农业是人类衣食之源、生存之本,生产之基。随着耕地退化、水资源污染等重大资源和环境问题,目前世界农业资源紧缺的现状已日趋严重。精准农业对于实现可持续发展农业的优质、高产、低耗以及环保等重要战略具有现实意义。农作物信息和数据是精准农业最核心内容,如何准确快速的获取农作物分类识别信息是开展精细农业的基础。目前对于农作物分类识别主要采用基于航空卫星遥感技术和基于低空无人机遥感技术的方式,航空卫星遥感技术常用于大面积的农作物类型识别。而无人机遥感技术具有高效率、机动灵活、易操作等优势,使其在小区域的农作物长势监测方面具重大的应用价值和研究意义。而无人机可见光遥感影像缺乏丰富的光谱信息,且存在“同物异像”现象(即高空间分辨率带来的丰富的地物几何纹理引发的同种地物类存在较大的影像特征差异现象),而运用传统遥感影像分类方法其人工参与程度较高。深度学习能够自动学习影像深层次特征从而进行准确的分类识别,也为得到更好的无人机遥感获取的高分辨率遥感影像分类结果带来新的契机。本文基于深度学习理论,在对研究区进行无人机数据采集以及正射影像获取之后,选取并训练了两种深度学习神经网络模型,进行无人机遥感影像的农作物分类识别。本文开展了以下工作:(1)无人机数据采集以及数据处理。选用具有小巧轻便、性能稳定、易上手、能进行高精度航拍的多旋翼消费级别无人机,依据国家测绘局颁布的无人机航摄安全作业基本要求、低空数字航空摄影规范以及对研究区实地考查情况,对研究区成都市郫都区唐昌镇进行无人机遥感数据采集;并运用Pix 4D mapper自动空三计算原始影像外方位元素,其根据区域网络调整技术自动校正及拼接影像,获得研究区的无人机正射影像。(2)基于深度学习的农作物分类识别模型训练。运用Python语言和Pytorch深度学习框架,以降低模型的参数和运算量为目的,将卷积方式改为深度可分离卷积,搭建了基于农作物分类识别的两种深度学习模型:图像块分类的GoogLeNet神经网络模型、图像语义分割的U-Net神经网络模型;对地面作物进行真实的样本标签,结合图像增强的方式构建了基于水稻、玉米、红花檵木、苦瓜4种农作物的训练样本库;模型中输入训练集和验证集的样本影像并采用交叉熵函数计算模型训练的特征图和地面真实标签之间的损失值,并用Adam优化算法不断调节模型训练参数,直至其损失值曲线收敛,从而得到基于农作物分类识别的GoogLeNet模型和U-Net模型。(3)基于深度学习的农作物分类实验及其结果评价。根据训练得到的基于农作物分类的GoogLeNet最优模型和U-Net最优模型中,输入测试集分类影像,从而得到两种模型的农作物分类结果;以混淆矩阵和总体分类精度两个评定指标对模型训练完成后的分类结果进行定量的评价。结果表明:GoogLeNet模型的分类精度达到88.85%,而U-Net模型的分类精度达到95.78%,而从训练效率来讲,GoogLeNet的模型训练效率高于U-Net模型;将分类结果与传统的支持向量机(Support vector Machine,SVM)分类方式进行比较,得出本研究的基于GoogLeNet网络模型与U-Net网络模型的分类精度均高于SVM分类精度(86.41%)。(4)网络参数对分类精度和效率影响的初步分析:在农作物分类识别场景的U-Net模型训练过程中使用不同的初始学习率和批尺寸进行模型训练,分析其对分类精度以及效率的影响。分析表明,本实验模型训练中设置的网络参数具有一定的优势。