1.基于光流估计的井下带式输送机运行状态检测方法，其特征在于，包括：采集皮带输送机的图像数据；

将采集的所述图像数据输入预设的光流估计网络模型，获取光流图像数据；其中，所述光流估计网络模型，基于第一训练数据集对第一预设神经网络训练获得，所述第一训练数据集包括：基于井下背景图和随机前景物体图生成的合成图像数据；

将所述光流图像数据输入预设的运动状态预测网络模型，获取带式输送机的运动状态的预测；其中，所述运动状态预测网络模型，基于第二训练数据集对CNN‑Transformer网络训练获得，所述第二训练数据集包括：光流图像数据和对应的运动状态；

所述CNN‑Transformer网络基于CNN模块和Transformer模块串联构成；

所述CNN模块，利用卷积层对皮带光流图进行局部特征提取，利用池化层压缩数据和参数数量；

将所述CNN模块输出的特征表示用残差结构连接到所述Transformer模块；

所述Transformer模块，利用自注意力机制获取序列数据中的长距离依赖关系；

获取光流图像数据对应的运动状态包括：

基于预设特征的边缘检测提取光流图像数据关键的边界和轮廓信息，获取预设运动变化的区域；

对预设运动变化的区域进行标注，获取对应的运动状态。

2.根据权利要求1所述的基于光流估计的井下带式输送机运行状态检测方法，其特征在于，将采集的所述图像数据输入预设的光流估计网络模型前包括：对采集的所述图像数据进行初始化处理；

对初始化处理后的图像数据进行融合、增益、平滑和滤波处理。

3.根据权利要求1所述的基于光流估计的井下带式输送机运行状态检测方法，其特征在于，构建所述第一训练数据集包括：基于井下背景图和随机前景物体图生成所述合成图像数据；

基于所述合成图像数据构建所述第一训练数据集；

在所述第一训练数据集中，通过设置超参数控制前景物体的生成属性以及图像数据的视觉效果。

4.根据权利要求3所述的基于光流估计的井下带式输送机运行状态检测方法，其特征在于，基于第一训练数据集对第一预设神经网络进行训练包括：将所述第一训练数据集输入所述第一预设神经网络进行训练，训练过程中利用预设公式更新渲染所述超参数；

所述预设公式为：

其中，为超参数，Ω为搜索度量，Λ为超参数搜索空间，

（ （））为自监督损失；

当自监督损失达到预设理想数值以下后停止训练，输出训练好的所述光流估计网络模型。

5.根据权利要求4所述的基于光流估计的井下带式输送机运行状态检测方法，其特征在于，所述自监督损失基于光度损失、平滑损失和蒸馏损失组成。

6.根据权利要求1所述的基于光流估计的井下带式输送机运行状态检测方法，其特征在于，所述第一预设神经网络包括：AutoFlow、FlowNet、FlowNet2、PWC‑Net、RAFT、MaskFlownet、LiteFlowNet、IRR、GMA或lLiteFlowNet。

7.根据权利要求1所述的基于光流估计的井下带式输送机运行状态检测方法，其特征在于，所述光流图像数据对应的运动状态包括：输送机正常运行、空载运行、运行异常、停止、跑偏、物体堵塞。

8.基于光流估计的井下带式输送机运行状态检测系统，其特征在于，用于实施如权利要求1‑7任一所述的基于光流估计的井下带式输送机运行状态检测方法，所述系统包括：图像采集模块、图像预处理模块、光流估计模块、运动状态预测模块、数据发送模块；

图像采集模块，用于采集皮带输送机所在区域的监控摄像头中的图像数据；

图像预处理模块，用于对采集的图像数据进行预处理，包括图像去噪、亮度增强、对比度增强；

所述光流估计模块，用于利用预设的光流估计网络模型，计算预处理后的图像数据中每个像素的运动速度和方向信息，获取光流图像数据；

所述运动状态预测模块，用于采用基于CNN‑Transformer的深度学习网络架构，接收光流图像数据，提取特征并关联运动状态标签信息并预测带式输送机的运动状态；

所述数据发送模块，将采集到的监控图像、生成的光流图像以及报警信息发生到上位机或远程服务器，在上位机端实时显示监控图像、光流图像和报警信息。