玉米是世界上种植最广泛的谷类作物之一,可作为食品、饲料以及工业原料的主要来源。机械化农业的发展虽然大幅度提高了农业生产率,但是也带来了一系列环境保护方面的问题,对农民的切身利益造成了严重威胁,因此发展精准农业已成为机械化农业的核心。其中通过作物信息采集进行作物生长的自动监测对提高农田的产量与田间自动管理技术的发展起到了至关重要的作用。相比于传统的人工观测,基于图像处理的机器视觉和图像分析技术在作物信息采集上具有信息收集量大、实时性高、计算准确等显著优点,特别是在节约劳动力,减少人工观测时的主观影响等方面有着巨大潜力。目前图像处理技术在作物自动监测上得到了广泛的应用,主要是通过图像自动获取、图像处理和分析等技术提取待识别区域所包含的杂草、作物和土壤的形状纹理特征、颜色特征、光谱特征等信息进行田间目标的自动识别,以及农业生长期的实时判断。实时监测作物的生长可以帮助人们分析农作物生长状态和农业气象之间的关系,及时进行相应的田间操作,提供有效的农业帮助以增加农产品产量。本文将玉米的生长监测研究分为三个部分,包括针对玉米生长初期的玉米与杂草自动识别,针对玉米穗期图片中玉米穗的自动识别,以及针对玉米整体生长过程的生长期自动识别与预测,旨在结合机器视觉与模式识别技术,研究出一种实时性好、准确性以及鲁棒性高的玉米生长自动监测算法。具体研究内容如下:1.基于支持向量数据描述(SVDD)的田间玉米、杂草自动识别。本课题共采集了三年间玉米生长初期共44天396幅玉米田间图片。使用像素的超绿特征进行阈值分割提取图片绿色植被区域,计算各绿色区域的植被指数特征并使用PCA进行特征选择,最终建立SVDD分类器实现玉米、杂草的自动识别。实验结果表明:利用植被指数特征以及SVDD算法可以有效地识别田间图片的玉米与杂草区域,三年的平均识别精度分别为90.19%、92.36%以及93.87%,同时识别结果不受玉米图片拍摄年份的影响,具有很好的鲁棒性,为实现田间玉米与杂草的自动识别提供了一个可能的技术途径。2.基于显著性检验的玉米穗自动识别。本课题以两年间玉米处于穗期图片作为研究对象,研究了一种由粗到精的自动检测玉米穗区域的算法。在该算法中首先利用光饱和去除算法(LSR)去除图片中由于强光照射引起的光饱和区域,继而应用Itti显著性检验算法自动识别玉米穗的潜在区域,提取各个子区域的纹理特征建立分类器得到最终识别结果。同时与尺度不变特征变换(SIFT)和简单线性迭代聚类(SLIC)的识别效果进行比较。实验结果表明,利用LSR算法结合Itti显著性检验算法可有效减少光饱和的影响,大幅提高玉米穗的识别精度,其中召回率、准确率与F1特征三项指标分别提高了3.06%,10.17%以及6.44%。相比于SIFT与SLIC两种识别算法本算法的综合指标F1特征分别提高了3.04%与1.45%,因此基于显著性检验实现玉米穗的自动识别是可行的。3.基于多信息融合的玉米生长期预测。本课题提取了三年间玉米生长过程中的覆盖度信息,农田小气候信息作为输入特征,利用T-S模糊建模进行玉米生长期的预测。使用历史覆盖度信息,以5日为研究周期,提取5日间农田小气候数据,建立T-S模糊辨识模型,预测未来第5日的覆盖度信息。最后结合覆盖度预测数据与累积气候数据实现玉米生长期预测。实验结果表明:T-S模糊建模可有效地模拟玉米生长过程中覆盖度变化的规律,同时结合农田小气候信息提高了预测精度,3年的生长期预测精度分别为98.78%、94.51%以及96.20%。为实现玉米生长期预测提供了一个可能的技术途径。