1.一种基于BD胶囊网络的柑橘黄龙病分类方法，其特征在于，包括以下步骤：S1：图像预处理，所述图像为包括柑橘叶子的图像；

S2：特征提取，所述图像通过BD胶囊网络的输入层输入至BD胶囊网络，使用BD胶囊网络的卷积层提取所述图像对应的初级特征；

S3：特征转换，在初级胶囊层中对每个初级特征进行相应的空间维度转换，在初级特征维度基础上扩展一个新维度，得到与每个初级特征对应的特征向量；

S4：分析特征向量，数字胶囊层利用动态路由算法对每个特征向量进行分析，输出2个输出向量，根据输出向量确定图像类别；

S5：重构图像，将输出向量通过全连接层并进行Batchnorm和Dropout操作，输出重构图像；

步骤S4中所述数字胶囊层，包括若干胶囊层，每一个胶囊都由向量表示，一个胶囊里含有物体的姿态参数和属于该类别的概率；

步骤S4中利用动态路由算法的具体计算过程包括：

式中，ui表示的是第i层胶囊层的输出， 表示的是通过计算第i层胶囊层得出第j层预测向量输出，Wij表示的是用于学习和反向传播的权重值；

通过判断权重值来更新上下胶囊层的关联度，取舍上下胶囊层在学习过程中所占的比例，若预测的结果与真实值相近，则增加上下胶囊层的关联值，若预测的结果与真实值相差较远，则减少上下胶囊层关联值：cij表示的是相邻胶囊层i、j层关联值，bij表示的第i层胶囊层被第j层胶囊层选择的概率，在路由层开始执行时，bij的初始值设置为0，k为数字胶囊层中胶囊的总个数，j∈[1,k]；

输入第j层胶囊层的向量用sj来表示：

vj表示第j层胶囊层的输出；

输入 和输出vj经过向量之间的内积运算，更新bij的值，通过bij来调节胶囊层之间的关联程度：所述全连接层包括第一全连接层、第二全连接层、第三全连接层，其中，第一全连接层的输入为所述输出向量，第一全连接层的输出进行Batchnorm和Dropout操作后输入第二全连接层，第二全连接层的输出进行Batchnorm和Dropout操作后输入第三全连接层，第三全连接层输出重构图像；

所述Batchnorm操作，包括以下步骤：

Ⅰ.求出此次批量数据x＝{x1,x2,...xm}的均值μx，所述的批量数据为第一全连接层或第二全连接层的输出：Ⅱ.求出x＝{x1,x2,...xm}的方差

Ⅲ.对x做归一化

式中，ε表示偏差；

Ⅳ.引入缩放γ和平移变量β，计算输出yi：

所述Dropout操作为利用伯努利随机分布实现随机减少全连接层的神经元，减少的神经元在训练时其所有的连接都剔除。

2.根据权利要求1所述的基于BD胶囊网络的柑橘黄龙病分类方法，其特征在于，步骤S1中图像预处理，具体为：利用双线性插值方法对柑橘叶子图像进行放缩，统一尺寸大小。

3.根据权利要求2所述的基于BD胶囊网络的柑橘黄龙病分类方法，其特征在于，所述统一尺寸为78*78像素值大小。

4.根据权利要求1所述的基于BD胶囊网络的柑橘黄龙病分类方法，其特征在于，步骤S4中根据输出向量确定图像类别，具体为：对2个输出向量求L2范数，求出每个输出向量的长度，范数值最大的输出向量代表的就是图像概率最大的类别。

5.根据权利要求4所述的基于BD胶囊网络的柑橘黄龙病分类方法，其特征在于，所述数字胶囊层输出后还计算预测分类与实际分类的差距程度：+ 2 ‑ 2

Lc＝Tcmax(0,m‑||vc||) +λ(1‑Tc)max(0,||vc||‑m)式中，vc表示数字胶囊层输出的结果值，Lc表示损失函数，c表示分类的类别，Tc是分类+ －的指示函数，分类c在结果有病时为1，无病时为0；m 为上边缘，惩罚假阴性；m 为下边缘，惩+ －罚假阳性；λ是比例系数，调整等式中加号前半部分和后半部分之间的比重；m 、m 和λ都是超参数，在BD胶囊网络学习之前预设为定值。