1.一种基于多尺度轻量级网络的病虫害识别方法，其特征在于，包含有：

步骤1，采集病虫害图像，再进行预处理，之后分为训练集、验证集和测试集；

步骤2，将步骤1得的训练集输入到多尺度轻量级网络进行训练，多尺度轻量级网络包含特征增强层、通道分离‑洗牌模块、双残差路径模块、全局注意力上采样模块和分类层；

首先利用特征增强层提取多尺度特征：通过特征增强层最大程度提取病虫害图像特征，其次利用通道分离‑洗牌模块提升特征表达能力，接着利用双残差路径模块学习不同尺度空间的判别信息，增强特征传播和梯度传播；然后利用全局注意力上采样模块融合多尺度特征，通过聚集低层次的空间细节，对空间和通道关注点进行编码，重新校准特征通道的显著性；最后把融合的特征送入分类层进行病虫害分类；

步骤3，在步骤2的训练过程中，把步骤1获得的验证集输入到多尺度轻量级网络，对多尺度轻量级网络进行优化和性能评估；

步骤4，重复步骤2和3，当训练结束且损失达到收敛状态时，保留在验证集上性能最好的多尺度轻量级网络；

步骤5，把步骤1得到的测试集输入步骤4获得的训练好的多尺度轻量级网络中，得到最终的病虫害识别结果；

步骤2所述的特征增强层包括卷积层、ReLU激活层、BN层和池化层，所述的利用特征增强层提取多尺度特征的工作方法如下：首先利用两个大小为1×1×2的三维卷积层提取像素级特征；其次利用两个大小分别为1×5和5×1的卷积核，以较小的计算量获得与单个卷积核尺寸为5×5的等效感受野，来提取区域级特征；依次经过BN层和ReLU激活层，通过残差操作融合像素级特征和区域级特征；再经过大小为1×1的卷积层提取融合特征Ff；然后利用两个大小为2×1和1×2的二维最大池化层提取图像级特征；再依次经过BN层和ReLU激活层，把图像级特征和融合特征Ff通过残差操作融合，经过大小为1×1的卷积层后得到最终输出特征；

步骤2所述的通道分离‑洗牌模块包括卷积层、扩张卷积层、BN层和ReLU激活层；所述的利用通道分离‑洗牌模块提升特征表达能力的工作方法如下：输入被分成两个分支，各有一半的输入通道；首先，两个分支分别经过大小为1×3和3×1的卷积层，BN层和ReLU激活层；其次，两个分支分别经过大小为1×3和3×1的扩张卷积层，BN层和ReLU层，扩张卷积层用于增加接收域；接着，拼接两个分支的输出特征，把拼接后的特征和输入特征通过残差操作融合后送入ReLU激活层；最后，进行通道洗牌操作，得到输出特征图；

步骤2所述的双残差路径模块包含三个残差多尺度模块，模块与模块之间采用残差连接的方式，通过将低级特征映射到高级空间，最大限度地收集不同通道之间的鉴别信息，增强特征传播和梯度传播；残差多尺度模块包含PReLU激活层、卷积层和深度卷积层；所述的利用双残差路径模块学习不同尺度空间的判别信息，增强特征传播和梯度传播的工作方法如下：首先，输入经过PReLU激活层和1×1大小的卷积层；其次，将数据发送到4个并行分支，最左边的分支包含一个3×3大小的卷积层，其他分支包含两个大小为1×1和3×3卷积层和一个扩张速率r分别为2，3和5的深度卷积；然后，前一个分支的输出通过残差操作连接到下一个分支，直至处理完所有分支的输出；最后，将这些特征进行拼接，通过残差操作和原始输入融合，得到输出的特征图；

步骤2所述的全局注意力上采样模块包含空间注意模块和通道注意模块，所述的利用全局注意力上采样模块融合多尺度特征的工作方法如下：首先低级特征经过1×1卷积操作和sigmoid函数得到空间注意图S；其次，高级特征X经过转置卷积和空间注意图S相乘得到加权特征图XS；接着，对加权特征图XS进行全局平均池化操作，经过1×1卷积操作和sigmoid函数得到通道注意图C；最后，通道注意图C和加权特征图XS相乘得到最终的融合特征；

步骤2所述的利用分类层进行病虫害分类的工作方法如下：

输入宽度为W，高度为H的特征图，利用卷积操作提取特征描述子，得到W×H个D维特征，即大小为W×H×D的特征图，利用大小为1×1×D×K的卷积核和softmax激活函数得到W×H×K的软分配结果；对W×H×D的特征图经过聚类得到K个聚类中心，聚类中心用向量表示为K×D；然后利用W×H×K的软分配结果去分配特征到聚类中心残差所占的权重；按照聚类中心进行加权求和，得到K×D维的全局图像表示，利用softmax激活函数识别病虫害。

2.根据权利要求1所述的一种基于多尺度轻量级网络的病虫害识别方法，其特征在于，所述步骤1包括：

首先利用无人机拍摄不同种类的病虫害图像，去除模糊、失焦、主体丢失的图像后，根据领域专家知识对剩余图像进行标记；

再对上述标记好的病虫害图像数据集进行预处理，包含图像尺寸调整、灰度变换、图像滤波和图像锐化，并采用图像旋转、缩放、噪声和色彩抖动数据增强方法进一步扩充图像数据集，之后按照7：2：1的比例将其分为训练集、验证集和测试集。

3.根据权利要求1所述的一种基于多尺度轻量级网络的病虫害识别方法，其特征在于，步骤3所述的对多尺度轻量级网络进行优化和性能评估的工作方法如下：目标损失函数选取交叉熵损失函数，让模型预测结果不断逼近真实标签，采用Nesterov动量的随机梯度下降算法作为优化器，把损失函数计算出的差值损失减小，让损失函数的收敛更稳定；性能评价指标采用准确率、召回率和F1‑score，各指标的计算公式如下：其中，TP表示正类预测为正类数；FP表示负类预测为正类数；FN表示正类预测为负类数；precision表示正类被预测正确的个数占总的正类预测个数的比例；recall表示正类被预测为正类的个数占总个数的比例；F1‑score综合了precision和recall两个指标，最终选取F1‑score作为最终评价指标，F1‑score越高表明该方法越有效。