植物表型分析已成为现代农业的一个重要方面，是一种能监测植物健康和提高作物产量的工具。本研究介绍了一种高效、经济的图像处理方法，用于检测和分割健康和病害的植物叶片。该方法主要分为3个阶段：预处理、分割和后处理。在预处理阶段，通过灰度转换增强获取的叶片图像，以消除噪声并简化图像分析。在分割阶段，应用阈值技术将叶片从背景中分离出来，从而能够更准确地识别病害。后处理阶段包括细化分割后的叶片图像、边缘检测和轮廓分析，以更好地了解叶片的形状和结构。为了评估所提出的方法，使用了由100张叶片图像组成的数据集。实验结果表明，该算法成功检测出68 %的染病叶片和75 %的健康叶片，总体准确率达到66.66 %。这些发现突出了灰度转换和阈值技术在自动化疾病检测中的潜力，特别是在资源有限的农业环境中。虽然实验结果证明了该方法的有效性，但也存在局限性，诸如数据集多样性和对灰度处理的依赖。未来的研究将包括融入颜色信息，应用先进的机器学习算法，以及使用更大、更多样化的数据集来提高准确性和鲁棒性。总体而言，本研究为开发自动化系统以高效监测和管理植物病害提供了基础，有助于提高农业生产力和可持续性。