玉米是我国重要粮食作物之一, 在我国广泛种植, 筛选优良的玉米品种是农业生产和育种的关键, 但市场上玉米品种繁多, 如何快速准确高效鉴别玉米品种从而实现玉米高产高收亟待解决。 提出了基于高光谱图像技术的极限学习机(ELM)鉴别模型, 以期解决玉米品种鉴别问题。 以八个品种玉米种子作为研究对象, 试验样本共480个, 按2∶1比例划分为训练集和测试集, 分别为320个和160个。 利用高光谱图像采集系统获取935.61～1 720.23 nm范围内的玉米种子图像, 黑白校正后选取胚芽部位大小为10×10 pixel的感兴趣区域(ROI), 提取该区域内平均光谱作为原始光谱数据。 因原始光谱两端噪声较大, 有效信息较少, 为增强信噪比, 截取949～1 700 nm范围内的玉米种子光谱波段作为有效波段进行分析。 由于数据采集过程中受无关信息干扰较强影响建模效果, 故对去噪后的光谱波段信息进行SG平滑(Savitzky-Golay smoothing)预处理, 将平滑点数设置为3, 在SG平滑基础上进行最大归一化(MN)预处理。 预处理后分别采用竞争性自适应重加权算法(CARS)、 连续投影算法(SPA)单一提取和CARS+SPA、 CARS-SPA组合筛选方法提取特征波长, 以特征波长反射率作为输入矩阵X, 预设样本类别1、 2、 3、 4、 5、 6、 7、 8作为输出矩阵Y, 利用极限学习机分别建立(SG+MN)-ELM、 (SG+MN)-CARS-ELM、 (SG+MN)-SPA-ELM、 (SG+MN)-(CARS+SPA)-ELM、 (SG+MN)-(CARS-SPA)-ELM五种玉米品种定性鉴别模型。 试验结果表明: (SG+MN)-(CARS-SPA)-ELM模型较其他四者鉴别效果最佳, 训练集和测试集平均鉴别准确率均为98.13%, 表明CARS-SPA二次筛选的特征波长变量更敏感, 能够代表所有波长信息, 且极限学习机模型有较好的定性鉴别性能, 可实现对玉米品种的鉴别。 该研究为玉米种子及其他农作物种子快速准确鉴别提供了新思路和新方法。

斑病害在全球玉米产区均有爆发, 严重影响玉米产量与品质, 是一种常见的叶类疾病。 荧光光谱技术能够快速、 无损、 准确地反映作物生理信息, 动态检测其逆境响应规律。 以玉米为研究对象, 基于荧光光谱和生理参数（SPAD和Fv/Fm）融合分析, 探究玉米生理参数对不同程度斑病害的响应规律, 构建荧光光谱反演模型。 首先, 利用相关分析与峰值分析筛选荧光光谱的敏感波段, 采用多元散射校正（MSC）、 标准正态变量变换（SNV）、 多项式平滑（S-G）、 FD光谱一阶导数、 SD光谱二阶导数等5种预处理及MSC-SG-FD, MSC-FD-SG, SNV-SG-FD, SNV-SG-SD等4种建模组合方法, 以相关系数R2和均方根误差RMSE为模型效果评价指标, 确定荧光光谱反演生理参数模型的最优方法。 结果表明: 不同斑病害程度下荧光光谱特性的整体变化趋势一致, 但强度差异显著, 在波段600.000～800.000 nm内, 光谱反射率会出现明显的峰中心, 达到极值。 在波段900.000 nm之后, 反射率趋于平稳, 特征明显减少。 对于潜伏期叶片, SPAD与Fv/Fm的建模最优方法均为SNV-SG-FD, Rc为0.985 2和0.976 8, RMSEC为1.59和2.85。 对于早期发病叶片, SPAD的建模最优方法为SNV-SG-FD, Rc为0.949 7, RMSEC为3.79, Fv/Fm的建模最优方法为SNV-SG-SD, Rc为0.943 8, RMSEC为0.011 7。 模型预测性精度较高, 能够实现对早期斑病害玉米叶片SPAD和Fv/Fm的精准预测, 为玉米斑病害潜伏期与病害早期的生理信息监测提供参考依据。 研究结果可应用于大田作业, 提升田间精细化、 智能化管理水平, 为玉米高产、 优质、 优生提供理论依据与技术支撑。

