1.基于深度卷积神经网络的轴型识别方法，其特征在于，包括如下步骤：

步骤1，采集大量的车辆侧面图像，对车辆图片绘制包含车轴的最小矩形框，并进行裁剪，形成车轴检测图像集；

步骤2，利用车轴图像作为正样本，非车轴图像作为负样本，训练Fast‑RCNN车轴检测模型，并输出训练好的车轴检测模型；

步骤3，对各类型车轴区域图片标注相应轴型的类别标签，形成轴型识别图像集；

步骤4，利用轴型识别图像集训练用于轴型识别的深度卷积神经网络，并输出训练好的网络模型；

步骤5，将待检测车辆图像依次通过车轴检测模型和轴型识别网络模型，输出相应的轴型类别；

所述步骤4中，训练好的网络模型包括依次连接的卷积层、最大池化层、Relu激活函数层、全连接层、Softmax损失输出层；

所述卷积层用于车轴图像的特征提取；

所述最大池化层用于对卷积层特征进行降维；

所述的全连接层用于将卷积层和最大池化层提取的各个特征进行特征融合，得到整体特征，再进行特征展开；

所述的Softmax损失输出层进行最后的分类和归一化；

所述步骤4中，训练好的网络模型为14层，其分布具体为：卷积第一层，包括8个卷积核，每个卷积核大小为3×3；

批量标准化第一层，通过网络传播的激活和梯度，使网络训练成为更容易优化以加速网络训练并降低对网络初始化的敏感度；

激励第一层，采用ReLU激活函数；

池化第一层，大小为2×2，将前一层输出的特征图切成2×2的小块，将每个小块中最大特征值作为该小块的输出特征；

卷积第二层，包括16个卷积核，每个卷积核大小为3×3；

批量标准化第二层，与批量标准化第一层相同；

激励第二层，与激励第一层相同；

池化第二层，大小为2×2，将激励第二层输出的特征图切成2×2的小块，将每个小块中最大特征值作为该小块的输出特征；

卷积第三层，包括32个卷积核，卷积核大小为3×3；

批量标准化第三层，与批量标准化第二层相同；

激励第三层，与激励第二层相同；

全连接层，输出类别数为M，代表本系统中M类轴型；

Softmax损失输出层，标准化全连接层的输出，用于将其用作分类层的分类概率；

分类层，使用Softmax激活函数为每个输入返回的概率，将输入分配给其中一个互斥类并计算损失。

2.根据权利要求1所述基于深度卷积神经网络的轴型识别方法，其特征在于，所述步骤

1中，将裁剪后的车轴区域图片进行随机小角度旋转微调产生更多的数据集。

3.根据权利要求1或2所述基于深度卷积神经网络的轴型识别方法，其特征在于，所述步骤1中，图像采集设备为工业摄像机，所述工业摄像机安装在道路或者检测站侧面的支架上，拍摄的车辆图像为彩色图像。