1.一种基于图像处理与卷积神经网络的作物病害识别方法，其特征在于，包括以下步骤：S1：首先收集、整理和扩充作物病害图像数据作为实验数据集，具体方法如下：S11：使用常见的搜索引擎，按照PlantVillage公共数据集中所标记的作物种类以及其相对应的病害名称进行搜索，挑选叶片主体清晰、病害区域明显的图像并将其保存；

S12：将上述步骤所保存的图像每隔45度进行一次中心旋转，并依次保存旋转后的图像；

S13：按照作物品种以及其所患病害种类，将S12之后的图像加入到公共作物病害数据集PlantVillage中，共同构成最终的实验数据集；

S2：对步骤S1的实验数据集进行预处理，具体的预处理操作可以分为以下两个部分：(1)对实验数据集中样本图像进行平滑滤波；(2)对平滑滤波后的样本图像进行锐化，以突出图像的边缘特征信息；

S3：根据图像直方图的平均值判断S2预处理之后样本图像的亮度是否在合理范围内，即对于直方图平均值小于80的样本图像，运用带颜色恢复的多尺度视网膜图像增强算法MSRCR提升样本图像的整体亮度；

S4：使用基于GrabCut全局图像自动分割算法GAAG对经过S3之后的样本图像进行背景分割，以突出病害叶片主体；

S5：使用迁移学习的方法，在经过步骤S4处理后的实验数据集上重新训练从imagenet数据库中学到大量先验视觉知识的MobileNet V2卷积神经网络模型的最后一层参数，使模型能够充分快速地学习到不同病害的特征，达到作物病害叶片分类的目的；

S6：对新的待识别图像调用S2、S3和S4进行处理，将处理后的图像输入到S5已经训练好的模型，进行识别分类。

2.根据权利要求1所述一种基于图像处理与卷积神经网络的作物病害识别方法，其特征在于，所述S2中对实验数据集进行预处理具体为：将样本图像的大小调整为224*224像素大小后使用中值滤波方法进行图像整体的降噪处理，之后使用拉普拉斯算子对样本图像进行锐化处理，突出样本图像的边缘特征。

3.根据权利要求1所述一种基于图像处理与卷积神经网络的作物病害识别方法，其特征在于，所述S3中运用带颜色恢复的多尺度视网膜图像增强算法MSRCR提升样本图像的整体亮度的方法如下：S31：首先计算出样本图像的入射分量L，计算公式如下：

L(x,y)＝F(x,y)*S(x,y)

其中“*”表示卷积运算，S是需要处理的样本图像，F是高斯模糊的滤波器，(x,y)是二维样本图像中像素点的空间位置；

S32：在得出入射分量L后，计算在单一尺度下的作物病害叶片反射分量R，计算公式如下：log(R(x,y))＝log(S(x,y))‑log(L(x,y))其中，S是需要处理的样本图像，L为入射分量,(x,y)是二维样本图像中像素点的空间位置；

S33：对不同尺度下的作物病害叶片反射分量进行加权求和，这里的尺度指的是不同的高斯滤波器半径范围，加权求和之后所得出的反射分量R′就是亮度调整后的样本图像；

S34：对亮度调整后的样本图像进行色彩恢复，计算公式为：RMSRCR(x,y)＝C(x,y)gR′(x,y)

其中R′(x,y)为不同尺度下的作物病害叶片反射分量进行加权求和后的结果，C(x,y)为色彩恢复因子，RMSRCR(x,y)指色彩恢复后的结果；

S35：将计算所得出的结果值量化为0到255的范围，输出最终调整后的样本图像。

4.根据权利要求1所述一种基于图像处理与卷积神经网络的作物病害识别方法，其特征在于，所述S4中使用基于GrabCut全局图像自动分割算法GAAG对经过S2和S3处理后的样本图像进行背景分割的方法如下：S41：首先使用矩形函数标记出距离样本图像边长20个像素矩形内部范围，大致规划出待分割目标物所处位置；

S42：使用超绿因子2G‑B‑R对矩形外围超绿因子小于阈值T的像素标记为背景；

S43：在矩形内部随机选取像素点作为拟分割目标，代替GrabCut算法中需要人工框选目标区域的操作；

S44：在经过上述步骤之后，调用GrabCut算法对样本图像进行分割；

S45：最后对于分割结果进行是否存在空洞的判断，即检测叶片内部像素值是否有连续

3个像素点为0的地方，如果有，以这三个像素中心像素为圆心，以5个像素点为半径，判断在该圆上是否有超过80％的像素点的像素值不为0，如果有，则认定为存有黑洞并对内部存有空洞的叶片进行空洞恢复，即把原始样本图像的该位置像素值复制过来即可。

5.根据权利要求1所述的训练卷积神经网络模型，其特征在于，所述S6新图像识别的具体步骤如下：S61：将传入的待识别图像的大小调整为224*224像素，并对其进行去噪和锐化处理；

S62：根据图像直方图的平均值来判断图像整体的亮度是否偏低，即对于平均值小于80的图像判定为亮度偏低，并对其进行S3操作，否则进行S4分割操作；

S63：使用S3对图像进行亮度调整，并将输出的结果图传递至S4进行分割处理；

S64：调用训练好的MobileNet模型对图像进行特征提取及分类；

S65：得出识别结果。