棉花种植产业是我国重要的经济产业之一,占有较高的经济地位。当棉花生长到一定时期之后,需要进行打顶操作,即棉花主茎生长点去除,目前我国使用的打顶方法主要分为三种,人工打顶、机械打顶和化学打顶。人们在机械打顶和化学打顶的方式上逐步探索实验,以更加有效精准的方法实现打顶工作,但是由于打顶机对切刀的操作控制方面存在一些问题,使得打顶机技术并未全面实施。随着产业逐渐向机械化、智能化方向发展,机器视觉技术同样发展迅速,被应用于多种领域中,本文利用机器视觉的方法实现对棉花主茎生长点的识别检测,主要研究内容如下:创建了棉花主茎生长点数据集,实验数据集全部为自采集数据,分别在不同时期、不同时间段采集棉花图像,并对图像进行统一整理,增加数据集多样性,采集图像包括不同光照条件、不同拍摄角度、不同拍摄高度等情况,使用LabelImg软件对每张图像进行标注,并将标注信息保存,数据集中共包含了 1 1001张图像以及对应的标注信息文件。筛选出了适用于棉花主茎生长点检测的基础目标检测网络模型。通过对多个主流目标检测模型实验对比和理论分析,筛选出检测效果最佳的YOLOv3网络并在其基础上进一步改进。这些目标检测模型包括Faster RCNN、RetinaNet、CenterNet、YOLOv3、YOLOv4五种,其中Faster RCNN算法为两阶段目标检测算法,其余为一阶段目标检测算法。构建了棉花主茎生长点识别网络,使用YOLOv3网络模型并对其进行改进,分析YOLOv3网络和改进网络之间的差异,对比不同检测结果。对模型的改进主要包括三个方面:(1)增加密集连接块,减少原网络中残差单元结构,实现浅层语义信息向深层语义信息的传递;(2)改进密集连接块,使用深度可分离卷积替换密集连接块内非线性操作,精简网络模型,压缩参数量;(3)改进残差单元结构,使用分层多尺度卷积模块替换原残差单元,实现多尺度感受野融合,增强多粒度特征学习。最终改进后的网络模型检测目标mAP值为90.93%,较原网络模型提高1.64个百分点,模型训练参数减少48.90%。建立了棉花主茎生长点识别与定位模型,利用深度相机实现目标的空间定位,得到目标的三维坐标,分析成像原理,以及空间中各坐标系之间关系,对棉花主茎生长点检测目标三维坐标进行误差分析,结果表明,X、Y、Z最大误差值均在1cm之内,平均误差分别为3.59mm、3.52mm、2.79mm。本文的研究结果可为基于机器视觉的精确棉花打顶操作提供技术支撑。