1.一种基于农产品的异常区域检测方法，其特征在于，所述方法包括：接收农产品的原始训练图集，按照所述原始训练图集中每张原始训练图是否包括异常区域，对所述原始训练图集执行划分，得到正常农产品训练集及异常农场品训练集；

构建农产品的待训练异常区域检测模型，利用所述正常农产品训练集及所述异常农场品训练集训练所述待训练异常区域检测模型，得到异常区域检测模型；

所述构建农产品的待训练异常区域检测模型，包括：

获取已训练完成的16层VGG网络；

将所述16层VGG网络中的全连接层用第一预设数量的卷积层替代，得到改进VGG网络；

在所述改进VGG网络的尾部，添加第二预设数量的卷积层，得到所述待训练异常区域检测模型；

所述利用所述正常农产品训练集及所述异常农场品训练集训练所述待训练异常区域检测模型，得到异常区域检测模型，包括：构建检测框生成算法，根据所述检测框生成算法生成对应的区域检测回归公式；

接收用户训练所述待训练异常区域检测模型输入的训练学习率、批尺寸；

将所述正常农产品训练集作为正样本，所述异常农场品训练集作为负样本，输入至所述待训练异常区域检测模型；

根据所述训练学习率及所述批尺寸，利用所述改进VGG网络对所述正样本及所述负样本均执行第一特征提取，得到第一正样本特征集及第一负样本特征集；

利用第二预设数量的所述卷积层，对所述第一正样本特征集及所述第一负样本特征集均执行第二特征提取，得到第二正样本特征集及第二负样本特征集；

利用所述区域检测回归公式对所述第二正样本特征集及所述第二负样本特征集，执行区域检测框预测，得到区域检测框集；

利用所述区域检测框集调整所述训练学习率、所述批尺寸及所述待训练异常区域检测模型的内部参数，并返回上述第一特征提取步骤；

直至调整所述训练学习率、所述批尺寸及所述待训练异常区域检测模型的内部参数的调整次数，大于指定调整阈值时，确定所述待训练异常区域检测模型为所述异常区域检测模型；

所述构建检测框生成算法，包括：

采用检测框生成算法：

其中，smax、smin表示预先设定的检测框与原始训练图中每张原始训练图的最大最小比例，m表示每张原始训练图中检测框的数量,sk表示每张原始训练图的第k个检测框的位置预测值；

所述根据所述检测框生成算法生成对应的区域检测回归公式，包括：采用如下方法生成所述区域检测回归公式：

其中，L(x,c,sk,g)表示所述区域检测回归公式，N是所生成的检测框内所包括的正样本数量，x为指示函数，取值(0,1)，c为检测框内为正样本或负样本的预测值，sk为检测框的位置预测值，g为所述正样本及所述负样本内圈中农产品的真实框的位置参数，α为调节参数，Lloc(x,sk,g)表示检测框位置回归函数，Lconf(x,c)表示检测框类别回归函数；

接收待检测农产品图片，根据所述异常区域检测模型的输入要求，对所述待检测农产品图片执行图片转化，得到已转化待检测图片；

将所述已转化待检测图片输入至所述异常区域检测模型执行异常区域检测，得到异常区域检测结果。

2.如权利要求1所述的基于农产品的异常区域检测方法，其特征在于，所述接收待检测农产品图片，包括：接收待检测农产品所在的地理位置；

借助拍摄设备在所述地理位置执行拍摄，生成所述待检测农产品的全景照；

接收用户对所述全景照的图片截取，得到所述待检测农产品图片。

3.如权利要求1中所述的基于农产品的异常区域检测方法，其特征在于，所述按照所述原始训练图集中每张原始训练图是否包括异常区域，对所述原始训练图集执行划分，得到正常农产品训练集及异常农场品训练集，包括：将每张所述原始训练图发送至研究所述农产品的研究人员；

接收所述研究人员对每张所述原始训练图是否包括病害的回传结果；

根据所述回传结果对所述原始训练图集执行划分，得到所述正常农产品训练集及所述异常农场品训练集。

4.一种基于农产品的异常区域检测装置，其特征在于，所述装置包括：训练图集分类模块，用于接收农产品的原始训练图集，按照所述原始训练图集中每张原始训练图是否包括异常区域，对所述原始训练图集执行划分，得到正常农产品训练集及异常农场品训练集；

模型训练模块，用于构建农产品的待训练异常区域检测模型，利用所述正常农产品训练集及所述异常农场品训练集训练所述待训练异常区域检测模型，得到异常区域检测模型；

所述构建农产品的待训练异常区域检测模型，包括：

获取已训练完成的16层VGG网络；

将所述16层VGG网络中的全连接层用第一预设数量的卷积层替代，得到改进VGG网络；

在所述改进VGG网络的尾部，添加第二预设数量的卷积层，得到所述待训练异常区域检测模型；

所述利用所述正常农产品训练集及所述异常农场品训练集训练所述待训练异常区域检测模型，得到异常区域检测模型，包括：构建检测框生成算法，根据所述检测框生成算法生成对应的区域检测回归公式；

接收用户训练所述待训练异常区域检测模型输入的训练学习率、批尺寸；

将所述正常农产品训练集作为正样本，所述异常农场品训练集作为负样本，输入至所述待训练异常区域检测模型；

根据所述训练学习率及所述批尺寸，利用所述改进VGG网络对所述正样本及所述负样本均执行第一特征提取，得到第一正样本特征集及第一负样本特征集；

利用第二预设数量的所述卷积层，对所述第一正样本特征集及所述第一负样本特征集均执行第二特征提取，得到第二正样本特征集及第二负样本特征集；

利用所述区域检测回归公式对所述第二正样本特征集及所述第二负样本特征集，执行区域检测框预测，得到区域检测框集；

利用所述区域检测框集调整所述训练学习率、所述批尺寸及所述待训练异常区域检测模型的内部参数，并返回上述第一特征提取步骤；

直至调整所述训练学习率、所述批尺寸及所述待训练异常区域检测模型的内部参数的调整次数，大于指定调整阈值时，确定所述待训练异常区域检测模型为所述异常区域检测模型；

所述构建检测框生成算法，包括：

采用检测框生成算法：

其中，smax、smin表示预先设定的检测框与原始训练图中每张原始训练图的最大最小比例，m表示每张原始训练图中检测框的数量,sk表示每张原始训练图的第k个检测框的位置预测值；

所述根据所述检测框生成算法生成对应的区域检测回归公式，包括：采用如下方法生成所述区域检测回归公式：

其中，L(x,c,sk,g)表示所述区域检测回归公式，N是所生成的检测框内所包括的正样本数量，x为指示函数，取值(0,1)，c为检测框内为正样本或负样本的预测值，sk为检测框的位置预测值，g为所述正样本及所述负样本内圈中农产品的真实框的位置参数，α为调节参数，Lloc(x,sk,g)表示检测框位置回归函数，Lconf(x,c)表示检测框类别回归函数；

图片转化模块，用于接收待检测农产品图片，根据所述异常区域检测模型的输入要求，对所述待检测农产品图片执行图片转化，得到已转化待检测图片；

异常区域检测模块，用于将所述已转化待检测图片输入至所述异常区域检测模型执行异常区域检测，得到异常区域检测结果。

5.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至3中任意一项所述的基于农产品的异常区域检测方法。

6.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3中任意一项所述的基于农产品的异常区域检测方法。