1.一种基于SegNet深度学习模型的海草床遥感识别方法，其特征在于，包括：

获取目标区域的卫星遥感影像，对卫星遥感影像中的像元进行特征标注，形成标签样本集；

将标签样本集划分为训练集和验证集，对训练集按照第一影像尺寸和第二影像尺寸分别进行切割，得到第一影像尺寸训练集和第二影像尺寸训练集；对验证集按照第一影像尺寸和第二影像尺寸分别进行切割，得到第一影像尺寸验证集和第二影像尺寸验证集；对训练集中各个特征类别的像元进行加权，平衡每个特征类别的像元数量；对于第一影像尺寸训练集和第二影像尺寸训练集，在两个集合中分别进行如下的冗余去除步骤：将占比最高的特征类别作为冗余类别，卫星遥感影像切割后得到的影像块中，保留不包括冗余类别的影像块，对于集合中包括冗余类别的影像块，计算冗余类别在影像块中的占比，将占比高于去除阈值的影像块去除；去除阈值与影像块所在集合相对应；不断调整第一影像尺寸训练集的去除阈值和第二影像尺寸训练集的去除阈值，直到第一SegNet深度学习模型的海草床识别性能不能再提高，以及第二SegNet深度学习模型的海草床识别性能不能再提高，确定对应的去除阈值；

使用第一影像尺寸训练集训练第一SegNet深度学习模型，使用第二影像尺寸训练集训练第二SegNet深度学习模型；获取实际卫星遥感影像，分别按照第一SegNet深度学习模型和第二SegNet深度学习模型对应的影像尺寸进行切割后，输入相应的模型，分别将识别结果和实际结果进行比对，分别评估第一SegNet深度学习模型和第二SegNet深度学习模型的海草床识别性能；分别计算第一SegNet深度学习模型和第二SegNet深度学习模型的总体精度、精确度和F1分数，加权求和评估海草床识别性能；所述总体精度OA的计算公式如下：OA=（TP＋TN）/（TP＋TN+FP+FN），

其中，TP表示实际类别为海草且被模型识别为海草的像元个数，FN表示实际类别为海草且被模型识别为非海草的像元个数，TN表示实际类别为非海草且被模型识别为非海草的像元个数，FP表示实际类别为非海草且被模型识别为海草的像元个数；

所述精确度P的计算公式如下：

P=TP/（TP＋FP）；

所述F1分数的计算公式如下：

F1Score=2TP/（2TP＋FP+FN）；使用第一影像尺寸验证集输入第一SegNet深度学习模型，使用第二影像尺寸验证集输入第二SegNet深度学习模型，获得相应的识别结果，根据识别效果，确定第一SegNet深度学习模型和第二SegNet深度学习模型中的最优识别模型；

使用最优识别模型，用于识别目标区域的实际卫星遥感影像中的海草床区域；实际卫星遥感影像经过最优影像尺寸切割，最优影像尺寸与最优识别模型训练时用于切割的影像尺寸对应。

2.根据权利要求1所述的基于SegNet深度学习模型的海草床遥感识别方法，其特征在于，在所述获取目标区域的卫星遥感影像，之后包括：在目标区域的卫星遥感影像中，确定海草、海水、云和砂质底质像元的光谱曲线，确定能够反映海草与海水、云和砂质底质光谱差异的波段为特征波段，使用特征波段对卫星遥感影像进行特征波段合成。

3.根据权利要求1所述的基于SegNet深度学习模型的海草床遥感识别方法，其特征在于，所述对卫星遥感影像进行特征标注，包括：对卫星遥感影像中每张影像的像元，进行海草、海水、云和砂质底质的类别标注。

4.根据权利要求1所述的基于SegNet深度学习模型的海草床遥感识别方法，其特征在于，所述对训练集中各个特征类别的像元进行加权，平衡每个特征类别的像元数量，包括：计算训练集中每个特征类别的像元数量，按照每个特征类别的像元数量之间比例的反比，对每个特征类别进行加权。

5.根据权利要求1所述的基于SegNet深度学习模型的海草床遥感识别方法，其特征在于，所述根据识别效果，确定第一SegNet深度学习模型和第二SegNet深度学习模型中的最优识别模型，包括：按照预设权重对模型训练时间和识别结果准确度进行加权求和，根据求和结果的最大值，确定对应的模型作为最优识别模型。

6.一种基于SegNet深度学习模型的海草床遥感识别装置，其特征在于，包括：影像获取单元、尺寸切割和平衡单元、训练单元、筛选单元和应用单元，其中：所述影像获取单元，用于获取目标区域的卫星遥感影像，对卫星遥感影像进行特征标注，形成标签样本集；

所述尺寸切割和平衡单元，用于将标签样本集划分为训练集和验证集，对训练集按照第一影像尺寸和第二影像尺寸分别进行切割，得到第一影像尺寸训练集和第二影像尺寸训练集；对验证集按照第一影像尺寸和第二影像尺寸分别进行切割，得到第一影像尺寸验证集和第二影像尺寸验证集；对训练集和验证集中各个特征类别的像元进行加权，平衡每个特征类别的像元数量；对于第一影像尺寸训练集和第二影像尺寸训练集，在两个集合中分别进行如下的冗余去除步骤：将占比最高的特征类别作为冗余类别，卫星遥感影像切割后得到的影像块中，保留不包括冗余类别的影像块，对于集合中包括冗余类别的影像块，计算冗余类别在影像块中的占比，将占比高于去除阈值的影像块去除；去除阈值与影像块所在集合相对应；不断调整第一影像尺寸训练集的去除阈值和第二影像尺寸训练集的去除阈值，直到第一SegNet深度学习模型的海草床识别性能不能再提高，以及第二SegNet深度学习模型的海草床识别性能不能再提高，确定对应的去除阈值；

所述训练单元，用于分别使用第一影像尺寸训练集和第二影像尺寸训练集，用于训练第一SegNet深度学习模型和第二SegNet深度学习模型；获取实际卫星遥感影像，分别按照第一SegNet深度学习模型和第二SegNet深度学习模型对应的影像尺寸进行切割后，输入相应的模型，分别将识别结果和实际结果进行比对，分别评估第一SegNet深度学习模型和第二SegNet深度学习模型的海草床识别性能；分别计算第一SegNet深度学习模型和第二SegNet深度学习模型的总体精度、精确度和F1分数，加权求和评估海草床识别性能；所述总体精度OA的计算公式如下：OA=（TP＋TN）/（TP＋TN+FP+FN），

其中，TP表示实际类别为海草且被模型识别为海草的像元个数，FN表示实际类别为海草且被模型识别为非海草的像元个数，TN表示实际类别为非海草且被模型识别为非海草的像元个数，FP表示实际类别为非海草且被模型识别为海草的像元个数；

所述精确度P的计算公式如下：

P=TP/（TP＋FP）；

所述F1分数的计算公式如下：

F1Score=2TP/（2TP＋FP+FN）；

所述筛选单元，用于分别使用第一影像尺寸验证集和第二影像尺寸验证集，用于输入第一SegNet深度学习模型和第二SegNet深度学习模型，并获得相应的识别结果，根据识别结果准确度，确定第一SegNet深度学习模型和第二SegNet深度学习模型中的最优识别模型；

所述应用单元，用于使用最优识别模型，用于识别目标区域的实际卫星遥感影像中的海草床区域。