传统农业正在逐渐迈入大数据时代,农业信息化、互联网农业、精准农业的理念日益得到体现与应用。对于农业数据信息的需求也随之知识化、精细化、实时化,其中,农作物的种植状况,种植品种、种植面积、生长状况等,往往是农业决策、农业信息化应用的前提。如何进行农业种植数据的采集,如何快速方便准确地识别农作物,是一个值得深入探讨的话题。为此,学者们提出从空中进行农业信息的采集方式,以便捷地获取农业大数据信息。以往从高空中进行农作物图像采集并识别多以遥感技术为主,但这种实现方式存在计算复杂、识别效率低等问题,具有一定的限制性。近年来,在深度学习技术的推动下,图像识别与分类得到了广泛的应用,但将深度学习技术运用于航拍所得的农作物遥感图像在处理上存在着其特有的难度。如高空层次特征丰富但细节信息不充分,以及背景多元化干扰等特点,如何能形成一种有效的多分类方法是非常值得探索的问题。本文重点研究了深度学习在航拍农作物图像识别中的方法,主要研究内容如下:(1)鉴于航拍农作物图像的公开数据集有限,本文综合采用网络爬取、消费级无人机实地拍摄等方式获取农作物航拍图像。并且,为了更好地利用航拍农作物图像信息和扩增图像数据量,引入了图像灰度化、数据裁剪等技术对图像进行综合预处理的方法。(2)为了减少无人机航拍的农作物图像上的繁杂工作,分析了迁移学习技术在深层网络模型的可用性,探讨了迁移学习和数据增强的方法。结合迁移学习技术在航拍农作物图像识别上的实现分析,提出了模型迁移的方法,实验结果证明了方法的有效性,提高了训练图像的速度以及减少模型过拟合的问题。(3)在原模型VGG16的基础上,结合航拍图像的独特特征,改进其部分网络架构以构建新模型,使之更吻合航拍农作物图像的识别与处理。并提出了正则化的方法以减小代价函数的参数值,进行特征调整与最小化模型参数以优化模型。基于Flowers数据集,量化分析三种卷积神经网络在数据集翻倍前后的变化情况,提出航拍农作物图像识别的模型要求,并通过实验验证正则化方法对图像识别率的提高有一定效果。(4)此外,通过在多组数据集上构建对比实验方案,验证了新模型和原模型在航拍农作物数据集上的表现与性能,实验证明,基于原模型VGG16的农作物航拍图像识别结果不稳定,改进后的模型更可靠,农作物识别准确率可达98%,为农业智慧决策提供有益的补充。