1.一种基于深度学习的柑橘病虫害智能诊断方法，其特征在于，包括以下步骤： 步骤1：基于专家经验建立6类柑橘病害的图像数据集； 该6类柑橘病害是指：黄龙病、炭疽病、溃疡病、黑星病、砂皮病和疮痂病； 步骤2：采用6类柑橘病害的图像数据集对卷积网络进行训练； 从数据集中随机抽取图像组成训练集、验证集和测试集，每个类别的比例为6:2:2；使用五种数据增强的方法扩充训练集和测试集，利用增强后的训练集和验证集对简化的DenseNet网络进行训练，保存模型至系统中；并利用测试集对模型的性能进行评价； 步骤3：在微信小程序的基础上建立了柑橘病诊断系统，用户使用小程序上传图像，通过上传的训练好的卷积网络模型进行诊断，返回智能诊断结果及病虫害防治建议给用户。 2.根据权利要求1所述的基于深度学习的柑橘病虫害智能诊断方法，其特征在于，使用5种方法来增强训练集和测试集:水平翻转、垂直翻转、水平-垂直翻转、增加亮度和对比度； 其中，增加亮度和对比度的公式为: dst＝img1×α+img2×β+γ； 其中dst为目标图像，为原图img1与img2的线性组合；img1与img2是两个大小相同的图像，通过改变α,β,γ的值来改变图像的对比度和亮度，img1为原始图像，img2为与原始图像大小相同的图像，所有像素值均为0，增加图像的对比度的参数为：α＝1.5，β＝3，γ＝0；增加图像的亮度的参数为：α＝1，β＝2，γ＝40；通过数据增强的方法扩充训练集和验证集能缓解过拟合问题。 3.根据权利要求1所述的基于深度学习的柑橘病虫害智能诊断方法，其特征在于，使用简化的DenseNet-201网络进行实验；DenseNet-201由4个稠密块(Dense block)组成，其中每个Dense block是由瓶颈层(Bottleneck layers)的结构组成，瓶颈层的结构是1×1的卷积层后接上3×3的卷积，DenseNet-201的Dense block的详细结构是由BN-ReLU-Conv(1×1)-BN-ReLU-Conv(3×3)组成，其中BN代表的批标准化(Batch Normalization)，ReLU代表线性整流函数，Conv(1×1)代表1×1的卷积层，在最后一个Dense Block中删除了5个瓶颈层结构，并添加了批标准化(Batch Normalization)，激活函数(activation function)，全局平均池化(global average pooling)和归一化指数函数(softmax)，这些网络层已经证明能有效的应用于卷积神经网络，最后形成简化DenseNet。 4.根据权利要求1所述的的基于深度学习的柑橘病虫害智能诊断方法，其特征在于，将微信小程序与卷积网络相结合，实现在智能手机上的柑橘病虫害在线识别功能； 用户将拍摄的柑橘病害照片上传至柑橘病诊断系统中，系统在服务器端通过上传的模型进行识别；系统将柑橘病害的智能诊断结果反馈给智能手机；诊断结果包括：病害的相关信息和相应的治疗方案。 5.一种基于深度学习的柑橘病虫害智能诊断系统，其特征在于，包括MUC，在MCU中，采用权利要求1-4任一项所述的基于深度学习的柑橘病虫害智能诊断方法实现柑橘病虫害的智能诊断。
