1.一种岩石图像检索方法，其特征在于，所述方法包括：实时获取图像数据，将图像数据输入到训练好的深度学习网络模型中，得到检索的结果图；

深度学习网络模型的训练过程包括：利用已收集的图像数据构建岩石图像数据集；将数据集输入到网络中，通过空间转移模块处理后，使网络能够主动地在空间上转换特征映射；将处理后的数据输入多粒度网络中，计算深度学习网络模型的总损失函数和mAP值，经过多次计算，当损失函数趋于稳定，且mAP值达到峰值时，完成深度学习网络模型的训练；

其中，mAP表示多个查询的正确率的平均值。

2.根据权利要求1所述的一种岩石图像检索方法，其特征在于，所述深度学习网络模型的结构包括：空间转移模块、ResNet-50特征提取结构、分块特征提取结构以及分类器；

所述空间转移模块显式地允许在网络中对数据进行空间变换操作；

ResNet-50特征提取结构提取进行空间变换后图像的特征；分块特征提取结构将图像特征信息进行分割，进一步提取特征和计算损失函数；分类器根据损失函数的值对图像进行分类；

其中，ResNet-50表示深度学习网络中的特征提取网络。

3.根据权利要求1所述的一种岩石图像检索方法，其特征在于，所述空间转移模块包括本地网络、网格生成器和采样器；

所述本地网络为一个子网络，包括三个卷积层和一个回归层；将数据输入到本地网络中，得到变换参数；

所述网格生成器为根据本地网络层输出的变换参数构建采样网格，输入图像中的点经过采样变换后得到采样变换图；

将采样网格得到的采样变换图和特征图同时输入采样器中，得到了采样变换后的特征图。

4.根据权利要求1所述的一种岩石图像检索方法，其特征在于，所述将处理后的数据输入多粒度网络中的过程包括：所述多粒度网络处理数据的过程共有五个模块层，前三个模块层均由9个卷积层和3个激活层组成，第四模块层将其分支为三个独立的部分，将第二部分进行二等分切割，将第三部分进行三等分切割，且第二三部分未切割之前也保留，此时总共有8个部分，第五模块层对所有部分分别进行一次降维操作，此时每一部分维度为256；分别计算8个部分的损失函数；将8个损失函数进行联合，得到深度学习网络模型的总损失函数。

5.根据权利要求4所述的一种岩石图像检索方法，其特征在于，前三个模块的每个模块的处理数据的过程为：stage＝Enc()+2Res()

Enc()＝2Conv()+Conv(Conv())

Res()＝3Conv()

其中， 表示特征映射，s表示步长，h表示图像高度，w表示图像宽度，Enc()代表下采样操作， 表示输入图像具有n个通道且分辨率为h*w，d表示维度，Res()代表残差块连接，Conv()代表卷积操作，stage表示五个模块层的层数。

6.根据权利要求4所述的一种岩石图像检索方法，其特征在于，计算8个部分的损失函数为：将目标样本，正样本，负样本数据集 分别输入到损失函数中，构建三联对比损失计算模块；将 输入到Ltriplet三联对比损失计算模块进行计算，得到三个部分的损失函数值；损失函数表达式为：其中， 表示第一部分全局特征，G表示第一部分，g表示全局特征， 表示第二部分全局特征，p2表示第二部分， 表示第三部分全局特征，p3表示第三部分，Ltriplet表示对比损失函数，P表示类别，K表示每个类别选取的图像数量，α表示控制内部和内部距离差异的边缘参数，p表示正样本，n表示负样本，j表示变量，i表示变量， 表示目标样本， 表示正样本， 表示负样本；

其余五个部分 输入到Lsoftmax分类损失计算模块进行计算，其公式为：

其中， 表示第二部分第一局部特征， 表示第二部分第二局部特征， 表示第三部分第一局部特征， 表示第三部分第二局部特征， 表示第三部分第三局部特征，Lsoftmax表示分类损失函数， 表示取对数， 表示目标类的权重向量，fi表示输入的五部分数据， 表示k类的权重矩阵，C表示数据集总类别数，T表示矩阵的转置。

7.根据权利要求4所述的一种岩石图像检索方法，其特征在于，所述最终的损失函数的计算公式为：其中，d2048表示总损失函数， 表示第一部分的全局损失函数， 表示第二部分的全局损失函数， 表示第三部分的全局损失函数， 表示第二部分的第一局部损失函数，表示第二部分的第二局部损失函数， 表示第三部分的第一局部损失函数， 表示第三部分的第二局部损失函数， 表示第三部分的第三局部损失函数。

8.一种岩石图像检索系统，其特征在于，所述系统包括：岩石图像数据获取模块、图像数据预处理模块、深度学习网络模块以及分类结果输出模块；

所述岩石图像数据获取模块用于获取图像数据，并将图像数据输入到图像数据预处理模块中；

所述图像数据预处理模块对图像数据进行预处理的过程包括：旋转、缩放、截取的方式对图像进行扩充，并按照命名规则对扩充后的图像进行编号将编号后的图像输入到深度学习网络模块中；

所述深度学习网络模块包括空间转移模块、ResNet-50特征提模块、图像分割模块、损失函数计算模块以及图像分类模块；

所述空间转移模块获取编号后的图像，求出取编号后图像的变换参数，通过变换参数求构建采样网格；将采样网格映射到输入的图像中，得到采样变换图；将采样变换图输入到ResNet-50特征提模块；

所述ResNet-50特征提模块用于提取采样变换图的特征信息，得到带有特征信息的采样变换图像；将带有特征信息的采样变换图像输入到图像分割模块；

所述图像分割模块将带有特征信息的采样变换图像分割为8个部分，将这8个部分输入到损失函数计算模块中；

所述损失函数计算模块用于计算8个部分的损失函数，并将求出总体损失函数；并将总体的损失函数发送给图像分类模块；

所述图像分类模块根据损失函数的值对图像进行对比，得到输入图像的分类结果；

所述分类结果输出模块用于获取图像分类模块的分类结果，并将结果显示在显示器上。