1.一种基于深度学习和单目视觉的水面多目标测距方法，其特征在于，包括如下步骤：S1，拍摄水面目标的多张单目视觉图像并基于各个单目视觉图像进行打击，并在单目视觉图像上标注水面目标的真实距离和是否击中水面目标信息，以及获取水面目标所处环境的光照强度、空气湿度、以及波浪强度等级；

S2，对光照强度、空气湿度、以及波浪强度等级进行赋值并进行综合评价，以生成单目视觉图像的环境综合评价系数；

S3，在单目视觉图像上标注对应的环境综合评价系数，并将单目视觉图像随机划分为训练集和测试集；

S4，构建测距模型，并定义测距模型的状态空间、动作空间、以及奖励函数，且状态空间包括水面目标图像特征和水炮姿态信息，且动作空间包括水炮动作信息，且奖励函数的计算公式由真实距离和测距模型输出的预测距离间的绝对差值、环境综合评价系数、以及是否击中水面目标信息组成；

S5，确定测距模型的学习算法，以训练集和测试集对测距模型进行训练，并将待测水面目标的单目视觉图像、水炮姿态信息和水炮动作信息输入训练后的测距模型中进行测距；

所述奖励函数的计算公式如下：

Ri＝‑λ1*(1+HJpji)*|Li'‑Li|‑λ2*f(JZi)其中，将第i张单目视觉图像所对应的环境综合评价系数标定HJpji，i表示不同单目视觉图像的编号，且i＝1、2、3、……、m，且m表示单目视觉图像的总张数，且m∈N+，Ri表示第i张单目视觉图像所对应的奖励函数，Li、Li'分别表示第i张单目视觉图像所对应的真实距离、测距模型输出的预测距离，将第i张单目视觉图像所对应的是否击中水面目标信息标定为f(JZi)，且在击中水面目标信息时f(JZi)＝0，且在未击中水面目标信息时f(JZi)＝1，λ1、λ2均为预设比例系数，且λ1+λ2＝1，且0＜λ2＜λ1＜1。

2.根据权利要求1所述的基于深度学习和单目视觉的水面多目标测距方法，其特征在于：对光照强度、空气湿度、以及波浪强度等级进行赋值并进行综合评价，以生成单目视觉图像的环境综合评价系数的具体逻辑为：S21，对光照强度进行赋值以生成位于光照强度影响值，且光照强度影响值位于0‑1之间、且随光照强度偏离最佳光照强度区间的程度增大而增大；

S22，对空气湿度进行赋值，以生成位于0‑1之间、且随空气湿度增大而增大的空气湿度影响值；

S23，对波浪强度等级进行赋值，以生成位于0‑1之间、且随波浪强度等级增大而增大的波浪强度影响值；

S24，结合光照强度影响值、空气湿度影响值、以及波浪强度影响值，生成环境综合评价系数。

3.根据权利要求1所述的基于深度学习和单目视觉的水面多目标测距方法，其特征在于：将第i张单目视觉图像所对应的光照强度、空气湿度、波浪强度等级分别标定为Ei、RHi、BLi，将第i张单目视觉图像所对应的光照强度影响值标定为f(Ei)，将第i张单目视觉图像所对应的空气湿度影响值标定为f(RHi)，将第i张单目视觉图像所对应的波浪强度影响值标定为f(BLi)。

4.根据权利要求3所述的基于深度学习和单目视觉的水面多目标测距方法，其特征在于：所述光照强度影响值f(Ei)的赋值标准如下：当满足0≤Ei＜500时，光照强度影响值f(Ei)＝0.9；

当满足500≤Ei＜3000时，光照强度影响值f(Ei)＝0.5；

当满足3000≤Ei＜20000时，光照强度影响值f(Ei)＝0.1；

当满足20000≤Ei＜35000时，光照强度影响值f(Ei)＝0.3；

当满足Ei＞35000时，光照强度影响值f(Ei)＝0.7。

5.根据权利要求3所述的基于深度学习和单目视觉的水面多目标测距方法，其特征在于：所述空气湿度影响值f(RHi)的赋值标准如下：当满足0≤RHi＜5时，空气湿度影响值f(RHi)＝0.1；

当满足5≤RHi＜15时，空气湿度影响值f(RHi)＝0.3；

当满足15≤RHi＜30时，空气湿度影响值f(RHi)＝0.5；

当满足30≤RHi＜50时，空气湿度影响值f(RHi)＝0.7；

当满足Ei＞50时，空气湿度影响值f(RHi)＝0.9。

6.根据权利要求3所述的基于深度学习和单目视觉的水面多目标测距方法，其特征在于：所述波浪强度影响值f(BLi)的赋值标准如下：当满足波浪强度等级BLi为0级时，波浪强度影响值f(BLi)＝0.1；

当满足波浪强度等级BLi为1级时，波浪强度影响值f(BLi)＝0.3；

当满足波浪强度等级BLi为2级时，波浪强度影响值f(BLi)＝0.5；

当满足波浪强度等级BLi为3级时，波浪强度影响值f(BLi)＝0.7；

当满足波浪强度等级BLi为4级及以上时，波浪强度影响值f(BLi)＝0.9。

7.根据权利要求3所述的基于深度学习和单目视觉的水面多目标测距方法，其特征在于：所述环境综合评价系数的计算公式如下：HJpji＝τ1*f(Ei)+τ2*f(RHi)+τ3*f(BLi)其中，τ1、τ2、τ3均为预设比例系数，且τ1+τ2+τ3＝1，且0＜τ3＜τ2＜τ1＜1。

8.一种基于深度学习和单目视觉的水面多目标测距系统，用于上述权利要求1‑7任意一项所述的基于深度学习和单目视觉的水面多目标测距方法，其特征在于，包括：数据采集模块，用于拍摄水面目标的多张单目视觉图像并基于各个单目视觉图像进行打击，并在单目视觉图像上标注水面目标的真实距离和是否击中水面目标信息，以及获取水面目标所处环境的光照强度、空气湿度、以及波浪强度等级；

环境综合评价模块，用于对光照强度、空气湿度、以及波浪强度等级进行赋值并进行综合评价，以生成单目视觉图像的环境综合评价系数；

数据处理模块，用于在单目视觉图像上标注对应的环境综合评价系数，并将单目视觉图像随机划分为训练集和测试集；

模型构建模块，用于构建测距模型，并定义测距模型的状态空间、动作空间、以及奖励函数，且状态空间包括水面目标图像特征和水炮姿态信息，且动作空间包括水炮动作信息，且奖励函数的计算公式由真实距离和测距模型输出的预测距离间的绝对差值、环境综合评价系数、以及是否击中水面目标信息组成；

测距模块，用于确定测距模型的学习算法，以训练集和测试集对测距模型进行训练，并将待测水面目标的单目视觉图像、水炮姿态信息和水炮动作信息输入训练后的测距模型中进行测距。

9.一种存储介质，其中存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现上述权利要求1‑7任意一项所述的基于深度学习和单目视觉的水面多目标测距方法。