1.一种基于叶绿素荧光成像及DB-YOLOv7的绿豆叶斑病检测方法，其特征在于，包括以下步骤：(1)预先获取绿豆叶片的叶绿素荧光图像，通过人工标注制作绿豆叶斑病数据集，并划分为训练集、验证集和测试集；

(2)构建基于DB-YOLOv7的绿豆叶斑病检测模型；包括用于特征提取的动态空间卷积池化金字塔模块DSPP和增强特征提取的网络模块BcFPN，并且引入了CA注意力机制模块；

(3)基于训练集和验证集对基于DB-YOLOv7的绿豆叶斑病检测模型进行训练和评价；

(4)将测试集图像输入至训练后的基于DB-YOLOv7的绿豆叶斑病检测模型进行识别，实现绿豆叶斑病检测；

步骤(2)所述动态空间卷积池化金字塔模块DSPP包括7个ODC卷积和6个卷积核大小为3×3的普通卷积，其中ODC卷积是在全维动态卷积ODConv的基础上进行优化；具体就是将ReLU激活函数替换成了GeLU激活函数，解决梯度消失问题；所述ODC卷积包括全局平均池化层GAP、全连接层FC、GeLU激活函数、sigmoid激活函数、softmax函数以及针对卷积核Wi的空域位置权重αsi、输入通道权重αci、输出通道权重αfi、核权重αwi，通过并行策略引入一种多维注意力机制以对卷积核空间的四个维度学习更灵活的注意力；

步骤(2)所述动态空间卷积池化金字塔模块DSPP工作过程如下：

输入的特征图Fin，其长、宽、通道数分别为H、W、C；Fin先分别经过三次ODC卷积和一次ODC卷积得到H×W×C/2的特征图F1、F2，然后F1经过1个、2个、3个卷积核大小为3×3的普通卷积和一个无处理的连接得到四个H×W×C/2的特征图，分别为F11、F12、F13、F14，计算过程如下：Fin＝H×W×C (1)

F1＝ODC(ODC(ODC(Fin))) (2)

F2＝ODC(Fin) (3)

F11＝Conv(F1) (4)

F12＝Conv(Conv(F1)) (5)

F13＝Conv(Conv(Conv(F1))) (6)

F14＝F1 (7)

再将F11、F12、F13、F14做通道拼接操作得到H×W×2C的特征图F3，再将特征图F3经过两个ODC卷积得到H×W×C/2的特征图，然后将F2、F3做通道拼接操作得到H×W×C的特征图F4，最后将特征图F4经过一个ODC卷积得到H×W×C/2的特征图Fout，计算过程如下：F3＝cat(F11；F12；F13；F14) (8)

F4＝cat(F2；F3) (9)

Fout＝ODC(F4) (10)；

步骤(2)所述增强特征提取的网络模块BcFPN采用广义特征金字塔网络结构，跨尺度特征融合方法对特征信息进行融合；所述跨尺度特征融合方法包括三种方式：各尺度的节点同时对其上一个、斜上方以及斜下方三个节点进行特征融合；各尺度的节点同时对其跨一层的斜下方节点进行特征融合；对前一层与当前层的特征进行融合并建立跳层连接；

步骤(2)所述CA注意力机制模块是在主干特征提取网络之后引入，用于位置信息嵌入和坐标信息特征图生成，增强特征中的重要通道和空间特征信息。

2.根据权利要求1所述的基于叶绿素荧光成像及DB-YOLOv7的绿豆叶斑病检测方法，其特征在于，所述步骤(1)实现过程如下：利用FluorCam叶绿素荧光成像技术对发病后的绿豆叶片进行叶绿素荧光成像数据采集；按照病情指数进行抗性划分；通lableimg软件实现对叶片抗病等级的标注；对绿豆叶斑病数据集进行划分，将其按照8:1:1的比例划分为训练集、验证集和测试集。

3.根据权利要求1所述的基于叶绿素荧光成像及DB-YOLOv7的绿豆叶斑病检测方法，其特征在于，所述步骤(3)实现过程如下：利用划分后的训练集和验证集对基于DB-YOLOv7的绿豆叶斑病检测模型进行训练与评价，保留训练所得最佳权重作为网络最终的权重，得到能够精确检测绿豆叶片抗病等级的网络模型。