1.一种基于BP神经网络的模型训练方法，其特征在于，包括：获取指标数据、危害等级以及所述指标数据、危害等级对应的待处理受害作物信息；所述指标数据为专业人员对所述待处理受害作物信息进行指标评估后的数据；所述危害等级为专业人员根据所述指标数据对所述待处理受害作物进行危害程度判定后的等级；

对所述待处理受害作物信息进行数据预处理、特征提取和信息配准，获取特征信息；

基于改进免疫遗传算法对所述特征信息进行信息融合，获取融合向量；

基于人工神经网络/支持向量机，结合所述指标数据对所述融合向量进行分类识别；

基于BP神经网络模型，根据分类识别后的融合向量对所述待处理受害作物进行危害等级判定，并且根据判定结果验证和优化BP神经网络模型的精度，获取训练好的BP神经网络模型；

所述待处理受害作物信息包括：作物生理信息和作物光谱信息；所述作物生理信息包括：株高、叶面积指数和平均叶片倾角；所述作物光谱信息为光谱特性；

所述数据预处理和特征提取包括：

对所述作物生理信息进行增强、滤波、消噪和分割；

对所述作物光谱信息进行平滑、校正、求导、归一化和降维；

基于最小二乘法从增强、滤波、消噪和分割后的作物生理信息中提取生理特征信息；

基于小波变换理论从平滑、校正、求导、归一化和降维后的作物光谱信息中提取光谱特征信息；

所述信息配准包括：时间配准和空间配准；

所述时间配准为将所述生理特征信息和所述光谱特征信息通过最小二乘法同步到同一基准时标下；

所述空间配准为将所述生理特征信息的空间坐标按照光谱特征信息的空间坐标进行配准；

所述BP神经网络模型的目标函数为：

式中，yt为输出层第t个神经元的输出，j为隐藏层神经元，i为输入层神经元，vjt为隐藏层至输出层的连接权值，ωij为输入层至隐藏层的连接权值，xi为输入层神经元，θj为隐藏层神经元的输出阈值，γt为输出层神经元的输出阈值；

所述ωij、vjt、θj、γt的区间为(‑1，1)。

2.根据权利要求1所述的一种基于BP神经网络的模型训练方法，其特征在于，所述基于改进免疫遗传算法对所述特征信息进行信息融合，获取融合向量包括：设置编码方式和参数；所述参数包括：种群规模、选择率、变异率和终止进化代数；

对所述特征信息进行编码，生成初始抗体群；

计算所述初始抗体群中每个抗体的亲和度、浓度和激励度；

根据所述亲和度、浓度和激励度对每个抗体进行选择、交叉和变异操作，获取新的种群；所述新的种群为融合向量。

3.根据权利要求2所述的一种基于BP神经网络的模型训练方法，其特征在于，所述融合向量为：μ＝(V，R，chromosome)

式中，V为所述生理特征信息，R为所述光谱特征信息，chromosome为种群的最优染色体。

4.根据权利要求2所述的一种基于BP神经网络的模型训练方法，其特征在于，所述基于BP神经网络模型，获取训练好的BP神经网络模型，包括：初始化BP神经网络，设置连接权值和阈值；

将分类识别后的融合向量输入完成初始化的BP神经网络，获取第一判定结果；

所述危害等级为第二判定结果；

将第一判定结果和第二判定结果进行对比，验证BP神经网络模型的精度，若BP神经网络模型的精度符合标准，则结束训练，否则调整参数之后，重新将分类识别后的融合向量输入完成初始化的BP神经网络，获取第一判定结果。

5.一种作物病虫害检测方法，其特征在于，包括：选取侵害物和受害作物；

通过传感器采集用于判定病虫害危害程度的受害作物信息；

将受害作物信息输入已训练的BP神经网络模型，以进行作物危害等级的判定；所述BP神经网络模型是通过上述权利要求1‑4中任一项的方法进行训练后得到的。

6.一种电子设备，其特征在于，包括：

处理器以及存储器；

所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据权利要求1‑4中任意一项所述的一种基于BP神经网络的模型训练方法或根据权利要求

5所述的一种作物病虫害检测方法。