1.一种菜肴图像识别方法，其特征在于，所述方法包括：
获取待识别的目标菜肴图像；
获取图像识别模型，所述图像识别模型基于神经网络模型建立，且所述神经网络模型中的多层中间层添加了批归一化层，所述批归一化层包括归一化层和线性变换层；所述归一化层用于对所述当前层的输入数据进行归一化；所述线性变换层用于将归一化后的数据线性变换至预设分布区间，所述线性变换层中的线性变换参数是通过对所述图像识别模型进行训练得到的；
将所述目标菜肴图像输入图像识别模型，得到图像识别结果。
2.根据权利要求1所述的方法，其特征在于，所述获取图像识别模型，包括：
获取训练数据、所述训练数据的均值和方差；
获取待训练的初始网络模型，所述初始网络模型的网络结构与所述图像识别模型的网络结构相同；
将所述训练数据、所述均值和所述方差输入所述初始网络模型，以使所述初始网络模型中的每层归一化层按照所述均值和所述方差对当前层的输入数据进行归一化处理、所述初始网络模型的线性变换层对归一化后的数据进行线性变换后，得到训练结果；
基于所述训练结果与真实结果的差异对所述初始网络模型的模型参数进行迭代训练，得到训练后的图像识别模型；其中，所述模型参数包括所述线性变换层中的线性变换参数。
3.根据权利要求2所述的方法，其特征在于，
所述初始网络模型中多层中间层的归一化层通过下式表示：
其中，xi表示当前层的输入数据中第i个数据，μb是所述当前层的输入数据的均值，
所述初始网络模型中多层中间层的线性变换层通过下式表示：
其中，
4.根据权利要求2所述的方法，其特征在于，所述基于所述训练结果与真实结果的差异对所述初始网络模型的模型参数进行迭代训练，得到训练后的图像识别模型之后，还包括：
获取测试数据，所述测试数据与所述训练数据不同；
基于无偏估计法确定所述测试数据的均值估算值和方差估算值；
将所述测试数据、所述均值估算值和所述方差估算值输入所述训练后的图像识别模型，以使所述训练后的图像识别模型中的每层归一化层按照所述均值估算值、所述方差估算值对当前层的输入数据进行归一化处理、所述训练后的图像识别模型的线性变换层使用训练后的线性变换参数对归一化后的数据进行线性变换，得到测试结果；
基于所述测试结果确定所述训练后的图像识别模型的模型性能是否达到期望性能；
在所述模型性能达到所述期望性能时，确定所述训练后的图像识别模型为用于识别所述目标菜肴图像的图像识别模型。
5.根据权利要求4所述的方法，其特征在于，
所述训练后的图像识别模型中多层中间层的归一化层通过下式表示：
其中，xt表示所述测试数据中第t个数据，e[x]是所述均值估算值，var[x]是所述方差估算值；∈表示预设正数，
所述训练后的图像识别模型中多层中间层的线性变换层通过下式表示：
其中，γ表示所述线性变换层的线性变换参数中的尺度变换参数，β表示所述线性变换层的线性变换参数中的平移参数。
6.根据权利要求1所述的方法，其特征在于，所述获取图像识别模型，包括：
获取所述目标菜肴图像的目标识别需求；
在预设的识别需求与图像识别模型的对应关系中，查找所述目标识别需求对应的图像识别模型。
7.根据权利要求1至6任一所述的方法，其特征在于，所述方法还包括：
确定第一预设时长内图像识别请求的数量是否大于请求阈值，所述图像识别请求携带有所述目标菜肴图像；
在所述图像识别请求的数量大于所述请求阈值时增加请求处理服务器，所述请求处理服务器用于处理图像识别请求；
基于负载均衡原则将各个图像识别请求调度至各个请求处理服务器。
8.根据权利要求1至6任一所述的方法，其特征在于，所述方法还包括：
确定第二预设时长内目标菜肴图像的数量是否大于图像阈值；
在所述目标菜肴图像的数量大于所述图像阈值时增加图像识别节点，每个图像处理节点运行有所述图像识别模型，以对接收到的目标菜肴图像进行图像识别。
9.根据权利要求1至6任一所述的方法，其特征在于，所述方法还包括：
检测所述图像识别模型是否存在更新；
在所述图像识别模型存在更新时读取模型配置文件，得到更新后的图像识别模型，以使用所述更新后的图像识别模型对所述目标菜肴图像进行图像识别。
10.一种菜肴图像识别装置，其特征在于，所述装置包括：
图像获取模块，用于获取待识别的目标菜肴图像；
模型获取模块，用于获取图像识别模型，所述图像识别模型基于神经网络模型建立，且所述神经网络模型中的多层中间层添加了批归一化层，所述批归一化层包括归一化层和线性变换层；所述归一化层用于对所述当前层的输入数据进行归一化；所述线性变换层用于将归一化后的数据线性变换至预设分布区间，所述线性变换层中的线性变换参数是通过对所述图像识别模型进行训练得到的；
图像识别模块，用于将所述目标菜肴图像输入图像识别模型，得到图像识别结果。