油菜是我国重要的油料作物,经济价值高,发展潜力大。实现油菜植株表型参数的无损自动测量还是亟待解决的问题。目前针对油菜的表型参数获取主要停留在人工测量阶段,存在依赖操作人员的主观判断、效率低下及缺乏实时性等缺点,也难以满足高通量测量的需求。随着机器视觉技术的发展,其在农业中得到了广泛的应用。本研究将针对油菜表型参数的自动测量问题,采用图像处理技术对油菜的主要表型参数的获取进行研究。主要研究内容如下:(1)油菜冠层结构表型参数测量。首先通过图像几何校正、连通区域标记等处理,完成对油菜叶片面积的测量,实验表明该方法的叶片面积测量相对误差低于3%。之后针对叶片中存在的边缘破损情况下的形状还原问题,本文提出利用主动形状模型(ASM)进行模型训练与形状拟合,取得了一定进展,还原后的油菜叶片面积重叠度为0.923,破损面积重叠度为0.873。油菜花蕾部分主要解决其计数问题。利用油菜花蕾的立体形状特征,在HSI颜色空间下进行图像增强算法以得到花蕾的数目,计数平均相对误差为4.42%。并据此设计了一套花蕾计数的图像拍摄便携装置。(2)油菜株型参数测量。本研究主要完成了油菜株高、分枝角度和角果着生角度的测量。图像标定完成之后,利用参考物和植株轮廓的最小外接矩来计算得到油菜株高参数,并解决了在图像分割过程中油菜主干连通区域断裂问题,株高测量的平均相对误差为3.17%。在角度测算过程中,先通过角点寻找算法得到分枝点与角果着生点,并根据特征点将图像分成主干与分支两部分,后通过轮廓主轴提取算法得到主轴的直线方程并求得相应角度,分枝角度测量的平均相对误差为2.64%,角果着生角度测量的平均相对误差为1.95%。(3)油菜苗期根系主根分割算法研究。针对油菜根系分析中的主根识别难题,本研究基于全卷积神经网络(FCN)实现油菜主根自动分割。首先针对现有数据集的缺少问题,完成了油菜苗期主根分割图像数据集的建立与数据增强环节。之后使用Pytorch框架实现FCN-8s模型并进行训练与优化,得到主根图像分割结果。为了评价分割结果,本研究还与传统的图像分割算法结果进行比较,实验结果表明,基于全卷积神经网络的分割算法能得到较完整的主根形状与较清晰的主根轮廓,其分割像素精度(PA)达到了0.987,分割交并比(IoU)达到0.835。(4)油菜籽粒参数测量。针对现有数粒仪效率低、设备噪音大等缺点,本研究基于Android平台设计了一套千粒重测量系统,并设计了相应的硬件系统与Android应用软件。称重环节利用串口通信技术完成电子天平与智能移动设备的连接。籽粒计数环节在L*a*b颜色空间下采用K-means聚类分割算法解决光照不均导致的图像分割难题;采用标记控制分水岭分割算法和面积阈值法解决粘连籽粒的计数问题。实验结果表明,当油菜籽数目在600粒以内,计数误差率可以控制在3%以内。本系统也可以用于不同种类作物籽粒如籼稻、绿豆等的千粒重的测量。在不同型号的智能设备上运行本系统均可以得到较为理想的效果。综上所述,本研究利用图像处理技术对油菜表型参数进行了测量,为油菜的表型组学以及遗传育种研究提供了可行的途径。