1.一种基于LMS‑Net轻量级模型的绿豆盐胁迫识别方法，其特征在于，包括以下步骤：

(1)通过多光谱荧光成像仪采集绿豆叶片的盐胁迫数据图片，并进行等级图片分类，制作成数据集；

(2)对步骤(1)得到的数据集进行图像预处理，通过数据增强的方式扩大数据样本，并将样本数据划分为训练集和测试集；

(3)构建基于LMS‑Net轻量级模型的绿豆盐胁迫识别网络，包括一个初步特征提取模块、三个下采样模块和四个主干模块；训练图像先通过一个初步特征提取模块和第一个主干模块，然后依次通过下采样模块和主干模块交替进行特征提取；所述初步特征提取模块通过多个卷积层来捕捉细节；所述下采样模块在三个主干模块的前面进行下采样操作，使得后面的卷积核能够学习到全局信息，并且减少计算量，防止拟合；所述主干模块进行多次堆叠提取细小的盐胁迫特征；所述主干模块由卷积编码器和轻量级残差模块串联构成；所述卷积编码器由一个3×3的深度卷积、一个批归一化层和两个线性层组成；所述轻量级残差模块由2个1×1卷积、2个3×3的深度卷积组成；

(4)训练步骤(3)中搭建好的基于LMS‑Net轻量级模型的绿豆盐胁迫识别网络，将经过预处理后的训练集通过上述网络进行训练，最后将训练好的结果通过SoftMax分类器输出，并通过调节训练参数，最终获得用于盐胁迫等级分类的LMS‑Net轻量模型权重；

(5)将步骤(4)中得到最优训练模型权重输入测试代码，然后对测试集中数据图片进行验证，并评估模型的性能。

2.根据权利要求1所述的一种基于LMS‑Net轻量级模型的绿豆盐胁迫识别方法，其特征在于，步骤(1)所述绿豆盐胁迫数据的样本图像按照最大光量子效率分为五个等级。

3.根据权利要求1所述的一种基于LMS‑Net轻量级模型的绿豆盐胁迫识别方法，其特征在于，步骤(2)所述图像预处理是对全部叶片图像进行数据增强，包括添加随机像素、高斯噪声、随机矩形遮挡、随机裁剪与填充四种方式进行数据增强。

4.根据权利要求1所述的一种基于LMS‑Net轻量级模型的绿豆盐胁迫识别方法，其特征在于，步骤(3)所述初步特征提取模块包括一个3×3的普通卷积、两个3×3的深度卷积和一个1×1的普通卷积。

5.根据权利要求1所述的一种基于LMS‑Net轻量级模型的绿豆盐胁迫识别方法，其特征在于，步骤(3)所述初步特征提取模块特征提取过程为：依次通过一个4×4的普通卷积、残差结构、一个3×3的深度卷积、一个3×3的普通卷积、一个1×1的普通卷积和一个3×3的深度卷积；然后将残差和经过最后一个3×3深度卷积的特征向量进行相加输出新的特征向量，其中每个卷积后都需要经过批归一化和ReLU6激活函数。

6.根据权利要求1所述的一种基于LMS‑Net轻量级模型的绿豆盐胁迫识别方法，其特征在于，步骤(3)所述下采样模块由一个2×2的普通卷积组成。

7.根据权利要求1所述的一种基于LMS‑Net轻量级模型的绿豆盐胁迫识别方法，其特征在于，所述步骤(4)实现过程如下：(41)把输入的RGB的3通道绿豆叶片图像先经过步骤(2)图像预处理后，将图片调整为统一尺寸输入进模型开始训练，输出特征向量1；

(42)将步骤(41)得到的特征向量按依次输入到初步提取模块、主干模块1、第一个下采样模块、主干模块2、第二个下采样模块、主干模块3、第三个下采样模块和主干模块4，得到特征向量2；

(43)将步骤(42)得到的特征向量输入到全局平局池化、全连接层。