1.一种基于多特征分段式训练的茶叶病害分类系统，其特征在于：所述的基于多特征分段式训练的茶叶病害分类系统包含以下阶段：第一阶段、数据预处理；第二阶段、最优网络训练；第三阶段、图像分类功能；

所述的第一阶段、数据预处理包括病害图片的裁切和数据的扩充两步；

所述的第二阶段、最优网络训练包括数据划分和特征学习网络迭代训练两步；

所述的特征学习网络迭代训练：在模型的训练阶段中，将所有训练集的图片按照所设定的批次依次经过卷积块+Relu+BN进行对茶叶病害图像中所包含的病害特征进行提取，然后经过最大池化层来减少特征图的尺寸大小使得计算量降低，同时还可以增加一定的特征非线性表达；

经过一系列卷积后将特征图的维度变成28×28×512后输入到下一个卷积块，这样一来使得模型能够更好的提取特征；在卷积神经网络中高层特征往往包含更多的语义信息，而低层特征通常包含更多的纹理信息和轮廓信息；然而在茶叶病害图像中纹理信息是在特征表述中占据很重要的地位；因此，我们将主干网路的第三个卷积块进行分流，分流出一个支流后接卷积块和池化块将其维度大小7×7×2048，同样对更深层的第四层也进行同样的分流操作来获取一定的纹理信息；

针对茶叶病害特征，引入HOG特征来提取茶叶病害的边缘信息；对输入的图像提取HOG特征，将得到的HOG特征进行卷积和池化的操作使其维度与三个分支的维度相同，确定维度相同后将HOG特征与三个分支的输出进行融合；

然后将单个支流特征图分别进行池化其特征图维度变为1×1×2048，通过全连接层得到1×1×1024的特征图，并利用损失和反向更新来优化特征；

最后将特征送进SoftMax层来得 到最终的概率分布，从而判断输入图片所对应每个类别的概率，概率最大的就是输入图像所对应的茶叶病害类别，并通过测试集来对网络进行测试，不断的对网络进行多次的迭代优化，从而找到最优性能的网络模型以便后续的调用。

2.根据权利要求1所述的一种基于多特征分段式训练的茶叶病害分类系统，其特征在于：所述的病害图片的裁切：由于拍摄器材以及拍摄环境因素，所采集到的数据分辨率较大每个大图包含多种病害叶片；因此为了得到所需要能够输入网络的图片，将所拍摄到的图像进行裁剪成单个病害叶片为一幅图像；并且对于裁剪好的大小不 一 的图像，利用双线性插值法将其都调整到256×256的图像大小，最终得到所需要的茶叶病害图像；

所述的数据的扩充：由于所采集的数据量过少，因此最终得到的裁剪后的图像数量不足；为了避免在模型训练时过拟合，对所裁剪得到的数据进行数据的扩充；扩充的方法有旋转、对称、随机缩放、改变对比度，在数据扩充后可以使模型的分类结果得到提升。

3.根据权利要求1所述的一种基于多特征分段式训练的茶叶病害分类系统，其特征在于：所述的数据划分：将所有的数据集按照7：3的比例进行划分，其中训练集中的所有样本进行训练来得到一个模型，并且将扩充的图像添加到训练集中，这样做的目的是扩充数据的多样性使最终的模型的效果达到最优；测试集的作用是用来对当前得到的模型进行测试来判断模型的好坏，通过不断的测试来找到 最优的网络模型。

4.根据权利要求1所述的一种基于多特征分段式训练的茶叶病害分类系统，其特征在于：所述的第三阶段、图像分类功能：分类功能是该系统的核心功能；当对该系统输入一张未知类别的茶叶病害图像时，若知道这张输入图像所对应的病害类别是那一类；这时候我们只需要将这张待分类的图像输入到最优网络模型中进行相应的计算，最终利用网络模型中的Softmax层将输入图像对应每个类别的概率输出，从中找到对应类别最大的概率最终得到病害的类别。

5.根据权利要求4所述的一种基于多特征分段式训练的茶叶病害分类系统，其特征在于：所述的基于多特征分段式训练的茶叶病害分类系统具体操作步骤如下：S1：移动设备包括手持相机和手机获取病害图片；

S2：将采集到的图送入CPU处理器进行对图像的处理；

S3：在该系统的目录下添加训练得到的最优模型和所处理后的病害图片；

S4：利用系统中的分类功能得到最后的分类结果；

S5：将最终的分类结果在显示窗口中打印出来。