目前,随着现代信息技术与农业产业的深度融合,农业生产将变得更加智能化,这将是我国现代农业发展的必然趋势。本文提出的基于图像分析技术的小麦群体农学参数智能获取与群体质量评价研究正是在这种现代农业发展的背景下展开,探求一套可以实现小麦生产智能化和管理高效化的新方法。研究以小麦生育进程为主线,探明了小麦苗期、越冬期、拔节期、孕穗期和成熟期主要农学参数的测算方法,并建立了小麦群体质量的评价模型,完成了小麦主要农学参数智能获取和群体质量智能化评价系统。研究结果可以为小麦物联网中的智能监控系统提供技术支持和理论依据,亦可为开发基于移动终端的智能田间测量和评价软件提供参考。主要研究结论如下：(1)构建了大田环境下苗期麦苗智能计数的方法。这部分内容建立了基于图像分析技术的野外环境下的麦苗智能计数方法,探明了大田环境下麦苗计数的原理,并验证计数方法在不同密度和品种条件下的适应性。研究选取5个不同株型品种和5种不同密度的小麦苗期图像作为研究对象,利用数码相机垂直获取图像,并利用超绿特征值(ExG)将小麦从背景中分离。分析了不同重叠麦苗区域的特征参数,建立了一种基于链码的骨架优化方法,并利用新骨架特征值提出了重叠区域麦苗计算公式。研究对5种不同播种密度的5个小麦品种共计250张图像进行计数测试,结果发现本研究提出的麦苗计数方法能够较好的对野外麦苗进行计数,平均计数准确率达89.94%,135×104株ha-1密度样本的计数准确率达到97.14%,在所有密度中最高,扬糯麦1号品种计数准确率达92.54%,在所有品种中最高。麦苗计数方法平均准确率89.94%,最高准确率达到99.21%,不同密度样本计数准确率之间达到了显著差异,而品种之间的差异没有达到显著水平(P<0.05)。在田间苗数为120×104株ha-1至240×104株ha-1时本方法能够得到92%以上的准确率,说明本文设计的方法在麦苗计数上是可靠的,可为田间麦苗智能计数的研究提供理论依据,同样能移植到如水稻等禾本科作物的苗数智能计算上。(2)建立了越冬、拔节和孕穗期主要农学参数的估算模型。本研究拟利用图像分析技术建立小麦干物重、叶面积指数、茎蘖数和氮素积累量的估测模型,为这些农学参数的快速测量提供理论支持。通过不同的密度和氮肥施用量来构建具有不同农学参数的小麦群体,自群体越冬始期利用数码相机垂直获取冠层图像。研究通过超绿特征值(ExG)+自适应阈值分割(Ostu)的方法去除麦田耕地背景的影响,并用图像中小麦像素数占总像素数的比值表示盖度,另选取8种主要的图像特征算法提取图像的颜色和纹理特征,利用斯皮尔曼相关分析方法分析9种特征与不同时期农学参数的相关性。利用多元逐步线性回归方法建立基于图像盖度、颜色和纹理特征的农学参数估测模型。研究结果显示,本文提出的多元线性农学参数估测模型提高了单一参数模型的模拟精度,建立的4个模型对干物重、叶面积指数、茎蘖数和氮素积累量的预测效果较好,均具有较高的R2值,较低的RMSEP和REP。对于模型构建数据集的四个农学参数预测,R2值在0.77至0.91,REP值在15.46%至22.53%；验证数据集的R2值在0.72至0.85,REP值在17.31%至21.26%。本研究提出的多元农学参数估算模型能够较准确的估测出小麦群体的干物重、叶面积指数、茎蘖数和氮素积累量的值。(3)设计了成熟小麦穗数的智能化计算方法。为了实现不同播种方式下固定区域小麦穗数的智能计算,设计了一种利用图像分析技术实现大田麦穗快速计数的方法,着重分析了利用颜色特征和纹理特征分割麦穗的优缺点和粘连区域麦穗个数的计算方法。