1.一种基于深度学习的鸡蛋胚胎分类方法，其特征在于，该方法包括：

(1)采集5日胚胎图像并按照正常胚、中止胚、无精胚分为三类样本；

(2)对胚胎图像预处理，提取图像的ROI区域并将图像大小归一化；

(3)结合迁移学习的方法进行训练，使用AlexNet经典网络针对ImageNet预训练的模型，对目标集进行微调；

(4)利用训练好的模型对待测图像进行判别，并通过特征可视化观察每一层特征学习的变化。

2.如权利要求1所述的方法，其特征在于，所述步骤(2)进一步包括：二值化处理，选取阈值20对图像进行二值化处理；然后从二值图像中检索轮廓，遍历轮廓中的每个点，提取图像的ROI区域；对提取的ROI区域归一化处理，将图像归一化到227*227大小，以便于作为后续CNN网络的输入。

3.如权利要求1所述的方法，其特征在于，所述步骤(3)中迁移学习的方法，使用该方法训练的步骤进一步包括：利用Alexnet经典网络，将在Image数据集上预训练得到的模型bvlc_reference_caffenet应用在鸡蛋胚胎分类任务中，该模型由5个卷积层、3个最大池化层和3个全连接层组成；激活函数采用relu函数，还用到了局部响应归一化层LRN以及防止过拟合的dropout层。

4.如权利要求3所述的方法，其特征在于，所述步骤(3)中，卷积层与全连接层参数设计中，卷积层采用Alexnet网络结构中的卷积参数设计，卷积核的大小分别为11*11、5*5、3*3、

3*3、3*3，输出特征图的个数分别为96、256、384、384、256，每一卷积层步长分别为4、1、1、1、

1，卷积层分别采用″gaussian″和″constant″初始化权重和偏置；卷积层的计算公式如下所示：

其中，表示第1卷积层的第j个feature map，f(·)表示激活函数，Mj表示输入feature map的集合，k表示卷积核，b表示偏置项；Alexnet网络三个全连接层输出神经元数分别为

4096、4096、1000，其中Alexnet中最后一个全连接层神经元数为1000的是输出softmax的类别数，利用预训练模型进行微调时，需将该全连接层的名称改为fc8_flickr，输出个数改为目标集的类别数3。

5.如权利要求3所述的方法，其特征在于，所述步骤(3)中，激活函数与dropout层设计步骤进一步包括：激活函数选用PRelu函数，PRelu函数相比较于Relu函数，修正了数据分布，保留了负值，使负值不会完全丢失；PRelu像更新权重weights一样使用反向传播算法更新一个额外的参数a，但是相较于权重的数量来说，PRelu需要更新的参数总数可以忽略不计，所以不会加重overfitting的影响；PRelu的表达形式如下所示：

Dropout层按一定的概率随机的屏蔽掉网络的部分神经元，阻止网络过拟合；训练时，需设定一个dropout ratio＝p，即每一个输出节点以概率p置0，本文设置为0.25；计算dropout层输出节点置零参数p表达式为：

其中U为Bernoulli随机数，p代表dropout ratio。

6.如权利要求3所述的方法，其特征在于，所述步骤(3)中，训练模型学习参数的设计步骤如下：CNN的训练过程包括前向传播与反向传播两个过程，利用梯度下降法对权重和偏置进行更新，公式如下：

其中，J(w，b)为单个样本的代价函数，α为学习速率；

采用caffe，框架提供的inv方式调整学习率，表达式如下：

∧

lr＝base_lr*(1+gamma*iter) (power)

其中，base_lr为基础学习率，gamma为学习速率变化因子，iter为迭代次数；

对于卷积层的局部学习率调整，所有卷积层的卷积核的局部学习率和权重衰减因子设置为1，即与全局学习率保持一致；偏置项的局部学习率为全局偏置学习率的2倍，权重衰减因子为0；而对于最后一层全连接层fc8_flickr，由于修改为自己对应的数据类别，将优先学习权给予fc8_flickr层，这里权重局部学习率设为全局的10倍，偏置局部学习率设置为全局的20倍，是为了在非微调层学习的更快；这种学习率倍数的设置方式既可以很好的对目标集进行微调，又可以保留原模型的特性。

7.如权利要求1所述的方法，其特征在于，所述步骤(4)中，利用训练好的模型对待测图像进行判别以及特征可视化进一步包括：直接使用ImageNet数据集已经训练好的模型bvlc_reference_caffenet.caffemodel进行微调，然后对训练集继续训练；最后得到针对于自己数据的模型，该模型对采集到的特征作可视化处理，最终正确率达到99％；对各中间输出层进行特征可视化，通过卷积层特征图的输出、全连接层输出值与直方图分布以及最后一层′prob′输出更直观的观察卷积神经网络训练目标集各层的特征学习的变化。