1.一种智能茶叶干燥设备，包括壳体，其特征在于：所述壳体内设置有依次连通的入口、干燥组件、分拣处理组件和收纳组件，所述干燥组件上设置有智能识别模块，所述智能识别模块与控制器连接，所述干燥组件与所述控制器连接，所述分拣处理组件与所述控制器连接；所述智能识别模块对茶叶种类和受潮程度进行识别后，将数据传送至所述控制器，所述控制器计算干燥炒制时间，并控制所述干燥组件对茶叶进行干燥处理，对经干燥处理的茶叶进行分拣处理后进行收纳，所述智能识别模块包括茶叶姿态颜色识别的卷积神经网络；打开入口放入茶叶，位于智能识别模块自动识别茶叶种类以及受潮程度；干燥组件干燥处理完成后，通过分拣处理组件对茶叶进行分拣；对于已经完全受潮的茶叶干燥处理后，经过分拣处理组件处理进行二次利用；

所述干燥组件包括陶瓷加热球，所述陶瓷加热球内设置有陶瓷加热滚轮，所述智能识别模块设置于所述陶瓷加热球上；

所述分拣处理组件包括茶叶分拣器，所述茶叶分拣器一端与所述陶瓷加热球连通，所述茶叶分拣器另一端分别与第一茶叶通道和第二茶叶通道连接，所述第一茶叶通道设置于茶叶分拣漏斗上方，所述第二茶叶通道设置于茶叶研磨器上方；

所述收纳组件包括第一茶叶收纳盒和第二茶叶收纳盒，所述第一茶叶收纳盒设置于所述茶叶分拣漏斗下方，所述第二茶叶收纳盒设置于所述茶叶研磨器下方。

2.如权利要求1所述的智能茶叶干燥设备，其特征在于：所述第一茶叶收纳盒与所述茶叶分拣漏斗之间设置有第一分拣挡板，所述第二茶叶收纳盒与所述茶叶研磨器之间设置有第二分拣挡板。

3.如权利要求2所述的智能茶叶干燥设备，其特征在于：所述第一茶叶收纳盒上设置有弹出弹簧片，所述第二茶叶收纳盒上设置有弹出弹簧片。

4.如权利要求1所述的智能茶叶干燥设备，其特征在于：所述智能识别模块为3个，3个所述智能识别模块呈120度阵列分布于所述陶瓷加热球上。

5.如权利要求3所述的智能茶叶干燥设备，其特征在于：所述智能识别模块与显示器连接。

6.一种采用权利要求1～5中任一项所述的智能茶叶干燥设备干燥茶叶的方法，其特征在于：采用茶叶姿态颜色识别的卷积神经网络对茶叶进行识别，根据所述茶叶的蜷曲姿态、颜色与品质良好的茶叶的不同，判定所述茶叶受潮程度，根据所述受潮程度设定加热时间和加热温度，使得所述茶叶干燥后达到品质良好的茶叶质量。

7.如权利要求6所述的智能茶叶干燥设备干燥茶叶的方法，其特征在于：所述茶叶姿态颜色识别的卷积神经网络训练方法包括前向传播和向后传播，所述前向传播包括如下步骤：

1）选择茶叶姿态颜色数据集，分成茶叶姿态颜色训练集、茶叶姿态颜色测试集和茶叶姿态颜色验证集；

2）随机初始化茶叶姿态颜色识别的卷积神经网络中的权重、偏置项和样本误差值，手动设定初始的学习速率；

3）将茶叶姿态颜色训练集的样本的数据向量输入网络，所述数据向量从输入层到输出层经过每层的处理不停地变换；

所述向后传播包括如下步骤：

a）用极小化误差的方法，根据样本的实际输出值和预测输出值进行误差阈值的计算，然后将该误差值层层的反向传播，根据误差值来调整每层的参数；

b）将调整后总的误差值和误差域值相比较，若前者大于后者，那么网络没有达成任务目标，接下来返回到前向传播的3），反之，则接着进行下一步；

c）训练学习任务完成，得到训练好的一个卷积神经网络并保存所述网络的参数；

在训练完成后，即可利用训练好的模型进行预测，同时可加载训练好的模型进入测试阶段，采集受潮茶叶作为输入，根据已知的采集标签，比对网络的预测结果，即可得知模型的预测效果，进而获取模型的实际测试准确率。