1.基于UAV与深度学习的尾矿干滩指标识别方法，其特征在于，包括：S1.进行研究区域圈定，并规划无人机航线，在无人机上搭载传感器，并设置飞行参数，控制无人机执行飞行任务并获取图像数据；

测量控制点位置信息；

S2.将图像数据和测量控制点位置信息同时输入到摄影测量后处理软件，生成正射影像和数字表面模型；

S3.将S1得到的图像数据转换数据类型格式，结合深度学习网络搭建训练模型，将训练模型、正射影像和数字表面模型输入到水位线和滩顶线判断模型，得到干滩长度坡度。

2.根据权利要求1所述的基于UAV与深度学习的尾矿干滩指标识别方法，其特征在于，S1中，测量控制点位置信息具体为人工携带RTK‑实时动态测量测量控制点高程和经纬度。

3.根据权利要求2所述的基于UAV与深度学习的尾矿干滩指标识别方法，其特征在于，S1中，飞行参数包括飞行高度，飞行速度，重叠率，雷达回波数。

4.根据权利要求3所述的基于UAV与深度学习的尾矿干滩指标识别方法，其特征在于，S2中，将图像数据和测量控制点位置信息同时输入到摄影测量后处理软件，运用SfM‑运动恢复结构算法进行数据处理构建尾矿库表面三维模型，生成正射影像和数字表面模型。

5.根据权利要求4所述的基于UAV与深度学习的尾矿干滩指标识别方法，其特征在于，S3包括：S3.1.下载语义分割模型或实例分割模型并完善所需运行环境；

S3.2.利用无人机拍摄数据及尾矿库卫星图片作为数据集；

S3.3.训练分辨水体、干滩、坝体的模型，并给出相应边界框和类别概率，改写预测程序为显示尾矿库水体轮廓线，运用遍历法遍历水体轮廓线与坝体线最小距离，得到最小干滩长度D；

S3.4.限定显示距离水体轮廓线不大于5cm的干滩轮廓线，得到尾矿库中的水位线；

限定显示距离水体轮廓线大于等于D的干滩轮廓线，得到坝体与干滩的交界线，至此获得最小干滩长度D和带有滩顶线、水位线的图片数据；

S3.5.将高清正射影像输入到模型中，得出最小干滩长度和带有干滩线、水位线的高清正射影像图片，与数字表面模型相结合提取出两条带有高程的三维水体干滩分界线和干滩坝体分界线，利用三维曲线计算两条线的平均距离和平均高程差，通过运算获得平均干滩坡度。

6.根据权利要求5所述的基于UAV与深度学习的尾矿干滩指标识别方法，其特征在于，S3.1中，实例分割模型采用改进的yoloact模型；

Yolact模型修改特征提取网络为PANNet，将原有损失函数IOU修改为GIOU，加入数据增强部分扩展训练数据；

特征提取网络PANNet结构组成包括backbone‑主干网络、FPEM‑特征金字塔增强模块和FFM‑特征融合模块，Backbone使用resnent18，FFM将不同大小特征图进行融合。

7.根据权利要求6所述的基于UAV与深度学习的尾矿干滩指标识别方法，其特征在于，基于改进的yolact实例分割流程包括：B1.数据增强；

B2.将数据集输入特征提取网络结构中提取特征图；

B3.存在两个并行子任务分支，一个生成覆盖全图的原型掩膜，另一个为目标监测分支，生成候选框类别置信度，锚框的位置信息和掩膜系数；

基于全卷积神经网络实现原型掩膜生成分支，由若干卷积层组成，将p3特征图输入，经过连续三次卷积核为3×3，步长为1的卷积，再上采样，再通过两个卷积层，得到一个m通道的输出，每个通道可以视作一张原型mask‑掩膜；

采用共享卷积网络实现目标检测分支，分成三个分支，分别对目标类别、位置、掩膜系数进行预测，通过GIOU损失函数计算得到对于尾矿这一类不同感兴趣区域ROI之间的置信度矩阵，再通过NMS‑非极大值抑制筛选算法对ROI‑感兴趣区域进行舍弃；

B4.通过原型掩膜与掩膜系数做矩阵乘法得到图像中实物目标的掩膜称为实例掩膜，将不属于尾矿类别边界外的掩膜清空，提取边界生成图像。