1.一种基于深度学习算法的多无人机协同农田喷淋方法，其特征在于，其步骤如下：

S1、将农田均匀分成大小相同的N个小型区域，并利用勘探机上的摄像头采集每个小型区域内的作物图像；

S2、将作物图像输入勘探机上的智能控制器内的神经网络模型中，输出每个小型区域内作物的类别；

S3、将相同类别对应的小型区域分为一组，并根据每组小型区域的坐标利用遗传算法规划出最优路径；

S4、勘探机通过通信协议与多个目标机相连接，每个目标机接收一组小型区域的最优路径和类别；

S5、目标机按照类别对应的操作按最优路径进行实施，同时，目标机之间相互协作，并通过通信协议实时将坐标信息返回至勘探机。

2.根据权利要求1所述的基于深度学习算法的多无人机协同农田喷淋方法，其特征在于，所述步骤S2中神经网络模型的训练方法为：S21、从大田作物病害识别研究图像数据集上获取病害图像，利用图像变换对病害图像进行预处理，并将预处理后的病害图像进行分类和标注类别标签获得数据集，其中，数据集包括训练集和测试集，图像变换包括图像去噪、图像平移、图像反转和图像裁剪；

S22、构造神经网络函数；

S22.1、利用TensorFlow中的nn.conv2d函数构造卷积层的生成函数；

S22.2、利用TensorFlow中的nn.max_pool函数构造池化层的生成函数；

S22.3、构造神经网络函数：利用卷积层和池化层的生成函数产生第一层卷积层和池化层，再次利用卷积层和池化层的生成函数产生第二层卷积层和池化层，然后建立第一层全连接层和第二层全连接层，将经过第一层池化层后的参数进行扁平化处理后通过激活函数获得第一层全连接层的输出，将第一层全连接层的输出输入第二层全连接中获得输出参数；

S23、设置神经网络函数的参数，参数包括数据的类别数、图像大小、第一层卷积层和第二层卷积层的卷积核尺寸、Dropout的概率、图片通道数；

S24、将训练集及标签输入神经网络函数中，获得预测参数；

S25、计算预测参数的损失函数；

S26、利用梯度优化将预测参数的损失函数的值最小化，获得神经网络模型；

S27、将测试集中的数据输入神经网络模型中，输出预测率；

S28、判断预测率是否符合预期标准，即作物病害识别的正确率达到90％及以上，若是，获得识别作物病害的神经网络模型，否则，返回步骤S23。

3.根据权利要求1所述的基于深度学习算法的多无人机协同农田喷淋方法，其特征在于，所述根据每组小型区域的坐标利用遗传算法规划出最优路径的方法为：S31、取停机坪位置为目标机飞行的起始点，与停机坪距离最近的点作为目标点；

S32、利用改进的双向快速遍历随机树算法生成从起始点到目标点的所有路径的初始种群，设置最大迭代次数Tmax，初始迭代次数为T＝0；

S32.1、初始化双向快速遍历随机树，分别设置起始点和目标点为双向快速遍历随机树中的两棵子树的根节点；

S32.2、双向快速遍历随机树在栅格化平面空间中自由生长，双向快速遍历随机树的一棵子树自由生长，选择一个点Prand作为生长方向，计算该子树的所有树节点与点Prand之间的欧氏距离，将欧式距离最小的树节点作为树节点P1st，该子树从树节点P1st开始以生长因子v沿着点Prand生长出新的树节点Pnew，将新的树节点Pnew连接到子树中，沿着点Prand生长方向一直生长，直到遇到障碍物；新的树节点Pnew连接到子树中的方法为：计算新的树节点Pnew与子树所有节点之间的欧式距离，选择前w个欧式距离最小的树节点P1st，p2nd，…，pwth，判断树节点P1st，p2nd，…，pwth与新的树节点Pnew之间是否存在障碍物，若是，舍弃新的树节点Pnew，否则，将树节点P1st，p2nd，…，pwth与新的树节点Pnew连接；

S32.3、双向快速遍历随机树在栅格化平面空间中相向生长，双向快速遍历随机树中的一棵子树以另一棵子树自由生长的树节点Pnew为生长方向，根据步骤32.2中的自由生长过程生长出新的树节点P’new，并将新的树节点P’new连接到子树中；

