1.基于深度残差网络的中药饮片识别方法，其特征在于，包括以下步骤：S1：数据采集：使用摄像头和图像网站采集常见的中药饮片图片，按照名称分类保存；

S2：数据处理：对采集的原图进行去重和筛选，并统一大小；

S3：模型训练：将调整好的图片作为模型数据集训练中药饮片分类网络；

S4：数据识别：用训练好的中药饮片分类网络对中药饮片图片进行识别；

步骤S2具体包括：

S2.1：使用均值哈希算法，去除同一类别下重复的图片；

S2.2：去除质量差的图片，质量差的图片包括：内容和名称不符、模糊、分辨率过小等片；

S2.3：编写图像大小的调整程序，将所有图像统一调整为224×224大小；

S2.4：编写程序将所有图片顺序打乱，并将一部分图像作为训练集，余下的作为验证集；

步骤S3具体包括：

S3.1：所用的网络模型基于ResNet50，但在每个block增加了由两层全连接组成的通道注意力机制网络，即先使用全局平均池化进行降维Squeeze操作，再使用升维Excitation操作生成相应通道的权重，最后将该权重应用于原来的每个特征通道，学习到不同通道的重要性；

S3.2：Squeeze操作具体包括，顺着空间维度进行特征压缩，将每个二维的特征通道变成一个实数，这个实数某种程度上具有全局的感受野，并且输出的维度和输入的特征通道数相匹配，如公式所示：其中uc表示u的第c个通道，zc表示uc全局平均池化的结果，H和W分别表示uc的高度和宽度；

S3.3：Excitation操作结合sigmiod函数通过参数w为每个特征通道生成权重，w被学习用来显式地建模特征通道间的相关性，如公式所示：Xc＝Fscale(uc,sc)＝uc·sigmoid(wc) (2)；

其中Xc表示uc结合了特征权重的结果，sc表示权重wc经过sigmiod函数处理的归一化权重；

S3.4：所用网络训练的损失函数如下：

K是种类数量，y是标签，即如果预测的类别是i，则y＝1，否则等于0，p是神经网络的输出，也就是指类别是i的概率；

步骤S4具体包括：

S4.1：将中药饮片图片转换成224×224大小，传入训练好的中药饮片识别模型，经过模型预测置信度最高的结果，识别出中药饮片名称；

S4.2：在百度百科调取此饮片的详细信息，并把信息展示给使用者。

2.实施权利要求1所述的基于深度残差网络的中药饮片识别方法的系统，其特征在于：包括依次连接的数据获取模块，数据处理模块，网络训练模块和数据识别模块；

所述数据获取模块，在常见的图像搜索引擎中，获取常见的中药饮片，并按照中药饮片的名称自动分类保存图像数据，同时使用摄像头对现场采集的中药饮片分类保存；

所述数据处理模块，在已经获取的图像数据中去除重复和质量不佳的数据，并调整所有图片的大小；

所述网络训练模块所用的网络模型基于ResNet50，但在每个block增加了由两层全连接组成的通道注意力机制网络，即先使用全局平均池化进行降维Squeeze操作，再使用升维Excitation操作生成相应通道的权重，最后将该权重应用于原来的每个特征通道，学习到不同通道的重要性，将数据划分为训练集和验证集，分批输入到网络模型中，对模型进行训练，多次迭代后直到模型训练达到稳定，保存模型；

所述数据识别模块，对需要识别的中药饮片图片输入到训练好的网络模型中，得到识别出的中药饮片名称，并调取该饮片的百度百科信息，供使用者参考。