1.一种基于光谱成像和深度学习的棉蚜虫害监测方法，其特征在于，所述方法包括：获取自然生长条件状态下的第一类棉株图像和第二类棉株图像；所述第一类棉株图像包括受棉蚜胁迫程度不断加深的棉株图像；所述第二类棉株图像包括健康棉株图像；

分别对所述第一类棉株图像和所述第二类棉株图像进行校准，得到校准后的第一类棉株图像和校准后的第二类棉株图像；

分别对所述校准后的第一类棉株图像和所述校准后的第二类棉株图像提取感兴趣区图像，得到第一类感兴趣区图像和第二类感兴趣区图像；

分别对所述第一类感兴趣区图像和所述第二类感兴趣区图像计算各个波段的平均光谱，得到第一类平均光谱和第二类平均光谱；

分别对所述第一类平均光谱和所述第二类平均光谱计算各个波段的一阶导数光谱，得到第一类一阶导数光谱和第二类一阶导数光谱；

利用所述第一类一阶导数光谱和所述第二类一阶导数光谱对第一卷积神经网络进行训练和优化，得到训练和优化后的第一卷积神经网络；

利用可视化分析技术对所述训练和优化后的第一卷积神经网络进行可视化分析，选择敏感波段；

利用各所述敏感波段的一阶导数光谱对所述训练和优化后的第一卷积神经网络进行训练和优化，得到训练和优化后的第二卷积神经网络；所述第二卷积神经网络和所述第一卷积神经网络均为一维卷积神经网络；

获取待监测棉株图像的一阶导数光谱；

将所述待监测棉株图像的一阶导数光谱输入所述训练和优化后的第二卷积神经网络中，对所述待监测棉株图像进行分类，得到所述待监测棉株图像所属的类别；所述类别包括未受棉蚜虫害胁迫和受棉蚜虫害胁迫。

2.根据权利要求1所述的基于光谱成像和深度学习的棉蚜虫害监测方法，其特征在于，所述分别对所述第一类棉株图像和所述第二类棉株图像进行校准，得到校准后的第一类棉株图像和校准后的第二类棉株图像，具体包括：根据公式 分别对所述第一类棉株图像和所述第二类棉株图像进行校准，得到校准后的第一类棉株图像和校准后的第二类棉株图像；式中，Ic是每一类校准后的棉株图像，Ir是每一类原始棉株图像，Id是每一类暗参考棉株图像，Iw是每一类白色参考棉株图像。

3.根据权利要求1所述的基于光谱成像和深度学习的棉蚜虫害监测方法，其特征在于，所述分别对所述校准后的第一类棉株图像和所述校准后的第二类棉株图像提取感兴趣区图像，得到第一类感兴趣区图像和第二类感兴趣区图像，具体包括：截取所述校准后的第一类棉株图像和所述校准后的第二类棉株图像中波长范围为

461‑994nm对应的图像，得到有效图像；

选择所述有效图像中波长为461nm、548nm和698nm对应的图像作为待合成图像；

对所述待合成图像合成RGB图像，得到第一类RGB图像和第二类RGB图像；所述第一类RGB图像为第一类棉株图像的RGB图像；所述第二类RGB图像为第二类棉株图像的RGB图像；

使用2G‑R‑B分割算法在所述第一类RGB图像和所述第二类RGB图像中计算掩膜区域，根据所述掩膜区域在所述有效图像中依次提取单个叶片区域，将提取的所述单个叶片区域作为感兴趣区图像，得到第一类感兴趣区图像和第二类感兴趣区图像。

4.根据权利要求3所述的基于光谱成像和深度学习的棉蚜虫害监测方法，其特征在于，所述截取所述校准后的第一类棉株图像和所述校准后的第二类棉株图像中波长范围为

461‑994nm对应的图像，得到有效图像，之后还包括：利用所述有效图像对三维卷积神经网络进行训练和优化，得到训练和优化后的三维卷积神经网络；

采用可视化分析技术，基于所述训练和优化后的三维卷积神经网络生成显著图，标记棉叶损伤部位。

5.根据权利要求3所述的基于光谱成像和深度学习的棉蚜虫害监测方法，其特征在于，所述分别对所述第一类感兴趣区图像和所述第二类感兴趣区图像计算各个波段的平均光谱，得到第一类平均光谱和第二类平均光谱，具体包括：根据公式Bk＝mean(∑Ai,j,kfor all(i,j)∈o)计算每一类第k个波段的平均光谱；式中，Bk为每一类第k个波段的平均光谱，O为每一类感兴趣区图像中的所述单个叶片区域，i、j分别为每一类感兴趣区图像中的坐标值，i为每一类感兴趣区图像横坐标值，j为每一类感兴趣区图像纵坐标值，k表示第k个波段，Ai,j,k为每一类感兴趣区图像在第k个波段的坐标(i,j)的值。

6.根据权利要求1所述的基于光谱成像和深度学习的棉蚜虫害监测方法，其特征在于，所述分别对所述第一类平均光谱和所述第二类平均光谱计算各个波段的一阶导数光谱，得到第一类一阶导数光谱和第二类一阶导数光谱，具体包括：根据公式 计算每一类一阶导数光谱；式中，xk‑1代表第k‑1个波段对应的波长，xk+1代表第k+1个波段对应的波长，B′k为每一类第k个波段的一阶导数光谱，Bk+1为每一类第k+1个波段的平均光谱，Bk‑1为每一类第k‑1个波段的平均光谱。

