1.基于物联网和视觉感知的通信柜异常状态监测方法，其特征在于，该方法包括以下步骤：

获取通信柜红外图像；

获取通信柜红外图像中任意一行中所有像素点的灰度值形成的序列，记为灰度变化序列；对灰度变化序列进行曲线拟合获得灰度变化曲线，对任意灰度变化曲线进行分解获得若干层分量曲线，根据通信柜红外图像中所有行对应的同一层分量曲线获得对应的分量图像，将任意一层分量图像中所有像素点的灰度值形成的集合记为灰度值集合；逐层数地合并各层分量图像的灰度值集合获得新灰度值集合，根据新灰度值集合中灰度值的种类数量以及分量图像中像素点的灰度值，获得分量图像的最优分割判定因子，根据最优分割判定因子的大小获得最优分割图像，利用最优分割图像所在的层数将分量图像进行划分，获得若干个第一分量图像和一个基线图像；

利用预设大小的滤波核对任意第一分量图像进行滤波获得第一分量图像对应的卷积图像；

使滤波核迭代增加，获得滤波核迭代增加过程中第一分量图像对应的卷积图像，根据卷积图像中像素点的灰度值以及像素点作为滤波核的中心点时对应滤波核的大小，获得第一分量图像的滤波核大小目标函数，通过滤波核大小目标函数获得去噪平滑后的通信柜红外图像，对去噪平滑后的通信柜红外图像进行异常监测；

所述逐层数地合并各层分量图像的灰度值集合获得新灰度值集合，根据新灰度值集合中灰度值的种类数量以及分量图像中像素点的灰度值，获得分量图像的最优分割判定因子，包括的具体方法为：首先，按照分量图像对应层数的顺序，将分量图像对应的灰度值集合进行合并，将每一次合并入一个灰度值集合后获得的集合记为新灰度值集合，在合并过程中获得若干个新灰度值集合；

然后，获取任意新灰度值集合中灰度值的种类数量、平均值和标准差；根据在灰度值集合合并过程中得到的若干个新灰度值集合，获得分量图像的最优分割判定因子，具体计算方法为：其中，表示第 层分量图像的最优分割判

定因子； 表示第 类灰度值在合并至第 个分量图像的灰度值集合时，在获得的新灰度值集合中的出现概率； 表示合并至第 个分量图像时，新灰度值集合中灰度值的种类数量；

表示合并至第n个分量图像时，获得的新灰度值集合中灰度值的平均值； 表示合并至第个分量图像时，获得的新灰度值集合中灰度值的标准差；表示通信柜红外图像中像素点的数量； 表示第 层分量图像中第 个像素点的灰度值； 表示第 层分量图像中第个像素点的灰度值；

所述使滤波核迭代增加，获得滤波核迭代增加过程中第一分量图像对应的卷积图像，根据卷积图像中像素点的灰度值以及像素点作为滤波核的中心点时对应滤波核的大小，获得第一分量图像的滤波核大小目标函数，包括的具体方法为：首先，预设以任意像素点作为滤波核的中心点时所对应滤波核的初始大小为 ，以步长 对滤波核初始大小参数 进行迭代增加，迭代增加过程中滤波核大小小于等于，任意像素点对应若干个不同大小的滤波核，其中 、以及 为预设的超参数；

然后，获取任意第一分量图像中所有像素点的灰度值的标准差 ，以及对应卷积图像中所有像素点的灰度值的标准差 ；构建第一分量图像的滤波核大小目标函数：其中， 表示第 层

的第一分量图像的滤波核大小目标函数； 表示第 层的第一分量图像对应卷积图像中第 个像素点的灰度值； 表示第 层的第一分量图像中第 个像素点的灰度值，表示获取协方差； 表示第 层的第一分量图像对应卷积图像中所有像素点的灰度值的标准差； 表示第 层的第一分量图像中所有像素点灰度值的标准差； 表示通信柜红外图像中像素点的数量； 表示第 层的第一分量图像中所有滤波核的平均大小； 表示第 层的第一分量图像中第 个像素点的滤波核大小； 表示双曲正切函数；

所述通过滤波核大小目标函数获得去噪平滑后的通信柜红外图像，对去噪平滑后的通信柜红外图像进行异常监测，包括的具体方法为：首先，当滤波核大小目标函数的数值最大时，获取所有第一分量图像中所有像素点所对应滤波核的大小，记为第一分量图像的最优滤波核大小，利用第一分量图像的最优滤波核大小对第一分量图像进行均值滤波并获取所有第一分量图像的卷积图像，直至获得最优分割图像的卷积图像，将最优分割图像的卷积图像记为最终卷积图像，将最终卷积图像与基线图像相加后的图像记为去噪平滑后的通信柜红外图像；

