1.基于深度学习算法的地表采动裂缝无人机影像识别方法，其特征在于，包括：

步骤一：无人机获取矿区地表影像数据；

步骤二：获得数字高程模型DEM与数字正射影像DOM；

步骤三：选取重复采动工作面作为研究裂缝发育规律区域，使用ArcGIS软件对其进行裁剪为若干张小影像；

步骤四：选取Resnet‑50神经网络与 Deeplabv3＋，其中Resnet‑50为残差神经网络，Deeplabv3＋是语义分割模型；

步骤五：准备裂缝分类数据集，随机选取步骤三裁剪的部分影像作为数据集，数据集包含训练、测试两个文件夹，将影像按比例9：1划分为训练集和验证集，分别放在训练、测试文件夹；

步骤六：训练分类网络；

步骤七：DEM用函数的形式描述为：Vi=（Xi，Yi，Zi），i=1，2，3，……，n，式中Vi为函数形式的DEM，Xi，Yi是平面坐标，Zi是（Xi，Yi）对应的高程，数据像素值记录点位高程；

通过添加高程信息分类网络，在进行有无裂缝分类之后，通过DEM给出的高程、坡度信息判断地表形态，对裂缝进行二次分类，消除山丘、建筑物产生的阴影带来的干扰，提高裂缝识别率，分析矿山地表裂缝发育规律；

步骤八：准备识别裂缝数据集，随机选取步骤九分类完成的部分裂缝影像作为数据集，将数据集格式改为VOC数据集，VOC数据集是目标检测领域的标准数据集；

步骤九：训练模型，模型主干网络选取mobilenet，mobilenet是轻量级的深层神经网络，基于pytorch深度学习框架，训练次数Epoch设置为358，每一次训练抓取的样本Batch‑size设置为4；

步骤十：将步骤七分类完成后的裂缝影像输入到训练完成获得的最优权值模型中，获得识别裂缝后的影像，使用Python语言在PyCharm软件中，调用图像处理标准库PIL库进行图像拼接，并在ArcGIS软件中使用地理配准工具给拼接图像设置投影信息，得到裂缝识别后的研究裂缝发育规律区域影像，分析矿区地表裂缝发育规律。

2.根据权利要求1所述的基于深度学习算法的地表采动裂缝无人机影像识别方法，其特征在于，步骤一包括：根据煤层厚度、倾角、埋深三种煤层地质条件，岩性、表土层厚度两种地质特征，重复开采、开采范围两种开采技术条件，确定地表沉陷影响角、地表沉陷影响区域，划定无人机遥感勘测区域；

无人机搭载可见光相机，设置航线划定、飞行高度、飞行速度、航旁向重叠率四种飞行参数，无人机执行航拍任务，获取矿区地表影像数据。

3.根据权利要求1所述的基于深度学习算法的地表采动裂缝无人机影像识别方法，其特征在于，步骤二包括：将无人机获取的矿区地表影像数据输入到后处理软件，获得数字高程模型DEM与数字正射影像DOM。

4.根据权利要求1所述的基于深度学习算法的地表采动裂缝无人机影像识别方法，其特征在于，步骤六包括：分类网络分为特征提取和特征分类两大部分，特征提取部分选取Resnet‑50残差网络，基于pytorch深度学习框架，训练次数Epoch设置为400，每一次训练抓取的样本Batch‑size设置为32，训练完成后，将得到的最优权值输入到模型中进行研究区域影像的有无裂缝分类，分类完成后将裂缝影像进行识别处理，其中pytorch是开源的Python机器学习库，Batch‑size表示单次传递给程序用以训练的数据个数。