1.一种基于深度学习的矿石尺寸监测预警方法，其特征在于，包括：
采集爆破大块矿石的图像数据集，通过labelme工具对图像数据集进行标注并保存；
对所述图像数据集进行数据增强，提高模型的泛化能力，并将图像扩充数据集分为：训练集和验证集；
构建retinanet网络结构识别模型，设置retinanet网络结构识别模型的特征提取层为resnet50，设置retinanet网络结构识别模型的特征融合网络层为fpn（特征金字塔网络），设置retinanet网络结构识别模型的损失函数为focalloss；
将训练集输入到retinanet网络结构模型进行训练，通过验证集对每次迭代后的模型进行测试验证，保存准确率最高的模型；
通过摄像头实时捕获矿井传送带上的大块矿石，通过retinanet网络结构识别模型，实时输出爆破大块矿石的框图标定结果。
2.根据权利要求1所述的基于深度学习的矿石尺寸监测预警方法，其特征在于，所述采集爆破大块矿石的图像数据集，对所述图像数据集进行标注并保存，具体包括：
通过labelme工具对所述图像数据集中的图像的不规则轮廓进行标定后，保存对应的图像为json文件。
3.根据权利要求1所述的基于深度学习的矿石尺寸监测预警方法，其特征在于，对所述图像数据集进行数据增强，扩充数据集，提高模型的泛化能力，具体包括：
对所述图像数据集进行数据增强扩充图像数据集，所述数据增强处理包括：缩放、旋转、平移、图像均衡、添加高斯噪声。
4.根据权利要求1所述的基于深度学习的矿石尺寸监测预警方法，其特征在于，将所述扩充后的图像数据集分为：训练集和验证集，具体包括：
通过python批处理程序，将所述标注完成的json图像数据内的标定框位置信息进行提取，并保存成csv文件，将数据划分为训练集和验证集。
5.根据权利要求1所述的基于深度学习的矿石尺寸监测预警方法，其特征在于，使用训练数据集训练retinanet网络结构识别模型，并每次迭代后需要通过所述验证数据集进行测试，具体包括：
所述训练数据集用于训练retinanet网络结构识别模型，在预设的训练迭代次数内，使用验证数据集测试每次迭代训练完毕的结构模型，通过比较，保存准确率最高的模型。
6.根据权利要求1所述的基于深度学习的矿石尺寸监测预警方法，其特征在于，使用验证数据集对每次迭代出来的模型进行测试，具体包括：
使用所述验证数据集测试每次迭代训练完毕的模型时，根据验证数据集的样本的识别难易程度，对模型进行验证识别时进行权重赋值，本实施例赋值级别分别为1，0.75，0.5，0.25。
7.一种基于深度学习的矿石尺寸监测预警系统，其特征在于，包括：
图像采集平台，用于实时采集矿井中传送带上的矿石数据图像；
监测识别平台，用于使用工控机内置的retinanet网络结构识别模型，完成对所述的矿石数据图像，进行实时的框图标定识别；
数据监控平台，用于实时显示所述传送带上的矿石的尺寸信息，并将超出预设尺寸的大块矿石实时用框图标定显示出来。
8.根据权利要求7所述的基于深度学习的矿石尺寸监测预警系统，其特征在于，所述图像采集平台，具体用于：
通过高清高帧率的摄像头实时捕获矿井中传送带上的矿石图像，并通过视频编解码器上传至所述监测识别平台。
9.根据权利要求7所述的基于深度学习的矿石尺寸监测预警系统，其特征在于，所述监测识别平台，具体用于：
通过工控机内置的retinanet算法，实现对所述上传的矿石图像，进行实时的框图标定识别。
10.根据权利要求7所述的基于深度学习的矿石尺寸监测预警系统，其特征在于，所述监测识别平台，具体用于：
通过数据库服务器来存储处理完毕的爆破矿石图像，通过流媒体服务器将解码完毕的图像数据信息压缩后放置于网络服务器上，以供用户实时观看矿石图像视频，通过web服务器对矿石识别网站搭建提供支持，使用户可以远程实时观看矿石图像视频。