1.一种基于图像识别和数据挖掘的病虫害识别方法，其特征在于，包括以下步骤：S1：采集植株的原始生长图像，并对原始生长图像进行归一化处理，得到标准生长图像；

S2：对标准生长图像进行背景虚化处理，得到最新生长图像；

S3：提取最新生长图像中植株根茎区域、植株叶片区域和植株籽粒区域；

S4：分别确定植株根茎区域、植株叶片区域和植株籽粒区域的病虫害敏感度，并根据不同区域的病虫害敏感度完成病虫害识别；

所述S4中，植株根茎区域的病虫害敏感度μ1的计算公式为：；式中，α1表示植株根茎区域面积在最新生长图像

面积中所占比值，σ1表示植株根茎区域中所有像素点的第一滑动边缘值的均值，f1表示植株根茎区域面积中最高点与最低点之间的欧式距离，g1表示植株根茎区域面积中最左端与最右端之间的欧式距离，a表示极小值，floor(·)表示向下取整函数；

植株叶片区域的病虫害敏感度μ2的计算公式为：

；式中，α2表示植株叶片区域面积在最新生长

图像面积中所占比值，σ2表示植株叶片区域中所有像素点的第一滑动边缘值的均值，σ3表示植株叶片区域中所有像素点的第二滑动边缘值的均值，f2表示植株叶片区域面积中最高点与最低点之间的欧式距离，g2表示植株叶片区域面积中最左端与最右端之间的欧式距离；

植株籽粒区域的病虫害敏感度μ3的计算公式为：

；式中，α3表示植株籽粒区域面积在最新生长

图像面积中所占比值，σ4表示植株籽粒区域中所有像素点的第一滑动边缘值的均值，σ5表示植株籽粒区域中所有像素点的第二滑动边缘值的均值，f3表示植株籽粒区域面积中最高点与最低点之间的欧式距离，g3表示植株籽粒区域面积中最左端与最右端之间的欧式距离；

所述S4中，若病虫害敏感度大于0.5的区域作为病虫害所在区域。

2.根据权利要求1所述的基于图像识别和数据挖掘的病虫害识别方法，其特征在于，所述S2包括以下子步骤：S21：对标准生长图像进行平滑处理，得到平滑生长图像；

S22：设定平滑生长图像的背景提取区间；

S23：提取平滑生长图像中各个像素点的亮度，将属于背景提取区间的像素点所属区域作为平滑生长图像的背景区域；

S24：对平滑生长图像的背景区域进行虚化处理，得到最新生长图像。

3.根据权利要求2所述的基于图像识别和数据挖掘的病虫害识别方法，其特征在于，所述S21中，对标准生长图像进行平滑处理的具体方法为：将标准生长图像均匀分割为若干个像素块，并利用图像平滑函数对各个像素块进行平滑处理，图像平滑函数的表达式为：；式中，Mi表示平滑生长图像第i个像素块的灰度均值，mi表示标准生长图像第i个像素块的灰度均值，σi表示标准生长图像第i个像素块的灰度标准值，I表示标准生长图像中像素块个数。

4.根据权利要求2所述的基于图像识别和数据挖掘的病虫害识别方法，其特征在于，所述S22中，平滑生长图像的背景提取区间(L1,L2)的计算公式为：， ，式中，

L1表示背景提取区间的左端点，L2表示背景提取区间的右端点，K表示平滑生长图像中像素点个数，Lk表示平滑生长图像中第k个像素点的亮度值，L0表示平滑生长图像中所有像素点的亮度均值，max[·]表示最大值运算，min[·]表示最小值运算。

5.根据权利要求1所述的基于图像识别和数据挖掘的病虫害识别方法，其特征在于，所述S3包括以下子步骤：S31：获取含有病虫害植株的历史生长图像，计算历史生长图像中的灰度均值和灰度标准差，将灰度均值与灰度标准差的比值作为边缘阈值；

S32：设定第一滑动窗口，对最新生长图像进行滑动扫描，根据第一滑动窗口计算最新生长图像中各个像素点的第一滑动边缘值，将第一滑动边缘值小于或等于边缘阈值的所有像素点所在区域作为植株根茎区域，将最新生长图像的其余区域作为非根茎区域；

