1.基于多特征融合和卷积神经网络的苹果叶部病害识别方法，其特征在于：包括以下步骤：S1：利用多特征融合的方法对苹果叶部图像进行分割预处理；

S2：利用分割预处理后的苹果叶部图像数据构建苹果叶部病害识别卷积神经网络模型；

S3：对卷积神经网络模型进行网络模型训练；

S4：根据卷积神经网络模型的最终输出结果，识别苹果叶部的病害类别。

2.根据权利要求1所述的基于多特征融合和卷积神经网络的苹果叶部病害识别方法，其特征在于，步骤S1中所述图像分割预处理具体步骤包括：S11：获取原始图像的RGB特征，运用超绿特征计算公式提取超绿特征；所述超绿特征计算公式为IExB＝2IG-IB-IR，式中IG，IB，IR为RGB颜色空间中3个颜色分量；

S12：将原始图像从RGB颜色空间分别转换到HSV颜色空间和CIELAB颜色空间，分别提取转换后图像的H分量颜色特征和L分量颜色特征；

S13：使用高斯差分滤波和圆形均值滤波分别对超绿、H分量和L分量三个颜色分量进行二维卷积操作，将经过滤波后的颜色特征组合成融合特征，融合计算公式为MMF＝(Gf*IH)+(Af*IL)+IExB，式中，Gf为高斯滤波，Af为均值滤波，MMF为融合后的特征；

S14：对融合后的特征图像使用最大类间方差法进行图像分割，并通过形态学处理对分割结果进行优化，使用原图像与优化后的图像进行掩膜操作得到最终分割结果。

3.根据权利要求1所述的基于多特征融合和卷积神经网络的苹果叶部病害识别方法，其特征在于，步骤S14的具体操作步骤包括，S141：将步骤S13中经过多特征融合的苹果叶部图像统一缩放为125×125×3的三通道RGB彩色图像；

S142：将三通道RGB彩色图像等分为左上、右上、左下、右下四个区域，并在输入图像中裁剪一个中心区域，其中，中心区域与三通道RGB彩色图像同中心，并在水平、垂直方向上各截取1/2的区域，共得到5幅大小为原图的1/4的子图像；

S143：利用双线性插值法对5个子图像进行插值，等比例放大4倍；

S144：将分割后的灰度图像转换为彩色图像，也即进行掩膜操作。

4.根据权利要求1所述的基于多特征融合和卷积神经网络的苹果叶部病害识别方法，其特征在于，步骤S2中所述的苹果叶部病害识别卷积神经网络模型包括13个卷积层、4个池化层和1个全局池化层。

5.根据权利要求4所述的基于多特征融合和卷积神经网络的苹果叶部病害识别方法，其特征在于，步骤S3中对卷积神经网络模型进行网络模型训练的具体操作包括：S31：将步骤S1中分割好的图像与不同卷积层的卷积核进行运算，得到输入图像的不同特征，将获取的特征经过激活函数激活得到输出特征图；所述特征图的计算公式为xl＝f(Wlxl-1+bl)，式中，xl-1为第1-1个隐层的输出，xl为第1个隐层中卷积层的输出，x0为输入层的输入图像，Wl为第1个隐层的权值特征矩阵，bl为第1个隐层的偏置，激活函数f(x)＝max(0，x)；

S32：将卷积层输出的特征图经过池化层操作减少特征图的维数，所述池化操作选用最大池化的方法，计算公式为 式中，1为层数，down为降采样操作，w为池化操作，bs为附加偏置；

S33：全局池化层对特征图的特征进行加权求和，整合卷积层与池化层中具有类别区分性的局部信息；

S34：将每层获得的特征图合并后传递给损失层，利用非极大抑制对所有层的检测结果进行融合；损失层的参数通过损失函数计算，所述损失函数的计算公式为式中，Lloc为置信损失，Lconf为置信

度损失，z为默认类别与不同类别的匹配结果，c为预测目标的置信度，l为预测物体框的位置信息，g为真实框的位置信息，α为置信损失和位置损失的权衡参数；

S35：使用梯度下降法优化网络模型权重参数，重复步骤S31-S35，直至得到网络权重最佳值。

6.根据权利要求5所述的基于多特征融合和卷积神经网络的苹果叶部病害识别方法，其特征在于，步骤S36中使用梯度下降法优化卷积层权重参数的具体操作步骤包括，S361：随机初始化网络模型的权重参数；

S362：计算模型计算的输出值与真实值之间的误差；

S363：对每个产生误差的神经元进行权重调整，减少误差值；

S364：重复迭代，直至得到网络权重最佳值。

7.根据权利要求6所述的基于多特征融合和卷积神经网络的苹果叶部病害识别方法，其特征在于：步骤S4中根据卷积神经网络模型的最终输出结果，识别苹果叶部的病害类别的具体操作包括：对全局池化层操作处理后的特征图使用Softmax分类器对图像进行识别分类，识别计算公式为式中，wi为全连接层中多个神

经元与Softmax分类器的i个输出神经元相连接的权重。