1.基于深度学习与云机器人的低自由度肉鸽饲喂控制方法，其特征在于，包括以下步骤：
S1、饲喂机器人在肉鸽养殖场笼间道路起点位置，进行进行上电，进行初步初始化，云服务器的服务端程序运行，并等待云机器人的客户端程序连接；
S2、云机器人客户端程序主动连接服务端程序，连接成功后，服务端程序分别加载识别料槽模型和识别笼间两侧支撑杆模型，使客户端程序与单片机主控进行投喂机构回到初始状态；
S3、云机器人通过自主视觉导航模块，用于云机器人车体行进前方的相机实时采集图像数据，上传到识别笼间两侧支撑杆模型，提取笼间道路边缘点，并拟合出相应的导航中线，获取导航预瞄点下发到客户端程序进行偏航角的计算，结合运动学模型控制云机器人，从而实现云机器人的视觉导航；
S4、云机器人两侧的相机实时采集图像数据，上传到云服务器的识别料槽模型中，判断料槽的中点是否在实时图像的中心区域，如果是，则发送停止运动的指令让云机器人停止行走，同时也发送料槽中心区域点集到客户端程序，客户端通过单片机的三自由度喂料结构模块进行实时计算并获得投喂结构需要运动的角度与长度；
S5、云机器人的单片机主控实时接收客户端的数据，控制落料机构分别给两侧的三个料盒下饲料，投喂机构转动一定角度与长度到达料槽开口处上方，末端转动角度投料到料槽中，完成投喂动作后，投喂结构回到初始状态；
S6、单片机主控发送信号使得云机器人车体前方相机继续工作，采集图像数据到云服务器的服务端程序，云机器人进行自主视觉导航，同时云机器人两侧相机也恢复工作状态，继续实时识别是否有料槽出现在图像中心区域；
S7、回到S3中，进行循环执行。
2.根据权利要求1所述的基于深度学习与云机器人的低自由度肉鸽饲喂控制方法，其特征在于：所述自主视觉导航模块的控制方法如下，
S11、采用复杂度较低、推理速度快的YOLOv5s网络模型进行改进，以便网络模型部署在云服务器，转移机器人本体的高算力任务至云端，降低移动机器人算力需求；
S12、将realsense D455深度相机固定在云机器人上距地面高度约45cm、向下倾斜角度约30°的支架上，采集图像分辨率为640×360像素的图像6000张，图像格式为JPEG，使用可视化、开源标注工具LabelImg，以矩形框的方式对支撑杆(鸽笼两侧支撑杆)数据集进行人工标注，标注文件以.xml后缀格式进行存储，并分为训练集、验证集和测试集进行模型训练；
S13、将训练获得相应的权重和模型部署到云服务器上，通过压缩图像分辨率，有效提高了图像传输速度，开发多进程“支撑杆”目标识别程序与云机器人本体控制器进行数据交互，云服务器上主要是识别“支撑杆”目标的服务端程序，云机器人本体主要是负责采集笼间道路信息与接收控制信息的客户端程序；
S14、经改进模型检测出的支撑杆目标框为n个(n大于2)，且每个目标识别矩形框右下角的图像像素坐标为(Xi,Yi)，并构成识别框右下坐标点集[(X1,Y1),(X2,Y2),…,(Xn,Yn)]rb，i＝
1，2，…，n；
首先根据像素值对Yi进行由小到大排序，获取最小值点(X,Ymin)，构造y轴方向的平行向量 分别计算识别框右下坐标点集中每一个点与最小值点的向量 最后求取出 与的夹角θ，当夹角θ大于0时，该点为右边缘点，否则为左边缘点，计算公式如下，根据上述公式得出的夹角θ判断出左右边缘点集，从相应的点集中分别取左右边缘点集中靠近最小值点(X,Ymin)的左边缘点(Xl,Yl)、右边缘点集(Xr,Yr)，并采用向量模长公式分别计算两向量 的模长，当 大于 时，最小值点(Xmin,Ymin)为右边缘点，否则该最小值点为左边缘点，计算公式如下，
为了使边缘点更接近实际支撑杆目标位置，调整右下目标检测框的左下点为边缘点，左边缘点、右边缘点集中以底边中点坐标为边缘点坐标(保留左下框识别点与右下框识别点)；
经过上述步骤，可获得左右目标识别点集分别为[(X1,Y1),(X2,Y2),…,(Xn,Yn)]r、[(X1,Y1),(X2,Y2),…,(Xn,Yn)]l，通过右边缘点集、左边缘点集拟合得到通道边缘的点斜式方程为，
y＝ax+b
式中， 表示目标识别矩阵中识别点的所有X点的平均值，即Xmid；
表示目标识别矩阵中识别点的所有Y点的平均值；
通过获得左右边缘点拟合出相应点斜式方程，可设定导航点的感兴趣区域为Y方向的
60像素至240像素，再间隔15像素与左右边缘点的点斜式方程获取通道的中心点坐标，并采用最小二乘法拟合出导航线；
S15、云机器人的客户端程序采用多进程方式高效处理服务端下发的数据，并将导航点回传到移动机器人的底层控制器，并结合运动学模型，实现其行走方向的持续调整，即完成云机器人的自主视觉导航。
