1.一种隧道掌子面岩性的智能判识方法，其特征在于，包括如下步骤：S1、对隧道施工现场爆破完成后的掌子面进行拍摄取样；S2、根据步骤S1拍摄的掌子面照片，从掌子面素描、纵断面图及工程地质说明相关地质资料中标注对应里程的掌子面岩性；S3、对标注的掌子面照片进行图像增强：以标注的掌子面图像为基础，保留掌子面图像的原始色彩及纹理，对掌子面图像采取旋转加翻转的方式进行图像增强，分别为对原图进行逆时针90°旋转、180°旋转、270°旋转、左右翻转、上下翻转；S4、构建CCT岩性智能判识分类模型，基于增强后的照片进行模型训练，训练完成后得到最终的掌子面岩性智能判识模型，并利用该模型完成掌子面岩性的智能判识；构建的CCT岩性智能判识分类模型具体是串联了CNN与VIT的CCT岩性智能判识分类模型，具体包括：构建2层卷积层及2层Transformer编码层串联的CCT岩性智能判识分类模型，将增强后的掌子面图像输入到模型中进行训练；所述CNN用于提取原始图像的各种特征，通过卷积运算，池化运算，全连接运算，ReLu激活，如公式(1)～(4)，最后将卷积值拉平为一个特定长度的向量；其中， 表示卷积层输入特征图中位置(i，j)上深度为k的像素值， 表示输入数据中位置(i+m，j+n)上深度为p的像素值， 表示卷积核中位置(m，n)上深度为p，在输出特征图上深度为k的权重值，b k 表示输出特征图上深度为k的偏置项，f表示卷积核大小；其中，g表示池化函数， 表示输入张量 在池化窗口内的所有值；其中， 表示全连接层的输出，W表示权重矩阵，b表示偏置项；所述VIT用于对CNN进行处理后的特定长度序列进行编码，其中最为核心的是多头注意力机制，将输入序列进行注意力计算，如公式(5)所示：其中Q是用于表示指定要关注位置的向量，K是用于表示输入序列的向量，V是在计算注意力的时候要被加权平均的对象，d k 是注意力头的维度。
2.根据权利要求1所述的隧道掌子面岩性的智能判识方法，其特征在于：步骤S1中，所述对隧道施工现场爆破完成后的掌子面进行拍摄取样包括：等待掌子面爆破完成后进行通风20～30分钟，立即携带设备进行拍照，拍照前在距离掌子面10～12m处，距隧道中心线1.5m处两侧各摆放一个10000Lux散光灯源，采用≥2000万像素的智能手机进行拍摄，且为了保证照片像素特征分布的唯一性，同一里程仅拍摄一张照片。
3.根据权利要求1所述的隧道掌子面岩性的智能判识方法，其特征在于：步骤S2中，所述从掌子面素描、纵断面图及工程地质说明相关地质资料中标注对应里程的掌子面岩性包括：收集同隧道的掌子面地质素描，隧道纵断面图、工程地质说明读取地质素描上所记录的里程信息及掌子面岩性，并对同里程下照片进行标注。
4.一种根据权利要求1-3中任一项所述的隧道掌子面岩性的智能判识方法的隧道掌子面岩性的智能判识装置，其特征在于：所述装置包括：掌子面拍摄取样模块(110)：对隧道施工现场爆破完成后的掌子面进行拍摄取样；标注模块(120)：根据掌子面拍摄取样模块拍摄的掌子面照片，从掌子面素描、纵断面图及工程地质说明相关地质资料中标注对应里程的掌子面岩性；图像增强模块(130)：对标注的掌子面照片进行图像增强；智能判识模型构建模块(140)：构建CCT岩性智能判识分类模型，基于增强后的照片进行模型训练，训练完成后得到最终的掌子面岩性智能判识模型，并利用该模型完成掌子面岩性的智能判识。
5.一种电子设备，其特征在于：所述电子设备包括：处理器(210)；和存储器(220)，用于存储一个或多个程序；当所述一个或多个程序被处理器(210)执行时，使得所述处理器执行如权利要求1-3中任一项所述的智能判识方法。
6.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，所述计算机程序被处理器(210)执行时实现如权利要求1-3中任一项所述的智能判识方法。
