1.一种无人驾驶船舶非周期采样远程控制方法，其特征在于，所述方法包括：S1：采集河道遥感图像数据，并对河道遥感图像数据增强；

S2：构建得到河道正负样本对数据集对河道图像表征提取模型进行训练，利用训练得到的河道图像表征提取模型提取增强后河道遥感图像数据的图像表征向量；

S3：构造河道弯道识别模型并识别得到河道弯道，所述河道弯道识别模型以图像表征向量为输入，以河道弯道判断结果为输出；

S4：将河道遥感图像数据中的河道弯道位置在河道地理参考图像中进行匹配，得到河道弯道的实际坐标位置；

S5：控制无人驾驶船舶在经过河道弯道拐点时进行重点采样，在经过其他位置时进行欠采样。

2.如权利要求1所述的一种无人驾驶船舶非周期采样远程控制方法，其特征在于，所述S1步骤中采集河道遥感图像数据并进行河道遥感图像数据增强，包括：利用遥感平台承载的遥感器采集河道遥感图像数据I，其中遥感平台为人造卫星，遥感器为多光谱扫描仪，河道遥感图像数据的采集流程为：分别选取红波段、蓝波段以及绿波段对应的滤波片在遥感器中进行投影合成，其中所选取红波段的波长为0.66um，蓝波段的波长为0.45um，绿波段的波长为0.51um；

从河道区域发出的红外光辐射以及可见光辐射会进入遥感器，并透过投影合成后的滤波片得到河道遥感图像数据I；

对河道遥感图像数据进行增强处理，其中增强流程为：S11：对河道遥感图像数据I进行灰度化处理，其中灰度化处理的公式为：；

其中：

表示像素在RGB颜色通道的颜色值；像素表示河道遥感图像数据I中第i行第j列的像素；

表示像素的灰度值；

将像素的灰度值作为对应像素的像素值，得到河道遥感图像数据的灰度化处理结果；

S12：对河道遥感图像数据中像素的灰度值进行线性拉伸处理，其中灰度值的线性拉伸处理公式为：；

其中：

为预设置的阈值参数；

表示河道遥感图像数据中像素灰度值的第一四分位数，表示河道遥感图像数据中像素灰度值的第三四分位数；

表示灰度值的线性拉伸处理结果；

S13：计算线性拉伸处理后河道遥感图像数据的信息熵：；

其中：

表示线性拉伸处理后河道遥感图像数据中灰度值为L的像素的比例；

S14：对河道遥感图像数据中像素的灰度值进行增强，得到增强后的河道遥感图像数据，其中灰度值的增强公式为：；

其中：

为灰度值的增强结果；

将增强后的灰度值作为对应像素的像素值，构成增强后的河道遥感图像数据。

3.如权利要求1所述的一种无人驾驶船舶非周期采样远程控制方法，其特征在于，所述S2步骤中构建得到河道正负样本对数据并训练得到河道图像表征提取模型，包括：构建得到河道正负样本对数据，其中河道正负样本对数据的构建步骤为：采集M张河道局部遥感图像数据构成正样本，其中所采集的河道局部遥感图像数据为增强处理后的河道局部遥感图像数据，且仅包括河道部分的遥感图像数据；

对任意第m张河道局部遥感图像数据进行两次随机裁剪得到的两个正样本，并对两个正样本进行随机色度变换、旋转、颜色失真以及区域模糊处理，得到河道局部遥感图像数据所对应的M-2个不同的负样本；

构建得到河道正负样本对数据；

构建河道图像表征提取模型，所构建河道图像表征提取模型包括输入层、特征提取模块、特征映射模块以及输出层，其中输入层用于接收增强后的河道遥感图像数据并进行图像分割处理，将分割得到的若干子图像数据依次输入到特征提取模块，特征提取模块用于对所接收的图像数据进行编码处理，特征映射模块用于对编码处理结果进行特征映射，映射得到图像表征向量进行输出；

基于河道正负样本对数据对河道图像表征提取模型进行训练，所述河道图像表征提取模型的待训练参数为特征提取模块中的权重参数、偏置参数，以及特征映射模块中的映射矩阵，河道图像表征提取模型的训练流程为：S21：构建河道图像表征提取模型的训练目标函数：；

