1.一种微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述微生物次级代谢产物制备过程产物产率评估方法包括以下步骤：步骤一，通过微观影像设备采集微生物微观影像；对微生物微观影像进行增强处理；并确定微生物类型；

步骤二，将马尔可夫链中的相关元素进行定义，使用微生物次级代谢产物制备过程中各阶段前后的菌种浓度、代谢产物浓度、营养物质浓度等参数经验值作为建模工具的输入变量并生成概率及生成初始概率，对概率数据进行分析确定其生成产物转移概率，建立产物产率的数学评估模型；

步骤三，通过产物产率的数学评估模型对微生物次级代谢产物制备过程产物产率评估；并对微生物代谢产物进行检测处理；

所述对微生物代谢产物进行检测处理方法：

获取离体的标本的微生物代谢产物检测数据；将微生物代谢产物检测数据上传至云服务器；对云服务器中的微生物代谢产物检测数据进行分析，得到分析结果；展示所述分析结果；

所述对云服务器中的微生物代谢产物检测数据进行分析，得到分析结果之后，以及展示所述分析结果之前，所述检测方法还包括：对所述分析结果进行干预，得到修正后的分析结果；所述展示所述分析结果，具体为：展示修正后的分析结果。

2.如权利要求1所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述对微生物微观影像进行增强处理方法如下：(1)采用第一回归网络模型对指定微生物微观影像进行处理，得到所述指定微生物微观影像的内容特征图；采用第二回归网络模型对所述指定微生物微观影像的梯度图进行处理，得到所述指定微生物微观影像的边缘特征图；

(2)采用融合处理模型，对所述内容特征图和所述边缘特征图进行融合处理，得到恢复微生物微观影像；

其中，所述第二回归网络模型包括：M个卷积块、与所述M个卷积块一一对应的M个反卷积块以及循环神经网络模型，所述M为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度相同，每个反卷积块包括的卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等，每个反卷积块包括的卷积处理层的尺度，与对应的卷积块所包括的卷积处理层的尺度相同；

所述采用第二回归网络模型对所述指定微生物微观影像的梯度图进行处理，得到所述指定微生物微观影像的边缘特征图，包括：采用所述M个卷积块依次对所述指定微生物微观影像的梯度图进行处理，得到中间梯度特征图；采用所述M个反卷积块依次对所述中间梯度特征图进行处理，得到第一特征图；

确定所述循环神经网络模型在不同梯度方向上的权重值；基于确定权重值的所述循环神经网络模型，对所述第一特征图进行处理，得到所述指定微生物微观影像的边缘特征图。

3.如权利要求2所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述第一回归网络模型包括：N个卷积块，以及与所述N个卷积块一一对应的N个反卷积块，所述N为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度相同，属于不同卷积块的任意两个卷积处理层的尺度不同，每个反卷积块包括的卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等，每个反卷积块包括的卷积处理层的尺度，与对应的卷积块所包括的卷积处理层的尺度相同；

所述采用第一回归网络模型对指定微生物微观影像进行处理，得到所述指定微生物微观影像的内容特征图，包括：采用所述N个卷积块依次对所述指定微生物微观影像进行处理，得到中间特征图；

采用所述N个反卷积块依次对所述中间特征图进行处理，得到所述内容特征图。

4.如权利要求2所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述N等于3；

所述N个卷积块包括第一卷积块、第二卷积块和第三卷积块，其中，所述第一卷积块包括：两个腐蚀卷积层和一个卷积层；所述第二卷积块包括：两个卷积层和一个下采样卷积层；所述第三卷积块包括：三个卷积层；

所述N个反卷积块包括第一反卷积块、第二反卷积块和第三反卷积块，其中，所述第一反卷积块包括：三个卷积层；所述第二反卷积块包括：一个反卷积层和两个卷积层；所述第三反卷积块包括：一个反卷积层和两个卷积层。

