作物水分检测是农业“四情”监测的内容之一,对作物旱情预警、灌溉管理以及产量预测等方面具有重要意义。随着图像技术和互联网技术的飞速发展,以作物叶片或冠层图像为对象、采用机器视觉技术对作物含水量进行快速、无损检测是一个重要研究课题。为了提高作物含水量图像检测方法的精度和实用性,本文以玉米叶片图像和小麦冠层图像为对象,研究光照增强、图像分割、特征选取和检测模型构建等方法,并以此为基础开展应用试验。主要研究内容和结果如下所述:(1)作物图像的光照增强和分割研究。针对野外获取的作物图像受自然光照影响严重的问题,提出同态滤波-Retinex组合算法进行光照增强预处理,较好地消除了光照不均匀和颜色失真影响,并改善了图像的整体亮度;比较了k-means聚类分割、二维最大信息熵分割和颜色特征分割的性能,并采用颜色特征分割法对小麦冠层图像进行分割,最大限度保留了作物信息,有效去除背景中土壤及枯叶败叶。(2)特征提取、筛选和模型检测研究。在现有研究基础上提取与作物水分相关的众多颜色特征、纹理特征和形态特征,研究运用相关分析和假设检验等方法进行特征筛选,获得表征含水量的显著特征,并通过主成分分析、偏最小二乘法构建精度较高的水分检测模型。(3)玉米叶片含水量检测应用。提出并实现基于智能手机—服务器模式的作物叶片含水量检测系统,并以玉米为对象进行试验。结果表明,该系统可以便捷获取作物叶片图像,实时获取检测结果,其检测误差在可接受范围之内,后台算法的更新与扩展对用户透明,适合农民、农技人员使用。(4)冬小麦冠层含水量检测应用。以数码相机拍摄的越冬期冬小麦冠层可见光图像为对象,进行冠层含水量检测试验。对淮麦30和烟农19两个冬小麦品种的测试结果显示,检测相对误差均值为1.290%,方差为1.053,两个品种之间没有明显差异。该方法可拓展至田间摄像头和农业无人机等检测场合。