本书以作物生产为切入点，以人工智能与作物生产深度融合技术为主线，简要阐述了农业大数据采集与控制、数据存储、现代农业人工智能算法和系统集成方法。
本书首先对人工智能与作物生产深度融合算法理论基础进行了介绍：其次，具体阐述了农业生产数据采集方法，包括棚室生产环境数据与植物电信号数据采集的硬件和软件设计方法；再次，重点介绍了人工智能技术在农业生产方面的应用，主要涵盖了基于人工智能算法的水稻生长阶段优劣长势判别、基于人工智能算法的水稻病害短期分级预警系统、基于人工智能算法的作物图像种类自动识别、基于卷积神经网络的水稻病害识别方法、基于图像的稻花香水稻种子鉴别方法。
本书是基础理论和作物生产实践相结合的产物。旨在将人工智能技术与现代农业深度融合，以达到进一步指导农业生产的目的。本书可作为农业院校师生和农业技术人员的参考用书。

第1章 人工智能与作物生产深度融合算法理论基础
1.1 卷积神经网络
1.2 模糊推理算法
1.3 粒子群算法
1.4 主成分分析法
第2章 棚室生产环境数据获取与智能控制
2.1 系统采用的关键技术
2.2 系统总体设计
2.3 棚室环境监控终端的设计与开发
2.4 云平台的设计与构建
第3章 植物电信号检测装备的研究与应用
3.1 植物电信号检测装备设计
3.2 植物电信号检测装备可用性分析
3.3 植物电信号分析方法研究
3.4 外界环境变化下植物电信号采集与分析
第4章 基于人工智能算法的水稻生长阶段优劣长势判别
4.1 水稻长势图像采集与数据集建立
4.2 基于卷积神经网络的水稻长势模型构建
4.3 基于粒子群算法的水稻长势卷积神经网络模型的优化
4.4 对比分析
第5章 基于人工智能算法的水稻病害短期分级预警系统
5.1 水稻病害预警的依据和条件
5.2 降雨量与空气相对湿度的相关性分析
5.3 水稻病害预警主要气象因子的选取
5.4 基于物联网的气象数据获取方法的研究
5.5 水稻病害短期分级预警模型的设计与仿真
5.6 水稻病害短期分级预警系统的开发与应用
第6章 基于人工智能算法的作物图像种类自动识别
6.1 作物图像采集及预处理方法研究
6.2 基于卷积神经网络的作物图像识别模型
6.3 作物图像种类识别的Matlab GUI设计
第7章 基于卷积神经网络的水稻病害识别方法
7.1 水稻病害图像预处理及病害数据库建立
7.2 基于卷积神经网络的水稻病害识别模型
7.3 水稻病害识别平台的实现
第8章 基于图像的稻花香水稻种子鉴别方法
8.1 水稻种子的图像采集及预处理
8.2 水稻种子形态特征的提取
8.3 基于主成分分析法的水稻种子分类方法研究
8.4 基于水稻种子图像识别软件的应用
参考文献