1.基于深度迁移学习的水果图像分类方法，其特征在于：该方法具体包括以下步骤：S1：下载VGG16、InceptionV3和ResNet50模型在ImageNet数据集上预训练好的的初始权重；

S2：按原模型搭建VGG16网络的前13层卷积层，引用初始权重并冻结卷积层的所有参数，使卷积层参数不参与训练，然后对顶端的三层全连接层进行修改，即将第一层全连接层参数量减半，并去除第二层全连接层，将第三层全连接层的输出维度由1000改为目标分类数目，提出新的迁移模型TL‑VGG16网络；

S3：按原模型搭建InceptionV3模型的卷积层，引用初始权重并冻结卷积层的所有参数，使卷积层不参与训练，并剔除Inception_4a后接的辅助分类器1，即aux_1和Inception_

4d后接的辅助分类器2，即aux_2，然后将最后的输出层即主分类器的维度缩减到实际分类个数，提出新的迁移模型TL‑InceptionV3；

S4：按原模型搭建ResNet50模型的卷积层，引用初始权重并冻结卷积层的所有参数，使卷积层不参与训练，然后对平均池化下采样层和全连接层进行修改，即将卷积层后接的7×

7全局平均池化层用两个stride为2的3×3卷积结构替代，添加一层全连接层，将输出层维数缩减到数据集分类个数，提出新的迁移模型TL‑ResNet50；

S5：将自然条件下采集的图像按照ImageNet公开数据集的图像处理方式进行图像处理，然后将处理后的图像分别输入步骤S2、S3和S4中的改进后的迁移模型进行训练；

S6：将步骤S5中训练好的模型通过加权平均法进行模型融合，将各个模型输出的类别概率进行相加求平均；

S7：基于步骤S6中的加权平均法模型融合框架，输入预测图片进行三个迁移模型的预测，输出预测概率，并将三个预测概率进行加权平均，输出融合后预测概率；

S8：将步骤S5中训练好的模型通过相对多数投票法进行模型融合，遵循少数服从多数原则，取票数最多的预测类别为输出类别；

S9：基于步骤S8中的相对多数投票法模型融合框架，输入预测图片进行三个迁移模型的预测，输出预测概率，并对三个预测概率选择票数最多的作为预测结果，输出融合后的预测概率。

2.根据权利要求1所述的基于深度迁移学习的水果图像分类方法，其特征在于：所述S1中，利用经典网络作为跳板，将若干在ImageNet上训练好的权重迁移到针对不同水果的分类任务中，针对不同环境下的不同种类的水果的图像进行统一训练，识别水果的种类、色泽、形状和新鲜度。

3.根据权利要求2所述的基于深度迁移学习的水果图像分类方法，其特征在于：所述S5中，需对输入图像进行批归一化处理BN，加速网络的收敛，使feature map的数据满足均值为0，方差为1的分布规律，其计算公式如下：(k)

其中，E[x ]指的是训练一批数据时，各神经元输入值的平均值； 指的是训练一批数据时各神经元输入值的标准差；输入x为RGB三通道的彩色图像，channels为3，x＝(x(1) (2) (3) (1) (2) (3),x ,x )，x 、x 、x 分别代表R、G、B通道所对应的特征矩阵。

4.根据权利要求3所述的基于深度迁移学习的水果图像分类方法，其特征在于：所述S5中，对输入图像进行预处理，在迁移学习时使用已有的预训练模型参数，和原来的模型使用相同的图像预处理方式，原模型在ImageNet上进行训练，在训练时分别减去R、G、B三个通道的均值，其计算公式为：mean＝(0.485,0.456,0.406)×255

R_mean＝123.68

G_mean＝116.78

B_mean＝103.94

img＝img‑[R_mean,G_mean,B_mean]

其中，(0.485,0.456,0.406)为ImageNet数据集的均值。

5.根据权利要求4所述的基于深度迁移学习的水果图像分类方法，其特征在于：所述S6中，加权平均法模型融合的核心思想是对于多个不同的模型，将各个模型输出的类别概率进行相加求平均，其计算公式为：

6.根据权利要求5所述的基于深度迁移学习的水果图像分类方法，其特征在于：所述S8中，相对多数投票法模型融合策略通常将票数最多的类别作为预测结果成为最终的分类类别，若不止一个的多个类别获得最高票，则随机选择其中一个作为最终分类类别，其计算公式为：