1.基于CNN-Kmeans算法水果自动识别方法，具体步骤如下，其特征在于,步骤1：将采集到的水果图像分类建立数据集，并建立水果图像类别，即为每一副水果图像人工标注类别，为后续训练CNN网络模型做准备；

步骤2：将建立好的数据集中的原始数据划分为训练样本图像和测试样本图像，训练样本图像用于训练CNN模型，测试样本图像用于测试算法模型的有效性，其中测试样本图像又分为两个部分，其中一部分用于调整训练CNN模型，另外一部分用于测试整个CNN-Kmeans算法模型；

步骤3：构建CNN-Lenet5模型，输入层结构为256*256*3，两层卷积层的结构为256*256*

24和256*256*64，池化层选择最大池化方式，两层全连接层为1*1*64到120和120到10；

步骤4：将构建好的CNN-Lenet5模型结构完成CNN模型的预训练。特征提取阶段通过图像标签的监督学习，利用第一部分的测试样本图像来使得softmax层来计算损失误差，然后不断减小误差从而不断地调整CNN卷积层模板参数，训练到最佳的特征提取的卷积模板；

步骤5：构建K-means算法模型，根据所构建的CNN输出为10，则K-means算法的输入为10维度，输出为待识别的水果类别；

步骤6：将训练好的CNN模型中的最后一个损失函数softmax层去掉，然后从第二部分测试集中逐个选取图片输入到该CNN模型中，并输出全连接层120*10中的10个高级学习特征作K-means算法输入，在K-means输出端得到具体分类结果；

步骤7：通过不断的调节CNN模型参数和K-means算法模型参数来优化整个CNN-Kmeans算法模型的识别精度、有效性和鲁棒性。

2.根据权利要求1所述的基于CNN-Kmeans算法水果自动识别方法，其特征在于：所述步骤四中softmax的计算公式入下：其中n个数值表示的分类Sk，k∈(0,n]，i表示k中的某个分类，gi表示该分类的值，P(Sk)为该分类的概率。

3.根据权利要求1所述的基于CNN-Kmeans算法水果自动识别方法，其特征在于：所述步骤五中K-means核心算法公式如下：其中SSE参数计算的内容为当前迭代得到的中心位置到各自中心点簇的欧式距离总和，这个值越小表示当前的分类效果越好，p表示点位置(x,y)。mi为中心点的位置。