1.一种基于LS‑YOLOv5网络的绿豆叶斑病病斑检测方法，其特征在于，包括以下步骤：

(1)使用labelimg标注工具对预先获取的原始叶片图像进行标注；

(2)采用Mosaic数据增强算法对原始叶片图像进行数据预处理；并划分为训练集、验证集和测试集；

(3)构建LS‑YOLOv5叶斑病检测网络；所述LS‑YOLOv5叶斑病检测网络中的Backbone中均使用B‑CSP模块；Backbone中的最后一个CBL模块后面添加D‑SPP模块；Backbone中的D‑SPP模块前添加ECA注意力模块；Neck搭建方式采用原YOLOv5算法模型相同的方式搭建；

(4)训练LS‑YOLOv5叶斑病检测网络，将经过预处理后的叶斑病训练集通过搭建好的LS‑YOLOv5叶斑病检测网络，获得用于叶斑病检测的LS‑YOLOv5模型预训练权重；

(5)将预处理后的待检测叶斑病图片输入最优权重模型进行叶斑病检测。

2.根据权利要求1所述的一种基于LS‑YOLOv5网络的绿豆叶斑病病斑检测方法，其特征在于，所述步骤(1)实现过程如下：

使用labelimg标注工具对每张图片中的病斑进行标注，标签分为五种，根据病斑大小，进行分级，分别是0级、1级、2级、3级、4级，0级代表叶上无可见侵染；1级代表叶片上仅有小点状病斑，占叶面积不足2％；2级代表病斑较小，直径1～2毫米，无褪绿晕圈，占叶面积3％～25％；3级代表病斑较大，直径2.1～5毫米，有褪绿晕圈，占叶面积26％～50％；4级代表病斑大，直径5.1毫米以上，占叶面积51％～75％，部分叶片枯死。

3.根据权利要求1所述的一种基于LS‑YOLOv5网络的绿豆叶斑病病斑检测方法，其特征在于，步骤(3)所述B‑CSP模块的结构包括两个分支，分别为a分支和b分支，a分支为BBL模块，BBL模块的输入通道数为上一层CBL模块输出通道数的一半；b分支为一个BBL模块接一个Bottleneck模块，Bottleneck模块包含一个1×1的BBL卷积和一个3×3的BBL卷积以及在这两个卷积之间的远跳连接组成，b分支的输入通道数也为上一层CBL模块输出通道数的一半；两个分支的输出特征图继续进行Concatenate操作，恢复到进行B‑CSP操作之前的通道数，最后在Concatenate操作之后进行一次BBL的卷积操作。

4.根据权利要求1所述的一种基于LS‑YOLOv5网络的绿豆叶斑病病斑检测方法，其特征在于，步骤(3)所述LS‑YOLOv5网络的Backbone在进行完最后一个CBL操作之后，进行一个D‑SPP模块的空间金字塔池化操作；D‑SPP由m分支和n分支组成，m分支包括两个MaxPool操作，分别为一个5×5的MaxPool操作和一个7×7的MaxPool操作，每一个MaxPool操作的输出通道数均和CBL的通道数保持一致，为输入通道数的1/2，记作c/2，c代表通道数；n分支包括两个AvgPool操作，分别为一个5×5的AvgPool操作和一个7×7的AvgPool操作，每一个AvgPool操作的输出通道数也和CBL的通道数保持一致，为输入通道数的1/2，记作c/2；最后两个分支的输出特征图和CBL的输出特征图进行Concatenate操作，输出的特征图为D‑SPP模块之前的2.5c。

5.根据权利要求1所述的一种基于LS‑YOLOv5网络的绿豆叶斑病病斑检测方法，其特征在于，步骤(3)所述LS‑YOLOv5网络的Backbone中在D‑SPP之前添加一个轻量级通道注意力模块ECA；所述轻量级通道注意力模块ECA，首先输入维度是H×W×C的特征图；然后对输入的特征图进行空间特征压缩，在空间维度，使用全局平均池化GAP，得到1×1×C的特征图；

对压缩后的特征图，进行通道特征学习，通过1×1卷积，学习不同通道之间的重要性，输出的维度还是1×1×C；最后进行通道注意力结合，将通道注意力的特征图1×1×C、原始输入特征图H×W×C，进行逐通道相乘，最终输出具有通道注意力的特征图。

6.一种基于LS‑YOLOv5网络的绿豆叶斑病病斑检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1‑5任一项所述的基于LS‑YOLOv5网络的绿豆叶斑病病斑检测方法。