油菜是我国第一大油料作物。目前,我国油菜种植管理仍以人工经验为主,油菜产量和品质难以提升,人工成本高,智能化程度低。利用现代化智能检测技术对油菜生长过程进行精准决策,智能管理可显著提升劳动效率和经济效益。本文以冬油菜为研究对象,采集多点、多品种的实验数据,综合运用计算机视觉、深度学习等建立了一套低成本的无损检测技术,仅使用无人机或手机拍摄的彩色图像即可对苗期油菜氮素状况、角果期油菜适时收获期进行精准诊断。主要研究内容和结论如下:1.油菜苗期氮含量准确预测可为精准施肥提供决策依据,避免缺素导致的减产损失。采集三个品种油菜（中双11、华油杂62、中油杂12）在其子叶期、六叶期、八叶期的油菜冠层彩色图像,并利用凯氏定氮法测定油菜苗的氮含量。提取RGB图像颜色、纹理、形态特征分析其与氮含量相关性关系,分别利用主成分分析-多元回归（PCA-PLF）、随机森林（RF）、Bi LSTM网络建立预测模型。结果表明PCA-PLF、RF、Bi LSTM网络均方根误差（RMSE）3.23%、0.87%、0.46%,平均绝对误差（MSE）3.13%、0.73%、0.39%,决定系数（R2）分别为0.33、0.75、0.85。由此Bi LSTM能良好的预测油菜氮含量,在对Bi LSTM加入attention机制对图像特征进行权重赋值后,使用全部特征作为输入其R2达到0.92,提高7%。将该模型应用至大田油菜越冬期前图像中,基于改进K-mans算法对分割大田图像中油菜区域、油菜未出苗区域、田垄区域。提取油菜区域中每个连通域颜色特征、纹理特征、形态特征,利用Bi LSTMattention网络反演出大田油菜越冬期氮素分布图,根据预测值为氮素追施提供方案。该方法为油菜苗氮含量检测和精准追肥作业提供一种低成本又易用的技术手段。2.适时收获可以有效保障油菜的产量和品质。将处于收获期的三个品种大田油菜分为15个小区,每天使用手机拍摄角果和茎秆图像并人工测产,将每日产量按照与品种最高产量的比例划分为90%以上、70%-90%、70%以下三个等级。在与油菜成熟度显著相关的HSV空间中使用CNN网络提取油菜冠层图像的高维特征、在RGB/HSV/YCb Cr三个颜色空间中使用随机森林筛选了油菜茎秆的7种颜色特征,形成冠层-茎秆的联合特征,作为后续分类器的输入。考虑到油菜成熟过程是一个连续的时间序列,采用了LSTM网络建立油菜产量分级预测模型。实验结果表明,5种CNN网络中的Inception v3具有最高的预测准确率,在只使用冠层图像特征的情况下识别率为91%,使用冠层-茎秆联合特征的识别率达到96%。该方法仅使用手机拍摄的彩色图像即可准确预测其产量级别,有望成为油菜生产的一种智能化工具。3.在PC端利用Py Qt5将油菜苗期氮素预测与角果期适时收获算法集成为可直接使用的软件。该软件主要具有油菜苗期氮素预测和特征提取功能;大田氮素分布可视化功能;角果成熟度产量分级功能,用户只需选择需要进行诊断油菜图像,软件系统即可给出相应结果,界面简洁,操作简单,结果准确,为用户提供一种快速诊断油菜生长状况的工具。本文通过油菜苗期冠层图像提取RGB图像颜色、纹理、形态等特征、通过角果冠层与茎秆RGB图像特征多源特征信息,结合深度学习算法,建立了高精度油菜苗期氮含量预测模型和油菜最佳收获期判别模型。该研究是油菜生长状况智能监测的新探索,为油菜精准作业提供技术支撑,有望提升油菜产业的智能化程度。