1.基于图像处理的叶片病虫害识别方法，其特征在于，包括以下步骤：设置多光谱和热成像设备，收集目标频段的多光谱图像和热成像数据，删除清晰度不足的图像和噪声过多的数据，得到优化多光谱图像，并将数据按照收集的日期进行标记和分类，形成时间序列图像数据集；

采用所述时间序列图像数据集，记录目标时刻的特征变化，并根据特征变化动态调整贝叶斯网络，记录调整后的权重和偏置参数，匹配差异化阶段叶片的生长状况，构建调整后的动态模型；

对所述调整后的动态模型进行状态转移学习，通过状态间的转移概率，计算阶段间的转换概率，得到状态转移概率矩阵；

利用所述状态转移概率矩阵，提取图像中的叶片上病虫害区域，进行病虫害发展趋势的识别，预测未来时间段内病虫害的发展趋势，得到差异化预测路径的概率值，通过概率分布评估病虫害发展的影响范围，输出病虫害发展预测结果；

基于所述病虫害发展预测结果，在条件随机场模型中输入受影响的区域特征，识别和标记叶片上的病虫害位置，对图像像素的空间依赖性进行分析，输出病虫害识别与定位。

2.根据权利要求1所述的基于图像处理的叶片病虫害识别方法，其特征在于，所述优化多光谱图像的获取步骤具体为：设置多光谱和热成像设备，调整感应范围至预设的目标频段，进行设备性能检测，并分析信号传输的稳定性，得到初始化的多光谱图像和热成像数据；

采用图像去噪技术对所述初始化的多光谱图像和热成像数据进行处理，并应用图像增强技术优化图像边缘，得到处理后的多光谱图像和热成像数据；

根据所述处理后的多光谱图像和热成像数据，采用公式：

；

计算每个数据的加权和校正后的质量指标 ，得到优化多光谱图像；

其中， 代表第个数据点的强度， 代表第 个数据点的权重， 代表第个数据点到目标中心的距离， 代表第 个数据点的衰减常数， 代表校正系数，e是自然常数。

3.根据权利要求2所述的基于图像处理的叶片病虫害识别方法，其特征在于，所述时间序列图像数据集的获取步骤具体为：对所述优化多光谱图像的每幅图像进行时间戳记录，并将时间信息与图像数据进行关联，并将带有时间戳的多光谱图像数据按时间顺序进行排序，得到多波段影像数据集；

基于所述多波段影像数据集，采用公式：

；

计算加权时间序列值，得到时间序列图像数据集；

其中， 表示加权后的时间序列值， 代表第 张图像的时间戳， 为根据图像质量评分分配的权重， 代表图像最小的时间戳， 代表图像最大时间戳， 为图像数量。

4.根据权利要求3所述的基于图像处理的叶片病虫害识别方法，其特征在于，所述调整后的权重和偏置参数的获取步骤具体为：基于所述时间序列图像数据集，记录目标时刻的特征变化，评估对植物生长影响的概率分布，生成初始化的概率评估结果；

使用所述初始化的概率评估结果，通过贝叶斯决策理论更新权重和偏置参数，得到更新后的贝叶斯网络参数；

通过所述更新后的贝叶斯网络参数，采用公式：

；

计算当前权重参数 ，得到调整后的权重和偏置参数；

其中， 代表旧的权重参数，是学习速率， 是目标与预测间的误差， 是当前特征变化指标， 是正则化系数， 是衰减因子。

5.根据权利要求4所述的基于图像处理的叶片病虫害识别方法，其特征在于，所述状态转移概率矩阵的获取步骤具体为：对所述调整后的动态模型进行状态转移学习，分析调整后的动态模型的状态集，包括健康、初期感染和严重感染，识别模型的基础结构，生成状态定义集；

基于所述状态定义集中的差异化状态，对差异化状态出现的时间段进行划分，整合每个差异化状态的发生频次，通过马尔可夫链算法识别差异化状态之间的转移概率，获得初始化转移概率数据；

