1.一种融合图像高频信息的玉米叶片病害识别方法，其特征在于，包括以下步骤：

11)获取玉米叶片图像并进行预处理：获取玉米叶片健康和病害图像，并进行裁剪、缩放预处理；

12)构建玉米叶片病害识别模型：以轻量级MobileNetV3‑Large作为基础网络构建玉米叶片病害识别模型；

所述构建玉米叶片病害识别模型包括以下步骤：

121)设定玉米叶片病害识别模型包括轻量级MobileNetV3‑Large、高频滤波器和高频特征提取模块，其中，轻量级MobileNetV3‑Large作为玉米叶片病害识别模型的基础网络；

122)设定轻量级MobileNetV3‑Large分为三部分：

第一部分由一个卷积层组成，通过3×3卷积提取特征并压缩维度；

第二部分包含15个Inverted bottleneck block，其中第1‑3和7‑12层采用3×3大小卷积核的深度可分离卷积，剩余Inverted bottleneck block采用5×5大小卷积核的深度可分离卷积，提高模型性能的同时减少模型参数量；

第三部分采用1×1的卷积层扩充特征通道数量，然后使用自适应平均池化层转化为特征向量，最后将其输入分类器以输出类别；

第一部分为浅层卷积，第二部分为深层卷积，浅层卷积提取图像丰富的低频语义信息、深层卷积提取抽象信息；

123)在轻量级MobileNetV3‑Large的第4、7和11个Inverted bottleneck block后分别插入高频特征提取模块，用于获取高频特征信息并压缩图像尺寸大小；

124)设定高频滤波器采用高斯高通滤波方法，用于过滤丰富的低频信息而保留难以拟合的高频细节信息；

125)设定高频特征提取模块，由自适应平均池化、1×1点卷积、3×3卷积和1×1点卷积构成，卷积与卷积之间采用自适应ACON‑C激活函数，用于对高频细节信息提取出纹理信息特征，同时，将不同空间大小的高频细节信息和MobileNetV3‑Large提取的玉米叶病害特征连接起来；

13)玉米叶片病害识别模型的训练：将预处理后的玉米叶片图像输入玉米叶片病害识别模型进行训练；

14)待识别玉米叶片图像的获取：获取待识别玉米叶片图像并进行预处理；

15)玉米叶片图像识别结果的获得：将预处理后的待识别玉米叶片图像输入训练后的玉米叶片病害识别模型，得到玉米叶片病害识别结果。

2.根据权利要求1所述的一种融合图像高频信息的玉米叶片病害识别方法，其特征在于，所述玉米叶片病害识别模型的训练包括以下步骤：

21)将预处理后玉米叶病害图像resize调整为224×224大小，并输入到轻量级MobileNetV3‑Large得到类别概率；

22)将得到的类别概率和真实标签输入交叉熵损失函数得到损失值并通过随机梯度下降法反向优化轻量级MobileNetV3‑Large的权重，固定训练好的轻量级MobileNetV3‑Large权重参数；交叉熵损失值计算如下：其中，B表示每批次输入的玉米叶病害图像数量，f表示MobileNetV3‑Large模型，yi表示第i个图像数据的真实标签值，xi表示第i个输入图像数据，Lf为MobileNetV3‑Large模型计算得到的损失值；

23)将玉米叶病害图像resize为224×224大小通过三个高频滤波器提取图像高频纹理信息，三个高频滤波器的截止频率分别为5、20、50，高斯滤波器函数公式如下：其中，u和v为频域位置坐标，H和W为输入特征的高和宽，σ为截止频率，H(u,v)为高斯高通滤波器；

24)将截止频率为5的高频滤波器获取的高频纹理信息输入到轻量级MobileNetV3‑Large的第4个Inverted bottleneck block后的高频特征提取模块得到频率特征信息，同时将玉米叶病害图像resize为224×224大小后输入到训练好的轻量级MobileNetV3‑Large获取第4层Inverted bottleneck block后输出语义特征，并将频率特征信息和语义特征进行相加融合，得到融合特征A；

25)将融合特征A输入到第5‑7层Inverted bottleneck block提取语义特征，同时，将截止频率为20的高频滤波器获取的高频纹理信息输入到第7个Inverted bottleneck block后的高频特征提取模块得到频率特征，并与语义特征进行相加融合，得到融合特征B；

26)将融合特征B输入到第8‑10层Inverted bottleneck block提取语义特征，同时，将截止频率为50的高频滤波器获取的高频纹理信息输入到第11个Inverted bottleneck block后的高频特征提取模块得到频率特征，并与语义特征进行相加融合，得到融合特征C；

27)将融合特征C输入剩余5个Inverted bottleneck block输出最终抽象语义特征并使用自适应全局平均池化层得到特征向量，最后将特征向量输入全连接层分类器中得到类别概率；

采用交叉熵损失函数对以上三个高频特征提取模块中的参数值进行微调，并保存最好的识别整体模型权重用于测试，交叉熵损失值计算如下：其中，B表示每批次输入的玉米叶病害图像数量，π表示玉米叶片病害识别模型，yi表示第i个图像数据的真实标签值，xi表示第i个输入图像数据，Lπ为玉米叶片病害识别模型计算得到的损失值。