1.一种基于高光谱图像的柑橘果实病害识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于高光谱图像的柑橘病害识别方法，其特征在于：所述步骤2中的黑白校正基于以下公式完成：
3.根据权利要求1所述的一种基于高光谱图像的柑橘病害识别方法，其特征在于：所述步骤3中的感兴趣光谱波长为413,431,437,442,444,460,463,468,473,516,532,534,564,566,569,585,588,591,593,596,601,604,607,639,642,644,652,658,688,729,734,739,742,745,750,753,759,770,792,808,814,819,880,964总共44个波长，单位为nm，其余波长的数据删除，重新组成高光谱图像。
4.根据权利要求1所述的一种基于高光谱图像的柑橘果实病害识别方法，其特征在于：所述步骤4中使用掩膜对x1进行背景去除，背景区光谱值设置为0，得到x2：具体的背景去除过程为使用百度飞桨的eiseg分割工具得到高光谱图像数据的腌膜，然后通过python3.9使用torch库将高光谱图像与腌膜文件做矩阵运算，去除背景。
5.根据权利要求1所述的一种基于高光谱图像的柑橘果实病害识别方法，其特征在于：所述步骤5具体的高光谱图像的裁剪使用python3.9完成，具体的步骤为寻找图像中样本的上下左右最极值的像素点，求得图像矩形轮廓，以长度为基准，对宽度两侧均匀添加像素点为0的背景，获得柑橘果实样本的正方形图像。
6.根据权利要求1所述的一种基于高光谱图像的柑橘果实病害识别方法，其特征在于：所述步骤7输入的数据输入模型前长宽调整为224*224。
7.根据权利要求1所述的一种基于高光谱图像的柑橘果实病害识别方法，其特征在于：所述步骤7的柑橘果实病害的识别模型包括光谱处理模块和图像处理模块。
8.根据权利要求7所述的光谱处理模块，其特征在于：对于输入的图像，使用全局平均池化，将输入的图像调整为1×1×44，通过全连接层调整为1×1×224，输入seblock模块提取注意力，提取因子为0.25，维度和大小不变，然后输入双向lstm，隐藏层为4，输出1×8的模型参数。
9.根据权利要求7所述的图像处理模块，其特征在于：
10.根据权利要求8所述的seblock模块，其特征在于：具体为对输入数据input首先通过全局平均池化得到1×1×c，然后通过全连接层将通道降维为通道数除以提取因子得到1×c/r，激活函数为relu，紧接着使用全连接层恢复原来通道数1×c，激活函数为sigmoid，得到的1×c与输入数据相乘，得到输出数据output。
11.根据权利要求10所述的basicblock模块，其特征在于：输入的数据input经过两层堆叠的卷积块，卷积块具体为第一步进行卷积，卷积核为3×3，步长为3，第二步进行批归一化，第三步使用激活函数relu。