1.一种基于神经网络的农业害虫图像智能识别方法，其特征在于，包括以下步骤：

获取包含虫体的害虫可见光图像，对所述害虫可见光图像进行数据预处理，从而获取预处理之后的害虫可见光图像；

对预处理之后的害虫可见光图像进行区域分割，得到各个区域图像，进而得到各个区域图像在不同尺度下的尺度区域图像；

获取所有尺度区域图像对应的尺度区域灰度图像和尺度区域Lab图像，对所述尺度区域灰度图像和尺度区域Lab图像进行数据处理，从而得到所有尺度区域图像对应的显著值；

根据所有尺度区域图像对应的显著值，对各个区域图像进行筛选，从而得到各个显著物体区域图像；

对各个显著物体区域图像进行数据处理，从而得到各个显著物体区域图像对应的害虫肢体空间位置显著增强系数和害虫肢体空间分布显著增强系数；

根据各个显著物体区域图像对应的害虫肢体空间位置显著增强系数、害虫肢体空间分布显著增强系数和显著值，计算各个显著物体区域图像对应的综合显著值；

根据各个显著物体区域图像对应的综合显著值，对各个显著物体区域图像进行筛选，从而得到各个害虫区域图像；

将各个害虫区域图像分别输入到害虫类别识别网络中，从而得到对应的害虫种类；

所述对各个显著物体区域图像进行数据处理，从而得到各个显著物体区域图像对应的害虫肢体空间位置显著增强系数和害虫肢体空间分布显著增强系数，包括：获取各个显著物体区域图像对应的显著物体区域灰度图像，对所述显著物体区域灰度图像进行边缘检测，从而得到各个显著物体区域灰度图像的各个边缘像素点；

对各个显著物体区域灰度图像的各个边缘像素点进行均匀采样，从而得到各个显著物体区域灰度图像的各个边缘采样像素点；

根据各个显著物体区域灰度图像的各个边缘采样像素点，确定同一个显著物体区域灰度图像的任意两边缘采样像素点之间的中心像素点，从而得到各个显著物体区域灰度图像的各个中心像素点；

根据各个显著物体区域灰度图像的各个中心像素点的位置，确定每个显著物体区域灰度图像的各个中心像素点中位于对应显著物体区域中的各个中心像素点，进而确定各个显著物体区域灰度图像的位于对应显著物体区域中的各个中心像素点所占比例值，从而得到各个显著物体区域图像对应的害虫肢体空间位置显著增强系数；

根据各个显著物体区域灰度图像的各个中心像素点的位置，确定每个显著物体区域灰度图像的各个中心像素点中位于对应显著物体区域外的各个中心像素点，对位于对应显著物体区域外的各个中心像素点分别进行椭圆方程拟合和直线方程拟合，从而得到椭圆拟合优度和直线拟合优度，进而确定各个显著物体区域图像对应的害虫肢体空间分布显著增强系数；

所述进而确定各个显著物体区域图像对应的害虫肢体空间分布显著增强系数对应的计算公式为：

其中， 为显著物体区域图像对应的害虫肢体空间分布显著增强系数， 和 分别为该显著物体区域图像对应的椭圆拟合优度和直线拟合优度， 和 分别为椭圆拟合优度放大系数和直线拟合优度放大系数， 和 分别为第一椭圆拟合优度阈值和第二椭圆拟合优度阈值， 和 分别为第一直线拟合优度阈值和第二直线拟合优度阈值， 为拟合优度固定值。

2.根据权利要求1所述的基于神经网络的农业害虫图像智能识别方法，其特征在于，所述对所述尺度区域灰度图像和尺度区域Lab图像进行数据处理，从而得到所有尺度区域图像对应的显著值，包括：根据在同一尺度下的各个尺度区域图像的尺度区域Lab图像，确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的区域对比度；

根据在同一尺度下的各个尺度区域图像的尺度区域灰度图像，确定在同一尺度下的各个尺度区域图像的尺度区域灰度图像的中心位置，从而确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的空间欧式距离；

根据在同一尺度下的各个尺度区域图像的尺度区域灰度图像，确定在同一尺度下的各个尺度区域图像的尺度区域灰度图像的灰度均方差；

根据在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的区域对比度和空间欧式距离以及在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像的尺度区域灰度图像的灰度均方差，确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的差异值；

根据在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的差异值，确定所有尺度区域图像对应的显著值。

3.根据权利要求2所述的基于神经网络的农业害虫图像智能识别方法，其特征在于，所述确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的区域对比度，包括：根据在同一尺度下的各个尺度区域图像的尺度区域Lab图像，确定在同一尺度下的各个尺度区域图像的尺度区域Lab图像的a通道颜色均值和b通道颜色均值；

计算在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像的尺度区域Lab图像的a通道颜色均值的差值绝对值和b通道颜色均值的差值绝对值，从而得到在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像的颜色差异；

根据在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像的颜色差异，确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的区域对比度。

4.根据权利要求3所述的基于神经网络的农业害虫图像智能识别方法，其特征在于，所述从而得到在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像的颜色差异对应的计算公式为：其中， 为在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像 的颜色差异， 为在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像 的尺度区域Lab图像的a通道颜色均值的差值绝对值， 为在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像 的尺度区域Lab图像的b通道颜色均值的差值绝对值， 和 均为颜色调节参数。

5.根据权利要求3所述的基于神经网络的农业害虫图像智能识别方法，其特征在于，所述确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的区域对比度对应的计算公式为：其中， 为在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像对应的区域对比度， 为在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像 的颜色差异， 为颜色差异阈值， 和 均为对比度调节参数。

6.根据权利要求2所述的基于神经网络的农业害虫图像智能识别方法，其特征在于，所述确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的差异值对应的计算公式为：其中， 为在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像 对应的差异值， 为在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像 对应的区域对比度， 为在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像 对应的空间欧式距离， 为在同一尺度下的任意第i个尺度区域图像的尺度区域灰度图像的灰度均方差， 为在同一尺度下的各个尺度区域图像的尺度区域灰度图像的灰度均方差的最小值， 为在同一尺度下的各个尺度区域图像的尺度区域灰度图像的灰度均方差的最大值， 为灰度均方差调节参数。

7.根据权利要求6所述的基于神经网络的农业害虫图像智能识别方法，其特征在于，所述确定所有尺度区域图像对应的显著值对应的计算公式为：其中， 为在同一尺度下的任意第i个尺度区域图像 对应的显著值， 为在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像 对应的差异值，K为在同一尺度下的其他各个尺度区域图像的总数目。

8.根据权利要求1所述的基于神经网络的农业害虫图像智能识别方法，其特征在于，所述对各个显著物体区域图像进行筛选，从而得到各个害虫区域图像，包括：根据各个显著物体区域图像对应的综合显著值，判断综合显著值是否大于设定综合显著值阈值，若大于设定综合显著值阈值，则将对应显著物体区域图像判定为害虫区域图像。