1.一种基于非完全更新超图的茶叶病害检测系统，其特征在于：包括以下步骤：

S1：用搭载外接可见光摄像头的国产嵌入式开发板Orange Pi设备，采集茶叶病害叶片图像；

S2：对原始图像进行预处理，所述预处理包括裁剪、调整尺寸和数据增强；

S3：将处理后的图像输入特征提取网络进行特征提取，特征提取网络可为VGG、ResNet或DenseNet，所述特征提取网络为 ResNet50 网络；所述 ResNet50 网络的输入层接收预处理后的图像，通过 7×7 卷积核实现快速且高效特征提取，同时通过层数的加深获取更丰富的特征表达，且其残差块中包含多个卷积层，并通过跳跃连接确保梯度可在反向传播中流动；通过通道切片模块对提取的特征沿通道轴执行等间隔切片操作，且相邻切片块之间保留通道重复，形成多个子切片块；将所述子切片块降维压缩后作为节点，先进行超图初始化，再分别构建 2 节点超图和 4 节点超图；通过非完全更新超图模块优化超图更新方式，所述非完全更新超图模块包括节点非完全更新模块和超边非完全更新模块，分别实现节点更新和超边更新；

S4：将2节点超图和4节点超图得到的特征进行空间注意力融合，最终输出叶片所属病害类别及准确率，结果在触摸屏的交互式界面显示；

步骤S3中，通道切片模块的切片参数满足 S=256、R=64，其中S为切片通道数，R为重复因子，代表重复通道数目；超图初始化时，对通道切片块进行平均池化得到初始化节点，计算节点之间的平均余弦相似性作为初始超边；节点非完全更新模块根据上一层超边信息，选取空间依赖性最强的前K个节点组参与更新，关联性较弱的节点组冻结不参与本次更新，所述K=3；节点更新过程为：每条超边所连接的节点组都基于各自的超边信息进行融合，得到一个融合节点；再将每个融合节点进行拼接，送入节点更新网络fv中，得到邻居节点的信息；最后融合自身节点，保留原本信息，得到更新节点；

步骤 S3 中，超边更新过程为：首先计算相应节点之间绝对距离的平均值，将该平均值送入度量网络生成权重初值，得到超边的相似性，所述度量网络由4层卷积层、1个线性层和 sigmoid 激活函数构成；将权重初值与上一层超边信息进行加权，对所有超边信息归一化后得到更新后的超边信息。

2.根据权利要求1所述的一种基于非完全更新超图的茶叶病害检测系统，其特征在于：

步骤S1中采集茶叶病害叶片时，确保Orange Pi开发板与外接可见光摄像头之间的接口匹配，所述接口包括USB、MIPI，配置对应连接线，户外采集时确保光照充足，拍摄时保持摄像头与茶树相对静止，确保叶片完整呈现在取景框内，无边缘裁剪或模糊情况；采集的样本涵盖云纹叶枯病、赤叶斑病、茶黑霉菌、炭疽病、白斑病及健康叶片六类，且各类样本数量均衡，每类至少100张。

3.根据权利要求2所述的一种基于非完全更新超图的茶叶病害检测系统，其特征在于：

在步骤S2中，在对原始图像进行裁剪时，裁剪框应为正方形，截取病害叶片图像，再将图像等比例缩放到大小为224×224像素以达到最好的分类效果；使用数据增强策略扩充数据集，包括随机裁剪、色彩变化、垂直翻转、高斯模糊和随机加噪5种方法，减小数据不平衡的影响。

4.根据权利要求3所述的一种基于非完全更新超图的茶叶病害检测系统，其特征在于：

还包括模型训练：将采集的图像按 8：1：1 的比例划分为训练集、验证集和测试集，对训练集采用所述5种数据增强策略扩充后，用于训练茶叶分类网络，通过验证集和测试集评估网络性能并优化模型参数。

5.根据权利要求1所述的一种基于非完全更新超图的茶叶病害检测系统，其特征在于：

完成节点和超边更新后，将更新后的节点特征重新映射到空间维度，通过注意力机制聚合全局特征后，将2节点超图和4节点超图得到的特征进行空间注意力融合。

6.根据权利要求1所述的一种基于非完全更新超图的茶叶病害检测系统，其特征在于：

在步骤S4中，融合两种尺度超图的节点特征时，要保持两者维度一致，以更好整合多尺度超图的互补优势，构建多层次特征表达体系；统计嵌入式开发板NPU处理器输出结果，包括茶叶病害的种类和检测准确率，并显示在Orange Pi开发板的触摸屏上。