3.根据权利要求2所述的基于深度学习与云机器人的低自由度肉鸽饲喂控制方法，其特征在于：在YOLOv5s基础上采用Ghost－Shuffle Conv(GSConv)代替主干网络与颈部网络的传统卷积层，并精简了主干网络冗余的网络层，其次，在Spatial Pyramid Pooling－Fast(SPPF)模块中引入高效通道注意力机制Efficient Channel Attention(ECA)，并在颈部网络中采用GhostBottleneck与Efficient Channel Attention(ECA)融合来替换C3模块，以减少参数量与计算量，实现网络轻量化，并提升对支撑杆的检测能力。
4.根据权利要求2所述的基于深度学习与云机器人的低自由度肉鸽饲喂控制方法，其特征在于：所述平行向量 即最小值点(X,Ymin)与(X,Ymin+Y)的向量。
5.根据权利要求1所述的基于深度学习与云机器人的低自由度肉鸽饲喂控制方法，其特征在于：所述单片机的三自由度喂料结构模块的控制方法如下，
S21、采用复杂度较低、推理速度快的YOLOv5s网络模型进行改进，以便网络模型部署在云服务器，转移机器人本体的高算力任务至云端，降低移动机器人算力需求；
S22、利用realsense D455深度相机在不同光照和角度采集料槽图像数据，采集图像分辨率为640×360像素的图像6000张，图像格式为JPEG，使用可视化、开源标注工具LabelImg，以矩形框的方式对料槽(鸽笼两侧料槽)数据集进行人工标注，标注文件以.xml后缀格式进行存储，按照7：2：1的比例；
S33、将训练获得相应的权重和模型部署到云服务器上，通过压缩图像分辨率，有效提高了图像传输速度，开发多进程“料槽”目标识别与定位程序与云机器人本体控制器进行数据交互，云服务器上主要是识别“料槽”目标位置信息的服务端程序，云机器人本体的客户端程序主要是负责采集笼间道路数据、接收控制云机器人行走或停止数据、进行投喂动作等；
S34、云机器人通过视觉自主导航系统行走在鸽笼道路，云机器人两侧摄像头实时采集图像，上传到识别“料槽”位置信息的服务端程序，当识别到料槽并判断料槽是正常悬挂状态，如果是正常状态，则获取料槽矩形框的中心点(Xb，Yb)，继续判断Xb是否在300像素至350像素之间，如果是在此区间，则发送指令让云机器人停止运动，准备开始投料作业；
S35、云机器人停止运动后，同时停止客户端程序上传料槽图像数据至服务端，接收服务端程序下发的料槽中心区域点集[(Xb1，Yb1)，...，(Xbi，YbI)](i＝4)，依次计算每一个像素点在相机坐标系的位置信息，设像素点(Xbi，Ybi)的深度值为D(Xbi，Ybi)，相机的内参(fx，fy，u0，v0)可通过相机标定获取，则该像素点在相机坐标系的计算公式如下式：
从而获得中心区域的相机相当料槽X轴值为 Z轴值为 并通过反正切函数等获取机械结构相应的偏转角度，并通过串口下发两侧目标相应的Z轴值与偏转角度到投喂机械结构的单片机主控，计算公式如下：
S36、单片机主控通过落料机构控制上、中、下料盒接料，依据偏转角度与Z轴值旋转一定角度、推杆伸长一定长度到达料槽上方开口处，并使末端料盒旋转一定角度进行投料动作，最后反向旋转到接料原点、推杆缩回到原点、末端料盒旋转回起点处。
6.根据权利要求5所述的基于深度学习与云机器人的低自由度肉鸽饲喂控制方法，其特征在于：在YOLOv5s基础上采用Ghost－Shuffle Conv(GSConv)代替主干网络与颈部网络的传统卷积层，并精简了主干网络冗余的网络层；其次，在Spatial Pyramid Pooling－Fast(SPPF)模块中引入高效通道注意力机制Efficient Channel Attention(ECA)，并在颈部网络中采用GhostBottleneck与Efficient Channel Attention(ECA)融合来替换C3模块，以减少参数量与计算量，实现网络轻量化，并提升对料槽的检测能力。
7.根据权利要求2或权利要求5所述的基于深度学习与云机器人的低自由度肉鸽饲喂控制方法，其特征在于：按照7：2：1的比例分为训练集、验证集、测试集进行模型训练，例如训练集4200幅、验证集1200幅和测试集600幅。
8.根据权利要求5所述的基于深度学习与云机器人的低自由度肉鸽饲喂控制方法，其特征在于：Xb在300像素至350像素之间用以保证云机器人的喂料结构接近料槽中心位置才停止。