1.一种基于UpCPFNet模型的芒果分级识别方法，其特征在于，包括以下步骤：

（1）对预先获取的芒果图片进行分级并制作成数据集，并按照一定比例划分为训练集和测试集；

（2）对步骤（1）得到的芒果分级数据集进行预处理；

（3）构建基于UpCPFNet模型的芒果分级识别网络，包括初步特征提取模块Stem、三个UpCFP模块、一个DoDB模块和四个Stage块；所述Stem模块是进行简单的下采样和增加通道数；四个Stage块按照1：1：3：1堆叠特征提取主干模块ReHRSE进行深层特征提取；第一个Stage块包括ReHRSE模块，后接UpCFP模块；第二个Stage块包括ReHRSE模块，后接UpCFP模块，第三个 Stage块包括3个ReHRSE模块，后接UpCFP模块，第四个Stage块包括一个ReHRSE模块；UpCFP模块在基础网络中提取不同尺度的特征，DoDB模块实现聚集特征并将不同尺度上的特征进行融合；

（4）训练步骤（3）中搭建好的基于UpCPFNet模型的芒果分级识别网络，先将经过步骤（2）图像预处理后的训练集通过模型训练，进行多次迭代训练，并调整模型的训练参数，直到获得最优的模型权重，对测试集中数据图片进行验证，并评估模型的性能；

步骤（3）所述初步特征提取模块Stem是由一个4×4卷积核和BatchNorm层组成；

步骤（3）所述ReHRSE模块，首先引入第一个分支经过7×7卷积，第二个分支结构引入通道注意力机制，再次进行分支，第三个分支经过3×3的深度可分离卷积和第二个分支进行残差连接；进行堆叠2次以下操作，第二个分支进行1×1的深度可分离卷积，第三个分支进行3×3的深度可分离卷积，第二个分支和第三个分支进行残差连接；之后第二个分支进行1×1的深度可分离卷积和第一个分支进行残差连接；

步骤（3）所述UpCFP模块第一个分支分别依次经过一个3×3的卷积、一个1×1的卷积、2个2×2的卷积；第二个分支经过一个2×2的卷积，之后将两个分支的到的特征在通道上进行拼接；

步骤（3）所述DoDB模块中，深层的输出特征经过2个1×1的卷积分别先和第3个UpCFP模块的输出拼接的到最小尺寸的特征，之后经过1×1的卷积和第2个UpCFP模块的输出拼接的到中间尺寸的特征，之后经过1×1的卷积再和第1个UpCFP模块的输出拼接的到最大尺寸的特征，最大尺寸的特征经过1×1的卷积之后进行下采样和最小尺寸的特征经过1×1的卷积之后进行上采样，之后和经过1×1的卷积的中间尺寸的特征在通道上拼接，得到的特征进行下采样，深层的输出特征进行上采样，和最小尺寸的特征在通道上融合，之后进行下采样。

2.根据权利要求1所述的一种基于UpCPFNet模型的芒果分级识别网络，其特征在于，步骤（1）根据芒果大小、颜色、外表将数据图像划分为8类。

3.根据权利要求1所述的一种基于UpCPFNet模型的芒果分级识别方法，其特征在于，步骤（2）所述图像预处理是对全部叶片图像进行数据增强，包括随机水平旋转、尺寸裁剪和数据格式转换。

4.根据权利要求1所述的一种基于UpCPFNet模型的芒果分级识别方法，其特征在于，所述步骤（3）具体实现过程如下：

将经过预处理后的特征作为卷积网络的输入进行kernel_size=4的卷积操作，再经过Relu激活函数得到特征向量S11；

进入第一个Stage块，将S11输入ReHRSE模块，S11输入第一个分支，经过kernel_size=7的卷积，将S11输入第二个分支结构经过通道注意力机制，之后再次进行分支，第三个分支经过kernel_size=3的深度可分离卷积，第二个分支和第三个分支的特征进行残差连接；得到的特征在第二个分支经过kernel_size=1的深度可分离卷积和RELU激活层，第三个分支再次进行kernel_size=3的深度可分离卷积，之后第二个分支和第三个分支的特征进行残差连接；得到的特征在第二个分支经过kernel_size=1的深度可分离卷积和RELU激活层；第三个分支再次进行kernel_size=3的深度可分离卷积，之后第二个分支和第三个分支的特征进行残差连接；得到的特征在第二个分支经过kernel_size=1的深度可分离卷积，得到的特征和第一个分支进行残差连接，之后经过RELU激活层得到特征向量Y44；

将Y44输入UpCFP模块，将Y44进行2倍上采样之后进行kernel_size=3的卷积和kernel_size=1的卷积操作，再经过BatchNorm层和RELU激活层，之后进行两次的两倍的下采样得到特征向量UP1，Y44经过两倍的下采样和UP1在通道进行拼接得到S22；

进入第二个Stage块，得到特征向量Z44；将Z44输入UpCFP2模块得到特征向量UP2和S33；

进入第三个Stage块，将S33输入ReHRSE模块得到特征向量S44；将S44输入ReHRSE模块，得到特征向量S55；将S55输入ReHRSE模块得到特征向量M44；将M44输入UpCFP模块得到特征向量UP3和S66；

进入第四个Stage块，将S66输入ReHRSE模块得到特征向量S77；

将S77输入DoDB模块，将S77进行两次两倍上采样和2个1×1的卷积操作后得到特征向量S771，UP3进行1×1的卷积操作后得到特征向量UP31，将S771和UP31在通道上进行拼接得到特征向量K22；S771进行两倍上采样和1×1的卷积操作后得到特征向量S772，UP2进行1×

1的卷积操作后得到特征向量UP21，将S772和UP21在通道上进行拼接得到K33；S772进行两倍上采样和1×1的卷积操作后得到特征向量S773，UP1进行1×1的卷积操作后得到特征向量UP11，将S773和UP11在通道上进行拼接得到K44；将K22进行1×1的卷积和两倍下采样操作得到K221，K44进行两倍上采样，之后和K33在通道进行拼接得到L11；将 L11和S771分别进行下采样和上采样，之后在通道上和K44拼接的到L22,之后再次经过两次两倍下采样得到特征向量L33；

将L33输入进行两个连续的下采样操作、AvgPool1d层和全连接层，最后输出分类结果F。