1.一种基于冗余与多样性特征融合的图像分类方法，其特征在于：所述基于冗余与多样性特征融合的图像分类方法包括如下步骤：S1、将卷积神经网络模型中的部分滤波器替换为拓展融合卷积滤波器形成轻量卷积网络模型，所述拓展融合卷积滤波器设置如下：S11、根据第一比例参数α将替换的滤波器的输入通道数C拆分为主体部分和拓展部分，所述主体部分包含αC个通道，所述拓展部分包含(1‑α)C个通道；

S12、利用特征提取模块和特征拓展模块获取冗余特征和多样性特征，所述特征提取模块包括并行的基本分支和多样性分支，所述基本分支为标准卷积层，所述多样性分支为组卷积层，所述特征拓展模块为点卷积层，所述冗余特征和多样性特征的获取如下：利用基本分支对主体部分进行特征提取形成冗余特征；

利用特征拓展模块对拓展部分进行特征提取并根据超参数γ提升特征通道数得到拓展特征；

将主体部分与拓展特征进行拼接形成第一特征，利用多样性分支对第一特征进行特征提取形成多样性特征；

S13、根据第二比例参数β调整冗余特征与多样性特征的输出通道数，即冗余特征的输出通道数为βC′，多样性特征的输出通道数为(1‑β)C′，并将冗余特征与多样性特征按通道维度进行拼接形成第二特征，所述第二特征的输出通道数为所述替换的滤波器的输出通道数C′；

S14、将第二特征输入通道注意力模块获得第三特征，所述第三特征的输出通道数为C′；

S15、将拓展特征通过分组卷积与第三特征进行维度匹配，并与第三特征以逐元素相加方式进行融合，获得输出特征图，所述分组卷积的分组数为冗余特征的输出通道数βC′，卷积核尺寸为1*1；

S2、利用数据集对轻量卷积网络模型进行训练及验证，获得训练好的轻量卷积网络模型；

S3、将待处理图像输入训练好的轻量卷积网络模型获得分类结果。

2.如权利要求1所述的基于冗余与多样性特征融合的图像分类方法，其特征在于：所述卷积神经网络模型为ResNet50模型。

3.如权利要求2所述的基于冗余与多样性特征融合的图像分类方法，其特征在于：所述Resnet50网络包括依次连接的卷积层、池化层、第一残差块、第二残差块、第三残差块、第四残差块和全连接层，所述第一残差块包括三个串接的瓶颈层，所述第二残差块包括四个串接的瓶颈层，所述第三残差块包括六个串接的瓶颈层，所述第四残差块包括三个串接的瓶颈层，各所述瓶颈层由卷积核大小为1*1的滤波器、卷积核大小为3*3的滤波器、卷积核大小为1*1的滤波器、BN层和RELU激活函数串接组成，且所述卷积核大小为3*3的滤波器被替换为拓展融合卷积滤波器。

4.如权利要求3所述的基于冗余与多样性特征融合的图像分类方法，其特征在于：所述卷积层的卷积核大小为7*7。

5.如权利要求1所述的基于冗余与多样性特征融合的图像分类方法，其特征在于：所述多样性分支为渐进式分组的组卷积层，即随着网络层数加深，分组数逐渐增加。

6.如权利要求5所述的基于冗余与多样性特征融合的图像分类方法，其特征在于：所述多样性分支的分组数为主体部分的通道数和拓展特征的通道数的最大公约数。

7.如权利要求1所述的基于冗余与多样性特征融合的图像分类方法，其特征在于：所述数据集为ImageNet数据集。

8.如权利要求1所述的基于冗余与多样性特征融合的图像分类方法，其特征在于：所述轻量卷积网络模型的训练过程如下：将大小为224*224的图像以256的batch size输入轻量卷积网络模型训练100个epoch。

9.如权利要求1所述的基于冗余与多样性特征融合的图像分类方法，其特征在于：所述通道注意力模块为SE注意力模块。