1.一种用于茶叶病害的识别方法，其特征在于，包括如下步骤：

步骤一、数据预处理：采集茶叶病害图像数据，将每一幅包含多个病害和背景噪声的图片进行裁剪，将所拍摄到的图片裁剪成单个病害叶片为一幅图像；

步骤二、构造最优小样本图网络模型并训练模型：首先将茶叶病害图像嵌入成特征向量，然后将每个特征向量作为茶叶病害图像的双域节点初始化图，根据构建好的双域节点初始化图进行图的更新优化，最优小样本图网络模型包含自下而上推理、自上而下推理和跳跃连接三个部分；

步骤三、对图像进行茶叶病害图像识别，将待识别的图像输入到训练好的网络模型中，利用网络模型的距离度量函数计算该图像与其他图像的距离来衡量待测图像和已知图像的相似性，利用相似性最大的作为识别结果。

2.根据权利要求1所述的一种用于茶叶病害的识别方法，其特征在于，步骤一还包括：

小样本学习，小样本学习中数据集包括支持集S和查询集Q，所述支持集S包含N个不同的类，每个类中包含有K个标记样本；所述查询集Q包含q个待分类样本。

3.根据权利要求1所述的一种用于茶叶病害的识别方法，其特征在于，所述双域节点初始化图用于将所述数据预处理得到的RGB图像转换为数字化灰度图像，得到由RGB图像和数字化灰度图像组成的双域图像对作为嵌入网络的输入，然后将双域图像分别输入两个独立的嵌入模块提取特征，经过嵌入模块后得到RGB图像和数字化灰度图像特征，将RGB图像特征和数字化灰度图像特征拼接作为图的节点。

4.根据权利要求1所述的一种用于茶叶病害的识别方法，其特征在于，步骤二中具体包括：给定某一任务目标样本所有特征表示后，首先构建全联通图 ，其中；

； 分别表示全联通图中的双节

点集合和边缘集合；T表示该任务中的所有样本个数；然后通过图的更新和跳跃连接聚合多域图像信息，最后根据更新后的边缘特征集预测查询集的识别结果；在每个自上向下的推理块中，首先提出图更新层来探索同一层中所有节点之间的相关性；然后对支持节点进行抽样，所有层的保留节点都是全连接的；在自下而上的推理过程中，主要通过跳跃连接提供相同数量节点的图再结合上采样恢复的图进行图的更新；每个自底向上的上采样恢复块由单个图更新层和图上采样层组成；图更新层聚合来自相邻节点的信息，图上采样层负责恢复图被池化聚类的节点；此外，自底向上和自顶向下的同一级别块之间存在跳跃连接；最后是softmax函数，它将节点特征映射到节点标签，使用交叉熵元损失被用来优化整个网络模型。

5.根据权利要求4所述的一种用于茶叶病害的识别方法，其特征在于，所述最优小样本图网络模型包括图推理更新层、节点池化聚类、图上采样恢复层和跳跃连接层。

6.根据权利要求5所述的一种用于茶叶病害的识别方法，其特征在于，所述图推理更新层包括邻接矩阵学习、图卷积和非线性多层感知器映射，邻接矩阵学习通过信息传递从已知节点表示中以邻接矩阵的形式学习边缘；再结合双域节点特征进行图卷积操作对图进行更新推理，利用低层次和高层次邻接矩阵来聚合节点之间学习到的低层次和高层次关系，将每个节点的特征从它们相邻的节点中聚集起来，然后将这些操作生成的两个特征矩阵连接起来，改变维数得到新的特征矩阵。

7.根据权利要求5所述的一种用于茶叶病害的识别方法，其特征在于，所述节点池化聚类包括类内节点池化和类间节点池化，首先进行类内节点池化聚类层，将每种方式的K个节点减少到单个节点，然后进行类间节点池化聚类层。

8.根据权利要求5所述的一种用于茶叶病害的识别方法，其特征在于，在图上采样恢复层中，给每个节点标号以保留原始特征矩阵中所选节点的索引，根据保存的节点索引，将池化的节点放回到图中的原始位置，以生成输出新双域节点特征。

9.根据权利要求5所述的一种用于茶叶病害的识别方法，其特征在于，在所述最优小样本图网络模型中，利用具有相同节点数的自底向上推理块和自顶向下推理块之间的简单拼接实现跳跃连接，自上向下推理块中的节点特征直接添加到自下向上推理块中。