1.基于超轻量级全卷积神经网络的花卉识别方法，其特征在于：

首先，对收集的数据集做清洗与分割处理，采用OTSU算法将数据集中的彩色图像二值化，通过最大连通区域法来标记最大的连通区域，提取出连通区域的位置信息，生成矩阵掩码，并叠加回原始图片获得花卉的分割图；

然后，采用迁移学习的方法来训练重量级的花卉分类神经网络，对花卉的分割图进行筛选，将保留下来的花卉分割图构建成新的数据集；

最后，构建适用于弱算力平台的超轻量级的卷积神经网络，将新构建的数据集输入到其中进行训练，实现花卉识别分类。

2.基于超轻量级全卷积神经网络的花卉识别方法，其特征在于包括以下步骤：步骤1：提出一种自动化花卉数据有效增广方法，得到筛选后的花卉分割图，组成新的数据集；

步骤2：构建超轻量级的卷积神经网络，利用步骤1中得到的新的数据集，来训练超轻量级的卷积神经网络模型；

步骤3：利用训练好的超轻量级的卷积神经网络模型，对花卉进行识别。

3.根据权利要求2所述基于超轻量级全卷积神经网络的花卉识别方法，其特征在于：所述步骤1中，自动化花卉数据有效增广方法包括以下步骤：

步骤1.1：将彩色图片最终转化为二值图片：

首先将彩色图片灰度化，然后使用高斯滤波处理以减少噪声；接着使用OTSU算法确定灰度化图像的前景背景的阈值，将大于此阈值的像素点值设置为255，小于此值的像素点值设为0，由此完成彩色图片的二值化；

步骤1.2：采用最大连通区域法来标记最大的3个连通区域；一个连通区域是由具有相同值的相邻像素组成像素集合，通过扫描全部像素点，将所有的连通区域标定出来，根据区域的面积属性，获取最大的3个连通域；

步骤1.3：将3个待选的连通域的位置信息提取出来，将此区域里的像素点值设为1，此区域以外的设置为0，生成3个与原图像尺寸一致的掩码矩阵；

步骤1.4：将掩码矩阵与原始图片相叠加得到最终的3个候选分割图；

步骤1.5：训练一个重量级的花卉图像分类神经网络，并进行候选分割图的筛选，通过比较设定的准确度，自动丢弃误分割的花卉图，在对所有网络搜集的图片进行处理后，与常用的数据集合并得到了新的数据图集，完成了Larger_dataset数据集的制作。

4.根据权利要求2所述基于超轻量级全卷积神经网络的花卉识别方法，其特征在于：所述步骤2中，构建超轻量级的卷积神经网络共有23层，输入尺寸为224*224，经过4次最大池化后输出尺寸为14*14的特征图；

其中，3*3的深度卷积负责滤波作用，1*1的逐点卷积负责通道的转换，在随着网络层数的加深过程中，两种卷积核的数目加倍，尺寸不断缩小，从输入的图像中抽象出高层次的特征。

5.根据权利要求2所述基于超轻量级全卷积神经网络的花卉识别方法，其特征在于：所述步骤2中，超轻量级的卷积神经网络模型，在输出层除了会输出N个种类信息外，还输出了2个图像位置约束项，即花朵的中心点坐标(x,y)值，该值是相对于整个图像长宽规格化的；

网络的损失函数为：

其中，N为样本数量；M为类别数量；yic指示变量0或1,如果该类别和样本i的类别相同就是1，否则是0；pic为观测样本i属于类别c的预测概率；ε为中心点坐标的损失值；

其中心点坐标在损失函数中的表达式项为公式(1)，其中，lobj定义为若存在花朵该值为1，不存在则为0；(x，y), 分别表示实际中心点坐标与预测中心点坐标值；

计算花朵中心点坐标的损失值ε：

6.一种自动化花卉数据有效增广方法，其特征在于包括以下步骤：步骤1.1：将彩色图片最终转化为二值图片：

首先将彩色图片灰度化，然后使用高斯滤波处理以减少噪声；接着使用OTSU算法确定灰度化图像的前景背景的阈值，将大于此阈值的像素点值设置为255，小于此值的像素点值设为0，由此完成彩色图片的二值化；

步骤1.2：采用最大连通区域法来标记最大的3个连通区域；一个连通区域是由具有相同值的相邻像素组成像素集合，通过扫描全部像素点，将所有的连通区域标定出来，根据区域的面积属性，获取最大的3个连通域；

步骤1.3：将3个待选的连通域的位置信息提取出来，将此区域里的像素点值设为1，此区域以外的设置为0，生成3个与原图像尺寸一致的掩码矩阵；

步骤1.4：将掩码矩阵与原始图片相叠加得到最终的3个候选分割图；

步骤1.5：训练一个重量级的花卉图像分类神经网络，并进行候选分割图的筛选，通过比较设定的准确度，自动丢弃误分割的花卉图，在对所有网络搜集的图片进行处理后，与常用的数据集合并得到了新的数据图集，完成了Larger_dataset数据集的制作。