S33：设定第二滑动窗口，对最新生长图像中非根茎区域进行滑动扫描，根据第二滑动窗口计算非根茎区域各个像素点的第二滑动边缘值，将非根茎区域中第二滑动边缘值小于边缘阈值的所有像素点所在区域作为植株叶片区域；

S34：将最新生长图像中除植株根茎区域和植株叶片区域外的剩余区域作为植株籽粒区域。

6.根据权利要求5所述的基于图像识别和数据挖掘的病虫害识别方法，其特征在于，所述第一滑动窗口的长p1和宽q1的计算公式分别为：， ；式中，X1表示历史生长图像的长度，X2表示

最新生长图像的长度，Y1表示历史生长图像的宽度，Y2表示最新生长图像的长度；

所述第二滑动窗口的长p2和宽q2的计算公式分别为：， ；式中，C表示大于1的常数。

7.根据权利要求5所述的基于图像识别和数据挖掘的病虫害识别方法，其特征在于，所述最新生长图像中像素点的第一滑动边缘值c1的计算公式为：；式中，h1表示第一滑动窗口的滑动步

长，xm表示最新生长图像中第m个像素点的横坐标，ym表示最新生长图像中第m个像素点的纵坐标，x1表示最新生长图像的中心像素点的横坐标，y1表示最新生长图像的中心像素点的纵坐标，M表示最新生长图像的像素点个数；

所述非根茎区域中像素点的第二滑动边缘值c2的计算公式为：；式中，h2表示第二滑动窗口的滑动步

长。

8.一种基于图像识别和数据挖掘的病虫害识别系统，其特征在于，包括图像处理模块、区域划分模块和病虫害识别模块；

所述图像处理模块用于采集植株的原始生长图像，对原始生长图像进行归一化处理，得到标准生长图像；对标准生长图像进行背景虚化处理，得到最新生长图像；

所述区域划分模块用于提取最新生长图像中植株根茎区域、植株叶片区域和植株籽粒区域；

所述病虫害识别模块用于分别确定植株根茎区域、植株叶片区域和植株籽粒区域的病虫害敏感度，并根据不同区域的病虫害敏感度完成病虫害识别；

所述病虫害识别系统基于病虫害识别方法实现，所述方法包括以下步骤：S1：采集植株的原始生长图像，并对原始生长图像进行归一化处理，得到标准生长图像；

S2：对标准生长图像进行背景虚化处理，得到最新生长图像；

S3：提取最新生长图像中植株根茎区域、植株叶片区域和植株籽粒区域；

S4：分别确定植株根茎区域、植株叶片区域和植株籽粒区域的病虫害敏感度，并根据不同区域的病虫害敏感度完成病虫害识别；

所述S4中，植株根茎区域的病虫害敏感度μ1的计算公式为：；式中，α1表示植株根茎区域面积在最新生长图像

面积中所占比值，σ1表示植株根茎区域中所有像素点的第一滑动边缘值的均值，f1表示植株根茎区域面积中最高点与最低点之间的欧式距离，g1表示植株根茎区域面积中最左端与最右端之间的欧式距离，a表示极小值，floor(·)表示向下取整函数；

植株叶片区域的病虫害敏感度μ2的计算公式为：

；式中，α2表示植株叶片区域面积在最新生长

图像面积中所占比值，σ2表示植株叶片区域中所有像素点的第一滑动边缘值的均值，σ3表示植株叶片区域中所有像素点的第二滑动边缘值的均值，f2表示植株叶片区域面积中最高点与最低点之间的欧式距离，g2表示植株叶片区域面积中最左端与最右端之间的欧式距离；

植株籽粒区域的病虫害敏感度μ3的计算公式为：

；式中，α3表示植株籽粒区域面积在最新生长

图像面积中所占比值，σ4表示植株籽粒区域中所有像素点的第一滑动边缘值的均值，σ5表示植株籽粒区域中所有像素点的第二滑动边缘值的均值，f3表示植株籽粒区域面积中最高点与最低点之间的欧式距离，g3表示植株籽粒区域面积中最左端与最右端之间的欧式距离；

所述S4中，若病虫害敏感度大于0.5的区域作为病虫害所在区域。