技术特征：
1.一种基于梯度直方图特征的作物倒伏分级方法，其特征在于，包括：s1，获取待检测大田作物冠层的rgb彩色图像；s2，用拼接软件对rgb彩色图像进行快速拼接，形成整个大田的二维正交拼接图像；s3，对二维正交拼接图像进行区域分割并嵌入区域编号信息；s4，对嵌入区域编号信息的二维正交拼接图像提取作物方向梯度直方图hog特征；s5，将所述梯度直方图hog特征输入预先构建并训练好的基于svm支持向量机的作物倒伏分级评价模型，输出作物倒伏级数；s6，获得各个区域的倒伏分级程度后，即可输出整个大田作物倒伏分级分布图。2.根据权利要求1所述的基于梯度直方图特征的作物倒伏分级方法，其特征在于，在步骤s1中，无人机搭载彩色相机拍摄待检测大田作物冠层的rgb彩色图像。3.根据权利要求1所述的基于梯度直方图特征的作物倒伏分级方法，其特征在于，基于svm支持向量机的作物倒伏分级评价模型的构建方法包括：s51，获取试验田作物冠层的rgb彩色图像序列；s52，用拼接软件对rgb彩色图像序列进行快速拼接，形成整个大田的二维正交拼接图像；s53，对二维正交拼接图像进行种植区域分割并嵌入区域编号信息；s54，各个种植区域冠层的rgb图像提取作物方向梯度直方图hog特征；s55，对每个种植区域的作物倒伏程度进行人工评分；s56，建立初始的作物倒伏分级评价模型；s57，生成数据集：根据人工倒伏评分进行区间划分，把各个种植区域的hog特征按区间收集，将每个评分区间的hog特征随机分为训练集、验证集、测试集；s58，将训练集输入步骤s56中初始的作物倒伏分级评价模型进行训练，训练后将验证集代入训练好的作物倒伏分级评价模型中，通过调整作物倒伏分级评价模型参数，挑选出最高精度的模型作为最终模型；s59，将测试集输入最终模型进行评价，若符合评价标准的，则将该最终模型作为步骤s5中训练好的作物倒伏分级评价模型，若评价不符合标准的，则重新选择步骤s57-s58直至作物倒伏分级评价模型符合评价标准。4.根据权利要求3所述的基于梯度直方图特征的作物倒伏分级方法，其特征在于，步骤s52包括：将rgb彩色图像进行无畸变处理，校正由相机镜头引起的图像失真，获取无畸变图像序列；之后寻找相邻图像对之间的特征匹配点，同时地面控制点的gps准确测量值对匹配点的位置进行校正，确保重建冠层位置的精确度；基于关键的匹配点生成整个飞行区域的稠密三维点云，生成的二维拼接图像携带有每个重建点的颜色；重建的拼接图像涵盖了飞行区域内的整个场景。5.根据权利要求3所述的基于梯度直方图特征的作物倒伏分级方法，其特征在于，步骤s53包括：采用gps记录仪记录大田每个种植区域四个顶点的地理位置信息，通过再投影运算，寻找在拼接后图像载有相同地理位置信息，自动提取出种植区域的彩色图像，并根据地理位置对每个区域进行编号并记录。6.根据权利要求3所述的基于梯度直方图特征的作物倒伏分级方法，其特征在于，步骤s55中，对每个种植区域的作物倒伏程度进行人工评分包括：无人机载摄像机拍摄作物图像
前后1-2天时间内，作物专家对每个种植区域水稻倒伏程度进行评分，在区域尺度上，如果有10％的作物倒伏，即给出10的倒伏分数，如果有50％的作物倒伏，即给出50的倒伏分数，如果没有发生倒伏，倒伏分数为0，以倒伏的百分比给出倒伏分数，分数越高，倒伏越严重，分数越低，倒伏程度越低。7.根据权利要求3所述的基于梯度直方图特征的作物倒伏分级方法，其特征在于，在步骤s57，在生成数据集时还包括：根据人工倒伏评分进行区间划分，把各个种植区域的hog特征按评分区间收集，每个区间70％的hog特征作为作物倒伏分级评价模型的训练集，15％作为验证集，剩余15％作为作物倒伏分级评价模型的测试集。8.根据权利要求3所述的基于梯度直方图特征的作物倒伏分级方法，其特征在于，在步骤s59中基于svm支持向量机的作物倒伏分级评价模型的评价标准采用正确率、精度、召回率3个指标计算公式：率3个指标计算公式：率3个指标计算公式：式中：tp为正确检测倒伏分数区间的区域数量，fp为被错误检测倒伏分数区间数量，fn为被错误检测非倒伏分数区间的区域数量，tn为正确检测非倒伏分数区间的区域数量。