通过对撒播和条播多个样本图像进行计数实验,准确率分别为95.63%和97.07%。本研究结果说明,利用颜色特征和纹理特征均可以将麦穗从复杂的背景中提取出来,并可以通过形态学的腐蚀和膨胀以及孔洞填充算法得到麦穗的主要区域,然而利用颜色特征提取麦穗的速度远高于利用纹理特征提取。麦穗二值图像骨架的Harris角点能够较好的反映粘连区域的麦穗个数,Harris角点检测算法可以用于解决麦穗计数时粘连区域麦穗个数计算。本研究提出的麦穗计数方法在撒播小麦和条播小麦上的平均准确率分别为95.63%和97.07%。本研究提出的麦穗计数方法在不同品种上的平均高于95%,且麦穗计数结果在不同品种之间没有显著差异,说明该大田麦穗计数方法较为可靠,可以为大田麦穗的智能化计数提供有效的参考。(4)构建了基于BP神经网络的小麦群体质量评价模型。智能化地评价群体质量对于小麦智能化生产和快速制定栽培管理方案具有积极意义,完成群体质量评价模型的构建需要进行两部分工作：1)探明不同产量群体在不同生育期里表现的农学特征,明确高产群体在不同生育期的农学参数表现；2)构建不同生育期的小麦群体群体质量评价标准和评价模型。在第一部分研究中,试验选择扬糯麦1号为供试品种,采用二因素随机区组试验来构建不同结构的群体,设五个种植密度水平,四个氮肥施用量水平,重复两年。研究结果如下：1)探明了产量随种植密度变化的趋势和高产群体的种植密度范围；2)探明了越冬、拔节和孕穗期干物重、叶面积指数、茎蘖数、氮素积累量的变化对产量的影响和这4个农学指标在不同产量群体的区间；3)探明了产量随穗数的变化趋势和高产群体的穗数范围。这部分研究是群体质量评价的依据。依据前面所探明的苗数、干物重、叶面积指数、茎蘖数、氮素积累量、麦穗数与产量的关系,构建了基于这些农学参数的小麦群体质量评价模型。研究中通过K-means聚类算法对群体等级进行划分,以产量为标准划分各个时期的级别,同时基于这些农学参数的模拟值构建了用于评价小麦群体质量的BP神经网络模型,各个时期评价的依据分别为：1)苗期,以苗数为依据评价群体种植密度的合理性。2)越冬、孕穗和拔节期,以干物重、叶面积指数、茎蘖数和氮素积累量为依据,综合对这几个时期的群体质量进行评价。3)成熟期,以穗数为依据,判断群体穗数的合理性并对产量进行预测。研究解决了对小麦群体质量评价中各个农学参数与群体质量的非线性映射关系以及各个指标贡献率的问题。研究结果显示,研究中构建的群体质量评价模型在对苗期、越冬期、拔节期、孕穗期和成熟期的群体质量进行评价时,得到了较高的R2值和相对较低的RMSE值,说明模型可以用于评价小麦各个生育期的群体质量。该模型是后期开发群体质量评价系统和栽培决策的核心组成,亦可为其他作物群体质量评价提供一定的参考。(5)小麦群体农学参数测量与群体质量评价软件系统的构建。软件系统的构建是将此前提出算法的具体实践,是将小麦群体智能评价方法实用化的有效途径。本系统基于C/S的三层结构来开发,使用Microsoft Visual Studio 2013开发平台,MATLAB2014a图像处理和计算机视觉工具箱,SQL Server2013数据库完成开发。软件系统实现了麦苗计数和麦穗计数,越冬、拔节和孕穗期的茎蘖数、叶面积指数、干物重和氮素积累量的估测,以及各个生育时期群体质量的评价以及产量的预测。系统预留模型参数调节、品种群体质量标准添加接口和高产栽培方案添加接口,为后期在不同品种上的应用提供支持。本系统可为开展小麦田间智能感知和栽培决策的研究与应用提供一定的参考。