1.一种基于人工智能的红枣数据识别方法，其特征在于，包括：步骤一：利用相机采集流水线上的红枣，得到流水线红枣图像；

步骤二：训练红枣检测神经网络，用以检测红枣的中心点位置；

步骤三：对红枣中心点进行处理，并利用泰森多边形获取Voronoi图；

步骤四：对Voronoi图进行超像素分割，实现红枣分割；

所述步骤三为:获取红枣中心点的集合，然后对点集合进行网格化生成,将相邻的红枣中心点进行内插，获取内插点坐标，即两个相邻的红枣中心点求平均得到内插点,最终内插点与红枣中心点组合，得到离散点集合,对获取的离散点集合进行泰森多边形构建，N个在平面上有区别的点，按照最邻近原则划分平面；每个点与它的最近邻区域相关联,最终得到Voronoi图。

2.根据权利要求1所述一种基于人工智能的红枣数据识别方法，其特征在于，所述步骤二的方法为：首先对数据进行标注，标注包括红枣中心关键点,标注好后，对图像内的所有关键点进行高斯核卷积，最终生成一张图像，图像即为关键点热力图，为标签数据,然后将采集的流水线红枣图像数据与标签数据送入到网络中进行训练。

3.根据权利要求1所述一种基于人工智能的红枣数据识别方法，其特征在于，所述步骤四具体如下：对参考图像进行分区，所述分区即超像素个数，选取每个泰森多边形区域的关键点作为种子点,在种子点的n*n邻域内重新选择种子点,计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方,在每个种子点周围的邻域内为每个像素点分配类标签,基于距离模型D来获取种子点与像素点的相似度，由于每个像素点都会被多个种子点搜索到，所以每个像素点都会有一个与周围种子点的距离，取最小值对应的种子点作为该像素点的聚类中心，利用SLIC超像素分割并基于上述像素点距离模型D和泰森多边形区域进行迭代优化，迭代次数需要进行调试，迭代次数经验值为50次，划分出比较相似的区域，最终得到众多区域，对于每个关键点所在的超像素区域，即都为红枣区域。