1.一种基于深度学习的煤岩图像分类方法，其特征在于，包括以下步骤：S1.收集煤岩图像并构建煤岩图像数据集，然后对数据集进行预处理操作；

S2.构建注意力残差网络Att‑Resnet，Att‑Resnet包括一个特征提取模块A1和多个残差注意力模块A2；

S3.构建特征提取模块A1，特征提取模块A1由大核并行卷积模块组成，将处理后的数据集中的图像输入至特征提取模块A1中，通过大核并行卷积模块提取煤岩图像的特征图 ；

S4.构建多个残差注意力模块A2，残差注意力模块A2是一个将经典残差模块中的3×3卷积替换为注意力机制的变体残差模块，将特征图 输入至多个残差注意力模块A2进一步进行特征提取，得到最终的特征图 ；

S5. 将最终的特征图 输入至分类器进行分类，得到特征图 对应各个类别的概率值，再选取概率值最高的类别作为预测的类别。

2.根据权利要求1所述的一种基于深度学习的煤岩图像分类方法，其特征在于，S1具体如下：将数据集中的煤岩图像缩放成统一尺寸，然后通过随机裁剪和旋转操作进一步对图像进行增强操作，得到预处理后的数据集 ， ， 表示与处理后的数据集中第 张煤岩图像， 表示预处理后的数据集 中煤岩图像的数量，表示预处理后的数据集 中任意一张煤岩图像。

3.根据权利要求2所述的一种基于深度学习的煤岩图像分类方法，其特征在于，S3具体如下：大核并行卷积模块包括四个支路，特征图 在第一支路通过一个1×1卷积，在第二支路通过一个 卷积，在第三支路通过一个3×3卷积，直接通过第四支路，再将四个支路的结果相加，然后依次经过一个归一化层和一个激活函数，最终输出特征图 ，计算过程如下：，

其中， 表示激活函数 的操作， 为归一化层， 、和 分别表示大核并行卷积模块中的3×3卷积、 卷积和1×1卷积的操作，表示 卷积中卷积核的大小，且大核并行卷积模块中的2D卷积3×3卷积、 卷积和1×1卷积被替换为深度过参数化卷积 ， 卷积计算如下：，

其中，是一个二维张量，的输入通道数为 、高为 、宽为 ，表示深度卷积可训练核， ， 表示深度卷积中的深度乘法器， 表示传统的卷积可训练核， ， 表示输出通道数， 表示常规卷积运算符，表示深度卷积运算符， 表示输出的卷积结果。

4.根据权利要求1所述的一种基于深度学习的煤岩图像分类方法，其特征在于，S4具体如下：S4.1Att‑Resnet包括 个残差注意力模块A2，残差注意力模块A2依次包括第一个1×1卷积、注意力模块和第二个1×1卷积；

S4.2将特征图 输入至第一个残差注意力模块A2，经过残差注意力模块A2中第一个1×

1卷积将特征图 的通道减少至可通过注意力模块，再将减少通道数量后的特征图 输入至注意力模块，注意力模块先对特征图进行图像通道划分，划分后的通道数为n，再在每个通道分别进行特征提取，对应得到n个特征图，表示为 ， 表示第个通道输出的特征图， ，计算过程如下：

，

其中， 表示第 个通道是卷积核为 的卷积；

再通过注意力模块中的注意力机制提取每个通道输出的特征图 的注意力权重 ，计算过程如下：，

其中， 表示注意力机制操作， 和 表示输入特征图的高和宽， 为特征图中的任意点， ， 代表经过第 个通道输出的特征图，表示Sigmoid函数操作， 表示relu激活函数操作， 和 为注意力机制中的两个不同权重参数，，  ,  为缩减比，为输入通道数；

然后利用 激活函数来对通道注意力信息进行权值重新标定，计算过程如下：，

其中， 表示图像第 个通道重新标定后的注意力权重， 表示激活函数的操作；

S4.3将特征图 与对应的权值重标定后的注意力权重 进行 channel‑wise级别的相乘得到特征图 ，计算过程如下：，

其中， 表示channel‑wise级别的相乘；

然后将得到 进行维度拼接，得到一个多尺度特征信息注意力加权之后的特征图 ，计算过程如下：，

其中， 表示拼接操作；

最后特征图 经过第二个1×1卷积操作将特征图 的通道数恢复，得到特征图 ；

S4.4、将第一个残差注意力模块A2输出的特征图 作为第二个残差注意力模块A2，重复步骤S4.2和S4.3中的操作，得到第一个残差注意力模块A2的输出特征图 ，将上一个残差注意力模块A2的输出作为下一个残差注意力模块A2的输入，依次迭代，得到第 个残差注意力模块A2的输出特征图 ；

S4.5、特征图 依次经过 bn层、relu层、bn层，然后通过残差连接与特征图 相加后再经过一个relu层得到最终特征图 ，计算过程如下：。

5.根据权利要求1所述的一种基于深度学习的煤岩图像分类方法，其特征在于，S5具体如下：将特征图 输入至分类器进行分类，分类器包括一个平均池化层和一个全连接层，特征图 首先经过平均池化层得到特征空间向量，再经过全连接层的映射得到概率值最高的类别，计算过程如下：，

其中，表示预测结果， 表示平均池化层的操作， 表示全连接层的操作。

6.一种基于深度学习的煤岩图像分类装置，其特征在于，包括以下单元：（1）预处理单元：用于构建煤岩图像数据集，对数据集进行预处理；

（2）特征提取模块A1：利用大核并行卷积模块提取煤岩图像的特征；

（3）残差注意力模块A2：由变体残差模块和注意力模块构成，用于提取不同尺度特征图的通道注意力，得到每个不同尺度上的通道注意力向量，输出得到一个多尺度特征信息注意力加权之后的特征图；

（4）分类单元：用于将特征图进行分类。

7.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至5中任一项所述的基于深度学习的煤岩图像分类方法。