农业多谱遥感图像的典型作物分类通过融合多注意力机制ResNet网络
Zongpu Li1,2,3, Zhiyun Xiao1,2,3, Yulong Zhou1,2,3
1Inner Mongolia Key Laboratory of Electrical and Mechanical Control, Inner Mongolia University of Technology, Hohhot 010080, China.
Sensors (Basel, Switzerland)
|April 12, 2025
概括
这项研究引入了一种改进的深度学习模型,用于作物分类,使用无人机 (UAV) 的多光谱图像. 增强的ResNet模型达到97.8%的准确性,支持精准农业.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 遥感 遥感 遥感 遥感
背景情况:
- 传统的作物分类依赖于劳动密集型,主观的实地调查,限制空间覆盖和光谱细节.
- 现有的方法在精细粒度的光谱变化方面扎,这对于准确的作物识别至关重要.
研究的目的:
- 利用深度学习和多谱遥感数据开发一种增强的作物分类模型.
- 提高识别复杂作物种植结构的准确性和效率.
主要方法:
- 利用从无人机 (UAV) 获取的多谱遥感图像.
- 开发了一个改进的ResNet50模型,包括ACmix自我注意力和协调注意力机制.
- 专注于分类四种主要作物:向日,玉米,甜菜和胡.
主要成果:
- 增强的ResNet模型在多光谱图像上实现了97.8%的分类精度.
- 该模型显著优于使用RGB图像和传统方法的分类.
- 在准确分类复杂的作物结构方面表现出卓越的性能.
结论:
- 将无人机多谱遥感与深度学习相结合,为精确的作物分类提供了强大的方法.
- 开发的模型为有效的精准农业管理提供了有价值的技术支持.
- 突出了农业监测中先进遥感和人工智能的潜力.