针对目前粮食产量定量评估模型泛化能力不足、 预测时间滞后以及早期估产时间窗口难以确定等问题, 以Sentinel-2遥感数据和实测玉米产量作为数据源, 开展县域尺度玉米估产及早期最优估产时间窗口确定研究。 基于玉米生长期内的时序影像数据集, 通过玉米产量实测数据与影像植被指数建立相关关系, 并采用MLRM（多元线性回归模型）, GPR（高斯过程回归模型）, LSTM（长短期记忆人工神经网络模型）, 建立玉米时序估产模型。 实验结果表明, 基于LSTM在NDVI、 GNDVI、 以及GN（NDVI与GNDVI组合）这三种植被指数作为参数建立的时序估产模型中, 无论在估产精度, 模型可靠性、 产量异常值捕捉、 以及早期最优估产时间窗口确定等方面均优于基于GPR、 MLRM建立的时序估产模型。 同时基于LSTM时序估产模型, 采用截止到抽雄期的NDVI时序影像数据作为参数, 其结果的决定系数R2可达0.83、 均方根误差RMSE为0.26 t·ha-1、 相对分析误差RPD为3.52; GNDVI时序影像数据作为参数, 其结果的决定系数R2为0.79、 均方根误差RMSE为0.30 t·ha-1、 相对分析误差RPD为2.87; 以GN时序影像数据作为参数, 其结果决定系数R2为0.83、 均方根误差RMSE为0.27 t·ha-1、 相对分析误差RPD为3.05; 以NDVI作为LSTM模型参数的估产效果最优, 相较于玉米收获期可提前2个月就能预测当年的玉米产量, 对于县域尺度玉米产量预报具有一定的现实意义, 同时也为类似作物的估产研究提供相关参考。

随着农业机器人技术的不断进步和发展，利用机器人采集和处理特定农作物图像信息在农业应用领域中越来越重要，针对传统图像处理方法提取的玉米植株轮廓不完整甚至是缺失的问题，提出一种改进的玉米植株轮廓提取方法。采用HSV颜色空间对玉米植株的绿色叶部分进行图像提取，同时使用RGB通道分离方式对红色的根部分进行图像提取，在得到叶部、根部图像后使用F-B算法选取特征点并对特征点进行描述和匹配，并利用随机抽样一致性算法剔除错误的匹配点，最后用加权融合方式对图像进行拼接并选用Sobel算子提取植株轮廓。实验结果表明，F-B算法相比于传统scale-invariant feature transform（SIFT）、speeded up robust features（SURF）、oriented FAST and rotated BRIEF（ORB）算法在匹配速度、精确度上有所提升且匹配准确度高于80%，使用Sobel算子提取植株图像轮廓，获得的图像清晰度和完整度较好。该方法能够在较快速度和较高的精准度下实现对玉米植株的轮廓提取。

植被重金属污染监测是当今高光谱遥感监测研究的重要内容。 为了将高光谱遥感技术定性的用于植被重金属污染监测研究, 从盆栽实验采集的反射率光谱数据方面进行研究。 在实验室室内设置不同胁迫浓度的重金属铜铅玉米盆栽实验, 测定了不同浓度Cu2+和Pb2+胁迫下玉米叶片的反射率光谱和Cu2+和Pb2+含量等有关铜铅污染玉米的基础数据, 形成了关于重金属铜铅污染玉米植株的一套完整的数据集。 研究提出了一种铜铅探测指数(CLDI), 实现了不同培育期的两种玉米品种的重金属铜铅胁迫监测, 从而为当前植被重金属污染探测提供了新的思路。 研究设计了不同浓度的铜铅污染实验, 将测量获得的玉米叶片450～850 nm的光谱反射率进行一阶微分(D)和包络线去除(CR)处理后得到微分包络线去除(DCR)光谱曲线, 利用皮尔逊相关系数(r)分析DCR数据和生化数据, 选择对重金属Cu敏感的特征波段。 计算的皮尔逊相关系数表明DCR值在490～520和680～700 nm与土壤和叶片中的Cu2+含量呈现接近于1的线性正相关, 在630～650和710～750 nm呈现接近于-1的线性负相关。 选择波长505, 640, 690和730 nm的DCR值建立CLDI, 通过计算土壤和叶片中的Cu2+含量与CLDI和常规的植被指数(VIs)的皮尔逊相关系数, 将两者进行对比, 从而验证了CLDI的有效性。 选用2017年实验获取的不同品种玉米叶片光谱数据, 将CLDI同样和常规的植被指数(VIs)进行对比, 从而验证了CLDI对不同品种的玉米具有鲁棒性。 将CLDI应用到铅胁迫下玉米叶片的污染程度监测, 验证了其对于不同重金属的普适性。 结果表明, CLDI与Cu2+和Pb2+胁迫浓度相关性显著, 与其他植被指数相比, 相关性更高。 提出的CLDI探测铜铅胁迫下不同品种不同时期的玉米污染程度, 具有计算方便, 鲁棒性, 高效性、 普适性的优点。 该研究基于实验室叶片尺度, 可为冠层尺度的重金属胁迫监测提供理论基础。

