1.一种大豆叶面积测算方法，其特征在于，所述方法包括：

构建大豆叶子单张多视角图像‑单张扫描图配对数据集，划分出训练集；

构建基于Swin Transformer的主干网络模型，所述主干网络模型包括第一提取模块、第二提取模块和生成模块，所述生成模块通过聚合第一提取模块提取的初级特征和第二提取模块提取的高级特征生成最终的图像；

利用训练集对主干网络模型进行训练，得到训练好的主干网络模型；

获取待处理的大豆叶子多视角图像，并进行预处理；

将预处理后的大豆叶子多视角图像输入训练好的主干网络模型，生成大豆叶子正面的平铺图；

利用大豆叶子正面的平铺图，得到叶像素面积，所述叶像素面积是指图像中以像素为单位的叶子轮廓内部面积；

获取输入的叶子实际长度，根据叶像素面积和叶子实际长度，计算叶面积；

所述构建大豆叶子单张多视角图像‑单张扫描图配对数据集，划分出训练集，具体包括：获取户外自然田中多个不同品种和株系的自然生长环境下的大豆叶子原始图像，所述原始图像包括多视角图像和扫描图像，所述大豆叶子选取的是完整、成型、纹路清晰、非枯黄的叶子，且同一片大豆叶子有不同数量的多视角图像；

将原始图像进行筛选和清洗，并对筛选和清洗后图像进行预处理，构建大豆叶子单张多视角图像‑单张扫描图配对数据集；

根据大豆叶子单张多视角图像‑单张扫描图配对数据集中的大豆叶子图像数据，划分出训练集；

所述对筛选和清洗后的图像进行预处理，具体包括：

针对筛选和清洗后图像中的每张多视角图像，使用HSV背景净化法和grabCut函数背景净化法净化多视角图像背景，将净化图像依次进行灰度化、二值化，查找出叶子轮廓的最大外接矩形，并裁剪出紧密包裹住叶子的正方形区域；

针对筛选和清洗后图像中的每张扫描图像，将扫描图像作为输入图像依次进行灰度化、二值化，得到第一掩膜；将二值化图像按位取反，得到反转后的第二掩膜；生成一个与输入图像同大小的灰色背景图像；将输入图像进行按位与操作，采用第二掩膜，得到前景图像；将灰色背景图像进行按位与操作，采用第一掩膜，得到背景图像；将前景图像和背景图像相加，得到背景为灰色的叶子图像；使用findContours函数和第二掩膜从灰色的叶子图像中提取叶子轮廓信息；查找出叶子轮廓的最大外接矩形；裁剪出矩形区域；以最大外接矩形的较长边为边长，创建一个灰色正方形背景图像；将灰色正方形背景图像的中间部分替换为矩形区域，变为第一掩膜，调整大小得到最终处理的结果。

2.根据权利要求1所述的大豆叶面积测算方法，其特征在于，所述第一提取模块包括第一卷积层，使用第一卷积层提取初级特征，并通过残差连接将初级特征传送到生成模块。

3.根据权利要求1所述的大豆叶面积测算方法，其特征在于，所述第二提取模块包括若干个残差Swin Transformer块和一个第二卷积层，若干个残差Swin Transformer块依次连接，且最后一个Swin Transformer块与第二卷积层连接，所述第二卷积层将卷积运算的归纳偏置引入主干网络模型；

每个残差Swin Transformer块包括若干个Swin Transformer层和一个第三卷积层，若干个Swin Transformer层依次连接，且最后一个Swin Transformer层与第三卷积层连接，每个Swin Transformer层包括两次“LayerNorm+MSA+残差连接”操作。

