1.一种图像识别方法，其特征在于，包括：

S1，对目标图像进行采集，形成自建数据集；

S2，对图像进行分割，然后从中提取带有物料特征及托盘信息的数据集；

S3，进行图像标注增强，将数据集分为训练集、验证集和测试集；

S4，构建改进YOLO‑v5模型；

S5，训练改进YOLO‑v5模型，得到最佳的训练模型；

S6，将训练好的YOLO‑v5模型对物料进行分类识别，对托盘负载进行判断，输出物料的种类，以及托盘的负载情况。

2.根据权利要求1所述的图像识别方法，其特征在于，所述S3包括：

采用Labelimg软件，对图像中的物品类别和位置信息进行标注，保证标注信息与标注图片相对应；

对标注后的图像进行数据增强，采用的方法为将图像分若干次顺时针旋转若干角度，然后随机调整每张图像的亮度和色度，增加高斯噪声，进行图片随机叠加，图像增强的同时生成对应的标注文件。

3.根据权利要求1所述的图像识别方法，其特征在于，所述S4包括：

S4‑1，采用改进的MobileNet‑v3网络结构作为改进YOLO‑v5模型中的Backbone部分，所述改进MobileNet‑v3网络结构，采用像素级和通道级注意力机制CANet替换MobileNet‑v3基础网络Bneck中的SE注意力机制；所述改进YOLO‑v5模型中的Backbone的网络结构由1个

3x3卷积、14层bneck结构组成；输入的图像首先经过一个3x3卷积缩小特征尺寸，然后进入

14层bneck结构进行特征提取；其中bneck结构采用倒残差结构的形式，先用1x1的逐点卷积进行升维操作，扩张特征图通道，丰富特征数量，然后在进行3x3的卷积操作选择性地加入CANet注意力机制，最后经过1x1卷积获得最后特征图；

S4‑2，沿用原YOLO‑v5模型中FPN+PAN的网络结构设计作为改进YOLO‑v5模型中的neck部分，经过S4‑1得到的特征图由FPN层由下到上传达特征信息，将低分辨率、高语义信息的高层特征和高分辨率、低语义信息的底层特征自下到上进行融合，然后经过PAN自上向下进行加强定位信息；

S4‑3，采用Transformer检测头作为改进YOLO‑v5模型中的head部分，所述Transformer检测头为利用Transformer改进原有YOLO‑v5模型中的Head部分得到，将S4‑2得到的特征图传入Transformer检测头，利用Transformer获取的局部信息比CNN大的特点，来加强对于小物体的检测。

4.根据权利要求1所述的图像识别方法，其特征在于，所述S5包括：

利用训练集对于改进YOLO‑v5模型进行训练学习，更新权重参数，使用测试集对训练的最佳权重参数进行测试，保证其识别的准确率和实时性满足VGA小车识别标准，并最终得到最佳的训练模型。

5.一种AGV物料分拣方法，其特征在于，包括：

步骤1，通过web网页登录服务模块进入客户端，在客户端内开启当前工作模式，此时数字摄像头开始工作，将全局拍摄到的托盘负载情况通过无线AP产生的局域网，向后台服务器进行传输；

步骤2，后台服务器将视频帧转化为图像，将转化好的图像数据传入图像识别模块，图像识别模块包含如权利要求1‑4中任一所述的改进YOLO‑v5模型，图像识别模块进行识别判断，若识别到托盘有负载时，则通过任务管理模块向带有工业摄像头的AGV下发搬运任务；

步骤3，带有工业摄像头的AGV接受到搬运任务后，通过路径规划模块计算出当前AGV的位置到达搬运区域的路线，当AGV根据计算的路线行驶至搬运区域，工业摄像头采集物料图像，将扫描到的物料视频信息传入后台服务器；

步骤4，后台服务器将获取的实时视频信息流转化为图像信息，并传入图像识别模块，图像识别模块进行识别判断，输出物料类别，同时，再次调用路径规划模块，计算出当前物料类别所要存放的区域，给AGV规划路径，AGV根据规划路径完成搬运工作。

6.一种AGV物料分拣系统，用于实现如权利要求5所述的AGV物料分拣方法，其特征在于，包括客户端、后台服务器、无线AP、数字摄像头和AGV，所述客户端、后台服务器和无线AP依次通信连接，所述无线AP分别与数字摄像头和AGV通信连接，所述AGV上具有可自动转动的工业摄像头。

7.根据权利要求6所述的一种AGV物料分拣系统，其特征在于，所述后台服务器包括web网页登录服务模块、图像识别模块、路径规划模块、任务管理模块和状态监控模块；所述web网页登录服务模块用于提供基于浏览器端的登录控制界面，可在PC端进行线上控制，也可在移动端进行现场控制；所述图像识别模块用于对物料进行分类识别，对托盘负载进行判断，输出物料的种类，以及托盘的负载情况；所述任务管理模块用于对AGV进行任务下达和任务管理；所述路径规划模块用于管控AGV运行路径和行进轨迹；所述状态监控模块用于监控AGV运行状态。