作物生长状态观测是农业气象观测的重要组成部分,而传统的作物生长状态观测主要依靠人工观测完成,其观测方法复杂,受主观影响较大、效率较低。随着传感器检测技术、远程网络传输技术的成熟应用,作物观测逐步从人工观测向自动化观测过渡。本文在某重大专项中提出对棉花、玉米、水稻、小麦等作物进行自动观测要求的背景下,以玉米为研究对象,通过建立作物气象自动观测站,利用图像处理技术,完成对不同地区大田玉米生长状态的自动观测。1.提出基于多阈值参数的农作物分割算法,通过对作物实景图像光照特征的分析,提出一种多阈值参数的绿色植被分割方法。该方法可以在光照强度大动态范围变化条件下,降低光照剧烈变化对分割结果的影响。通过与Excess green、Color index of vegetation extraction,AP-HI的分割结果做对比分析,得出该方法在特定环境下,分割结果更为理想。在此基础上,通过设定日间图像覆盖度变化率δ和每日覆盖度变化率ρ,完成了玉米植株日覆盖度的自动识别。2.本文将激光测距仪应用于作物冠层高度的测量领域。消除了基于双目视觉测量作物冠层高度成本高;基于单目视觉测量方法需要树立标杆,影响机械化作业的缺陷。本文将激光测距装置安装于三轴云台中,通过控制三轴云台的旋转,实现对观测区域的动态扫描,从而获取发射点与被测点的距离集和,利用数学建模和误差分析等方法,完成作物冠层高度的自动测量。应用结果表明,该装置可以完成冠层高度的自动测量,进而得出植株高度的精确数值,其测量误差为±3cm。3.根据玉米出苗期苗型特征,建立玉米苗型的几何模型,利用模型的比例关系,提取分割结果中典型目标区域,并对目标的空间分布进行统计,获取图像出苗信息,结合每日图像数据,统计每日出苗概率,完成玉米出苗期的自动识别。七叶期的识别利用了单株苗像素的变化率和植株的冠层高度综合判断,减小了仅依靠像素判断所引起的误差。4.采用机器学习方法,实现对玉米抽雄期的自动识别。根据不同观测地点玉米品种的不同,提取不同形态的典型目标特征,建立相对完备的特征对特征库的学习,完善玉米雄穗分类模型。通过与特征库的对比,实现对玉米抽雄期的自动判识。