1.基于全卷积残差网络的瓦斯灰显微图像分割方法，其特征在于，包括以下步骤：S1：构建数据集

将瓦斯灰样本制备成显微图像，并对样本图像进行数据扩充；

S2：构建全卷积神经网络模型

选择基础网络构建全卷积神经网络模型；

S3：构建全卷积残差网络模型

将步骤S2中的全卷积神经网络模型中所有池化层替换为对应的卷积层，同时在网络模型中加入残差块，并在替换过后的网络模型的最后一层加入空洞卷积金字塔池化模块，形成全卷积残差网络模型；

S4：对瓦斯灰显微图像进行分割测试

利用步骤S3中的全卷积残差网络模型完成瓦斯灰显微图像分割的训练和测试。

2.根据权利要求1所述的基于全卷积残差网络的瓦斯灰显微图像分割方法，其特征在于：在所述步骤S1中，数据扩充方式为添加噪声、角度变化，图像锐化、图像平移中的一种或多种组合。

3.根据权利要求1所述的基于全卷积残差网络的瓦斯灰显微图像分割方法，其特征在于：在所述步骤S1中，数据集中训练集与测试集的比例为4:1。

4.根据权利要求1所述的基于全卷积残差网络的瓦斯灰显微图像分割方法，其特征在于：在所述步骤S1中，瓦斯灰样本显微图像的典型结构包括各向同性结构、块状裂痕、镶嵌结构、微变原煤、金属氧化物。

5.根据权利要求1所述的基于全卷积残差网络的瓦斯灰显微图像分割方法，其特征在于：在所述步骤S2中，基础网络为VGG19网络模型。

6.根据权利要求1所述的基于全卷积残差网络的瓦斯灰显微图像分割方法，其特征在于：在所述步骤S2中，全卷积神经网络模型的上采样通过在网络中加入反卷积层实现。

7.根据权利要求1所述的基于全卷积残差网络的瓦斯灰显微图像分割方法，其特征在于：在所述步骤S2中，全卷积神经网络模型采用跳跃结构设计，全卷积神经网络模型为FCN-

16s结构或FCN-8s结构，当全卷积神经网络模型为FCN-16s结构，分割时先将第7卷积层输出的特征图进行2倍上采样，再与第4池化层输出的特征图进行融合，最后对融合后的特征图进行16倍上采样；当全卷积神经网络模型为FCN-8s结构，分割时先将第3池化层输出的特征图与4倍上采样的第7卷积层、2倍上采样的第4池化层输出的特征图进行融合，最后对融合后的特征图进行8倍上采样。

8.根据权利要求1所述的基于全卷积残差网络的瓦斯灰显微图像分割方法，其特征在于：在所述步骤S3中，空洞卷积金字塔池化模块的计算公式如下：NK＝K+(K-1)×(r-1)

其中，K为卷积核尺寸，NK为扩张后的卷积核尺寸，r为扩张率。

9.根据权利要求1所述的基于全卷积残差网络的瓦斯灰显微图像分割方法，其特征在于：在所述步骤S4中，选择4种语义分割评价指标对分割效果进行评价，分别为像素正确率、平均像素正确率、平均交并比、频权交并比；所述像素正确率为语义分割结果中被正确预测像素点的个数占总像素个数的比例；所述平均像素正确率为计算每一个类别被正确预测像素的比例之后求取所有类别的平均数；所述平均交并比为各类别真实像素值和预测像素值的交集与并集之比的平均数，所述频权交并比为在平均交并比的基础上根据每个类别出现的概率设置权值。

10.基于全卷积残差网络的瓦斯灰显微图像分割系统，其特征在于，用于利用如权利要求1～9任一项所述的瓦斯灰显微图像分割方法对瓦斯灰显微图像进行分割，包括：第一构建模块，用于将瓦斯灰样本制备成显微图像，并对样本图像进行数据扩充；

第二构建模块，用于选择基础网络构建全卷积神经网络模型；

第三构建模块，用于将全卷积神经网络模型中所有池化层替换为对应的卷积层，同时在网络模型中加入残差块，并在替换过后的网络模型的最后一层加入空洞卷积金字塔池化模块，形成全卷积残差网络模型；

分割测试模块，用于利用全卷积残差网络模型完成瓦斯灰显微图像分割的训练和测试；

控制处理模块，用于向其他模块发出指令，完成相关动作；

所述第一构建模块、第二构建模块、第三构建模块、分割测试均与控制处理模块电连接。