1.一种基于多阶段训练的农作物病害长尾图像识别方法，其特征在于，该方法具体包括以下步骤：

S1：获取长尾分布的农作物病害数据集，记为原始数据集；

S2：对原始数据集进行处理，使用CutMix进行数据增强，得到增强数据集；

S3：对原始数据集进行处理，使用平衡采样方法进行采样，得到平衡数据集；

S4：搭建深度卷积神经网络模型；

S5：训练第一阶段，先使用原始的数据集输入到步骤S4搭建的深度卷积神经网络模型中进行训练，使CNN模块学习到原始的数据分布，第一阶段训练完成后保留训练后的模型；

S6：训练第二阶段，加载第一阶段训练后保存的模型，将增强数据集输入模型进行第二阶段的训练，完成第二阶段的训练后保留模型；

S7：训练第三阶段，加载第二阶段训练后保存的模型，冻结CNN模块的参数更新，只更新DNN全连接层网络参数，使用平衡数据集作为输入进行第三阶段的训练，完成第三阶段的训练后保存模型。

2.根据权利要求1所述的农作物病害长尾图像识别方法，其特征在于，步骤S1中，所述原始数据集是在自然环境中拍摄的实际数据，未经过人工平衡等处理环节，是不均衡的原始数据集。

3.根据权利要求1所述的农作物病害长尾图像识别方法，其特征在于，步骤S2中，所述增强数据集是经过CutMix增强后所获得的数据集，表示为：xmix＝M⊙xa+(1‑M)⊙xbymix＝λya+(1‑λ)yb其中，xa和xb是采样自同一训练批次的两个图像样本，ya和yb是其对应的标签值；从xa中裁剪一定大小的区域填充到xb中，M为进行裁剪的二进制掩码，裁剪区域为1其他区域为0；λ为服从(0,1)均匀分布的随机数，其中M中裁剪区域的大小随λ进行变化。

4.根据权利要求1所述的农作物病害长尾图像识别方法，其特征在于，步骤S4中，搭建的深度卷积神经网络模型中，卷积模块使用Resnet网络结构，分类模块使用DNN作为分类器，使用Cross Entropy作为损失函数。