水稻作为一种重要的粮食作物,在我国种植面积十分广泛,对保障国家粮食安全意义重大。随着航空植保机械的发展,对水稻精准施药的要求越来越高。但当前我国水稻施药关键装备仍然落后,“事前”无法结合田间信息按需自适应施药,造成农药浪费大,利用率低以及环境污染等问题;“事后”药液沉积参数检测手段粗放、低效,无法为雾滴沉积分布规律的有效评估提供及时准确的数据支撑。由于播种不均匀、漏播、过量施肥等人为因素,或水灾、台风等自然灾害导致作物成片空缺形成的稻田空区是水稻种植管理阶段常见现象。传统无人机均匀施药的特点无法胜任此类稻田的化学防治任务,为农药减施目标带来困难。基于上述问题,本文从探索农用无人机在稻田空区特征信息获取、药液自适应变量控制、雾滴沉积参数快速检测入手,利用机器视觉、深度学习及自动控制等技术,结合现有无人机喷施特点构建无人机自适应变量喷雾平台及雾滴参数快速检测系统,提高稻田管理机械化、信息化及智能化水平。以水稻分蘖期和长穗期水稻田作为实验地点,获取的稻田空区图像,研究空区分割与识别方法。对空区模糊图像进行Lucy-Richardson去抖动清晰化预处理后,一方面基于“先分割,后识别”思路,采用面向对象的K-mean分割,支持向量机（K＿SVM）模型识别空区,优选最佳回归算法,提高了K＿SVM分类器识别精度;另一方面,基于深度学习全卷机网络（FCN）算法,通过不同网络改进方法,探索最佳改进结构。各算法对比实验结果表明,改进的FCN16s模型在综合性能指标上表现最佳。采用动态网络裁剪法压缩FCN16s,剔除冗余参数,降低了计算量,加速了模型回归,为机载嵌入式平台实时识别稻田空区提供了可能。在施药装备关键技术研发层面,针对当前农用无人机不能根据田间空区状况按需施药等问题,开发了一套视觉辅助的无人机自适应变量喷雾系统。首先对该系统的关键部件进行了选型和设计,特别是开发了机载滑动导轨装置,用于挂载摄像头和离心喷头。根据推导的间距公式,可随飞行速度调整摄像头与喷头距离,为降低系统时延导致的喷雾误差提供了一种新的解决思路;然后建立了面积比模型,并在此基础上推导出面积比p与目标流量关系的喷雾决策模型;最后设计了BP神经网络PID算法、模糊控制算法及PID算法,进行了室内仿真和田间作业对比试验。综合试验结果表明:三种控制算法均能实现自适应控制,但BP神经网络PID算法的目标流量偏差范围最小,系统响应时间最快,喷雾控制更加精准、稳定。针对当前雾滴参数检测方法智能化程度低、耗时费力等问题,设计了一套自动化程度高的雾滴沉积参数检测系统,包括沉积雾滴循环采集装置和上位机交互软件平台。试验中测试了不同分辨率图像传输的理论帧率和实际帧率的相关性,RSSI、丢包率分别与图传距离的关系。结果表明:传输的图像分辨率应不大于307200像素,稻田环境下通信距离应小于136m;测试了雾滴沉积载体厚度对雾滴图像采集和处理效果的影响。结果表明:油墨厚度越大,图像处理效果越好,但当油墨厚度大于1×10-2cm时,消色油墨出现干扰裂痕,影响雾滴检测效果;采用强化学习Sarsa算法使系统可随光照强度变化自适应调节图像对比度参数c。试验结果表明光照自适应算法处理的雾滴图像分割效果明显优于无自适应算法的分割图像效果。在上位机交互平台上将接收到的雾滴图像进行灰度化、滤波、最大内间方差法预处理。通过连通区域获取雾滴区域,采用面积阈值、形状度阈值及粒径阈值判断粘连雾滴和伪雾滴。采用改进的标记可控分水岭算法分割粘连雾滴,背景化孤立联通区域,滤除伪雾滴;基于深度学习网络建立了Faster-RCNN、YOLOv3和Mobile Net＿SSD模型识别雾滴图像,并统计相关雾滴参数。对比实验结果表明:宽度乘数a为0.75,分辨率乘数b为0.875的Mobile Net＿SSD网络的性能最好,较好地平衡了准确率和模型的轻量化;在嵌入式设备上测试Mobile Net＿SSD对不同密度雾滴图像检测的性能时发现:高、中、低密度雾滴图像均有优异表现,适应性好,平均检测效率高达0.009s/帧,实现了移动端沉积雾滴快速检测。