5.如权利要求2所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述第二回归网络模型中属于不同卷积块的任意两个卷积处理层的尺度不同。

6.如权利要求5所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述第二回归网络模型，还包括：下采样模型，所述下采样模型包括多个不同尺度的下采样卷积层；

所述确定所述循环神经网络模型在不同梯度方向上的权重值，包括：

采用所述多个不同尺度的下采样卷积层分别对叠加微生物微观影像进行处理，得到多个不同尺度的第二特征图，其中，所述叠加微生物微观影像为对所述指定微生物微观影像和所述梯度图进行叠加后得到的微生物微观影像；

对所述第一特征图和所述多个不同尺度的第二特征图进行分层处理，确定所述循环神经网络模型在不同梯度方向上的权重值。

7.如权利要求2所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述M等于3；

所述M个卷积块包括第四卷积块、第五卷积块和第六卷积块，其中，所述第四卷积块包括：两个卷积层和一个下采样卷积层；第五卷积块包括：两个卷积层和一个下采样卷积层；

第六卷积块包括：三个卷积层；

所述M个反卷积块包括第四反卷积块、第五反卷积块和第六反卷积块，其中，第四反卷积块包括：三个卷积层；第五反卷积块包括：一个反卷积层和两个卷积层；第六反卷积块包括：一个反卷积层和两个卷积层；

所述第一回归网络模型包括：N个卷积块，以及与所述N个卷积块一一对应的N个反卷积块；所述N为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度相同，属于不同卷积块的任意两个卷积处理层的尺度不同，每个反卷积块包括的卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等，每个反卷积块包括的卷积处理层的尺度，与对应的卷积块所包括的卷积处理层的尺度相同；

其中，所述第一回归网络模型中的每个反卷积块与所述第二回归网络模型中相同尺度的反卷积块相连；

所述融合处理模型包括多个卷积层；

所述采用融合处理模型，得到恢复微生物微观影像，包括：

将所述内容特征图和所述边缘特征图进行叠加；

采用所述多个卷积层对叠加后的微生物微观影像进行处理，得到所述恢复微生物微观影像。

8.如权利要求1所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述确定微生物类型方法如下：

1)将所述微生物中的至少一些施加到生长培养基测试板的测试表面，等待足以允许微生物生长以形成在所述测试表面上的时间，使用微生物微观影像捕获装置获取描绘该测试表面的至少一部分的可见光谱微生物微观影像；

2)提供计算机实施的预先训练的微生物微观影像分类器算法，所述微生物微观影像分类器算法被预先训练以基于描绘已知微生物的生长图案的可见光谱微生物微观影像确定微生物类型；

3)将所述微生物微观影像应用于该预先训练的微生物微观影像分类器算法以基于该微生物微观影像上可见的微生物生长图案确定微生物类型。

9.如权利要求8所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述该测试板包括至少两个并列的生长培养基区域，所述区域在该相应生长培养基的类型、颜色、浓度和组成中的至少一项上不同。

10.如权利要求8所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述确定方法还包括：在获取所述微生物微观影像之前以相对于该微生物微观影像捕获装置的预定取向布置该测试板，使得这些生长培养基区域在所述微生物微观影像中呈现预定取向；和/或重新定向所获取的微生物微观影像，使得这些生长培养基区域在所述微生物微观影像中呈现预定取向；

所述等待步骤包括将该微生物保持在温度受控的环境中，优选地保持在34至40摄氏度的恒定温度下；

该微生物微观影像捕获装置形成智能手机或平板电脑的一部分；

进一步包括将该测试板定位在微生物微观影像捕获支撑件的第一部分上并且将该微生物微观影像捕获装置定位在该微生物微观影像捕获支撑件的第二部分上，所述第二部分与该第一部分间隔开，其中，在该微生物微观影像捕获装置和该测试板定位在该微生物微观影像捕获支撑件上时执行该微生物微观影像的获取。