机器视觉在农业上的应用改变了传统的农业机械方式,解放了人工劳动,提高了农业工作效率。针对我国玉米中后期病害防治现今仍以人工喷洒农业为主,对施药人员身体健康危害较大的,农业播种,施肥,除害等效率低下的情况,本文基于图像自适应分类算法和基于卷积神经网络的方法,开展了玉米苗带精确识别,玉米根茎精确识别与路径规划的研究。主要完成的工作与结论如下:(1)根据玉米不同时期株高设计了两种图像采集系统:三轮小车结构主要包括三个同等大小的车轮,车轮结构上方的支架系统,以及安装相机的“T”型结构。履带式电动小车主要包括转向模块、图像采集模块、电源模块和动力模块等4部分。通过相机标定得到相机内参数和焦距大小。(2)基于设计的两种图像采集系统,开展玉米生长关键期图像样本的采集。三叶期和拔节期苗带较为明显,建立苗带和植株样本库。三叶期植株原图像共计1241张原图像,苗带视频106min,拔节期植株原图像共计1453张,苗带视频118min;喇叭期和抽雄期的苗带识别度模糊,但玉米根茎普遍呈现褐色的特征,建立玉米根茎样本库。喇叭期茎图像共采集6000张左右,根茎视频时长共计180min,抽雄期根茎图像共采集5200张左右,根茎视频时长共计130min。(3)基于图像自适应分类算法对玉米苗带精确识别和进行路径规划,针对三叶期和拔节期玉米苗带呈现绿色特征提出了G-R>(35)gr和G-B>(35)gb颜色提取算子,并基于K-均值聚类算法确定了不同环境下颜色提取算子阈值确定的方法。提出动态感兴趣区域的路径规划,利用垂直投影法线线确定静态图像的路径,再根据识别线位置信息更新静态图像的感兴趣区域,获得动态图像的感兴趣区域,最后拟合玉米苗带中心线和导航线,导航线偏角为5°,大大减少了压苗率。(4)针对履带式电动小车玉米行间对行自主行走的需求,研究了喇叭期和抽雄期玉米根茎精确识别与路径规划。在预训练网络模型VGG-16的基础上进行迁移学习,建立了玉米根茎检测网络,采用模型DOG金字塔算法提取图像中的目标根茎,构成样本训练数据库,对目标根茎利用最小二乘法拟合路径。基于卷积神经网络的玉米根茎识别的检测准确率达到91.4%,远高于传统检测准确率。本文的研究结果对基于机器是觉得农业机械研究具有一定的参考价值。