1.基于树木生长模型的智慧园林航拍树种自适应识别方法，其特征在于，包括如下步骤：S1、构建航拍树种数据集以及进行模型训练；

S2、利用树木生长模型进行粘连树木分割和树种区域定位；

S3、对分割好的树种区域图片进行色差补偿；

S4、将最终处理图片送入到模型中进行识别，并将识别的参数信息在原图对应位置进行标注，输出最终的识别结果图。

2.根据权利要求1所述基于树木生长模型的智慧园林航拍树种自适应识别方法，其特征在于，所述S1的具体过程如下：S11、采集航拍树种图片,并对所采集的图像进行标注，构建航拍树种图片数据集；

S12、以S1所构建的数据集为输入进行YOLOv5网络模型训练，得到训练好的识别模型。

3.根据权利要求2所述基于树木生长模型的智慧园林航拍树种自适应识别方法，其特征在于，所述S11的具体过程如下：S111、记录每张航拍树种图片的拍摄时间和图片平均亮度；

S112、对所记录的图片亮度数据以小时为间隔进行平均取值，建立时间‑平均亮度数据库，对应方式为：其中，T集合表示从上午6点到下午6点时间间隔集，所对应 表示航拍树种数据集中每个小时间隔内的平均图片亮度；

S113、采用光流法和镜像翻转法对航拍数据集进行扩充并使用打标签软件对数据集进行标签标注。

4.根据权利要求1所述基于树木生长模型的智慧园林航拍树种自适应识别方法，其特征在于，所述S3的具体过程如下：S31、对航拍树种图像进行航拍天气情况判断，具体如下：将输入图像A转换到HSV颜色空间，并获取当前空间内的平均明度分量 若 表示晴天情况，反之，若 表示当前拍摄场景为阴天情况，其中 表示S1所构建的时间‑平均亮度数据中根据当前航拍时间所得的平均亮度值；

S32、基于天气情况进行树木种子生长点选取，获得树种生长点集合P；

S33、基于天气情况和树种生长点集合P，进行自适应区域生长，得到分割好的目标树种区域集合G＝{g1,g2,…,gΓ}，Γ为目标树种区域总数；

S34、为避免树种的过度分割，根据S33获得目标树种区域集合G和步骤2获得的树种生长点集合P，进行相似树种区域合并，获得最终树种所在区域集合为合并后树种所在区域总数，合并过程如下：

S341、获取集合G内每个树种区域的平均色调值；

S342、将所访问区域的平均色调值与其相邻的区域平均色调值进行比较，若两者差值小于设定阈值，且这两个区域所对应的树种生长点的几何距离小于两区域中较大外切圆的直径，则认为两个区域为统一树种，进行区域合并，并将合并的区域存入集合G'，否则将当前区域直接存入G'；

S343、从集合G内第一个树种区域开始，将重复S342过程，直到索引到集合G的最后一个树种区域结束；

S35、将S34获得的树种所在区域集合G'外的其他区域进行像素置零处理，获得只包含分割定位后的树种区域特征图，然后进入S4。

5.根据权利要求4所述基于树木生长模型的智慧园林航拍树种自适应识别方法，其特征在于，所述S32的具体过程如下：若图像满足晴天情况，利用高度物体具有阴影特性，通过阴影区域反向索引，实现树种生长点定位，具体如下：首先，对转换到HSV空间的图像A的所有饱和度进行过滤，找到满足饱和度S范围在[0,

0.15]的阴影区域M＝{m1,m2,m3,…mn}，利用区域M内的色调H和明度V，获得每个区域中心点集合E＝{e1,e2,e3,…en}和区域边界最小点集合B＝{b1,b2,b3,…bn}，计算公式如下：其中，n表示阴影区域总数量，i∈[1,n]为索引值，ei与bi分别表示第i个阴影区域中心点与边界最小点，x、y表示像素位置，mi分别表示第i个阴影区域， 分别表示第i个阴影区域平均色调与平均明度，H(x,y)、V(x,y)当前像素位置的色调值与明度，max(·)表示最大值取值函数，min(·)最小值取值函数；

其次，利用集合E与集合B进行树种生长点位置定位，获得疑似树种生长点集合R＝{r1,r2,…,rn}，其中每个疑似生长点的计算过程如下：d＝dist(ei,bi)  (2)

