1.一种基于深度卷积神经网络的图像分数标签预测方法，其特征在于，包括如下步骤：
步骤(1)，随机将数据集中80％数量的图片作为训练集，剩余的20％作为测试集；进行数据集预处理，首先将具有图像分数标签的数据集中的图像进行预处理，预处理包括图像大小变换、图像随机旋转和图像归一化；由此得到图像像素大小一致，包括图像分数标签的训练集和测试集；
步骤(2)，进行深度卷积神经网络模型训练，首先根据图像的特征和图像分数标签预测的标准，设计一个深度卷积神经网络模型，然后利用训练集中的样本图像进行学习训练，通过深度学习方法训练深度卷积神经网络模型，作为图像标签预测模型；
步骤(3)进行深度卷积神经网络模型评估与测试，首先对测试集中的样本图像调用步骤(1)预处理后的图像，然后调用步骤(2)中得到的图像分数标签预测模型，从而预测出图像的质量分数。
2.根据权利要求1所述的一种基于深度卷积神经网络的图像分数标签预测方法，其特征在于：步骤(1)所述图像预处理方法采取以下步骤：
步骤(11)将训练集中原图像进行图像裁剪、图像缩放，将原始图像的像素大小变换到一个固定尺寸，这个尺寸和步骤(2)所设计的深度卷积神经网络所要求的输入尺寸保持一致；
步骤(12)将训练集中原始图像根据通道归一化，首先统计出训练集中的样本图像的不同通道的均值，然后对每一个样本图像对应通道做去均值操作。
3.根据权利要求1所述的一种基于深度卷积神经网络的图像分数标签预测方法，其特征在于：步骤(2)所述深度卷积神经网络模型训练过程如下：
步骤(21)使用resnet网络作为基础网络，由残差块堆叠50层而得到resnet50网络，网络的残差块是通过在两个卷积层之间增加短连接来拟合残差；
步骤(22)模型在resent50网络的特征提取部分后面增加了注意力机制部分；注意力机制包括两个部分，位置注意力和通道注意力；位置注意力是在最后一层特征图上进行1*1的卷积操作，经过训练即可得到特征图上每一个位置的权重，通道注意力是对特征提取最后一层的每个通道上计算权重，得到对最终结果影响最大的几个通道；
步骤(23)将上过程依次完成，在步骤(22)注意力机制后面增加两组全连接层，其中一组全连接层的最后输出为图像分数分类数目，另一组全连接b层的最后输出为图像分数回归标签；
步骤(24)整个模型训练过程包括：首先训练步骤(21)、(22)中的特征提取部分和步骤(23)图像分数分类部分全连接层，分类误差采用softmax误差公式进行计算，梯度回传只考虑分类的结果；然后固定神经网络模型参数，只训练步骤(23)图像分数回归部分全连接层，回归误差采用欧式误差公式进行计算，在梯度回传的时候损失函数需要将图像分数分类的结果与图像分数回归的结果结合，公式如下：
loss＝loss1+λloss2
其中，loss1为图像分数回归损失，公式如下：
其中，ej为神经网络模型最后一个神经元的输出；ei为第i个神经元的输出，n为神经元个数；
loss2为图像分数分类损失，其公式如下：
其中，
步骤(25)整个训练过程采用随机梯度下降法(sgd)寻找最优参数，训练神经网络模型，随机梯度下降法中的学习率变化是采用正弦函数的规律来设置，最终得到神经网络模型。
4.根据权利要求1所述的一种基于深度卷积神经网络的图像分数标签预测方法，其特征在于：步骤(3)所述模型的测试和预测采取以下步骤：
步骤(31)将测试集中的样本图像经过预处理得到一个新的图像a；
步骤(32)将新的图像a经过训练好的神经网络模型，模型通过正向计算得到图像分数预测结果；用模型输出测试集的结果和测试集的真实分数作对比，从而测试模型的欧式距离和相关性系数。