1.基于深度学习的最低抑菌浓度识别方法，其特征在于，包括下述步骤：S1、图像切割得到单孔图像：对原始图像进行预处理，将原始图像处理成模型能够接收的单孔图像；

S2、构造样本：给用作训练的单孔图像加上对应标签，构成深度学习模型能够用来训练的样本，所述标签是指注明了溶液浑浊与否；

S3、构建及训练模型：构建能够用来识别溶液浑浊与否的模型，并用训练样本集进行训练；

S4、使用模型判断浑浊与否：模型训练完成之后的操作，此时模型可以接收训练集以外的图像，判断其溶液是浑浊还是清澈；

S5、得到药品对应最低抑菌浓度：模型对原始图像所有圆孔都判断完后，根据微孔板中各个圆孔的浑浊/清澈情况得出药品最低抑菌浓度。

2.根据权利要求1所述基于深度学习的最低抑菌浓度识别方法，其特征在于，步骤S1中，所述原始图像包含一整个微孔板，使用图像处理技术找出微孔板中每个孔的位置，将原始图像切割成若干不同的单孔图像，切割时同时保留每个单孔图像对应到微孔板中的位置，该位置代表了孔中药品对应的种类与浓度，从而分别得到微孔板中每个孔中药品的抑菌情况。

3.根据权利要求1所述基于深度学习的最低抑菌浓度识别方法，其特征在于，步骤S2中，通过肉眼判断每张单孔图像中的溶液是否浑浊，为每一张用作训练的单孔图像标注上对应标签，标注完成后，样本即构造完成。

4.根据权利要求1所述基于深度学习的最低抑菌浓度识别方法，其特征在于，步骤S3中，构建模型包括下述步骤：基于迁移学习的思想，利用Google在ImageNet数据集上训练好的Inception-v3模型，Inception-v3模型最后的全连接层输出1000个节点，再经过Softmax层后，输出ImageNet数据集中1000类样本中每一类的概率，将模型迁移到浑浊度识别问题上，替换Inception-v3模型的最后一层全连接层与Softmax层，使新的全连接层的输出节点为2，再经Softmax层后，能输出浑浊与清澈分别的概率，而构建后的模型其他部分保持与原Inception-v3模型相同。

5.根据权利要求4所述基于深度学习的最低抑菌浓度识别方法，其特征在于，Inception结构是Inception-v3模型中的重要组成部分，它将不同的卷积层通过并联的方式结合在一起，使得神经网络具有不同的视野尺度，进一步提高了模型的表达能力；

Concat层为简单的拼接层，用于将多个神经网络节点矩阵拼接成一个节点矩阵；

Dropout层是一种良好的模型过拟合问题解决方案，它基于训练整体神经网络模型，并平均整个集合的结果，具体上，它在训练时的每次前向运算中以一定概率舍弃部分神经元，只保留剩下的神经元输出运算结果，即被舍弃的神经元的输出结果为0；

Softmax层用于将神经网络的输出变成一个概率分布。

假设原始神经网络的输出为y1,y2,…,yn，那么经过Softmax层处理之后的输出为：从公式中可以看出，经过Softmax层处理后的新输出满足概率分布的所有要求。

6.根据权利要求1所述基于深度学习的最低抑菌浓度识别方法，其特征在于，步骤S3中，训练模型包括下述步骤：使用步骤S2得到的标注数据对模型进行训练，训练期间，选择保持最后一层全连接层之前的所有网络层的参数不变，只更新最后一层全连接层的参数。

7.根据权利要求1所述基于深度学习的最低抑菌浓度识别方法，其特征在于，步骤S4中，判断溶液是浑浊还是清澈的方法为：S4.1、使用模型预测图像浑浊与否的概率分布；

S4.2、如果浑浊的概率大于清澈的概率，则标记该单孔图像的类别为浑浊；

S4.3、如果浑浊的概率小于清澈的概率，则标记该单孔图像的类别为清澈。

8.根据权利要求1所述基于深度学习的最低抑菌浓度识别方法，其特征在于，步骤S5中，得到药品对应最低抑菌浓度的方法为：S5.1、得到微孔板每一行对应的药品类别；

S5.2、如果药品对应行中不存在清澈的孔，则行中不存在最低抑菌浓度；

S5.3、如果药品对应行中存在清澈的孔，记录药品对应行中从左到右最后一个清澈的孔的位置；

S5.1、查阅该孔对应的浓度。