7.根据权利要求1所述的基于光谱成像和深度学习的棉蚜虫害监测方法，其特征在于，所述利用所述第一类一阶导数光谱和所述第二类一阶导数光谱对第一卷积神经网络进行训练和优化，得到训练和优化后的第一卷积神经网络，具体包括：对所述第一类一阶导数光谱和所述第二类一阶导数光谱分别按照3：1：1的比例划分，得到训练集、验证集和测试集；所述训练集、所述验证集和所述测试集中均包括所述第一类一阶导数光谱和所述第二类一阶导数光谱；

利用所述训练集和所述验证集对所述第一卷积神经网络进行训练和优化，得到训练和优化后的第一卷积神经网络。

8.根据权利要求7所述的基于光谱成像和深度学习的棉蚜虫害监测方法，其特征在于，所述利用可视化分析技术对所述训练和优化后的第一卷积神经网络进行可视化分析，选择敏感波段，具体包括：

将所述测试集输入所述训练和优化后的第一卷积神经网络中进行分类，得到预测类别；所述预测类别包括未受棉蚜虫害胁迫和受棉蚜虫害胁迫；

判断所述预测类别与所述测试集中所述一阶导数光谱对应的实际类别是否一致；

若是，则记录所述一阶导数光谱，并获取所述一阶导数光谱所属的类别的概率值；

若否，则放弃记录所述一阶导数光谱；

根据公式 对记录的各所述概率值进行梯度反向计算，得到记录的各所述一阶导数光谱中每个波段的梯度值；式中，wn为记录的第n个所述一阶导数光谱中每个波段的梯度值，n与记录的各所述一阶导数光谱中的波段数量相同，Sc为所述概率值，OP0为所述一阶导数光谱，OP为OP0中每个波段；

分别对记录的各所述一阶导数光谱中每个波段的梯度值计算L1距离，并对所有所述L1距离进行求和后再求均值，获得各波段的重要性；具体公式为：式中，S为记录的所述一阶导数光谱的数量，l表示L1距离，w*为各波段的重要性；

根据所述各波段的重要性绘制折线图，选择所述折线图中的峰尖作为敏感波段。

9.根据权利要求1所述的基于光谱成像和深度学习的棉蚜虫害监测方法，其特征在于，所述获取待监测棉株图像的一阶导数光谱，具体包括：获取待监测棉株图像；

对所述待监测棉株图像进行校准，得到校准后的待监测棉株图像；

对所述校准后的待监测棉株图像提取感兴趣区图像，得到待监测棉株图像的感兴趣区图像；

对所述待监测棉株图像的感兴趣区图像计算各个波段的平均光谱，得到待监测棉株图像的平均光谱；

对所述平均光谱计算各个波段的一阶导数光谱，得到待监测棉株图像的一阶导数光谱。

10.一种基于光谱成像和深度学习的棉蚜虫害监测系统，其特征在于，所述系统包括：第一获取模块，用于获取自然生长条件状态下的第一类棉株图像和第二类棉株图像；

所述第一类棉株图像包括受棉蚜胁迫程度不断加深的棉株图像；所述第二类棉株图像包括健康棉株图像；

校准模块，用于分别对所述第一类棉株图像和所述第二类棉株图像进行校准，得到校准后的第一类棉株图像和校准后的第二类棉株图像；

感兴趣区提取模块，用于分别对所述校准后的第一类棉株图像和所述校准后的第二类棉株图像提取感兴趣区图像，得到第一类感兴趣区图像和第二类感兴趣区图像；

平均光谱计算模块，用于分别对所述第一类感兴趣区图像和所述第二类感兴趣区图像计算各个波段的平均光谱，得到第一类平均光谱和第二类平均光谱；

一阶导数光谱计算模块，用于分别对所述第一类平均光谱和所述第二类平均光谱计算各个波段的一阶导数光谱，得到第一类一阶导数光谱和第二类一阶导数光谱；

第一训练和优化模块，用于利用所述第一类一阶导数光谱和所述第二类一阶导数光谱对第一卷积神经网络进行训练和优化，得到训练和优化后的第一卷积神经网络；

可视化分析模块，用于利用可视化分析技术对所述训练和优化后的第一卷积神经网络进行可视化分析，选择敏感波段；

第二训练和优化模块，用于利用各所述敏感波段的一阶导数光谱对所述训练和优化后的第一卷积神经网络进行训练和优化，得到训练和优化后的第二卷积神经网络；所述第二卷积神经网络和所述第一卷积神经网络均为一维卷积神经网络；

第二获取模块，用于获取待监测棉株图像的一阶导数光谱；

类别预测模块，用于将所述待监测棉株图像的一阶导数光谱输入所述训练和优化后的第二卷积神经网络中，对所述待监测棉株图像进行分类，得到所述待监测棉株图像所属的类别；所述类别包括未受棉蚜虫害胁迫和受棉蚜虫害胁迫。