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、无精胚的分类方式将胚胎样本分为三类；

(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，得到5日胚胎数据集；

(3)使用AlexNet网络在ImageNet大数据集上训练得到的模型bvlc_reference_caffenet.caffemodel进行参数迁移，初始化网络的权重，并对5日胚胎数据集进行训练得到网络模型；所述参数迁移包括：利用AlexNet网络，将在ImageNet大数据集上训练得到的模型bvlc_reference_caffenet.caffemodel应用在鸡蛋胚胎分类任务中，所述模型由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)根据所述对5日胚胎数据集进行训练得到的网络模型对待测图像进行判别，并通过特征可视化观察所有的卷积层和全连接层的特征变化。

2.如权利要求1所述的一种基于深度学习的鸡蛋胚胎分类方法，其特征在于，所述步骤(2)还包括：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所述的一种基于深度学习的鸡蛋胚胎分类方法，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；

AlexNet网络三个全连接层输出神经元数分别为4096、4096、1000，其中AlexNet网络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。

4.如权利要求1所述的一种基于深度学习的鸡蛋胚胎分类方法，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，采用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，使网络再每一层的参数传递中保持一个稳定的学习速率。