1.一种基于区块链的在线教育方法，其特征在于，所述方法包括：
步骤s100：获取在线学习的学习图像数据，并将各所述学习图像数据作数据整合并生成学习图像数据集；
步骤s200：基于所述学习图像数据集对所述学习图像数据集作图像增强处理并生成增强后的增强学习图像；
步骤s300：将所述增强学习图像导入至预设的在线学习模型库中，并将所述增强学习图像依序存储，在存储完成后生成网络可导入指令；
步骤s400：根据所述网络可导入指令生成网络载入界面，并在所述网络载入界面上设置网络载入端口，所述网络载入端口用于使载入不同的网络，基于区块链技术将经所述网络载入端口载入的信息哈希上链。
2.根据权利要求1所述的基于区块链的在线教育方法，其特征在于，所述学习图像数据集为图像超解析度重建数据集；
步骤s200：基于所述学习图像数据集对所述学习图像数据集作图像增强处理并生成增强后的增强学习图像，具体包括：
步骤s210：从所述学习图像数据集的图像中的不同位置随机裁剪出若干张预设大小的图像，并将这些图像组建为图像增容数据集；对所述图像增容数据集中的图像使用双立方插值方法，筛选距离预设像素最近的m个像素点作为运算其在目标图像中的像素的参数，将图像的宽高尺寸缩减至原始尺寸的一半，得到低解析度图像增容数据集；对所述低解析度图像增容数据集中的图像进行归一化处理，然后通过伽玛变换生成非线性的低对比度图像，得到低解析度低对比度图像增容数据集；
步骤s220：构建图像增强网络，并基于所述图像增强网络对所述图像增强网络进行训练直至所述图像增强网络收敛，保存学习好的图像增强网络；
步骤s230：将待增强的图像输入学习好的图像增强网络的第一卷积层进行卷积运算，获取图像的浅层特征；然后通过残差网络中的跳跃连接，将获取的浅层特征输入到卷积稠密残差模块进行运算，最后一个卷积稠密残差模块输出的特征图，经过第二卷积层卷积运算后，通过残差结构与浅层特征连接，并进行全局残差学习，其中，输出特征图数量是目标放大图像倍数的二次方的整数倍；经过全局残差学习之后，再通过亚像素卷积层对特征图进行上采样，将特征图尺寸增大到目标尺寸，最后经过第三卷积层将特征图输出为增强后的增强学习图像。
3.根据权利要求2所述的基于区块链的在线教育方法，其特征在于，所述图像增强网络包括依次连接的第一卷积层、若干个卷积稠密残差模块、第二卷积层、亚像素卷积层以及第三卷积层，各个卷积稠密残差模块进行跨层连接，第一卷积层与第二卷积层具有相同的卷积核数量；其中，所述卷积稠密残差模块又包括卷积层和稠密残差单元，稠密残差单元之前的卷积层用于对输入进行维度的调整；其中，稠密残差单元又包括n个卷积层，在同一稠密残差单元内的任意两个卷积层之间均可直接连接，每一层都从同一稠密残差单元内的所有先前层获取数据；
步骤s220：构建图像增强网络，并基于所述图像增强网络对所述图像增强网络进行训练直至所述图像增强网络收敛，保存学习好的图像增强网络；具体包括：
步骤s221：累加前几层的特征图，增加特征图的数量，同时将第一层卷积层和最后一层卷积层的输出进行残差连接，所述稠密残差单元中的卷积层包含卷积处理和激活处理，所述激活处理采用抑制其最大值激活函数；
步骤s222：除所述亚像素卷积外，所有卷积层在卷积时均对特征图进行边缘补零处理；
步骤s223：将低解析度低对比度图像增容数据集中的图像批量输入所述图像增强网络进行学习，直至所述图像增强网络收敛，保存学习好的图像增强网络。
4.根据权利要求2所述的基于区块链的在线教育方法，其特征在于，步骤s230中将待增强的图像输入学习好的图像增强网络的第一卷积层基于以下公式进行卷积运算：
公式为：
其中，f(τ)和g(x-τ)为图像增强网络的第一卷积层中的两个可积函数。
5.根据权利要求1-4任一项所述的基于区块链的在线教育方法，其特征在于，所述方法还包括：
步骤s510：在载入不同的网络后，生成在校教育评测界面，所述在校教育评测界面上设有多个评测反馈文件；
步骤s520：获取输入至所述评测反馈文件的评测反馈结果，并基于所述评测反馈结果生成评测反馈报告；
步骤s530：将所述评测反馈报告发送至预设的报告接收端口，其中，所述报告接收端口为在线测评平台的后台工作人员的信息接收端口。
6.一种基于区块链的在线教育平台，其特征在于，所述平台包括：
图像数据获取模块，用于获取在线学习的学习图像数据，并将各所述学习图像数据作数据整合并生成学习图像数据集；
增强学习模块，用于基于所述学习图像数据集对所述学习图像数据集作图像增强处理并生成增强后的增强学习图像；
依序存储模块，用于将所述增强学习图像导入至预设的在线学习模型库中，并将所述增强学习图像依序存储，在存储完成后生成网络可导入指令；
网络载入模块，用于根据所述网络可导入指令生成网络载入界面，并在所述网络载入界面上设置网络载入端口，所述网络载入端口用于使载入不同的网络，基于区块链技术将经所述网络载入端口载入的信息哈希上链。
7.根据权利要求6所述的基于区块链的在线教育平台，其特征在于，所述增强学习模块包括：
图像增容模块，用于从所述学习图像数据集的图像中的不同位置随机裁剪出若干张预设大小的图像，并将这些图像组建为图像增容数据集；对所述图像增容数据集中的图像使用双立方插值方法，筛选距离预设像素最近的m个像素点作为运算其在目标图像中的像素的参数，将图像的宽高尺寸缩减至原始尺寸的一半，得到低解析度图像增容数据集；对所述低解析度图像增容数据集中的图像进行归一化处理，然后通过伽玛变换生成非线性的低对比度图像，得到低解析度低对比度图像增容数据集；
网络收敛模块，用于构建图像增强网络，并基于所述图像增强网络对所述图像增强网络进行训练直至所述图像增强网络收敛，保存学习好的图像增强网络；
图像学习模块，用于将待增强的图像输入学习好的图像增强网络的第一卷积层进行卷积运算，获取图像的浅层特征；然后通过残差网络中的跳跃连接，将获取的浅层特征输入到卷积稠密残差模块进行运算，最后一个卷积稠密残差模块输出的特征图，经过第二卷积层卷积运算后，通过残差结构与浅层特征连接，并进行全局残差学习，其中，输出特征图数量是目标放大图像倍数的二次方的整数倍；经过全局残差学习之后，再通过亚像素卷积层对特征图进行上采样，将特征图尺寸增大到目标尺寸，最后经过第三卷积层将特征图输出为增强后的增强学习图像。
8.根据权利要求6所述的基于区块链的在线教育平台，其特征在于，所述网络收敛模块包括：
累加特征模块，用于累加前几层的特征图，增加特征图的数量，同时将第一层卷积层和最后一层卷积层的输出进行残差连接，所述稠密残差单元中的卷积层包含卷积处理和激活处理，所述激活处理采用抑制其最大值激活函数；
亚像素卷积模块，用于除所述亚像素卷积外，所有卷积层在卷积时均对特征图进行边缘补零处理；
批量输入模块，用于将低解析度低对比度图像增容数据集中的图像批量输入所述图像增强网络进行学习，直至所述图像增强网络收敛，保存学习好的图像增强网络。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。