花椰菜作为我国一种重要的经济作物,其成熟的最佳采摘时间需要经验丰富的菜农通过人工选择的方式进行判别,但这种方式不仅导致产量减少,而且增大了菜农人力资金的投入。因此,降低劳动成本,采用非破坏方式对花椰菜进行产前产量预测成为了亟待解决的问题。目前,国内对花椰菜产量研究主要集中在生物学的角度,根据花椰菜的不同品种来灌溉和施肥,这些传统种植方法由于无法精准预测花椰菜重量,其在一定程度上无法完全转化为经济效益,直接影响着菜农的经济收益。本文利用Kinect V2传感器得到花椰菜的三维模型,并获取模型的长、宽、高、最大横截面积、体积等特征信息,再对多元线性回归模型、岭回归模型和Lasso模型的重量预测精度进行了比较分析。为进一步提高预测精度,通过支持向量回归模型对花椰菜重量进行预测,并对采用不同核函数的模型的预测精度进行了对比分析。这种通过传感器获得三维模型再利用机器学习预测重量的方法,满足了采用非破坏方式对花椰菜进行产前产量预测的要求。论文主要工作如下:(1)为避免周围场景对扫描数据的影响,对数据采集场景进行了设计;在分析Kinect V2技术参数及其深度测量原理的基础上,对Kinect V2的深度相机进行了标定。采用ICP算法实现了三维点云配准,通过TSDF点云融合算法完成了对花椰菜的三维重构,并提取了花椰菜三维模型的长、宽、高、最大横截面积和体积等特征信息。(2)首先建立了多元线性回归的花椰菜重量预测模型,对该模型进行正则化得到岭回归、Lasso模型,并对其进行了对比分析;然后采用随机梯度下降法对多元线性回归、岭回归和Lasso模型进行了优化。结果表明,正则化后模型的泛化能力更强,花椰菜重量预测Lasso模型的预测精度更高,精度为73.0%。(3)为提高花椰菜重量的预测精度,建立了支持向量回归模型。支持向量回归中,核参数gamma和参数C的选择对结果的影响至关重要,通过交叉验证的方式获得了最优参数,根据不同的核函数对花椰菜重量进行预测。结果表明,采用高斯核函数的支持向量回归模型的预测效果最佳,为93.2%。