1.一种基于深度学习的农作物病虫害识别方法，其特征在于，包括：步骤一：采集目标区域农作物的图像数据，对图像数据进行预处理得到目标数据；以及，匹配获取目标数据对应的环境数据；其中，环境数据包括环境温度、环境湿度和采集时刻；

步骤二：基于图像历史数据以及对应的环境数据生成标准输入数据，基于图像历史数据对应的病虫害识别结果生成标准输出数据；通过标准输入数据和标准输出数据训练人工智能模型，得到病虫害识别模型；其中，人工智能模型包括卷积神经网络模型或者深度置信网络模型；

步骤三：将目标数据以及对应的环境数据整合为病虫害识别序列，结合病虫害识别模型得到对应的病虫害识别结果，并标记为原始结果；

步骤四：以环境温度和环境湿度为自变量，以图像历史数据对应的病虫害覆盖率与实际病虫害覆盖率的差值作为因变量，建立识别修正模型；基于识别修正模型对原始结果进行修正，得到目标结果；

所述建立识别修正模型，包括：

以环境温度和环境湿度为自变量，分别标记为T和H；以图像历史数据对应的病虫害覆盖率与实际病虫害覆盖率的差值作为因变量，并标记为修正系数ΔS；

通过多项式拟合的方式对自变量和因变量进行拟合，建立识别修正模型；其中，识别修正模型具体为ΔS=α/(T×T)+β/(H×H)+θ，α和β为比例系数，θ为误差系数；

所述基于识别修正模型对原始结果进行修正，包括：

提取原始结果对应的环境温度和环境湿度，并导入到修正识别模型中，得到修正系数；

将修正系数和原始结果进行叠加，得到目标结果。

2.根据权利要求1所述的一种基于深度学习的农作物病虫害识别方法，其特征在于，所述匹配获取目标数据对应的环境数据，包括：提取目标数据对应的采集时刻；

基于采集时刻从数据库中匹配对应时刻的天气数据，将天气数据和采集时刻整合为目标数据的环境数据；其中，天气数据包括环境温度和环境湿度；数据库包括病虫害类型和覆盖率以及对应采集时刻的天气数据；数据库中储存有各种已知农作物病虫害种类数据集。

3.根据权利要求1所述的一种基于深度学习的农作物病虫害识别方法，其特征在于，所述基于图像历史数据以及对应的环境数据生成标准输入数据，包括：提取图像历史数据对应的环境数据；对环境数据和图像历史数据进行预处理，基于预处理结果整合生成标准输入数据；

预处理：根据不同的环境数据，对历史图像数据进行标注，生成包含环境数据的图像数据，同时对包含环境数据的图像数据进行去噪声、缩放和增强操作，得到标准输入数据。

4.根据权利要求1所述的一种基于深度学习的农作物病虫害识别方法，其特征在于，所述基于图像历史数据对应的病虫害识别结果生成标准输出数据，包括：人工标记病虫害的识别结果；通过人工处理方式对图像历史数据中的病虫害进行人工标记，得到识别结果；

将图像历史数据中病虫害的识别结果整合成标准输出数据；其中，图像历史数据是工作人员根据目标区域农作物病虫害识别的图像数据。

5.根据权利要求1所述的一种基于深度学习的农作物病虫害识别方法，其特征在于，所述基于图像历史数据对应的病虫害识别结果生成标准输出数据，包括：对图像历史数据中的病虫害进行识别，得到识别结果；其中，识别结果包括病虫害的种类和覆盖率；

将图像历史数据对应的识别结果整合为标准输出数据；其中，图像历史数据为采集目标区域的历史数据。

6.根据权利要求1所述的一种基于深度学习的农作物病虫害识别方法，其特征在于，所述结合病虫害识别模型得到对应的病虫害识别结果，包括：基于目标数据以及对应的环境数据整合为病虫害识别序列；其中，病虫害识别序列与标准输入数据的内容属性一致，包括环境温度和环境湿度；

将病虫害识别序列输入病虫害识别模型，得到对应的病虫害识别结果，标记为原始结果；其中，原始结果与标准输出数据的内容属性一致，包括病虫害类型和覆盖率。