1.一种基于深度学习算法的漏渣施工方法，其特征在于，包括：在进行地铁车站风井基坑施工时，通过挖机斗齿上集成的传感器采集地质数据，并采用第一深度学习算法对所述地质数据进行识别，确定岩性分层数据；以所述岩性分层数据为基础，智能调整挖机掘进速率，并根据调整之后的掘进速率控制挖机进行漏渣挖掘；在进行漏渣挖掘之后，通过竖向漏渣通道将漏渣运输至外部，并且在漏渣出口采用频闪相机采集实时漏渣图像；以所述实时漏渣图像为基础，采用第二深度学习算法预测当前漏渣量导致漏渣出口堵塞的预测概率，并根据所述预测概率调节漏渣出口的开口大小，完成漏渣施工；在进行地铁车站风井基坑施工时，通过挖机斗齿上集成的传感器采集地质数据，包括：在进行地铁车站风井基坑施工时，通过挖机斗齿上集成的压力传感器采集压力传感数据；根据所述压力传感数据，初步确定岩性分层数据；其中，岩性分层数据包括当前掘进层为砂岩层、泥岩层或者素填土层；当所述当前掘进层为砂岩层或泥岩层时，通过挖机斗齿上集成的地质雷达采集裂隙密度数据，并以所述裂隙密度数据为基础，采用第一深度学习算法对岩性分层数据进行修正，得到修正之后的岩性分层数据，所述第一深度学习算法设置为RF算法；以所述实时漏渣图像为基础，采用第二深度学习算法预测当前漏渣量导致漏渣出口堵塞的预测概率，并根据所述预测概率调节漏渣出口的开口大小，包括：获取所述实时漏渣图像中漏渣粒径数据；以所述漏渣粒径数据、漏渣量以及漏渣出口开合度为基础，采用第二深度学习算法预测当前漏渣量导致漏渣出口堵塞的预测概率，所述第二深度学习算法设置为CNN-LSTM算法；当所述当前漏渣量导致漏渣出口堵塞的预测概率大于预设概率阈值时，则采用反馈调节算法对漏渣出口的开口大小进行调节。
2.根据权利要求1所述的基于深度学习算法的漏渣施工方法，其特征在于，还包括：通过粉尘传感器采集漏渣出口的漏渣扬尘浓度，并在所述漏渣扬尘浓度大于预设浓度阈值时，开启设置于漏渣出口的雾化喷头进行喷淋，以进行降尘处理。
3.根据权利要求1所述的基于深度学习算法的漏渣施工方法，其特征在于，以所述岩性分层数据为基础，智能调整挖机掘进速率，并根据调整之后的掘进速率控制挖机进行漏渣挖掘，包括：从数据库中调度所述岩性分层数据对应的预设掘进速率，根据调整之后的掘进速率控制挖机进行漏渣挖掘。
4.根据权利要求3所述的基于深度学习算法的漏渣施工方法，其特征在于，根据调整之后的掘进速率控制挖机进行漏渣挖掘的过程中，还包括：不断识别岩性分层数据，确定掘进层数；其中，所述岩性分层数据变化一次，则掘进层数加一；将所述岩性分层数据以及所述掘进层数同时传输给工作人员，以使工作人员对地铁车站风井基坑施工现场进行管理。
5.根据权利要求3所述的基于深度学习算法的漏渣施工方法，其特征在于，当所述当前漏渣量导致漏渣出口堵塞的预测概率大于预设概率阈值时，则采用反馈调节算法对漏渣出口的开口大小进行调节，包括：当所述当前漏渣量导致漏渣出口堵塞的预测概率大于预设概率阈值时，则按预设调节量对漏渣出口的开口大小进行调节，得到调节之后的漏渣出口的开口大小；以调节之后的漏渣出口的开口大小为基础，再次获取当前漏渣量导致漏渣出口堵塞的预测概率，并判断预测当前漏渣量导致漏渣出口堵塞的预测概率是否大于预设概率阈值，若是，则返回上一步骤，否则继续监测。
6.根据权利要求4所述的基于深度学习算法的漏渣施工方法，其特征在于，还包括：当所述漏渣粒径数据满足泥岩粉屑占比超过预设数量阈值时，则直接将漏渣出口的开口大小调整为预设开口大小值。
7.根据权利要求4所述的基于深度学习算法的漏渣施工方法，其特征在于，所述第二深度学习算法在使用之前，进行优化为：采用智能优化算法对第二深度学习算法的超参数进行训练。
8.一种基于深度学习算法的漏渣施工系统，该基于深度学习算法的漏渣施工系统能够执行权利要求1至7任一所述的基于深度学习算法的漏渣施工方法，其特征在于，包括：现场数据采集模块、挖掘速率控制模块、漏渣图像采集模块以及智能出渣控制模块；所述现场数据采集模块，用于在进行地铁车站风井基坑施工时，通过挖机斗齿上集成的传感器采集地质数据，并采用第一深度学习算法对所述地质数据进行识别，确定岩性分层数据；所述挖掘速率控制模块，用于以所述岩性分层数据为基础，智能调整挖机掘进速率，并根据调整之后的掘进速率控制挖机进行漏渣挖掘；所述漏渣图像采集模块，用于在进行漏渣挖掘之后，通过竖向漏渣通道将漏渣运输至外部，并且在漏渣出口采用频闪相机采集实时漏渣图像；所述智能出渣控制模块，用于以所述实时漏渣图像为基础，采用第二深度学习算法预测当前漏渣量导致漏渣出口堵塞的预测概率，并根据所述预测概率调节漏渣出口的开口大小，完成漏渣施工。
