1.一种基于改进的U-net苹果图像分割方法，其特征在于，包括：S1、获取真实场景下的苹果图像并进行预处理，将预处理后的苹果图像数据作为数据集；

S2、通过所述数据集对苹果图像分割网络进行训练，以得到训练好的苹果图像分割网络；所述苹果图像分割网络为改进的U-net网络；

S3、通过训练好的苹果图像分割网络对苹果图像进行分割，以得到苹果图像的分割结果。

2.根据权利要求1所述的方法，其特征在于，所述S1具体包括：S11：根据苹果园的环境以及苹果的成熟度，在不同的时间段对成熟度不同的苹果分别进行拍摄，从而获得原始的苹果图像；

S12：对原始的苹果图像进行标注；

S13：对标注后的苹果图像进行水平翻转和垂直翻以得到增强后的数据集；

S14：把数据集按照比例划分为训练集，验证集和测试集。

3.根据权利要求1所述的方法，其特征在于，所述苹果图像分割网络以U-net网络为基础，包括依次连接的编码部分、跳跃连接、解码部分；

其中，编码部分的主干网络为ResnNet50网络并通过迁移学习将训练好的权重加到ResNet50网络上、跳跃连接处为改进的语义对齐结构、解码部分包括残差网络和上采样模块。

4.根据权利要求3所述的方法，其特征在于，所述改进的语义对齐结构引入了CBAM注意力机制，改进了局部通道的高斯函数并在其全局通道中加入残差网络。

5.根据权利要求4所述的方法，其特征在于，所述S2具体包括：通过编码部分对数据集进行初步特征提取，以得到初步特征；

将所述初步特征送入改进的语义对齐结构中进行信息重构，以得到重构后的特征图；

将所述初步特征和重构后特征图传输至解码部分，以供解码部分进行网络训练。

6.根据权利要求5的方法，其特征在于，将所述初步特征送入改进的语义对齐结构中进行信息重构，包括：将编码部分提取的初步特征F∈R

初步特征F∈R

式中，

7.根据权利要求1所述的方法，其特征在于，在S2的训练过程中，通过交叉熵损失函数计算每个部分的输出结果与标签结果的距离，并通过不同权重将各部分损失进行叠加；

同时，通过梯度反向传播方法，采用Adam优化算法和自动学习率对网络中的参数进行调整，以获得训练好的苹果图像分割网络；

其中，交叉熵损失函数表达式为：

其中，n为类别数，batch为批次大小，y

8.一种基于改进的U-net苹果图像分割装置，其特征在于，包括：数据集获取模块，用于获取真实场景下的苹果图像并进行预处理，将预处理后的苹果图像数据作为数据集；

训练模块，用于通过所述数据集对苹果图像分割网络进行训练，以得到训练好的苹果图像分割网络；所述苹果图像分割网络为改进的U-net网络；

分割模块，用于通过训练好的苹果图像分割网络对苹果图像进行分割，以得到苹果图像的分割结果。