其中， 表示第i个疑似树种生长点横坐标与纵坐标， 分别表示第i个阴影区域中心点的横坐标与纵坐标，θ表示当前光照方向与地面夹角，d表示ei与bi的欧式几何距离，dist(·)为欧式距离求解函数；

然后，对所获得疑似生长点集合R，进行非树种点剔除，剔除要求如下：[6]

其中， 表示疑似树种生长点ri的色调值，{ri} 表示以ri为中心的周边六邻域，ε为设定阈值；

最后，将每一个满足剔除要求放入新的集合中，获得树种生长点集P＝{p1,p2,…,pγ}，γ表示树种生长点总数量；

若图像满足阴天情况，利用高度物体光流变化性质，选取种子生长点，具体如下：对转换到HSV空间的图像的所有色调进行过滤，找到满足色调范围在[45,150]的绿色区域W＝{w1,w2,w3,…wl}，利用区域W内的饱和度S和明度V进行绿色区域中心点定位获得绿色区域中心点集合Z＝{z1,z2,z3,…,zl}，计算公式如下：其中，l表示绿色区域的总数量，k∈[1,l]为索引值，zk表示第k个区域的中心点，wk表示第k个绿色区域， 分别表示第k个阴影区域内的平均饱和度与平均明度，S(x,y)、V(x,y)当前像素位置的色调值与明度；

对所得的绿色区域中心点集合Z，进行草地等背景区域点剔除，获得的树种生长点集P＝{p1,p2,…,pγ}，具体过程如下：S321、利用zk和 选取wk内两个绿色像素点z'k和z”k，计算方式如下：其中，wk第k个阴影区域， 为第k个阴影区域最大内切圆的半径，π为圆周率，分别表示像素点z'k、z”k、zk的横坐标与纵坐标；

S322、分别计算zk、z'k、z”k这三点的6邻域的梯度值，通用计算公式如下：其中， 与 分别是三点和三个梯度的通用表示方式，

分别表示以 为中心6邻域的横坐标像素值与纵坐标像素值；

S323、S321利用S322所获得三点梯度值，进行阈值判断，判断方式如下：其中，η、β为阈值参数， 分别表示以zk、z'k、z”k为中心的

6邻域梯度值；

S321对于不满足S323中的阈值判断的中心点，则认为它草地等背景区域点，进行剔除，并将满足阈值判断要求的所有绿色区域中心点放入新的集合中，以获得树种生长点集P＝{p1,p2,…,pγ}。

6.根据权利要求4所述基于树木生长模型的智慧园林航拍树种自适应识别方法，其特征在于，所述S33的具体过程如下：S331、根据天气情况、光照偏转角θ、当前树种生长点pl，进行生长区域选择：其中，l∈[1,γ]为索引值，pl表示第l个区域的树种中心点， 与 表示以生长点pl为中心的邻域大小，[·]为中心取整符号，ml与wl表示与生长点pl所对应的阴影区域和绿色区域，ψl为l个生长区域大小；

S332、以当前邻域大小为基准，进行周边邻域区域合并，并对合并区域内像素进行判断，相关过程如下：其中，Ω(·)表示区域合并符号，h为索引值，从1开始每次加1，gh表示第h个树种区域，分别表示生长点pl的色调、饱和度、明度值， 为设定阈值，H(x,y)、S(x,y)、V(x,y)分别表示除pl外邻域内其他像素位置的色调、饱和度、明度值；

S333、将每个gh放入集合G中，从而获得目标树种区域集合G＝{g1,g2,…,gΓ}，Γ为目标树种区域总数。

7.根据权利要求4所述基于树木生长模型的智慧园林航拍树种自适应识别方法，其特征在于，所述S4的具体过程如下：对S3所获得树种区域集合G'内的所有区域，根据明度差值，进行饱和度和色调修正，使得输入到识别模型的树种区域图像亮度接近于上午9点或下午4点的亮度值，具体的色差修正公式如下：其中， 分别表示集合G'内第 个树种区域内的色调、

饱和度、明度和修正后的色调与饱和度， 表示修正时段的明度均值， 和 表示S1中时间‑平均亮度数据库中对应的上午9点和下午4点的均值明度，|·|表示绝对值函数。