1.一种基于CNN的电缆隧道照明设备的异常识别方法，其特征在于，包括以下步骤：S1.通过隧道巡检机器人摄像头拍摄采集照明设备样本图像，获得图像集；S2.遍历步骤S1中所述图像集中所有的样本图像，对每张样本图像用包围框包围完整的照明设备并进行标记处理为具有包围框的照明设备样本图像，将包围框内的像素点标记为照明设备类别，将包围框外的像素点标记为背景类别，获得第一训练集；S3.针对步骤S2中所述的具有包围框的照明设备样本图像进行尺度缩放处理，将每张样本图像的包围框的较长边变换到预设目标尺寸，较短边根据较长边变换到预设目标尺寸的缩放尺度进行相同比例的缩放，获得第二训练集；S4.采用COCO数据集输入CNN模型进行预训练并迭代预训练得到预训练后模型，将步骤S3中所述的第二训练集输入预训练后模型进行针对训练并迭代针对训练得到隧道照明设备检测模型；S5.实时采集隧道照明设备的待测图像，按照步骤S3中所述的缩放尺度进行缩放后输入至步骤S4中所述的隧道照明设备检测模型中，计算输出置信度大于90％的分类结果作为待测图像的识别结果。
2.根据权利要求1所述的基于CNN的电缆隧道照明设备的异常识别方法，其特征在于，步骤S1中所述照明设备为隧道内部应急指示灯照明设备的图像，所述应急指示灯照明设备包括方形外壳以及两组连接于方形外壳上的照明指示灯。
3.根据权利要求1所述的基于CNN的电缆隧道照明设备的异常识别方法，其特征在于，步骤S1中，摄像头以照明设备为目标物，拍摄范围为水平左偏差为15°～30°视角、水平右偏差为15°～30°视角之间的范围以及俯视偏差为50°～70°视角、仰视偏差为50°～70°视角之间的范围。
4.根据权利要求1所述的基于CNN的电缆隧道照明设备的异常识别方法，其特征在于，步骤S2中所述的包围框为长方形框，完整的照明设备为包围框内非目标物的区域面积占包围框面积的比例小于15％的照明设备。
5.根据权利要求1所述的基于CNN的电缆隧道照明设备的异常识别方法，其特征在于，步骤S4中所述的CNN模型由输入层、卷积层、池化层、全连接层和输出层构建。
6.根据权利要求5所述的基于CNN的电缆隧道照明设备的异常识别方法，其特征在于，步骤S4中预训练后模型的建立步骤如下:S41.以照明设备样本图像为输入层，在卷积层中核对样本图像卷积提取特征值；S42.将卷积层中的特征值输出作为输入，输入至池化层中进行最大池化运算，缩小卷积层的信息；S43.经多层步骤S41中所述的卷积和多次步骤S42中的最大池化运算，将池化层的输出作为输入，对每个特征值采用不同的权重进行全连接层的运算，将图像的二维信息转换为一维信息；S44.根据样本图像一维信息的值对样本图像进行分类，分类结果由输出层输出。
7.根据权利要求6所述的基于CNN的电缆隧道照明设备的异常识别方法，其特征在于，所述卷积层、池化层的堆叠采用四层的神经网络结构。
8.根据权利要求6所述的基于CNN的电缆隧道照明设备的异常识别方法，其特征在于，步骤S43中所述权重按下式计算：式中，损失函数为均方差MSE函数，W i 表示卷积层第i个权重，b i 表示卷积层第i个偏置，Y表示整个样本集，Y(i)表示第i个样本对应的标记值， 表示第i个样本输入训练网络后输出层的输出标记值，η表示反向传播算法的学习效率。
9.根据权利要求1所述的基于CNN的电缆隧道照明设备的异常识别方法，其特征在于，步骤S4中预训练后模型的模型训练误差小于10％，隧道照明设备监测模型的模型训练误差的平均值小于5％。
