1.一种基于钻进参数图像的隧道掌子面围岩智能分级方法，其特征在于，包括如下步骤：S1、建立钻进参数数据库，利用箱型图法进行数据清洗；S2、基于清洗后数据，通过建立网格，在网格上执行数据插值和归一化，生成规范化的数据网格；S3、基于数据网格，将钻进参数转换为像素值，生成隧道掌子面钻进参数云图；具体包括：将归一化到[0,255]的钻进参数值作为四通道的像素值，使用四通道CMYK模式生成钻进参数云图；S4、建立卷积神经网络模型，识别隧道掌子面钻进参数云图得到围岩级别。
2.根据权利要求1所述的基于钻进参数图像的隧道掌子面围岩智能分级方法，其特征在于：所述步骤S1中钻进参数包括进给速度、推进压力、打击压力、回转压力四项。
3.根据权利要求1所述的基于钻进参数图像的隧道掌子面围岩智能分级方法，其特征在于：所述步骤S1中箱形图方法具体是根据四分位数确定非异常值区间，区间计算公式为：[Q 1 -1.5×IQR,Q 3 -1.5×IQR]；式中：Q 1 是第一分位数，Q 3 是第三分位数，IQR等于Q 3 -Q 1 。
4.根据权利要求1所述的基于钻进参数图像的隧道掌子面围岩智能分级方法，其特征在于：所述步骤S2具体包括：S21、基于清洗后的数据，对所有钻孔的钻进参数进行平均，得到每一钻孔的代表性特征值；S22、根据隧道设计轮廓，确定网格尺寸，对样本数据进行网格化；S23、利用插值技术进行网格数据插值，生成规范化的数据网格。
5.根据权利要求4所述的基于钻进参数图像的隧道掌子面围岩智能分级方法，其特征在于：所述插值技术包括最近邻插值、线性插值、二次插值、三次插值以及拉格朗日插值。
6.根据权利要求1所述的基于钻进参数图像的隧道掌子面围岩智能分级方法，其特征在于：所述步骤S2的归一化具体包括：采用min-max方法对样本数据进行归一化处理，公式如下：式中：x是归一化前的数值，x max 是归一化前样本数据库的最大值，x min 是归一化前样本数据库的最小值，x′是归一化后的数值；归一化处理时，x max 和x min 分别取步骤S1计算得到的非异常值区间的上下限；取进给速度及其非异常值区间为负值，再进行归一化。
7.根据权利要求1所述的基于钻进参数图像的隧道掌子面围岩智能分级方法，其特征在于：所述步骤S4具体包括：S41、采用图像数据增强的方法扩大样本集；S42、基于数据增强的样本集，训练卷积神经网络模型，向卷积神经网络模型输入钻进参数云图，自动得到对应的围岩级别。
8.一种基于钻进参数图像的隧道掌子面围岩智能分级系统，其特征在于：所述系统包括：数据清洗模块(110)、建立钻进参数数据库，利用箱型图法进行数据清洗；数据网格模块(120)、基于清洗后数据，通过建立网格，在网格上执行数据插值和归一化，生成规范化的数据网格；钻进参数云图生成模块(130)、基于数据网格，将钻进参数转换为像素值，生成隧道掌子面钻进参数云图；具体包括：将归一化到[0,255]的钻进参数值作为四通道的像素值，使用四通道CMYK模式生成钻进参数云图；围岩级别获取模块(140)、建立卷积神经网络模型，识别隧道掌子面钻进参数云图得到围岩级别。