；

；

；

；

其中：

T表示转置；

表示L1范数，表示以自然常数为底的指数函数；

表示河道图像表征提取模型的训练目标函数，分别为特征提取模块中的权重参数、偏置参数，为特征映射模块中的映射矩阵；

为将正样本输入到特征提取模块中所得到的编码处理结果，表示正样本的图像表征向量，j=1,2；

表示映射矩阵的二阶导，表示映射矩阵的一阶导，表示ReLU激活函数；

表示之间的相似度；

表示任意第m张河道局部遥感图像数据的负样本与不同河道局部遥感图像数据的负样本的相似度之和；

S22：随机化生成初始化的模型参数，设置参数训练的当前迭代次数为t，最大迭代次数为Max，则第t次迭代得到的模型参数为，令；

S23：若，则将作为训练得到的模型参数，并基于构建得到河道图像表征提取模型，否则转向步骤S24，其中表示预设的梯度阈值，表示L1范数；

S24：生成梯度更新步长：

；

其中：

，表示L2范数；

S25：生成满足下式的迭代步长：

；

S26：基于梯度步长以及迭代步长进行模型参数更新：；

令t=t+1，返回步骤S23。

4.如权利要求3所述的一种无人驾驶船舶非周期采样远程控制方法，其特征在于，所述S2步骤中利用训练得到的河道图像表征提取模型提取增强后河道遥感图像数据的图像表征向量，包括：利用训练得到的河道图像表征提取模型提取增强后河道遥感图像数据的图像表征向量，其中图像表征向量的提取流程为：输入层接收增强后的河道遥感图像数据，并将河道遥感图像数据分割为等尺寸的K个子图像数据，其中所分割得到的第k个子图像数据为，；

特征提取模块对所接收的子图像数据进行编码处理，其中编码处理公式为：；

其中：

表示子图像数据的编码处理结果；

分别为模型训练后特征提取模块中的权重参数、偏置参数；

特征映射模块对编码处理结果进行特征映射，映射得到图像表征向量进行输出，其中映射公式为：；

其中：

为模型训练后特征映射模块中的映射矩阵；

表示子图像数据的图像表征向量。

5.如权利要求1所述的一种无人驾驶船舶非周期采样远程控制方法，其特征在于，所述S3步骤中构造河道弯道识别模型并识别得到河道弯道，包括：构造河道弯道识别模型，并基于河道弯道识别模型识别得到河道遥感图像数据中的河道弯道区域，其中河道弯道识别流程为：S31：计算河道遥感图像数据中相邻子图像数据的图像表征向量相似度构成图像表征向量相似度集合，子图像数据与相邻子图像数据的图像表征向量相似度集合为：；

其中：

为子图像数据与第u个邻近子图像数据的图像表征向量相似度，其中图像表征向量相似度的计算方式为利用余弦相似度算法对图像表征向量进行相似度计算；

S32：选取图像表征向量相似度集合中相似度最低的结果作为子图像数据的邻近图像表征向量相似度，其中子图像数据的邻近图像表征向量相似度为；

S33：若邻近图像表征向量相似度小于预设的相似度阈值，则将对应子图像数据标记为候选河道弯道区域图像；

S34：对于候选河道弯道区域图像中的任意像素，以该像素为中心像素区域内，按照从左至右，从上到下的顺序比较中心像素像素值与邻近8个像素的像素值，若中心像素的像素值大于邻近像素的像素值，则输出0，否则输出1，得到8位二进制数，并将8位二进制数转换为10进制数，若10进制数转换结果大于预设的像素阈值，则将对应像素标记为核心像素；

S35：利用三次样条插值法对候选河道弯道区域图像中核心像素坐标进行插值，得到插值曲线，其中x表示插值曲线的水平方向坐标，为水平坐标对应的竖直方向坐标；

S36：将插值曲线转换为量化函数：

；

对候选河道弯道区域图像中核心像素坐标的曲线弯度进行度量：；

其中：

num表示候选河道弯道区域图像中核心像素的数目；

表示候选河道弯道区域图像中第r个核心像素的水平方向坐标；

表示候选河道弯道区域图像中核心像素坐标的曲线弯度；

若C大于预设的曲线弯度阈值，则将候选河道弯道区域图像标记为河道弯道位置。

6.如权利要求5所述的一种无人驾驶船舶非周期采样远程控制方法，其特征在于，所述S4步骤中将河道遥感图像数据中的河道弯道位置在河道地理参考图像中进行匹配，包括：将河道遥感图像数据中的河道弯道位置在河道地理参考图像中进行匹配，其中河道弯道位置匹配流程为：对河道地理参考图像进行灰度化处理；

提取灰度化处理后河道地理参考图像中每个像素的SIFT特征向量；

提取河道遥感图像数据中河道弯道位置的核心像素的SIFT特征向量；

对河道地理参考图像以及河道弯道位置中像素的SIFT特征向量进行特征相似度匹配，使得整体匹配后的特征相似度达到最大，其中特征相似度计算方法为余弦相似度算法；

将匹配成功的河道弯道位置在河道地理参考图像的对应位置进行标注，得到河道弯道位置的真实地理坐标。

7.如权利要求6所述的一种无人驾驶船舶非周期采样远程控制方法，其特征在于，所述S5步骤中控制无人驾驶船舶在经过河道弯道拐点时进行重点采样，包括：控制无人驾驶船舶在经过河道弯道拐点时进行重点采样，其中无人驾驶船舶的均衡化重点采样流程为：S51：计算河道弯道位置区域面积占河道面积的比例P；

S52：根据比例P确定河道弯道位置的采样率：；

S53：控制无人驾驶船舶在河道行驶，在未到达河道弯道区域时，按照采样率进行河道样本采样，在到达河道弯道区域时，按照采样率进行河道样本采样；按照采样率进行河道样本采样表示控制无人驾驶船舶每行驶距离，进行采样，其中表示无人驾驶船舶的单位行驶距离。