基于无人机遥感数据和卷积神经网络的作物健康状态智能分析系统的构建

作物的健康对全球粮食供应安全和农业经济的可持续性至关重要。为了解决传统监测方法的不足，这些方法具有劳动强度高、效率低、时效性不足等特点，本文提出了一种创新的智能分析系统。该系统利用无人机遥感数据和卷积神经网络技术，实现高效的作物分类和对病虫害的准确识别。具体来说，该系统采用多尺度注意力卷积网络优化作物分类，改进循环一致对抗网络进行遥感图像翻译，以增强数据集，并改进轻量级MobileNet V2用于病虫害识别。所提方法在作物分类和识别中分别实现了94.67%和89.14%的平均F1值和交并比。在翻译作物遥感图像时，Frechette距离和核距离分别为98.73和3.08。翻译后的图像增强了数据集，提高了识别准确性和收敛速度。在识别作物病虫害时，准确率和召回率分别为97.14%和97.18%。参数数量减少到2.01MB，显示出优越性。本研究解决了遥感数据的不确定性及卷积神经网络的复杂性和有限训练样本的问题，为农业向智能化和可持续发展转型提供了技术支持。