1.一种基于卷积神经网络的苹果叶片病害识别的方法，其特征在于，包括以下步骤：S1：对样本进行预处理

将获取的样本进行分类，并裁剪为224*224，进行归一化处理；

S2：搭建卷积神经网络模型

基于VGG16卷积神经网络模型，搭建包含归一化层和全局平均池化层的改进的卷积神经网络模型；

S3：训练卷积神经网络模型

初始化神经网络中各个层的参数，输入训练样本进行训练，并保存训练好的模型；

S4：对测试样本进行预测并输出

调用S3中保存好的模型，对测试样本进行预测，并计算识别准确率。

2.根据权利要求1所述的一种卷积神经网络的苹果病害识别方法，其特征在于，所述步骤S1包含以下子步骤：S1-1：将获取的样本分为训练集和测试集，所述训练集和测试集均包含4种类别，并将训练集和测试集中的样本裁剪为224*224的图片；

S1-2：对样本进行归一化处理。

3.根据权利要求1所述的一种卷积神经网络的苹果病害识别方法，其特征在于，所述步骤S2搭建卷积神经网络包含以下子步骤：S2-1：基于VGG16卷积神经网络模型，搭建改进的卷积神经网络的卷积基层，所述卷积基层包括13个卷积层和5个最大池化层；

S2-2：添加全局平均池化层，全局平均池化层与卷积基层的最后一个卷积层连接；

S2-3：在全局平均池化层后添加批归一化层；

S2-4：使用Adam优化算法对模型进行求解。

4.根据权利要求1所述的一种卷积神经网络的苹果病害识别方法，其特征在于，所述步骤S3训练卷积神经网络模型包含以下子步骤：S3-1：卷积基层的初始参数采用VGG16模型在ImageNet数据集上训练好的参数，上层参数初始化为零；

S3-2：将训练集输入改进的卷积神经网络，进行参数更新，保存训练好的卷积神经网络结构和参数。

5.根据权利要求3所述的一种卷积神经网络的苹果病害识别方法，其特征在于，所述步骤S2-3的算法步骤如下：输入：批处理输入x:β＝{x1,...,m}，式中x为输入变量，m为最小批次大小，β为引入的可学习重构参数；

输出：归一化后的网络响应{yi＝BNγ,β(xi)}，式中y为输出变量，γ为引入的可学习重构参数；

(1)计算批处理数据均值，计算公式为：式中，μβ为批处理数据的均值；

(2)计算批处理数据方差，计算公式为：式中， 为批处理数据方差；

(3)归一化，计算公式为：

式中，ε为误差；

(4)尺度变换和偏移，计算公式为：

yi＝γxi+β＝BNγ,β(xi)

(5)返回学习参数。

6.根据权利要求3所述的一种卷积神经网络的苹果病害识别方法，其特征在于，所述Adam优化算法的步骤如下：(1)计算梯度的一阶矩估计和二阶矩估计，计算公式为：式中，gt为梯度，其中mt为梯度的第一时刻平均值，vt为梯度的第二时刻非中心方差值，β1设为0.9，β2设为0.9999；

(2)对一阶矩估计和二阶矩估计的校正，计算公式为：(3)参数更新的最终公式为，计算公式为：式中，θt为更新的参数，η为学习率，ε设为1e-8。

7.根据权利要求1-6任一项所述的一种卷积神经网络的苹果病害识别方法，其特征在于，所述改进的卷积神经网络包含1个归一化层、1个全局平均池化层和1个全连接层。

8.根据权利要求1-6任一项所述的一种卷积神经网络的苹果病害识别方法，其特征在于，所述13个卷积层的卷积核大小为3×3，步长为2，所述最大池化层大小为2×2，步长为2。

9.根据权利要求4所述的一种卷积神经网络的苹果病害识别方法，其特征在于，所述步骤S3-2采用BP算法训练所述改进的卷积神经网络模型。

10.根据权利要求4所述的一种卷积神经网络的苹果病害识别方法，其特征在于，所述步骤S3-2中，更新网络参数时，采用最小批量法计算网络误差和更新权重。