1.一种基于人工智能的采矿设备故障检测方法，其特征在于，该方法包括：基于获取的采矿设备图像，构建高斯金字塔；

获取高斯金字塔中每张图像的粗糙度描述特征：对于一张图像中的每个像素，基于像素的粗糙度获取以该像素为中心的窗口区域的粗糙度复杂度和粗糙度变化描述子，进而得到该窗口区域的粗糙度描述子；整合所有窗口区域的粗糙度描述子，得到所述一张图像的粗糙度描述特征；其中，利用像素位置的灰度值、饱和度值、亮度值和热度值表征像素的粗糙度；所述粗糙度复杂度反应窗口区域中某些像素的位置分布离散度和粗糙度取值的多样性，所述某些像素为窗口区域中粗糙度与中心像素不同的像素；

融合高斯金字塔中图像的粗糙度描述特征，基于融合后的粗糙度描述特征判断采矿设备的磨损程度。

2.如权利要求1所述的方法，其特征在于，像素位置的灰度值、饱和度值、亮度值和热度值构成四维向量，所述四维向量表征像素的粗糙度。

3.如权利要求2所述的方法，其特征在于，所述窗口区域的粗糙度复杂度的获取具体为：

旋转不变圆形LTP算子以一个像素为中心，基于算子半径得到的算子区域为该像素对应的窗口区域；基于窗口区域内像素的粗糙度，按照预设的编码模式完成编码，得到正模式编码图和负模式编码图，进而获取该窗口区域中心像素点对应的正模式特征值和负模式特征值，正模式特征值和负模式特征值之和表征窗口区域的粗糙度复杂度。

4.如权利要求3所述的方法，其特征在于，窗口区域的粗糙度变化描述子的获取具体为：

各算子采样点与中心像素点的四维向量的差向量的和为中心像素点的粗糙度变化描述子；

对于每个算子采样点，该算子采样点与其邻域像素点的四维向量的差向量的和为该采样点的粗糙度变化描述子；

中心像素点的粗糙度变化描述子与各采样点的粗糙度变化描述子的和为窗口区域的粗糙度变化描述子。

5.如权利要求4所述的方法，其特征在于，窗口区域的粗糙度复杂度和粗糙度变化描述子相乘得到所述窗口区域的粗糙度描述向量。

6.如权利要求5所述的方法，其特征在于，基于图像的尺寸与模糊程度确定图像对应的算子半径。

7.如权利要求6所述的方法，其特征在于，基于图像的尺寸与模糊程度确定高斯金字塔中图像的权重，根据所述权重对高斯金字塔中图像的粗糙度描述特征进行加权融合。

8.如权利要求7所述的方法，其特征在于，所述图像的粗糙度描述特征为整合图像对应的所有窗口区域的粗糙度描述子得到的粗糙度描述子矩阵。

9.如权利要求8所述的方法，其特征在于，利用神经网络对融合后的粗糙度描述特征进行处理，得到采矿设备的磨损程度。

10.一种基于人工智能的采矿设备故障检测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1‑9任一项所述方法的步骤。