S32.4、判断双向快速遍历随机树是否在起始点和目标点之间建立足够数量的连接，如果是则停止生长，进入步骤32.5，否则，返回步骤32.2继续生长；

S32.5、使用回溯法生成初始种群，选取双向快速遍历随机树中两棵子树的公共树节点为连接点，每次回溯均以双向快速遍历随机树的连接点作为回溯初始点，朝着双向快速遍历随机树的根节点进行回溯，直到回溯到根节点，回溯经历的树节点与边构成无碰撞路径，多次回溯产生的无碰撞路径组成初始种群；

S33、利用选择、交叉、变异遗传算子对初始种群进行进化，并计算种群中每个个体的适应度函数值f(pop)；

其中，n为路径pop上关键点的个数，(xi,yi)为关键点i的坐标，(xi+1,yi+1)为关键点i+1的坐标，penalty为惩罚项；

S34、迭代次数T＝T+1，判断迭代次数T是否达到最大迭代次数Tmax，若是，保留当前种群，得到中间最优路径，否则，返回步骤S32；

S35、将中间最优路径的关键点作为控制点，通过二次B样条曲线方法对中间最优路径进行平滑处理，得到目标机的最优路径；二次B样条曲线的矩阵为P0.2(t)：其中，P0、P1、P2为二次B样条曲线的控制点，t∈[0,1]。

4.根据权利要求1所述的基于深度学习算法的多无人机协同农田喷淋方法，其特征在于，所述勘探机包括机身(4)，机身(4)上部设有智能控制器(1)和GPS模块(2)，智能控制器(1)与GPS模块(2)相连接；所述机身(4)上设有旋翼臂，机身(4)下部设有摄像头。

5.根据权利要求1所述的基于深度学习算法的多无人机协同农田喷淋方法，其特征在于，所述目标机包括机身(4)，机身(4)上部设有智能控制器(1)和GPS模块(2)，智能控制器(1)与GPS模块(2)相连接；所述机身(4)下部设有防震药箱(11)，防震药箱(11)下部设有水泵(12)，水泵(12)与防震药箱(11)相连接；所述机身(4)上设有旋翼臂，旋翼臂下部设有双头喷嘴I(9)，双头喷嘴I(9)与水管I(10)相连接，水管I(10)固定在旋翼臂下部，水管I(10)与水泵(12)相连接。

6.根据权利要求4或5所述的基于深度学习算法的多无人机协同农田喷淋方法，其特征在于，所述机身(4)包括上支撑板(20)、支撑部件(21)和下支撑板(22)，支撑部件(21)通过螺钉分别与上支撑板(21)、下支撑板(22)相连接；所述机身(4)内部设有电源(24)、飞控板(25)、调压模块(26)、信号收发器(23)和电流计(29)，电源(24)与调压模块(26)相连接，调压模块(26)分别与飞控板(25)、信号收发器(23)和电流计(29)相连接，信号收发器(23)和电流计(29)均与智能控制器(1)相连接，信号收发器(23)与摄像头相连接，飞控板(25)与水泵(12)相连接。

7.根据权利要求4或5所述的基于深度学习算法的多无人机协同农田喷淋方法，其特征在于，所述旋翼臂设有四个，四个旋翼臂均通过固定件(5)均匀连接在机身(4)上，旋翼臂上均设有旋翼臂卡扣(6)、电机底座(7)、无刷电机(8)，电机底座(7)与无刷电机(8)相焊接，无刷电机(8)与桨叶相连接；所述电机底座(7)固定在旋翼臂的端部，电机底座(7)下部连接有双头喷嘴I(9)。

8.根据权利要求5所述的基于深度学习算法的多无人机协同农田喷淋方法，其特征在于，所述机身(4)下部设有支撑架(13)，支撑架(13)设有两个，支撑架(13)下端均设有缓冲垫(19)，支撑架(13)上均设有附加喷口组件，附加喷口组件包括连接杆(14)、伸缩卡扣(15)、双头喷嘴II(16)、水管II(27)和固定片(18)，连接杆(14)通过固定片(18)与支撑架(13)相连接，双头喷嘴II(16)固定在连接杆(14)的端部，双头喷嘴II(16)与水管II(27)相连接，水管II(27)与水泵(12)相连接，水管II(27)固定在连接杆(14)下部，伸缩卡扣(15)设置在连接杆(14)中部。

9.根据权利要求5或8所述的基于深度学习算法的多无人机协同农田喷淋方法，其特征在于，所述水泵(12)上设有入水口和出水口，入水口与防震药箱(11)相连接，出水口通过三通(28)分别与水管I(10)、水管II(27)相连接，三通(28)设置在机身(4)内。