为了快速感知并分析田间作物生长状况, 采用先进的半导体镀膜工艺的光谱成像传感器, 研究镀膜型光谱成像数据的提取与叶绿素含量分布式检测的方法。 实验采用基于镀膜原理的IMEC 5×5成像单元式多光谱相机, 对47株苗期玉米植株的冠层进行拍摄, 获取673～951 nm范围内的25个波长的光谱图像。 利用SPAD-520叶绿素仪非破坏性地测量叶绿素含量指标, 每株玉米冠层叶片设置2～3个采样点, 每点测量3次取平均, 共计251个样本数据; 同时使用ASD Handheld2型光谱仪采集相应位置区域的反射率曲线, 以对比分析镀膜型光谱成像传感器提取玉米植株冠层叶片反射率曲线的特性。 首先, 在分析镀膜型光谱成像传感器的成像原理的基础上, 通过对原始图像的拆分和重组分别提取成像单元中相同波段的像素灰度值, 并利用相同波段的像素灰度值重构单波段光谱图像, 获取各波段光谱图像。 其次, 利用4灰度级标准板建立图像灰度值和灰度板反射率之间的线性反演公式, 对提取的反射率进行校准。 然后, 为了准确分割出玉米植株冠层, 提出了大津算法(OTSU)和霍夫圆变换组合的玉米植株冠层图像二次分割方法, 分别剔除图像中土壤和培养盆背景的干扰。 最后, 利用马氏距离算法剔除异常样本数据, 利用SPXY (sample set partitioning based on joint X-Y distance)算法划分建模集和验证集, 采用偏最小二乘回归法(PLSR)建立玉米植株叶绿素含量指标诊断模型, 并绘制其分布伪彩色图用于分析叶绿素含量空间分布特征。 研究结果表明, ①对25波段多光谱图像提取和反射率线性校准拟合模型决定系数均达到0.99以上。 分析校准前和校准后与ASD光谱仪测量反射率曲线, 镀膜型成像传感器获取玉米冠层反射光谱总体与ASD采集反射率体现的光谱特征一致, 且校正后数据比校正前与ASD光谱反射率的一致性得到了提升。 ②建立初次OTSU分割算法和基于霍夫圆变换识别的二次分割算法, 可以有效剔除玉米植株光谱图像中的土壤和培养盆背景噪声的干扰。 ③叶绿素含量指标PLSR诊断模型建模集R2c为0.545 1, 验证集R2v为0.472 6。 玉米作物冠层叶绿素分布可视化图可以直观反映叶绿素含量分布与生长动态情况。 通过对镀膜型光谱成像传感器应用方法的研究, 为后续玉米植株叶绿素动态快速检测奠定基础和提供技术支持。

为了鉴别残留包衣剂农药的玉米幼苗, 使用傅里叶变换红外光谱结合主成分分析研究了玉米幼苗的根和叶片。 包衣剂包裹的玉米种子和未经过包衣剂包裹的玉米种子在相同条件下种植, 并测试它们幼苗根和叶片的红外光谱, 进行平行对照试验。 同时测试纤维素和包衣剂的红外光谱用于参考。 包衣剂包裹种子的幼苗根和叶片的红外光谱在1 384 cm-1附近出现C—H的弯曲振动吸收峰, 而未经过包衣剂包裹种子的幼苗根和叶片的红外光谱中C—H的弯曲振动特征吸收峰出现在1 375 cm-1附近。 参考纤维素和包衣剂的红外光谱, 可以确定1 384 cm-1吸收峰源自包衣剂残留的吸收。 在根的红外光谱中, 1 384 cm-1的包衣剂农药残留吸收峰尤为明显, 与1 375 cm-1的峰形对比, 较为尖锐。 随着玉米植株的生长, 根中1 384 cm-1的特征峰相对强度有减弱的趋势, 这是由于包衣剂农药残留被不断输送到植株的地上器官, 导致根中的农药残留浓度降低。 在经过包衣剂包裹种子的幼苗叶片的红外光谱中, 除了1 384 cm-1的农药残留特征峰外, 酰胺Ⅱ带的吸收峰呈现明显的肩峰, 而这一肩峰在种子没有被包衣剂包裹的幼苗叶片中未被观察到。 光谱分析显示一些农药残留的特征吸收峰被较强的纤维素吸收峰所掩盖, 而纤维素的一系列特征吸收峰又造成了光谱信息的重叠和数据冗余, 因此主成分分析被用于挖掘光谱中的特征信息。 在根的主成分1和主成分2得分图中, 含农药残留的样本和未含农药残留的样本被聚为两类, 两类样本散点没有重叠, 正确识别率为100%。 在叶片的主成分1和主成分2得分图中, 含农药残留的样本和未含农药残留的样本虽然也分为两类, 但是少量样本散点存在重叠, 正确识别率为93%。 结果表明, 傅里叶变换红外光谱结合主成分分析可以作为一种客观、 便捷的方法鉴别含有包衣剂农药残留的玉米幼苗。