4.根据权利要求1所述的大豆叶面积测算方法，其特征在于，所述主干网络模型的损失函数包括像素损失、感知损失和生成对抗网络损失，表示如下式：；

其中，λ、η、μ是可调节的超参数，L1为像素损失，Lperceptual为感知损失，Lgan为生成对抗网络损失；

所述像素损失计算的是实际值与目标值之间绝对差值，如下式：

；

其中，Iout为生成的图像，Igt为多视角图像相对应的叶子扫描图像；

所述感知损失为各层像素损失与其权重乘积的和，如下式：

；

其中，Φq(·)表示VGG‑19中第q层特征提取的输出结果，γq表示第q层损失函数的权重；

所述生成对抗网络损失中引入了一个判别器用来对生成的图像Iout进行处理，并和一个目标张量进行二分类交叉熵损失的计算，如下式：；

其中，ζ是网络预测图像是真实扫描图像的概率，ρ是图像标签。

5.根据权利要求1‑4任一项所述的大豆叶面积测算方法，其特征在于，所述利用大豆叶子正面的平铺图，得到叶像素面积，具体为：根据大豆叶子正面的平铺图，利用contourArea函数计算轮廓像素点围成区域的面积，得到叶像素面积；

所述根据叶像素面积和叶子实际长度，计算叶面积，如下式：

；

其中，L’为叶子实际长度，S为叶像素面积，S’为叶面积。

6.一种大豆叶面积测算系统，其特征在于，所述系统包括：

数据集构建单元，用于构建大豆叶子单张多视角图像‑单张扫描图配对数据集，划分出训练集；

主干网络模型构建单元，用于构建基于Swin Transformer的主干网络模型，所述主干网络模型包括第一提取模块、第二提取模块和生成模块，所述生成模块通过聚合第一提取模块提取的初级特征和第二提取模块提取的高级特征生成最终的图像；

模型训练单元，用于利用训练集对主干网络模型进行训练，得到训练好的主干网络模型；

图像获取单元，用于获取待处理的大豆叶子多视角图像，并进行预处理；

平铺图生成单元，用于将预处理后的大豆叶子多视角图像输入训练好的主干网络模型，生成大豆叶子正面的平铺图；

叶像素面积获取单元，用于利用大豆叶子正面的平铺图，得到叶像素面积，所述叶像素面积是指图像中以像素为单位的叶子轮廓内部面积；

叶面积计算单元，用于获取输入的叶子实际长度，根据叶像素面积和叶子实际长度，计算叶面积；

所述构建大豆叶子单张多视角图像‑单张扫描图配对数据集，划分出训练集，具体包括：获取户外自然田中多个不同品种和株系的自然生长环境下的大豆叶子原始图像，所述原始图像包括多视角图像和扫描图像，所述大豆叶子选取的是完整、成型、纹路清晰、非枯黄的叶子，且同一片大豆叶子有不同数量的多视角图像；

将原始图像进行筛选和清洗，并对筛选和清洗后图像进行预处理，构建大豆叶子单张多视角图像‑单张扫描图配对数据集；

根据大豆叶子单张多视角图像‑单张扫描图配对数据集中的大豆叶子图像数据，划分出训练集；

所述对筛选和清洗后的图像进行预处理，具体包括：

针对筛选和清洗后图像中的每张多视角图像，使用HSV背景净化法和grabCut函数背景净化法净化多视角图像背景，将净化图像依次进行灰度化、二值化，查找出叶子轮廓的最大外接矩形，并裁剪出紧密包裹住叶子的正方形区域；

针对筛选和清洗后图像中的每张扫描图像，将扫描图像作为输入图像依次进行灰度化、二值化，得到第一掩膜；将二值化图像按位取反，得到反转后的第二掩膜；生成一个与输入图像同大小的灰色背景图像；将输入图像进行按位与操作，采用第二掩膜，得到前景图像；将灰色背景图像进行按位与操作，采用第一掩膜，得到背景图像；将前景图像和背景图像相加，得到背景为灰色的叶子图像；使用findContours函数和第二掩膜从灰色的叶子图像中提取叶子轮廓信息；查找出叶子轮廓的最大外接矩形；裁剪出矩形区域；以最大外接矩形的较长边为边长，创建一个灰色正方形背景图像；将灰色正方形背景图像的中间部分替换为矩形区域，变为第一掩膜，调整大小得到最终处理的结果。

7.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1‑5任一项所述的大豆叶面积测算方法。

8.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求

1‑5任一项所述的大豆叶面积测算方法。