1.一种茶叶病害的检测方法，其特征在于，用于对茶叶进行检测，所述方法包括：将待测茶叶图像输入至茶叶病害检测模型，以得到所述待测茶叶图像的病害检测结果，所述待测茶叶图像的病害检测结果用于指示所述待测茶叶图像对应的至少一个叶片是否患有目标病害；

其中，所述茶叶病害检测模型的训练过程包括：

获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本茶叶图像以及所述样本茶叶图像的病害检测结果的标注数据，所述样本茶叶图像的病害检测结果用于指示所述样本茶叶图像对应的至少一个叶片是否患有所述目标病害；

针对所述训练集中的每个训练数据，执行以下处理：

将所述训练数据中的样本茶叶图像输入预设的深度学习模型，以得到所述样本茶叶图像的病害检测结果的预测数据；

基于所述样本茶叶图像的病害检测结果的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；

检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述茶叶病害检测模型；如果否，则利用下一个所述训练数据继续训练所述深度学习模型；

所述深度学习模型包括BackBone单元、Neck单元和Head单元，所述BackBone单元添加有RFB模块，所述Neck单元添加有注意力模块；

所述将所述训练数据中的样本茶叶图像输入预设的深度学习模型，以得到所述样本茶叶图像的病害检测结果的预测数据，包括：利用所述BackBone单元对所述样本茶叶图像进行特征提取以获取特征信息，所述特征信息包括：所述样本茶叶图像所对应的低层空间特征和高层语义特征；其中，所述RFB模块用于部分低层空间特征和部分高层语义特征的提取过程；

利用所述BackBone单元向Neck单元输入所述低层空间特征和所述高层语义特征；

利用所述Neck单元对所述低层空间特征和所述高层语义特征进行特征融合，以得到特征融合结果；

利用所述注意力模块获取所述特征融合结果对应的多个特征图；

针对每个所述特征图，利用所述Head单元生成对应的检测框，以获取所述样本茶叶图像的病害检测结果的预测数据；

所述注意力模块是二维混合注意力模块；

所述二维混合注意力模块分为上下两个并行分支，上分支包括通道注意力子模块和空间注意力子模块，下分支包括坐标注意力子模块。

2.根据权利要求1所述的茶叶病害的检测方法，其特征在于，所述获取训练集，包括：对所述样本茶叶图像执行数据增强处理，以获取所述样本茶叶图像对应的至少一个增强图像；

利用所述样本茶叶图像及其增强图像制作得到所述训练集。

3.根据权利要求2所述的茶叶病害的检测方法，其特征在于，获取所述样本茶叶图像的过程包括：利用装载于无人机的遥感设备对茶叶种植区的茶树进行图像采集，以得到多个所述样本茶叶图像。

4.根据权利要求2所述的茶叶病害的检测方法，其特征在于，所述对所述样本茶叶图像执行数据增强处理，包括：基于预设尺寸对所述样本茶叶图像进行裁剪，以获取规格图像；

利用超分辨率网络对所述规格图像进行超分辨率重建，以获取超分辨率图像；

对所述超分辨率图像进行数据增强，以得到至少一个所述增强图像。

5.根据权利要求1所述的茶叶病害的检测方法，其特征在于，所述标注数据用于指示所述样本茶叶图像中病斑叶片的位置信息、样本茶叶图像对应的病害类型以及所述茶叶图像对应的置信度；

所述基于所述样本茶叶图像的病害检测结果的预测数据和标注数据，对所述深度学习模型的模型参数进行更新，包括：基于所述样本茶叶图像的病害检测结果的预测数据和标注数据，获取所述样本茶叶图像对应的损失值；

利用所述损失值，利用随机梯度下降方式获取多个所述特征图的特征权重信息；

基于多个所述特征图的特征权重信息，对所述深度学习模型的模型参数进行更新。

6.一种茶叶病害的检测装置，其特征在于，用于对茶叶进行检测，所述装置包括：病害检测模块，用于将待测茶叶图像输入至茶叶病害检测模型，以得到所述待测茶叶图像的病害检测结果，所述待测茶叶图像的病害检测结果用于指示所述待测茶叶图像对应的至少一个叶片是否患有目标病害；

其中，所述茶叶病害检测模型的训练过程包括：

获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本茶叶图像以及所述样本茶叶图像的病害检测结果的标注数据，所述样本茶叶图像的病害检测结果用于指示所述样本茶叶图像对应的至少一个叶片是否患有所述目标病害；

针对所述训练集中的每个训练数据，执行以下处理：

将所述训练数据中的样本茶叶图像输入预设的深度学习模型，以得到所述样本茶叶图像的病害检测结果的预测数据；

基于所述样本茶叶图像的病害检测结果的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；

检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述茶叶病害检测模型；如果否，则利用下一个所述训练数据继续训练所述深度学习模型；

所述深度学习模型包括BackBone单元、Neck单元和Head单元，所述BackBone单元添加有RFB模块，所述Neck单元添加有注意力模块；

所述将所述训练数据中的样本茶叶图像输入预设的深度学习模型，以得到所述样本茶叶图像的病害检测结果的预测数据，包括：利用所述BackBone单元对所述样本茶叶图像进行特征提取以获取特征信息，所述特征信息包括：所述样本茶叶图像所对应的低层空间特征和高层语义特征；其中，所述RFB模块用于部分低层空间特征和部分高层语义特征的提取过程；

利用所述BackBone单元向Neck单元输入所述低层空间特征和所述高层语义特征；

利用所述Neck单元对所述低层空间特征和所述高层语义特征进行特征融合，以得到特征融合结果；

利用所述注意力模块获取所述特征融合结果对应的多个特征图；

针对每个所述特征图，利用所述Head单元生成对应的检测框，以获取所述样本茶叶图像的病害检测结果的预测数据；

所述注意力模块是二维混合注意力模块；

所述二维混合注意力模块分为上下两个并行分支，上分支包括通道注意力子模块和空间注意力子模块，下分支包括坐标注意力子模块。

7.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1‑5任一项所述方法的步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1‑5任一项所述方法的步骤。