1.一种人工智能红外图像传感方法，其特征在于，包括以下步骤：
步骤100、采集获得各设备过热状态下的过热红外图像样本集；
步骤200、将所述过热红外图像样本集作为训练样本集，采用基于灰度对数变换的卷积神经网络方法提取训练样本集的过热特征，获得卷积神经网络模型。
2.根据权利要求1所述的方法，其特征在于，所述采集获得各设备过热状态下的过热红外图像样本集的步骤包括：
步骤101、针对每一设备进行多次过热试验，每次试验过程中实时采集获得预设位置处的红外图像；
步骤102、提取所述红外图像的四个较高温处的灰度值，所述四个较高温处按温度由高到低依次包括最高温处、第一较高温处、第二较高温处和第三较高温处；
步骤103、根据所述四个较高温处的灰度值，计算获得温差度；
步骤104、判断所述温差度是否大于或等于预设过热阈值；
步骤105、当所述温差度大于或等于预设过热阈值时，将所述红外图像作为该设备过热状态下的过热红外图像；
步骤106、获得所有设备所有过热试验过程中过热状态下的过热红外图像，构成过热红外图像样本集。
3.根据权利要求2所述的方法，其特征在于，所述温差度的计算公式为：
其中，tc为温差度，cb为所述红外图像背景灰度极值，
4.根据权利要求1-3任一项所述的方法，其特征在于，所述卷积神经网络卷积层的构建包括以下步骤：
步骤201、将训练样本集中的过热红外图像作为卷积神经网络的输入数据x0，计算输入数据x0的灰度对数作为第1层卷积层的输入数据，计算公式为：
其中，a10、a20、a30为灰度调节因子参数；
步骤202、进入卷积层迭代，i＝1,2,…,k依次取值，每取一次i的值根据第i层卷积层输入数据进行第i次卷积运算，获得特征图y′i-1，计算公式为：
y′i-1＝wi*yi-1+bi
其中，wi为第i层卷积模板，bi为第i层偏置，“*”表示点积运算，yi-1为第i层卷积层输入数据；
对特征图y′i-1的各个通道分别进行灰度对数计算，获得第i层卷积层输出数据yi，计算公式为：
其中，
步骤203、判断当i＝k时评价函数j(θ)，
5.根据权利要求4所述的方法，其特征在于，所述步骤203具体为：
当i＝k时根据公式
6.根据权利要求5所述的方法，其特征在于，还包括以下步骤：
步骤300、采集获得设备的待识别红外图像，并将所述待识别红外图像输入构建的卷积神经网络模型，获得所述待识别红外图像的评价函数的值；
步骤400、判断所述待识别红外图像的评价函数的值是否为“1”；
步骤500、当所述待识别红外图像的评价函数的值为“1”时，识别获得
7.根据权利要求6所述的方法，其特征在于，还包括以下步骤：
步骤600、当所述待识别红外图像的评价函数的值为“0”时，识别获得设备未发生过热。
8.一种人工智能红外图像传感系统，其特征在于，包括：
红外图像传感器(300)，与红外图像接收处理单元(100)连接，用于采集各设备的红外图像并输出；
红外图像接收处理单元(100)，用于获得各设备过热状态下的过热红外图像样本集，以及获得设备的待识别红外图像；
卷积神经网络训练及结果输出单元(200)，用于将所述过热红外图像样本集作为训练样本集，采用基于灰度对数变换的卷积神经网络方法提取训练样本集的过热特征，获得卷积神经网络模型。