根据所述初始化转移概率数据，进行数据整理，统计差异化状态的转移频次，采用公式：；

得到转移概率矩阵；

其中， 代表从状态 转移到状态的概率， 代表从状态 转移到状态的观测次数，是从状态 转移到剩余状态的总观测次数，为修正因子， 为环境因子， 为状态的稳定性系数， 为观测窗口大小。

6.根据权利要求5所述的基于图像处理的叶片病虫害识别方法，其特征在于，所述差异化预测路径的概率值的获取步骤具体为：根据调整后的状态转移概率矩阵，提取图像中的叶片上病虫害区域并进行灰度化处理，标识叶片的病虫害扩散过程，得到病虫害发展序列；

利用所述病虫害发展序列，对每条病虫害扩散过程应用马尔可夫链理论，计算从当前状态出发，到达多个终点状态的路径概率，生成概率分布图；

基于所述概率分布图，对每条路径的概率分布进行分析，选取偏差的关联路径，采用公式：；

得到差异化预测路径的概率值 ；

其中，为改进后的病虫害状态转移概率， 为权重系数，为状态转移在目标环境下的可变性因子， 为距离上次病虫害事件的时间， 为衰减常数， 为状态数量，是自然常数。

7.根据权利要求6所述的基于图像处理的叶片病虫害识别方法，其特征在于，所述病虫害发展预测结果的获取步骤具体为：采用所述差异化预测路径的概率值，通过边缘检测与区域分割标识病虫害区域，进行病虫害发展趋势的识别，标识发展趋势严重的病虫害路径，得到关键病虫害路径集合；

应用深度学习模型对所述关键病虫害路径集合进行时间序列分析，结合环境因子和实时病虫害发展数据，预测每条路径的病虫害发展趋势，获得病虫害演化趋势数据；

对所述病虫害演化趋势数据进行验证，通过与拟合时间点的病虫害发展数据对比，调整预测模型的参数，优化预测的一致性，采用公式：；

得到病虫害发展预测结果；

其中， 为病虫害发展预测结果，为权重系数， 和 表示预测和实时数据，和 为非线性调整系数，为当前环境因素对预测影响的权重， 为当前环境状况指标。

8.根据权利要求7所述的基于图像处理的叶片病虫害识别方法，其特征在于，所述病虫害识别与定位的获取步骤具体为：基于所述病虫害发展预测结果，输入受影响区域的特征至条件随机场模型中，包括植被指数和光谱数据，生成区域特征模型；

使用所述区域特征模型进行扫描，识别并标记叶片上的病虫害位置，生成标识病虫害的叶片图像；

采用所述标识病虫害的叶片图像，分析每个像素与邻域像素之间的依赖性，计算加权依赖性影响评估值，利用评估值对叶片病虫害图像中的像素进行排序与分类，识别病虫害区域的空间位置，记录病虫害分布区域，采用公式：；

输出病虫害识别与定位；

其中， 表示加权依赖性影响评估值， 代表图像中的像素总数， 表示第 个像素的权重， 代表第 个像素与周围像素的依赖性， 是像素邻近的调节系数。

9.基于图像处理的叶片病虫害识别系统，其特征在于，根据权利要求1‑8任一项所述的基于图像处理的叶片病虫害识别方法，所述系统包括：图像获取模块基于多光谱设备和热成像设备，获取多光谱图像和热成像数据，删除图像清晰度不足和噪声过多的无效数据，得到优化后的优化多光谱图像，并对数据进行分类标记，构建时间序列图像数据集；

特征变化动态建模模块基于所述时间序列图像数据集，提取目标时刻的特征变化信息，动态调整贝叶斯网络，根据特征变化进行权重和偏置参数的更新，生成调整后的动态模型，并通过模型记录状态转移过程中的权重、偏置和关联参数，得到状态转移学习结果；

状态转移模块利用所述状态转移学习结果，对叶片的差异化生长阶段进行状态转移概率计算，得到状态转移概率矩阵，并提取叶片病虫害区域，识别病虫害发展趋势，输出病虫害发展预测结果；

病虫害位置追踪模块基于所述病虫害发展预测结果，在条件随机场模型中输入受影响的区域特征，进行病虫害位置的识别与标定，输出病虫害识别与定位。