1.一种基于改进深度学习的车型识别方法，其特征在于，包括：对交通卡口车辆数据集进行切割整理分类，得到分类数据，所述分类数据包括训练集、验证集和测试集；所述对交通卡口车辆数据集进行切割整理分类，得到分类数据，具体包括：

对交通卡口图片进行定位切割，得到单独的正面车辆图片；

对各所述正面车辆图片按照相同车型类别进行整理，得到样本数据集，所述车型类别包括大卡车、小轿车、SUV、客车、面包车和小卡车；

对所述样本数据集进行按比例划分，得到训练集、验证集和测试集；

根据所述训练集对改进的深度学习EfficientNet网络进行训练，得到训练后的深度学习网络，所述改进的深度学习EfficientNet网络的训练基于调整网络深度、宽度以及分辨率之间的平衡关系；改进的EfficientNet网络包括1个深度可分离卷积和5个MBConv；改进的EfficientNet网络结构中深度可分离卷积层，将空间特征学习和通道特征学习分开，每一个通道都是相互独立的；在每一个MBConv中都有一个SK模块，SK模块是一种soft attention机制，可以直接嵌入到模型中进行训练，可以使网络可以根据输入信息的多个尺度自适应的调节接受域大小，也就是使网络在提取特征时加强提取有效特征，压缩无效特征；

根据所述验证集对所述训练后的深度学习网络进行优化，得到最优深度学习网络；

将所述测试集输入至所述最优深度学习网络进行识别，采用softmax分类器分类，得到网络识别结果，所述网络识别结果包括：大卡车、小轿车、SUV、客车、面包车和小卡车的识别精度。

2.根据权利要求1所述的基于改进深度学习的车型识别方法，其特征在于，所述根据所述训练集对深度学习网络进行训练，得到训练后的深度学习网络，具体包括：根据所述训练集对所述深度学习网络中的网络深度、宽度和分辨率进行调整，得到调整后的网络深度相关参数、宽度相关参数和分辨率相关参数；

根据所述网络深度相关参数、所述宽度相关参数和所述分辨率相关参数，得到训练后的深度学习网络。

3.根据权利要求1所述的基于改进深度学习的车型识别方法，其特征在于，所述根据所述验证集对所述训练后的深度学习网络进行优化，得到最优深度学习网络，具体包括：根据所述验证集反复调整网络迭代次数和所述训练后的深度学习网络的学习率，得到最优深度学习网络。

4.一种基于改进深度学习的车型识别系统，其特征在于，包括：分类模块，用于对交通卡口车辆数据集进行切割整理分类，得到分类数据，所述分类数据包括训练集、验证集和测试集；所述分类模块，具体包括：定位切割单元，用于对交通卡口图片进行定位切割，得到单独的正面车辆图片；

整理单元，用于对各所述正面车辆图片按照相同车型类别进行整理，得到样本数据集，所述车型类别包括大卡车、小轿车、SUV、客车、面包车和小卡车；

划分单元，用于对所述样本数据集进行按比例划分，得到训练集、验证集和测试集；

训练模块，用于根据所述训练集对改进的深度学习EfficientNet网络进行训练，得到训练后的深度学习网络，所述改进的深度学习EfficientNet网络的训练基于调整网络深度、宽度以及分辨率之间的平衡关系；改进的EfficientNet网络包括1个深度可分离卷积和

5个MBConv；改进的EfficientNet网络结构中深度可分离卷积层，将空间特征学习和通道特征学习分开，每一个通道都是相互独立的；在每一个MBConv中都有一个SK模块，SK模块是一种soft attention机制，可以直接嵌入到模型中进行训练，可以使网络可以根据输入信息的多个尺度自适应的调节接受域大小，也就是使网络在提取特征时加强提取有效特征，压缩无效特征；

优化模块，用于根据所述验证集对所述训练后的深度学习网络进行优化，得到最优深度学习网络；

识别模块，用于将所述测试集输入至所述最优深度学习网络进行识别，采用softmax分类器分类，得到网络识别结果，所述网络识别结果包括：大卡车、小轿车、SUV、客车、面包车和小卡车的识别精度。

5.根据权利要求4所述的基于改进深度学习的车型识别系统，其特征在于，所述训练模块，具体包括：

参数调整单元，用于根据所述训练集对改进的深度学习EfficientNet网络中的网络深度、宽度和分辨率进行调整，得到调整后的网络深度相关参数、宽度相关参数和分辨率相关参数；

训练后的深度学习网络确定单元，用于根据所述网络深度相关参数、所述宽度相关参数和所述分辨率相关参数，得到训练后的深度学习网络。

6.根据权利要求4所述的基于改进深度学习的车型识别系统，其特征在于，所述优化模块，具体包括：

优化单元，用于根据所述验证集反复调整网络迭代次数和所述训练后的深度学习网络的学习率，得到最优深度学习网络。