1.一种基于小样本元学习的水果图像分类方法，其特征在于：包括以下步骤：S1：采集多类自然环境下的果实图像，并进行尺寸缩放，分类标注训练图像和测试图像作为元数据集，采集少量目标水果图像完成标注；

S2：准备N个训练任务以及每个训练任务对应的Support Set和Query Set；再准备多个测试任务，用于评估模型学习到的参数的效果；训练任务和测试任务均从采集的数据中采样产生；

S3：采用模型无关的元学习模型MAML作为图像分类的主体算法，将密集连接网络DenseNet‑121作为骨干网络，并结合特征金字塔网络FPN架构对经过标注和尺寸缩放处理后的图像进行目标特征提取；

S4：初始化DenseNet‑121网络参数为θ，设定子任务内的学习率α和任务间的学习率β；

S5：每一次训练从中提取一个或者一个批次子任务Ti；

S6：在子任务Ti中，利用loss函数对θ进行梯度更新，其更新公式为重复在任务Ti中利用loss函数对θ进行梯度更新的过程即为内循环过程；

S7：当子任务Ti训练完，利用在所有任务上的loss和的梯度更新最后的θ，其更新公式为重复在任务Ti训练完后利用在所有任务上的loss和的梯度更新最后的θ的过程即为外循环过程；

S8：直到所有的子任务都训练完毕，得到最后的θ；

S9：通过S8得到的初始化参数θ，使用目标水果图像为数据集，经过一两次迭代训练得到优秀的分类效果。

2.根据权利要求1所述的基于小样本元学习的水果图像分类方法，其特征在于：步骤S3中，骨干网络DenseNet‑121提取目标特征分为4个阶段，将每个阶段提取的特征与FPN进行特征融合；底层特征层通过1×1的卷积得到与上一层特征层相同的通道数，上层的特征层通过上采样得到与下一层特征层一样的长和宽，再进行相加得到融合好的新的特征层。

3.根据权利要求1所述的基于小样本元学习的水果图像分类方法，其特征在于：步骤S3中，采用随机池化替换骨干网DenseNet‑121中的最大池化和平均池化。

4.根据权利要求1所述的基于小样本元学习的水果图像分类方法，其特征在于：步骤0

S6、S7中，将骨干网络的参数φ 赋值给任务m独有的网络，得到 初始的 使用任务m的Support Set，基于任务m的学习率αm，对m进行1次优化，更新 基于1次优化后的使用Query Set计算任务m的 并计算 对 的梯度，用该梯度，乘以

0 1 1

元网络的学习率α，更新φ ，得到φ ；采样1个任务n，将参数φ赋值给任务n，得到 初始的 使用任务n的训练数据，基于任务n的学习率β，对 进行一次优化，更新 基于1次优化后的 使用Query Set计算任务n的 并计算 上的梯度，用该梯度，

1 2

乘以元网络的学习率α，更新φ ，得到φ ；在训练任务上，重复执行本步骤直至所有采样任务采样完成。

5.根据权利要求1所述的基于小样本元学习的水果图像分类方法，其特征在于：步骤S6、S7中，所使用的损失函数为交叉熵损失函数：其中，i表示观测样本，c表示类别，M表示类别数量，N表示类别总数，yic表示符号函数，取值0或1，如果样本i的真实类别等于c则取1，否则取0；pic表示观测样本i属于类别c的预测概率。

6.根据权利要求1所述的基于小样本元学习的水果图像分类方法，其特征在于：步骤S9中，使用DenseNet‑121作为特征提取网络。

7.根据权利要求1所述的基于小样本元学习的水果图像分类方法，其特征在于：水果图像分类包括成熟度分类、品质分类和种类分类。