1.一种对速生林中多种不同植株生长态势精准判断的方法，其特征在于，包括如下步骤：

步骤S1：划定目标速生林所在区域，用搭载RGB摄像机的多旋翼无人机对目标速生林进行拍摄，并对拍摄后的图像进行预处理；

步骤S2：识别树冠，对树木与其他物体进行前景背景分离，非树木的部分剔除从而节约计算资源；

步骤S3：对于判别为树木的部分，识别树叶的整体的颜色，与树冠组成多任务学习方法经准确识别树木种类；

步骤S4：通过树冠面积、树叶颜色与建立好的树木生长模型进行对比，判断所拍摄的树木生长态势；

步骤S5：对检测出的发育不良树木进行树木类别与定位的输出；

其中，步骤S4中，采用Mask R‑CNN网络结构对每棵植株的冠层进行实例分割，Mask R‑CNN大体框架还是Faster R‑CNN语义分割模型的框架，并在基础特征网络之后又加入了全连接的分割自网络，由原来的两个任务：分类+回归变为了三个任务：分类+回归+分割；Mask R‑CNN是一个非常灵活的框架，可以增加不同的分支完成不同的任务；将每棵植株的树冠分隔开后计算出植株冠层的面积；会事先对多种树木正常长势建立基于树木冠层面积和树叶整体颜色两种特征的模型，先用人工挑选出每月各种不同植株生长态势良好的植株样本，并对样本植株计算冠层面积以及树叶整体颜色，得到样本的良好生长态势数据，并基于多项式回归建立每种树木的良好生长态势模型，模型的多项式回归公式如下：其中θ0、θ1、θ2为所求模型参数，x1为树叶的整体颜色的HSV模型参数，x2为树木冠层面积；然后将多项式回归模型转换成多元线性回归模型进行求解：hθ(x1,x3)＝θ0+θ1x1+θ2x3

其中 使用梯度下降对模型参数进行求解，求解的代价函数如下：

其中m为样本数，在求解之前先对样本数据进行归一化处理，使得求解过程中代价函数更容易收敛；通过对拍摄中的植株与良好生长态势模型对比，检查出发育不良的植株。

2.根据权利要求1所述的一种对速生林中多种不同植株生长态势精准判断的方法，其特征在于：步骤S1中的预处理包括了图像的降噪和图像降维；

降噪：为了保证植株识别的准确性与高校性，对拍摄的速生林图像进行去噪处理，在尽量保留所拍树木图像原有信息的情况下，过滤掉图像中矮小的灌木一系列噪声；去噪处理会对图像中与周围像素点差异较大的像素点进行处理，将其值调整为周围像素点像素值的近似值；使用三维块匹配滤波算法进行去噪处理，使得处理后的树木图像更平滑；

降维：当拍摄的图像空间尺度增加时，所包含的信息量会增多，在后期处理时的计算量也随之增加，故采用PCA对图像进行降维，降低图像计算量的同时保持图像中树木原本的信息；通过线性投影，将树木的原始特征往具有最大投影信息量的维度上进行投影，使得降维后的树木特征信息量损失最小。

3.根据权利要求1所述的一种对速生林中多种不同植株生长态势精准判断的方法，其特征在于，步骤S2中，由于采集时树冠的信息量是最大最明显的，故其在分辨时特征明显，高效率的对植株与其他事物进行分离，为后面对植株的识别进行无效信息的剔除，节约计算资源；对树冠的识别采用yolov5对目标速生的植株冠层进行识别和标定，先在自建的数据集中对植株冠层的识别进行训练，然后对拍摄的速生林中的植株冠层进行识别。

4.根据权利要求3所述的一种对速生林中多种不同植株生长态势精准判断的方法，其特征在于，为了减小因无人机与植株距离不同对植株分类的影响，加入基于加速稳健特征算法的金字塔网络模型对特征进行不同尺度的提取，增加识别的准确率。

5.根据权利要求1所述的一种对速生林中多种不同植株生长态势精准判断的方法，其特征在于，步骤S3中，采用多任务学习的方法通过树冠形态特征与植株树叶整体颜色特征对植株的类别进行识别；在颜色提取时，为了尽量减少光线照射和阴影遮挡的影响，将RGB颜色模型转换为HSV颜色模型，建立主色调直方图选取植株树叶的整体颜色。

6.根据权利要求1所述的一种对速生林中多种不同植株生长态势精准判断的方法，其特征在于，步骤S4中，对每棵植株的冠层进行语义分割，并计算出植株冠层的面积；事先对树木正常长势建立树木冠层面积和树叶整体颜色两种模型，通过对拍摄中的植株与正常模型对比，检查出发育不良的植株。

7.根据权利要求1所述的一种对速生林中多种不同植株生长态势精准判断的方法，其特征在于，步骤S5中，通过对无人机的矢量飞行速度与风速对发育不良的植株进行位置的计算并输出。