1.一种基于超分和检测网络的茶叶病害无人机遥感监测方法，其特征在于，包括如下步骤：数据获取：首先获取低空拍摄的茶叶图像，无人机飞行高度为2m至4m；然后获取高空拍摄的茶叶图像，无人机飞行高度为12m左右，所有茶叶图像的分辨率均为8000*6000；

数据处理：首先，将低空拍摄的图像裁剪为100张分辨率为800*600的图像；其次，利用LabelImg软件，对裁剪后的低空拍摄的图像进行标注；再将低空拍摄的图像按8:2的比例划分为网络的训练集和验证集；

网络训练：先训练超分网络模型，包括依次训练PSNR模型、训练GAN模型；再训练检测网络模型；

超分与检测：将高空拍摄的无人机茶叶图像送入训练好的超分网络中进行超分，恢复细节信息，然后将超分后的图像裁剪后再送入训练好的检测网络中进行茶叶病害检测；

所述超分网络模型为Real‑ESRGAN网络模型，Real‑ESRGAN网络模型由生成器和判别器组成，所述生成器为稠密残差结构块堆叠而成，所述判别器为带正则化项的U‑Net网络；

所述检测网络模型以yolov5s为基线网络进行改进，用ShuffleNetV2残差块级联作为网络的主干部分，用深度可分离卷积替换yolov5s网络的颈干部分中的卷积部分，采用SIoU损失函数替换原始CIoU损失函数；

ShufflleNetV2结构包括两种模式，第一种模式在特征图输入后有一个通道分支ChannelSpilt操作，该操作将输入通道数为c的特征图分为两个分支，左边的分支不做任何操作，右边的分支包含了3个卷积操作，并且两个1*1卷积已经由ShuffleNetV1中发分组卷积更换为普通卷积，最后再将这两个分支通道中的数据用Concat和Channel Shuffle操作进行合并；第一种模式中没有通道分离操作。

2.根据权利要求1所述的一种基于超分和检测网络的茶叶病害无人机遥感监测方法，其特征在于，训练超分网络模型之前还包括：构建网络数据集，具体方法包括：将准备好的低空拍摄的茶叶数据集进行两次退化模糊处理，第一次退化处理包括高斯模糊、下采样、加噪和JPEG压缩，第二次退化处理包括高斯模糊、下采样和加噪。

3.根据权利要求1或2所述的一种基于超分和检测网络的茶叶病害无人机遥感监测方法，其特征在于，训练超分网络模型的具体步骤包括：根据最小绝对值误差训练以PSPN为导向的网络，得到一个最佳生成器模型；

利用得到的生成器模型对网络进行参数初始化，再结合判别器网络对超分网络进行总体训练，训练得到的网络模型为本文超分网络的最终模型。

4.根据权利要求1所述的一种基于超分和检测网络的茶叶病害无人机遥感监测方法，其特征在于，所述深度可分离卷积由逐通道卷积和逐点卷积两个部分组成。

5.根据权利要求1所述的一种基于超分和检测网络的茶叶病害无人机遥感监测方法，其特征在于，所述检测网络模型在进行特征融合时使用特征金字塔结构，所述特征金字塔结构自低向上过程采用了上采样和卷积操作，经过两次二倍上采样和两次卷积过程；采用特征金字塔结构对网络特征提取部分的特征图进行特征融合，能够保留网络更多的深度信息，有利于网络对小目标的检测。

6.根据权利要求1所述的一种基于超分和检测网络的茶叶病害无人机遥感监测方法，其特征在于，所述SIoU损失函数包括：对角损失、距离损失、形状损失和IoU损失。

7.根据权利要求6所述的一种基于超分和检测网络的茶叶病害无人机遥感监测方法，其特征在于，所述对角损失定义为：(1)

其中 为真实框和预测框中心点的高度差， 为真实框和预测框中心的距离，等于角度 ；

(2)

(3)

(4)

为真实框中心坐标， 为预测框中心坐标，可以注意到当 为 或0时，角度损失为0，在训练过程中若 ，则最小化 ，否则最小化 ；

所述距离损失定义为：

(5)

其中：

(6)

这里的 为真实框和预测框最小外接矩形的宽和高；

所述形状损失定义为：

(7)

其中：

(8)

和 分别为预测框和真实框的宽和高，控制对形状损失的关注程度，为了避免过于关注形状损失而降低对预测框的移动，规定 参数范围为[2,6]；

所述IoU损失定义为：

(9)

综上所述，最终SIoU损失函数定义如下：

(10) 。