本书主要内容包括Python基础概述，数据处理与绘图，数字农业中的图像处理，光谱与高光谱数据处理，基于三维点云数据的植物表型获取，基于机器学习的产量预测和基于深度学习的病害识别、计数与产量建模研究，既包含了基础研究，也包含了当前国内外的热点研究方向。通过引入此前沿技术，本书不仅紧跟时代步伐，也满足了读者对前沿科技的求知欲望，使学习过程更具挑战性和实用性。本书适合农业科研人员、农业技术人员、农业企业管理者以及对智慧农业和植物表型感兴趣的本科生、研究生和爱好者阅读、参考。读者无须具备专业的编程和数学背景，但需要具备基本的计算机操作能力和对农业生产与植物生长发育过程的基本了解。

于合龙，教授，博士生导师，清华大学博士后。民盟盟员，长春市政协委员，民盟吉林省委委员。现任吉林农业大学信息技术学院院长，吉林农业大学智慧农业研究院常务副院长。吉林省有突出贡献专家，吉林省拔尖创新人才，全国高校教师教学创新大赛国家二等奖获得者。主持设立和建设大数据技术与智慧农业、光学农业科学与工程2个交叉学科，现担任吉林农业大学农业工程博士学科带头人。农业农村部农业农村信息化示范基地负责人，国家级科技小院负责人，吉林省精准农业与大数据工程研究中心主任，吉林省数字化转型促进中心主任。教育部新农科人才培养改革研究虚拟教研室主任，国家一流专业建设点（计算机科学与技术）带头人，国家一流课程（计算机网络）第一主讲人。现兼任中国计算机学会（CCF）数字农业分会秘书长、吉林省智慧农业学会理事长、中国人工智能学会智能农业专业委员会常务委员和中国作物学会智慧农业专业委员会理事会委员。曾先后在新西兰梅西大学、加拿大约克大学访学和访问。主要从事计算农业、光学农业、智慧农业等方面的科研和教学工作。承担国家自然科学基金、国家重点研发计划、中国工程院重大咨询研究课题及省部级重点科研项目20余项，发表SCI、EI等各类论文130余篇，申请/授权发明专利12项，获软件著作权登记20余项，出版著作5部。获吉林省科技进步一等奖3项（其中第一完成人1项）、二等奖5项。

目　　录
前言
第1章　绪论1
1.1　概述1
1.1.1　智慧农业与植物表型1
1.1.2　Python在植物表型研究中的应用1
1.1.3　本书目标读者与使用指南2
1.2　Python简介与环境配置2
1.2.1　Python简介2
1.2.2　Python的优缺点2
1.2.3　Thonny的下载、安装及使用3
1.3　Python基础语法8
1.3.1　关键字8
1.3.2　内置函数9
1.3.3　数据类型与运算符10
1.3.4　数据结构15
1.4　编程范式22
1.4.1　标准库22
1.4.2　流程控制24
1.4.3　函数和类27
1.5　本章小结29
参考文献29
第2章　Python数据处理与绘图30
2.1　数据清洗与可视化30
2.1.1　数据清洗概述30
2.1.2　数据可视化概述31
2.2　NumPy数组处理31
2.2.1　数组索引与切片32
2.2.2　数据统计与分析33
2.2.3　数字图像数据处理36
2.3　Pandas数据清洗37
2.3.1　数据读取与整理37
2.3.2　缺失值、重复值和异常值处理38
2.3.3　筛选与描述性统计39
2.4　Matplotlib绘图40
2.4.1　绘图风格及参数41
2.4.2　画板及图纸45
2.4.3　其他图形47
2.4.4　多图绘制及组合49
2.5　本章小结与习题49
2.5.1　本章小结49
2.5.2　习题50
参考文献50
第3章　数字图像处理51
3.1　RGB数字图像处理51
3.1.1　数字图像处理概念51
3.1.2　Python语言与图像处理库OpenCV52
3.1.3　图像处理基本操作52
3.2　图像分割 58
3.2.1　形态学处理58
3.2.2　边缘检测61
3.2.3　阈值分割67
3.2.4　聚类分割法70
3.3　图像特征提取72
3.3.1　颜色特征73
3.3.2　纹理特征77
3.3.3　形状特征79
3.4　基于数字图像的植物表型解析实战84
3.4.1　基于数字图像处理的烟叶表型分析84
3.4.2　基于无人机图像的作物幼苗分割与表型提取88
3.5　本章小结与习题91
3.5.1　本章小结91
