1.本发明公开了一种基于SqueezeNet的农作物叶片病害识别方法，其特征在于，包括如下连续步骤：

1)收集各类不同农作物的不同种类叶片病害图像，对原始数据集进行增强和扩充,划分训练集和测试集；

2)从网络规模小型化和计算过程轻量化的角度出发，对经典SqueezeNet结构进行精简与参数修改，获取4种改进SqueezeNet模型，减少fire模块中squeeze层的输出通道数量同时增加expand层的输出通道数来获取第一种改进模型，在第一种改进模型的基础上将fire模块的expand层卷积核数目重新分配来获取第二种改进模型，在第二种改进模型的基础上移动fire模块2的位置来获取第三种改进模型，在第三种改进模型的基础上移动fire模块

3、4的位置来获取第四种改进模型；

3)训练参数设置,多次迭代后得到训练后的模型；

4)将测试图像输入训练后的模型中进行测试。

2.根据权利要求1所述的一种基于SqueezeNet的农作物叶片病害识别方法，其特征在于，所述2)中的4种改进SqueezeNet模型的获取包括如下步骤：

2.1)将经典SqueezeNet模型的卷积层10输出通道数从1000修改为需要进行分类识别的种类数量，获取改进后的基础模型；

2.2)获取第一种改进模型：删除2.1)中SqueezeNet模型8个fire模块中的最后面3个fire模块，修改此后最后一个fire模块的参数，即把该fire模块中squeeze层的输出通道数量作相应减少，同时把expand层的输出通道数量作相应增加，获取第一种改进后的模型；

2.3)在第一种改进模型的基础上，获取第二种改进模型：因为1×1的卷积运算量和参数量都是3×3卷积的1/9，因此2.2)的基础上，将此时模型中所有fire模块的expand层中1×1和3×3的卷积核数目按3：1的比例重新分配，既减少参数数量同时又减少计算量，获取第二种改进后的模型；

2.4)在第二种改进模型的基础上，获取第三种改进模型：由于特征图的大小与深度学习架构的运算量有紧密关系，把fire模块2从最大池化层A、B之间移动到最大池化层B、C之间，相应计算量会显著减少，获取第三种改进后的模型；

2.5)在第三种改进模型的基础上，获取第四种改进模型：由于特征图的大小与深度学习架构的运算量有紧密关系，把fire模块3、4从最大池化层B、C之间移动到最大池化层C后面，相应计算量又会显著减少，获取第四种改进后的模型。