技术特征：
1.一种果蔬大小识别方法，其特征在于，包括：将包括果蔬图像和参照物图像的图片输入神经网络；利用所述神经网络识别所述图片中的所述果蔬的图像边界、所述参照物的图像边界以及所述参照物的种类；根据所述参照物的种类从参照物实际尺寸数据库获取所述参照物的实际尺寸；以及根据所述参照物的实际尺寸和所述参照物的图像边界以及所述果蔬的图像边界计算所述果蔬的实际大小，其中，所述神经网络是基于训练样本训练而成，收集所述参照物的图像信息和所述果蔬的图像信息以生成所述训练样本，并且获取所述参照物的实际尺寸信息以建立所述参照物实际尺寸数据库。2.根据权利要求1所述的方法，其中，基于所述训练样本训练所述神经网络具体包括：训练样本生成步骤，拍摄包含所述参照物和所述果蔬的样本图片，将所述样本图片中的所述参照物的图像信息和所述果蔬的图像信息分别进行人工标注并且处理为所述神经网络适用的预定尺寸，以生成所述训练样本；以及神经网络训练步骤，利用生成的所述训练样本训练所述神经网络，使得对于包括所述果蔬和所述参照物的任意实例图片，所述神经网络能够识别所述实例图片中的所述果蔬和所述参照物的各自的图像边界以及所述参照物的种类。3.根据权利要求2所述的方法，其特征在于，在所述神经网络训练步骤中，所述神经网络被训练为还能够识别所述实例图片中的所述果蔬的种类。4.根据权利要求1至3的任意一项所述的方法，其特征在于，根据所述参照物的实际尺寸和所述参照物的图像边界以及所述果蔬的图像边界计算所述果蔬的实际大小具体包括：根据所述图片中的所述参照物的图像边界，计算所述参照物的图像在所述图片中所占的像素数；根据所述参照物的实际尺寸和所述参照物的图像所占的像素数计算比例尺；根据所述图片中的所述果蔬的图像边界，计算所述果蔬的图像在所述图片中所占的像素数；以及根据所述比例尺和所述果蔬的图像在所述图片中所占的像素数计算所述果蔬的实际大小。5.根据权利要求4所述的方法，其特征在于，所述参照物的图像边界为所述参照物的最小外接矩形，并且所述果蔬的图像边界为所述果蔬的最小外接矩形。6.根据权利要求1至3的任意一项所述的方法，其特征在于，所述参照物为果蔬的包装箱、硬币、工牌、香烟盒或卡车尾部。7.根据权利要求1至3的任意一项所述的方法，其特征在于，所述神经网络是卷积神经网络。8.根据权利要求7所述的方法，其特征在于，所述神经网络是残差网络。9.一种果蔬大小识别装置，其特征在于，包括：
输入模块，将包括果蔬图像和参照物图像的图片输入神经网络；识别模型，利用所述神经网络识别所述图片中的所述果蔬的图像边界、所述参照物的图像边界以及所述参照物的种类；获取模块，根据所述参照物的种类从所述参照物实际尺寸数据库获取所述参照物的实际尺寸；以及计算模块，根据所述参照物的实际尺寸和所述参照物的图像边界以及所述果蔬的图像边界计算所述果蔬的实际大小，其中，所述神经网络是基于训练样本训练而成，收集多种参照物的图像信息和所述果蔬的图像信息以生成所述训练样本，并且获取所述多种参照物的实际尺寸信息以建立所述参照物实际尺寸数据库。10.根据权利要求9所述的果蔬大小识别装置，其特征在于，所述神经网络包括：图像特征提取模块，用于对输入的所述图像进行特征提取以生成特征图；对象区域生成模块，用于对经过特征提取的所述图像，提取出可能存在所述果蔬和所述参照物的区域，并将该区域添加到所述特征图中；图象像素分隔模块，用于将所述特征图中的所述果蔬的图像和所述参照物的图像分别分隔出来；果蔬/参照物分类模块，用于对所述特征图中的所述果蔬和所述参照物的种类进行识别；以及果蔬/参照物边界回归模块，用于对所述特征图中的所述果蔬和所述参照物的图像边界进行平滑。11.根据权利要求10所述的果蔬大小识别装置，其特征在于，所述神经网络还包括：区域剪裁模块，用于对提取出的可能存在所述果蔬和所述参照物的所述区域进行剪裁，以提高所述神经网络模型的准确性。12.一种具有果蔬大小识别功能的电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一项所述的方法。13.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-8中任一项所述的方法。