随着农业机器人技术的不断进步和发展，利用机器人采集和处理特定农作物图像信息在农业应用领域中越来越重要，针对传统图像处理方法提取的玉米植株轮廓不完整甚至是缺失的问题，提出一种改进的玉米植株轮廓提取方法。采用HSV颜色空间对玉米植株的绿色叶部分进行图像提取，同时使用RGB通道分离方式对红色的根部分进行图像提取，在得到叶部、根部图像后使用F-B算法选取特征点并对特征点进行描述和匹配，并利用随机抽样一致性算法剔除错误的匹配点，最后用加权融合方式对图像进行拼接并选用Sobel算子提取植株轮廓。实验结果表明，F-B算法相比于传统scale-invariant feature transform（SIFT）、speeded up robust features（SURF）、oriented FAST and rotated BRIEF（ORB）算法在匹配速度、精确度上有所提升且匹配准确度高于80%，使用Sobel算子提取植株图像轮廓，获得的图像清晰度和完整度较好。该方法能够在较快速度和较高的精准度下实现对玉米植株的轮廓提取。

植物叶片生理参数的测定对植物生长发育的研究具有重要意义。为了实现植物光合作用等生理参数的低成本、高效率监测，设计了具有自动开合和手持式叶室的监测仪，通过接入节点和计算节点完成实验数据的采集和管理。接入节点完成CO₂浓度、空气温湿度、大气压强等数据采集及光合生理参数的实时计算，计算节点负责人机交互界面和远程监测系统的数据存储和网络化传输。实验结果表明，该监测仪与国外同类型监测系统没有显著差异，能满足植物光合作用自动监测的要求。此外，该监测仪对植物生理参数的自动监测响应迅速、测量结果稳定可靠且成本低廉，对于监测作物生长发育状况、指导农作物施肥和病虫害防范具有重要的辅助作用。

速效氮含量的预测在土壤养分诊断中具有重要意义,通过特征选择和回归预测算法可有效地提高速效氮光谱检测模型的预测精度。选取了皖南地区的188个黄红壤土样本作为对象,利用7种预处理方法对光谱数据进行了校正,结合移动窗口法和5种智能优化类算法进行特征选择后,再基于多种集成提升(Boosting)算法建立36种回归校正模型来分析比较。实验结果表明:基于粒子群优化(PSO)的特征优选算法优选出的202个光谱特征主要集中在600~1000 nm,利用此特征构建出的Adaptive Boosting(AdaBoost)模型性能最佳,其土壤速效氮预测精度提高到0.944。所提方法不仅提高了土壤速效氮预测精度,而且在特征区间优选算法上进行了探讨,具有一定的理论价值。

为自动识别油菜田间的杂草,提出基于Faster R-CNN深度网络的油菜田间杂草识别方法,利用COCO数据集的深度网络模型进行迁移训练。首先,以自然环境条件下的油菜与杂草图像为样本,利用Faster R-CNN深度网络模型共享卷积特征,对比VGG-16、ResNet-50和ResNet-101这3种特征提取网络的结果;该方法还与采用3种相同特征提取网络的SSD深度网络模型进行对比。结果表明,基于VGG-16的Faster R-CNN深度网络模型在油菜与杂草目标识别中具有明显的优势,其油菜与杂草的目标识别精确度可达83.90%,召回率达到78.86%,F1值为81.30%。该深度学习方法能够有效实现油菜与杂草目标的准确、高效识别,为多类型杂草目标识别的研究提供了参考。

在前期研究基础上,利用皖北地区砂姜黑土的193个土壤样本的可见近红外高光谱(350~1700 nm)数据,结合非线性和线性的核函数,对9种算法进行模型的首次优化;再利用随机森林、提升树和梯度提升树三种集成学习算法进行模型组合和二次优化。通过模型比较,优选并组合了Sigmoid函数的偏最小二乘、线性的支持向量回归、径向基的支持向量回归和Sigmoid函数的支持向量回归4个单模型,集成算法优化后发现,梯度提升树算法的预测结果最优。与单模型的预测结果相比,梯度提升树模型组合的决定系数为0.86,提高了17.8%,相对分析误差系数为2.55,从B等级提升到A,不仅在准确率上有显著提高,且组合模型过拟合更低,泛化性好。因此,梯度提升树的集成学习可结合多种模型优势,通过高光谱的模型集成来提升土壤速效磷的预测结果精确度。

土壤速效氮是影响作物生长发育的重要养分指标。 野外原位可见近红外光谱(VIS-NIR)分析技术具有快速无损等特点, 对速效氮的定量预测具有较好的应用前景。 野外条件下进行原位光谱采集更节省人力物力, 且为土壤养分实时传感器的开发提供了数据基础。 但由于野外原位光谱中通常存在大量的无关环境因子干扰信息, 易导致回归模型预测精度降低, 达不到实用要求。 针对位于以色列中部和北部的两个试验点共76个样本开展研究, 提出利用Y-梯度广义最小二乘加权算法(Y-GLSW)对样本的野外原位VIS-NIR反射率光谱(350～2 500 nm)进行滤波校正, 以提高回归模型的预测能力。 首先使用SG平滑、 一阶导数变换、 标准正态变换等常规方法对原始光谱进行预处理和变换; 在此基础上再使用Y-GLSW构建滤波模型对变换后的光谱进行滤波校正; 最后使用偏最小二乘回归算法(PLS-R)分别结合原始光谱RW、 预处理变换后的光谱PPT和滤波校正后的光谱Y-GLSW建立回归分析模型对速效氮进行定量预测。 结果表明: 利用RW光谱建立的回归预测模型是不可靠的; 利用PPT光谱建立的回归模型在测试集的相对分析误差(RPD)为1.41, 解释总方差占实际总方差之比(SSR/SST)为0.57, 模型具有一定的可靠性; Y-GLSW光谱建立的回归模型在测试集的RPD和SSR/SST分别为2.07和0.69, 相对于PPT模型分别提高了46.81%和21.05%。 因此, 利用Y-GLSW对野外原位VIS-NIR光谱进行滤波校正, 能够有效去除光谱中的无关信息数据, 提高模型的预测精度和解释能力。