3.5.2　习题91
第4章　光谱数据处理92
4.1　光谱图像概述92
4.1.1　光谱成像的基本原理92
4.1.2　光谱图像的数据结构与格式94
4.1.3　光谱图像在植物表型分析中的应用95
4.2　光谱数据预处理96
4.2.1　光谱数据读取与可视化96
4.2.2　光谱图像预处理98
4.2.3　图像增强与变换100
4.3　光谱特征提取103
4.3.1　常用植被指数及其提取流程103
4.3.2　高光谱反射峰特征分析与高阶数学变换105
4.3.3　高光谱敏感波段筛选108
4.4　光谱数据应用案例113
4.4.1　多光谱解决方案：作物倒伏等级分类113
4.4.2　高光谱解决方案：叶片氮含量估算114
4.5　本章小结与习题116
4.5.1　本章小结116
4.5.2　习题116
参考文献116
第5章　基于三维点云的植物表型数据分析118
5.1　近景主动式三维测量技术118
5.1.1　基于激光数据的点云获取方法118
5.1.2　基于多视角立体视觉的植株三维重建119
5.1.3　基于无人机交叉环绕的作物群体结构三维重建120
5.1.4　基于激光雷达的三维点云获取123
5.2　点云数据的基本处理方法124
5.2.1　点云的格式与属性124
5.2.2　点云的基础操作126
5.2.3　点云的滤波132
5.3　点云的分割与拟合136
5.3.1　常见的点云拟合方法136
5.3.2　常见的点云分割方法140
5.4　植物三维表型解析实战144
5.4.1　植物器官表型解析实战144
5.4.2　植物个体表型解析实战146
5.4.3　植物群体表型解析实战149
5.5　本章小结与习题154
5.5.1　本章小结154
5.5.2　习题154
第6章　机器学习原理与实战155
6.1　机器学习概述155
6.1.1　数据集和特征156
6.1.2　监督学习和无监督学习157
6.1.3　模型评估方法158
6.1.4　模型性能指标159
6.1.5　超参数优化163
6.2　数据预处理和特征工程164
6.2.1　数据清洗和缺失值处理165
6.2.2　特征变换方法与处理168
6.2.3　特征选择方法172
6.2.4　特征抽取方法174
6.3　监督学习177
6.3.1　线性回归177
6.3.2　多项式回归179
6.3.3　逐步回归180
6.3.4　岭回归181
6.3.5　Lasso回归183
6.3.6　支持向量机184
6.3.7　朴素贝叶斯187
6.3.8　Logistic判别188
6.3.9　决策树190
6.3.10　随机森林192
6.4　无监督学习194
6.4.1　聚类分析原理194
6.4.2　层次聚类分析194
6.4.3　划分聚类分析196
6.5　基于机器学习的产量预测实战199
6.5.1　导入所需函数200
6.5.2　数据读取200
6.5.3　训练集和测试集的划分201
6.5.4　特征级融合201
6.5.5　决策级融合202
6.6　本章小结与习题204
6.6.1　本章小结204
6.6.2　习题205
参考文献206
第7章　基于深度学习的病害识别、计数与产量建模研究207
7.1　深度学习概念与原理207
7.1.1　深度学习概念207
7.1.2　关键原理与技术208
7.1.3　优化算法212
7.1.4　训练技巧214
7.2　深度学习模型基础构建216
7.2.1　Tensor简介216
7.2.2　数据集定义与加载217
7.2.3　数据预处理218
7.2.4　模型组网219
7.2.5　训练与预测221
7.3　常用深度学习网络225
7.3.1　图像分类225
7.3.2　目标检测233
7.3.3　图像分割239
7.4　图像分类在植物表型中的应用243
7.4.1　植物品种分类244
7.4.2　病害识别　254
7.4.3　生育期检测256
7.5　目标检测在植物表型中的应用260
7.5.1　计数260
7.5.2　定位263
7.6　图像分割在植物表型中的应用267
7.6.1　计数267
7.6.2　各类表型参数提取279
7.7　本章小结与习题289
7.7.1　本章小结289
7.7.2　习题290