1.一种茶叶生产线流量智能检测方法，其特征在于，所述茶叶生产线流量智能检测方法包括：获取预测模型；所述预测模型是基于CNN模型、全连接层和优化器构建并优化得到的多任务学习模型；

实时获取茶叶二维图像数据；

将所述茶叶二维图像数据输入所述预测模型，得到预测工序类型、预测传送带速度和茶叶预测重量，包括：基于所述茶叶二维图像数据，采用预测模型中的CNN模型得到茶叶共享特征；基于所述茶叶共享特征，采用预测模型中的全连接层得到预测工序类型、预测传送带速度；基于所述茶叶共享特征，采用预测模型中的全连接层得到茶叶预测体积；基于所述茶叶共享特征和所述茶叶预测体积，采用预测模型中的全连接层得到茶叶预测重量；

基于所述茶叶二维图像数据得到茶叶通过的距离；

基于所述茶叶预测重量、所述茶叶通过的距离和所述传送带速度确定茶叶流量，采用公式 确定茶叶流量；式中，Qm表示茶叶流量，M表示茶叶预测重量，v表示传送带速度，d表示茶叶通过的距离。

2.根据权利要求1所述的茶叶生产线流量智能检测方法，其特征在于，所述预测模型的构建过程，包括：获取样本茶叶图像数据、工序标签、传送带速度标签和样本茶叶实际重量数据；所述样本茶叶图像数据包括样本茶叶二维图像数据和样本茶叶三维图像数据；

基于所述样本茶叶三维图像数据得到样本茶叶实际体积数据；

基于所述工序标签、所述传送带速度标签、所述样本茶叶实际体积数据和所述样本茶叶实际重量数据构建样本数据集；

基于所述CNN模型、所述全连接层和所述优化器构建初始预测模型；

将所述样本茶叶二维图像数据输入所述初始预测模型得到样本茶叶预测工序类型、传送带预测速度和样本茶叶预测重量数据；

基于所述样本数据集训练所述初始预测模型，直至训练后的初始预测模型的输出结果达到设定要求时，将训练后的初始预测模型作为所述预测模型。

3.根据权利要求2所述的茶叶生产线流量智能检测方法，其特征在于，基于所述样本茶叶三维图像数据得到样本茶叶实际体积数据，包括：对所述样本茶叶三维图像进行标定，得到标定图像数据；

基于所述标定图像数据得到点云数据；

基于所述点云数据得到样本茶叶实际体积数据。

4.根据权利要求2所述的茶叶生产线流量智能检测方法，其特征在于，所述样本茶叶实际重量数据与所述样本茶叶实际体积数据一一对应；

基于所述样本茶叶实际体积数据和与之对应的所述样本茶叶实际重量数据，构建样本数据集。

5.根据权利要求2所述的茶叶生产线流量智能检测方法，其特征在于，将所述样本茶叶二维图像数据输入所述初始预测模型得到样本茶叶预测工序类型、传送带预测速度和样本茶叶预测重量数据，包括：对所述样本茶叶二维图像数据进行归一化和张量化处理，得到处理后的图像数据；

基于所述处理后的图像数据，采用所述初始预测模型得到所述样本茶叶预测工序类型、所述传送带预测速度和所述样本茶叶预测重量数据。

6.根据权利要求5所述的茶叶生产线流量智能检测方法，其特征在于，基于所述处理后的图像数据，采用所述初始预测模型得到所述样本茶叶预测工序类型、所述传送带预测速度和所述样本茶叶预测重量数据，包括：基于所述处理后的图像数据，采用CNN模型得到共享特征；

基于所述共享特征，采用全连接层得到所述样本茶叶预测工序类型、所述传送带预测速度；

基于所述共享特征，采用所述全连接层得到样本茶叶预测体积数据；

基于所述共享特征和所述样本茶叶预测体积数据，采用所述全连接层得到所述样本茶叶预测重量数据。

7.根据权利要求2所述的茶叶生产线流量智能检测方法，其特征在于，采用自适应联合损失函数，基于所述样本数据集训练所述初始预测模型；所述自适应联合损失函数包括均方误差损失函数。

8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1‑7中任一项所述的茶叶生产线流量智能检测方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1‑7中任一项所述的茶叶生产线流量智能检测方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1‑7中任一项所述的茶叶生产线流量智能检测方法。