1.一种基于改进ResNet18模型的茶叶病害识别方法，其特征在于：所述基于改进ResNet18模型的茶叶病害识别方法包括如下步骤：S1、获取茶叶病害图像数据集，并对茶叶病害图像数据集进行预处理后随机划分成M个子集；

S2、建立改进ResNet18模型，所述改进ResNet18模型包括依次连接的第一特征提取模块、最大池化层、第一残差模块、第二残差模块、第三残差模块、第四残差模块、平均池化层、丢弃层、全连接层和第一激活函数层，其中：所述第一特征提取模块包括依次连接的第一卷积层、第二卷积层和第三卷积层，所述第一卷积层、第二卷积层和第三卷积层的卷积核大小均为3×3；

所述第一残差模块包括两个串接的第二特征提取模块，所述第二特征提取模块包括依次连接的第四卷积层、第一BN层、第五卷积层、第二BN层、第一ECA注意力机制模块、第一相加操作和第二激活函数层，所述第一相加操作用于将第四卷积层的输入特征和第一ECA注意力机制模块的输出特征进行相加；

所述第二残差模块、第三残差模块和第四残差模块均包括两个串接的第三特征提取模块，所述第三特征提取模块包括第六卷积层、第三BN层、以及依次连接的小波下采样模块、第七卷积层、第四BN层、第八卷积层、第五BN层、第二ECA注意力机制模块、第二相加操作和第三激活函数层，所述小波下采样模块的输入特征依次经过第六卷积层、第三BN层形成第一提取特征，所述第二相加操作用于将第一提取特征和第二ECA注意力机制模块的输出特征进行相加；

所述小波下采样模块包括依次连接的无损特征编码块和特征表示学习块，所述无损特征编码块采用小波变换将输入特征转换为第二提取特征，所述特征表示学习块包括依次连接的第九卷积层、批量归一化层和第四激活函数层；

S3、采用随机划分后的M个子集对改进ResNet18模型进行训练及验证，获取最优改进ResNet18模型；

S4、利用最优改进ResNet18模型对待识别的茶叶病害图像进行检测，获取检测结果。

2.如权利要求1所述的基于改进ResNet18模型的茶叶病害识别方法，其特征在于：所述预处理为依次进行裁剪处理和数据增强处理。

3.如权利要求2所述的基于改进ResNet18模型的茶叶病害识别方法，其特征在于：所述裁剪处理为将茶叶病害图像数据集中茶叶病害图像的分辨率统一为相同尺寸。

4.如权利要求2所述的基于改进ResNet18模型的茶叶病害识别方法，其特征在于：所述数据增强处理为随机采取模糊、缩放、旋转、亮化、暗化、添加噪声中至少一种方式来对茶叶病害图像数据集中的茶叶病害图像进行数据增强，直至各个类型的茶叶病害图像的样本量一致。

5.如权利要求4所述的基于改进ResNet18模型的茶叶病害识别方法，其特征在于：所述茶叶病害图像数据集中茶叶病害图像的类型包括藻斑病图像、云纹叶枯病图像、轮斑病图像、褐斑病图像、赤叶斑病图像和健康茶叶图像。

6.如权利要求1所述的基于改进ResNet18模型的茶叶病害识别方法，其特征在于：所述第一激活函数层为Softmax激活函数，所述第二激活函数层、第三激活函数层和第四激活函数层均为ReLu激活函数，所述第九卷积层的卷积核大小为1×1。

7.如权利要求1所述的基于改进ResNet18模型的茶叶病害识别方法，其特征在于：所述随机划分成M个子集，具体如下：S11、采取随机数生成器打乱预处理后的茶叶病害图像数据集中茶叶病害图像的顺序；

S12、将打乱后的茶叶病害图像数据集划分成M个子集。

8.如权利要求1所述的基于改进ResNet18模型的茶叶病害识别方法，其特征在于：所述采用随机划分后的M个子集对改进ResNet18模型进行训练及验证，获取最优改进ResNet18模型，具体如下：S31、初始化改进ResNet18模型的超参数，利用随机划分后的M个子集对改进ResNet18模型进行训练及验证，并记录结果；

S32、调整超参数，再次利用随机划分后的M个子集对改进ResNet18模型进行训练及验证，并记录结果；

S33、根据全部记录结果获取最优改进ResNet18模型。

9.如权利要求8所述的基于改进ResNet18模型的茶叶病害识别方法，其特征在于：所述超参数包括批处理大小、学习率，所述记录结果包括准确率、查准率、召回率和F1分数四个评价指标。

10.如权利要求1至9任一所述的基于改进ResNet18模型的茶叶病害识别方法，其特征在于：所述对改进ResNet18模型进行训练及验证采用十折交叉验证法，且训练及验证过程中的损失函数为交叉熵损失函数。