采用水肥一体化自动化设备，可以有效地提高水肥资源的利用率，但需提前了解作物营养状况及水肥需求情况，而手持式人工检测仪则存在时间短、劳动强度大等缺点。基于上述问题，本研究选取了一种常见作物玉米品种，采用大疆精灵III无人机携带RedEdge-M多光谱相机对田间玉米多光谱图像进行研究，采用YLS-D系列植物营养测定仪同时测定了玉米植株氮、水、氮等营养信息，并根据这些信息把所收集的图像分成3个等级(每级共有530幅五通道图像，以480个样本样本和50个样本样本为验证集，提出了一种基于卷积神经网络的玉米作物营养状态识别方法。然后，在TensorFlow深度学习框架上建立了卷积网络ResNet18卷积神经网络模型，在模型中输入彩色图像数据和五通道多光谱图像数据，分别对其进行训练，建立了适合于彩色和多光谱图像的玉米植株营养状况等级识别模型。实验结果表明：训练后的模型能有效地识别玉米的彩色和多光谱图像，并能输出玉米的营养状况等级和GPS信息。对彩色图象模型进行识别的验证集正确率为84.7%，对多光谱图象模态识别的正确率为90.5%，模型训练时间为4.5小时；五通道图像识别平均使用时间是3.56s。利用这种鉴别方法可以快速、无损伤地获得玉米作物的营养状态，为有效提高水肥资源利用率提供了方法和依据。

目前，玉米是中国最大的粮食作物，2019年的产量为26077万吨[1]。由于玉米生长周期短，在生长过程中需要获得大量水分和营养物质，因此为了促进玉米的高效生产，应根据其需水肥规律，进行精确灌溉施肥。

快速获得作物营养状况和作为参考，是实现精确灌溉施肥的前提。作物营养信息的非破坏性获取技术方法主要有光谱分析[4]、多光谱和高光谱成像[5]及机器视觉学习等，通过对作物光谱响应和图像信息的分析，能够快速、无损伤、高效地获得作物养分信息。这些技术，都离不开图像处理技术的支持。然而，由于农作物生长环境的复杂性，传统的机器视觉技术通过对农作物图像的分割，较工业图像处理更为复杂。将特征颜色结合起来，建立图像特征与氮含量之间关系模型，对图像预处理要求较高，适于定量分析，难以进行定性研究；我们迫切需要一种新的图像处理算法。

最近几年，卷积神经网络(ConvolutionalNeuralNetworks,CNN)成为一种有效的识别方法，由于它能直接对原始图像进行处理[8][8]：刘小刚等[9]通过对大量草莓图像数据进行训练，提出一种改进的YOLOv3识别方法。叶发茂等[10]利用一种良好的卷积神经网络模型，对一幅查询图像进行特征提取，并对每一类指标进行加权估计，通过利用深度学习技术对无人机遥感作物进行分类，汪传健等[11]提出了一种基于卷积神经网络的作物精细分类方法，并应用于无人机遥感作物识别。通过对作物进行精细分类，并设计了一套卷积神经网络对作物幼苗进行识别，并对22种不同植物幼苗进行了训练和试验；该方法正确率达86.2%;Yao等[13]提出了一种基于卷积神经网络的高分辨率农业遥感图像分类方法，并在GF-1高分辨率卫星上进行了大量的训练，分类率达到99.66%。由此可见，卷积神经网络用于作物识别分类有很大的优越性。

关于氮等营养水平无损检测，陈鹏飞和梁飞[14]采用4种氮肥梯度和4种灌水梯度，进行了基于低空无人机图像光谱和纹理特征的棉花氮营养诊断研究。结果表明：植物氮素浓度与图像纹理特征参数之间存在着显著的相关性；

[15]针对“郑单958”等6个玉米主杂种，设计4种氮肥(极低氮、低氮、中氮、高氮)的砂培试验，对玉米拔节期氮含量、叶片光谱反射率和SPAD值处理间的差异进行了研究；张银杰[16]将叶片光谱分析设定为基础，对玉米氮素营养进行了诊断，结果表明，同一生育期，随施氮量的增加，植株氮素含量总体上呈现上升趋势。

为了快速检测玉米作物营养状况，利用无人机携带的多光谱相机采集玉米植株的图像，并结合植物营养测定仪，利用卷积神经网络对其进行识别和分类。通过建立一种适用于彩色和多光谱图像的玉米植株营养状况等级识别模型，可以提高检测的及时性，减轻劳动强度，为精确灌溉施肥提供参考依据。