种子是农业科技的芯片。芽长是种子活力的一个重要判定标准。传统的芽长测量和蔬菜生长监测方法采用人工测量的方式,既费时费力、又容易受人为主观因素影响。农产品生长监测是智慧农业的重要一环。蔬菜抽薹是开花的初级阶段,而蔬菜开花会影响蔬菜商品性,因此及时检测到蔬菜发生抽薹现象,有利于及时采摘以及对水肥策略进行调整。随着计算机视觉技术的发展,图像分割与目标检测在农业场景有很高的应用价值。本文研究利用图像分割技术提高种子芽长、根长检测的效率,并通过目标检测的方法对蔬菜进行抽薹检测。本文的主要研究工作如下:（1）提出一种芽长、根长进行自动检测方法,利用芽、根的颜色特征以及种子的形状特征判断芽、根分界线,采用形态学方法对芽、根的边缘轮廓进行处理,然后通过骨架细化方法获取芽根图像的骨架,并提出了一种端点删除剪枝法只保留骨架中芽和主根的部分,最后利用像素点间的欧氏距离计算芽长与根长。通过对玉米、小麦、水稻的芽长和根长进行测量,结果显示,玉米、小麦与水稻芽长的百分误差分别为2.90%、2.05%、2.40%;根长的百分误差分别为1.90%、2.11%、2.02%。（2）为实现蔬菜抽薹检测,本文采集了27段时长为30s到2min的视频,每隔25s抽取一次视频帧,并对抽取出的图像帧分别按照大小为256×256、重叠率为0.2和大小为640×640,重叠率为0.3的标准对整幅蔬菜图像进行有重叠分块处理,然后利用label Img标注工具对分块图像中的菜薹进行标注,生成2300幅包含菜薹的图像块,再通过离线数据增强的方法,对图像分别旋转3°和5°,进行图像融合,将数据集扩充到8710幅。（3）针对YOLOv5s目标检测算法在检测小目标时效果不突出的问题,本文引入了图像切片推理库SAHI（Slicing Aided Hyper Inference）实现大图像切片推理,然后合并推理结果,在一定程度上解决了在大图像中检测小目标的问题;在训练过程中采用Mosaic在线数据增强方法,进一步扩充数据并将NAM（Normalization-based Attention Module,基于归一化的注意力模块）注意力机制加入到YOLOv5s主干网络上,并参考Bi FPN（Bi-directional Feature Pyramid Network,双向特征金字塔）的思想修改YOLOv5s的颈部网络,提高YOLOv5s的特征融合能力。改进后的模型查全率、召回率、m AP（0.5）分别为0.949、0.946、0.955,其中查全率和m AP（0.5）分别较原YOLOv5s提升了1.2%、0.6%。根据文中所提出的方法,可以分别设计搭建芽长、根长检测系统和蔬菜抽薹检测系统,有利于推进农业产业自动化,降低人力成本和时间成本。此外,本文也为其它农业图像的研究提供了参考案例。