然后，获取去噪平滑后的通信柜红外图像中所有像素点的灰度值，当像素点的灰度值的大小大于预设灰度阈值时，将对应的像素点标记为温度异常。

2.根据权利要求1所述基于物联网和视觉感知的通信柜异常状态监测方法，其特征在于，所述获取通信柜红外图像中任意一行中所有像素点的灰度值形成的序列，包括的具体方法为：按照从左到右的顺序获取通信柜红外图像中任意一行中的像素点以及像素点的灰度值，将通信柜图像中任意一行的所有像素点对应的灰度值，按照从左到右的顺序所形成的序列记为灰度变化序列。

3.根据权利要求1所述基于物联网和视觉感知的通信柜异常状态监测方法，其特征在于，所述对灰度变化序列进行曲线拟合获得灰度变化曲线，对任意灰度变化曲线进行分解获得若干层分量曲线，包括的具体方法为：首先，构建以像素点的列数为横轴，像素点的灰度值为纵轴的二维直角坐标系，将灰度变化序列置入二维直角坐标系中，并利用最小二乘法对二维直角坐标系中的灰度变化序列进行曲线拟合，将拟合获得的曲线记为灰度变化曲线。

4.根据权利要求1所述基于物联网和视觉感知的通信柜异常状态监测方法，其特征在于，所述对任意灰度变化曲线进行分解获得若干层分量曲线，根据通信柜红外图像中所有行对应的同一层分量曲线获得对应的分量图像，包括的具体方法为：首先，利用EMD分解算法对通信柜红外图像中每一行对应的灰度变化曲线进行EMD分解，在分解过程中当分解至最后一个分量曲线的极值点小于等于1个时，分解截止，获得灰度变化曲线的若干层分量曲线，将分量曲线中数据点的纵坐标记为分量曲线中数据点在通信柜红外图像中所对应像素点的分量灰度值；将通信柜红外图像中所有行的分量曲线中属于同一层的分量曲线记为同层分量曲线，获得若干个同层分量曲线，任意一个同层分量曲线中所包含分量曲线的数量与通信柜红外图像的行数相等；

然后，获取任意一个同层分量曲线中所有数据点所对应像素点在通信柜红外图像中的列数以及分量灰度值，根据同层分量曲线中各分量曲线在通信柜红外图像中对应的行数，分量曲线中所有数据点所对应像素点在通信柜红外图像中的列数以及分量灰度值，进行图像重构，将重构后获得的图像记为同层分量曲线对应的分量图像。

5.根据权利要求1所述基于物联网和视觉感知的通信柜异常状态监测方法，其特征在于，所述出现概率的具体计算方法为：获取任意一类灰度值在任意新灰度值集合中的数量，记为第一数量，将新灰度值集合中元素的数量记为第二数量，将第一数量与第二数量的比值记为所述一类灰度值在新灰度集合中的出现概率。

6.根据权利要求1所述基于物联网和视觉感知的通信柜异常状态监测方法，其特征在于，所述根据最优分割判定因子的大小获得最优分割图像，利用最优分割图像所在的层数将分量图像进行划分，获得若干个第一分量图像和一个基线图像，包括的具体方法为：将最优分割判定因子最大时对应的分量图像记为最优分割图像，将最优分割图像的层数记为最优分割层，将第一层至最优分割层之间的分量图像记为第一分量图像，获得若干个第一分量图像，将第一分量图像以外的所有分量图像中相同位置像素点的灰度值累加，将累加后获得的图像记为基线图像。

7.根据权利要求1所述基于物联网和视觉感知的通信柜异常状态监测方法，其特征在于，所述利用预设大小的滤波核对任意第一分量图像进行滤波获得第一分量图像对应的卷积图像，包括的具体方法为：卷积图像的具体获取方法为：

其中， 表示第 层的第一分量图像对应卷积图像中第

个像素点的灰度值； 表示第 层的第一分量图像中第个像素点的灰度值；表示第一分量图像中第个像素点对应卷积核的大小， 代表第 层的第一分量图像中第 个像素点的卷积核范围内第 个邻域像素点的灰度值。