1.一种基于MS-PLNet模型绿豆叶斑病识别方法，其特征在于，包括以下步骤：

(1)对预先获取包含多种病害种类的植物叶部病害图像进行预处理，并划分为训练集、验证集和测试集；

(2)构建MS-PLNet叶斑病识别网络；所述MS-PLNet叶斑病识别网络包括三个特征提取模块、特征融合模块和分类器；三个特征提取模块使用普通卷积和改进的深度可分离卷积搭建，在搭建过程中第一个特征提取模块增加通道数，第二个特征提取模块减少通道数，第三个特征提取模块增加通道数；将三个尺度的特征提取模块得到的特征图输入到采用通道注意力机制的特征融合模块；将经过特征融合输出的特征图输入分类器得到分类结果；具体实现过程如下：(21)图像输入阶段对输入的3通道图像resize为128×128像素，标记为IM0；第一个特征提取模块输入UnSample反卷积操作后的256×256像素图像，标记为IM1；第二个特征提取模块输入128×128像素图像，标记为IM2；第三个特征提取模块输入MaxPool2d最大池化操作后的64×64像素图像，标记为IM3；

(22)第一个尺度的特征提取模块中将IM1作为多卷积网络的输入进行卷积核为4×4的计算获得C11，将C11进行卷积核为1×1的点卷积增加通道数和7×7的深度卷积计算获得C12，将C12进行相同的卷积计算获得C13，将C13再进行相同的卷积计算获得C14，将C14进行卷积核为1×1的点卷积减少通道数和7×7的深度卷积计算获得C15，将C15进行卷积核为1×1的点卷积增加通道数和7×7的深度卷积计算获得C16，将C16进行相同的卷积计算获得C17；第二个尺度的特征提取模块中将IM2作为多卷积网络的输入进行卷积核为4×4的计算获得C21，将C21进行卷积核为1×1的点卷积增加通道数和5×5的深度卷积计算获得C22，将C22进行相同的卷积计算获得C23，将C23再进行相同的卷积计算获得C24，将C24进行卷积核为1×1的点卷积减少通道数和7×7的深度卷积计算获得C25，将C25进行卷积核为1×1的点卷积增加通道数和7×7的深度卷积计算获得C26，将C26进行相同的卷积计算获得C27；第三个尺度的特征提取模块中将IM3作为多卷积网络的输入进行卷积核为4×4的计算获得C31，将C31进行卷积核为1×1的点卷积增加通道数和3×3的深度卷积计算获得C32，将C32进行相同的卷积计算获得C33，将C33再进行相同的卷积计算获得C34，将C34进行卷积核为1×1的点卷积减少通道数和3×3的深度卷积计算获得C35，将C35进行卷积核为1×1的点卷积增加通道数和3×3的深度卷积计算获得C36，将C36进行相同的卷积计算获得C37；

(23)将通过三个尺度的特征提取模块获得的特征图C17、C27和C37通过concatenate操作进行特征融合获得R1，将R1通过通道注意力机制重新调整各特征通道所占权重，将高维度的特征进行合理的重组获得R2；

(24)将R2输入到平均池化层、全连接层和Softmax激活函数，输出分类结果；

(3)训练MS-PLNet叶斑病识别网络，将经过预处理后的训练集通过搭建好的MS-PLNet叶斑病识别网络，对得到的预测结果与真实标签进行对比计算分类损失，通过动量梯度下降算法更新模型参数，获得用于叶斑病识别的MS-PLNet模型；

(4)绿豆叶斑病识别，将验证集中的图像输入到步骤(3)训练好的MS-PLNet模型中评估模型的性能，将测试集中的图像输入到训练好的模型中通过前向传播得到该图像的叶片病害类型。

2.根据权利要求1所述的基于MS-PLNet模型绿豆叶斑病识别方法，其特征在于，步骤(1)所述图像为用普通相机拍摄的绿豆叶片图像，对全部叶片图像进行数据增强，包括随机光照变换、左右翻转、上下翻转、对角线翻转、随机裁剪。

3.一种基于MS-PLNet模型绿豆叶斑病识别装置，包括存储器、处理器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，所述计算机程序被加载至处理器时实现根据权利要求1至2任一项所述的基于MS-PLNet模型绿豆叶斑病识别方法。