1.一种基于深度学习的农业病虫害识别方法，其特征在于，包括如下步骤：S1、获取待识别作物的多源图像数据，为每一组多源图像数据记录对应的环境域标签，环境域标签用于表征拍摄环境差异；将多源图像数据及其环境域标签构建为多域训练数据集与待识别数据集；

S2、对多源图像数据执行归一化预处理以获得归一化多源图像数据；对归一化多源图像数据执行空间配准与尺度对齐，以生成一一对应的对齐可见光图像与对齐近红外图像；

S3、基于对齐可见光图像与对齐近红外图像，提取病斑候选区域，得到病斑候选区域集合；病斑候选区域用于限定模型关注的叶片病变区域并抑制背景、叶脉纹理、露水反光或阴影造成的干扰；

S4、将对齐可见光图像、对齐近红外图像以及病斑候选区域集合输入至多源融合识别网络，分别提取可见光特征与近红外特征，在病斑候选区域集合的约束下执行跨源注意力融合，以获得病斑解耦融合特征；

S5、基于多域训练数据集，对多源融合识别网络进行多域联合训练；在多域联合训练中，分别计算多源融合识别网络在各环境域标签对应子数据集上的识别损失，引入跨域不变约束以减小各环境域标签对应识别损失之间的差异，使多源融合识别网络学习对环境变化不敏感的病虫害不变特征；得到满足跨域不变约束的目标识别模型；

S6、在推理阶段，将待识别数据集中的任一组多源图像数据按S2至S4处理得到对应的病斑解耦融合特征，输入目标识别模型进行识别推理，输出与病斑解耦融合特征对应的病虫害识别结果；

S5具体包括：

依据环境域标签将多域训练数据集划分为多个分域子数据集，每一分域子数据集对应一种环境域标签取值或取值组合；

在训练迭代中，分别以各分域子数据集作为输入，计算目标识别模型在对应分域子数据集上的分域识别损失，得到多个分域识别损失；

基于多个分域识别损失构建跨域不变约束项，跨域不变约束项用于度量各分域识别损失之间的差异，并用于惩罚目标识别模型对环境域标签的敏感性；

以分域识别损失与跨域不变约束项的加权组合作为训练目标，对多源融合识别网络进行参数更新，直至满足收敛条件，得到满足跨域不变约束的目标识别模型。

2.根据权利要求1所述的一种基于深度学习的农业病虫害识别方法，其特征在于，S1具体包括：在同一拍摄位置与同一拍摄时刻，采集待识别作物的可见光图像与近红外图像，将二者组成一组多源图像数据；

对每一组多源图像数据记录对应的环境域标签，环境域标签至少包含光照条件、地区或品种中的一种，用于表征拍摄环境差异；

将多组多源图像数据及其环境域标签汇聚形成多域数据集，多域数据集至少包括用于模型训练的多域训练数据集与用于模型推理的待识别数据集；

为多域数据集中的每一组多源图像数据建立唯一索引，并将唯一索引与环境域标签绑定，形成可追溯的数据条目，以便后续按环境域标签进行分域训练与评估。

3.根据权利要求1所述的一种基于深度学习的农业病虫害识别方法，其特征在于，S2具体包括：对多域数据集中每一组多源图像数据分别执行亮度与对比度归一化处理，得到对应的归一化可见光图像与归一化近红外图像；

对归一化可见光图像与归一化近红外图像进行去噪处理，得到对应的去噪可见光图像与去噪近红外图像，用于降低传感器噪声对后续病斑提取的干扰；

以去噪可见光图像作为参考图像，对去噪近红外图像执行空间配准处理，得到与去噪可见光图像像素级对应的配准近红外图像；

对去噪可见光图像与配准近红外图像执行统一尺度变换与一致裁剪，生成一一对应的对齐可见光图像与对齐近红外图像，作为后续病斑候选区域提取与特征融合的输入。

4.根据权利要求1所述的一种基于深度学习的农业病虫害识别方法，其特征在于，S3具体包括：基于对齐可见光图像提取叶片主体区域，得到叶片主体区域，用于排除背景区域对病斑候选区域提取的影响；

