水稻是中国重要的粮食作物之一,水稻的产量及质量关乎着国计民生。根据水稻叶片特征参数建立水稻生长模型,可以快速精准判断作物生长状况及其生长过程,进而有效指导施肥,降低病害率,提高有效成穗率。为实现非离体水稻叶片特征参数的便捷无损获取,本文采用机器视觉的方法进行水稻叶片特征参数研究,主要内容包括以下四部分:(1)提出基于OpenCV获取水稻叶片形态参数。应用智能手机采集水稻叶片图像,基于OpenCV获取形态参数需对图像进行灰度化、二值化及图像分割等预处理工作,获取颜色参数只需手势圈取叶片感兴趣区域即可获取RGB颜色参数。结果表明,水稻叶片长、宽、面积、周长估测值与实际值的均方根误差分别为0.6469 cm、0.05022 cm、0.5329 cm2、2.412 cm,RGB估测值和实际值均方根误差分别为1.086,1.413和0.8383。(2)基于OpenCV要求叶片平整且背景单一,为降低试验要求,提出基于B样条曲线获取水稻叶片形态参数。采用一次B样条曲线交互绘制最大叶宽处手势轨迹曲线,通过三次B样条曲线绘制叶脉轨迹曲线,获取水稻叶长、叶宽。结果表明,叶长、叶宽估计值与实际值的均方根误差分别为1.534cm、0.1019cm,其变异系数均小于15%。(3)为探明水稻叶长、叶宽与叶面积之间的关系,以B样条曲线获取的叶片形态参数作为输入参数,叶面积作为输出参数,分别应用BP神经网络、支持向量机及随机森林构建两种水稻品种的叶面积预测模型。结果表明,BP神经网络模型效果最佳,均方根误差分别为1.7109cm2(JY458)、2.5242cm2(ZZ35),可有效评估叶面积。(4)为探明RGB颜色空间下水稻叶片图像颜色特征与叶绿素含量之间的关系,将OpenCV获取RGB颜色参数作为输入变量,叶片叶绿素含量(Soil and Plant Analyzer Development,SPAD)作为输出变量,分别应用BP神经网络、支持向量机及随机森林构建水稻叶片SPAD预测模型。结果表明,BP神经网络效果最佳,均方根误差为2.4107,可实现便捷有效获取SPAD。以上研究结果表明,基于Android结合机器视觉方法无需干扰水稻叶片自然生长状态,即可准确获取水稻叶长、叶宽和叶面积及SPAD等水稻叶片特征参数,为水稻叶片特征参数的测定提供了一种新的测量方法,可满足农业科学研究基本需要。