r/(r g b)、 g/(r g b)、b/(r g b)中任意选择一个或几个，通过学习训练数据，建立t-s型模糊神经网络模型，通过比对拟合效果，选择最优参数，实现对缺素叶片特征区域的自动分割。
同样可以通过学习训练数据，建立支持向量机模型，并且通过遗传算法进行参数优化，筛选出最优参数，实现对作物缺素症状的诊断。
5. 研究计划与进展
3月末通过matlab建立程序框架，编写图像增强、图像分割、特征值提取的代码。
4月初按照模糊控制、pid控制、模糊pid控制、神经网络控制、模糊神经网络的顺序学习相关的理论知识。
4月末完成所有基础代码的编写。