在叶片主体区域内，基于对齐可见光图像与对齐近红外图像计算病变显著性，得到病变显著性图，其中病变显著性用于表征疑似病斑像素的突出程度；

对病变显著性图进行阈值分割与连通域分析，生成多个疑似病斑区域，并将疑似病斑区域构成病斑候选区域集合；

依据面积、形状或纹理一致性对病斑候选区域集合进行筛选，剔除由叶脉纹理、露水反光、阴影或土壤背景引起的伪区域，得到用于后续融合约束的目标病斑候选区域集合。

5.根据权利要求1所述的一种基于深度学习的农业病虫害识别方法，其特征在于，S4具体包括：将对齐可见光图像输入可见光特征分支得到可见光特征；将对齐近红外图像输入近红外特征分支得到近红外特征；

基于目标病斑候选区域集合对可见光特征与近红外特征进行区域掩膜约束，得到聚焦于候选病斑区域的候选区域可见光特征与候选区域近红外特征；

对候选区域可见光特征与候选区域近红外特征执行跨源注意力融合，得到融合注意力映射，并据此生成病斑解耦融合特征；

将病斑解耦融合特征作为统一表征向量输出，在训练阶段将其与环境域标签关联存储，以支撑后续多域因果不变训练约束。

6.根据权利要求1所述的一种基于深度学习的农业病虫害识别方法，其特征在于，S6具体包括：从待识别数据集中获取待推理的一组所述多源图像数据，作为推理输入；

对推理输入依次执行S2与S3，得到对齐可见光图像、对齐近红外图像以及目标病斑候选区域集合；

对推理输入执行S4，得到与推理输入对应的病斑解耦融合特征；

将病斑解耦融合特征输入目标识别模型进行识别推理，输出与推理输入对应的病虫害识别结果，其中病虫害识别结果至少包括病虫害类别。

7.一种基于深度学习的农业病虫害识别系统，基于权利要求1‑6中任一项所述的一种基于深度学习的农业病虫害识别方法，其特征在于，包括：数据采集模块，采集待识别作物的可见光图像和近红外图像，并为每一组采集得到的图像生成唯一索引，以形成可追溯的多源图像数据；

环境域标注模块，为多源图像数据记录对应的环境域标签，环境域标签用于表征拍摄环境差异；

预处理与对齐模块，对可见光图像和近红外图像执行归一化处理、噪声抑制处理、空间配准处理以及尺度与裁剪对齐处理，生成一一对应的对齐可见光图像和对齐近红外图像；

病斑候选区域提取模块，基于对齐可见光图像定位叶片主体区域，并结合对齐近红外图像计算病变显著性，在叶片主体区域内生成病斑候选区域集合；

多源特征提取模块，分别对对齐可见光图像和对齐近红外图像进行特征提取，生成可见光特征和近红外特征，并对二者进行通道维度对齐；

候选区域约束模块，根据目标病斑候选区域集合生成候选区域约束掩膜，并基于候选区域约束掩膜对可见光特征和近红外特征进行区域约束；

跨源注意力融合模块，对候选区域可见光特征和候选区域近红外特征执行跨源注意力融合，生成融合注意力映射和跨源注意力融合特征；

特征聚合模块，在候选区域约束掩膜的约束下，对跨源注意力融合特征进行聚合，生成病斑解耦融合表征向量；

分类识别模块，基于病斑解耦融合表征向量输出病虫害类别预测结果及对应的预测置信度；

跨域不变训练模块，在训练阶段依据环境域标签将训练数据划分为多个分域子数据集，分别计算各环境域下的分域识别损失，构建跨域不变约束项，使模型在不同环境域下的识别损失保持一致性，得到目标识别模型。