本研究采用营养液培养不同氮素水平的油菜样本,利用多光谱视觉系统拍摄不同氮素水平下的油菜冠层多光谱图像,通过机器视觉技术对获取的油菜冠层多光谱图像进行分析与特征提取,将提取的多个图像特征与油菜冠层SPAD值进行多元线性回归,确立油菜氮素营养诊断模型。主要研究成果如下:构建油菜氮素营养多光谱机器视觉诊断系统,自主设计密闭实验光照箱体,对不同氮素水平的油菜样本进行冠层图像获取与图像分析。通过分析油菜冠层各通道多光谱图像的一维和二维直方图,选择冠层近红外图像进行背景分割。对油菜冠层近红外图像采用基于二维最大信息熵算法进行图像分割,取得了较好的分割效果。同时,对比最大类间方差法(OTSU)图像分割效果,结果表明二维最大信息熵算法在去除土壤背景的同时,更多的保留了作物冠层信息,分割平均相对误差仅为9%,较OTSU算法在油菜冠层图像背景分割上效果更好。在图像特征提取方面,将分割后的各通道油菜冠层多光谱图像进行灰度平均,得到AGI、AIR和IR/R这三个特征同油菜整株全氮含量高度相关。通过进一步分析发现,IR/R可以用来粗略诊断油菜是否缺氮,1＜IR/R＜1.4时油菜属于正常水平,当IR/R＜1时,油菜缺氮。但是,单独采用某个特征难以对油菜整株全氮含量进行定量的预测。分别在油菜的不同生长期,将提取的多种图像特征同油菜冠层SPAD值进行多元线性回归,得到各生长期的油菜氮素营养诊断模型,其中,苗期、薹期、花期与角果期油菜的多元线性回归预测模型的决定系数R~2分别为0.76、0.94、0.84和0.85。对模型进行验证后得到苗期、薹期、花期和角果期阶段预测的平均相对误差分别为13%、9%、16%和16%,这表明应用多光谱视觉技术进行油菜氮素营养检测是准确可行的。