1.一種基于改進AlexNet的燃弧識別方法，其特征在于，包括以下步驟：

S1.建立卷積神經網絡并得到訓練模型；

S2.獲取圖像；

S3.將獲取到的圖像輸入訓練模型進行圖像識別；

卷積神經網絡為改進的AlexNet網絡，所述改進的AlexNet網絡的結構依次為輸入層、多個依次連接的卷積層、全連接層和輸出層；與輸入層連接的卷積層采用M×M的卷積核架構，其余卷積層采用1×M和M×1的卷積核架構；所述改進的AlexNet網絡的輸入層和輸出層之間依次設置有第一卷積層Conv1、第一池化層、第二卷積層Conv2、第二池化層、第三卷積層Conv3、第四卷積層Conv4、第五卷積層Conv5、第三池化層、第一全連接層FC6及第二全連接層FC7，所述第一卷積層Conv1的卷積核尺寸為M×M；所述第二卷積層Conv2、第三卷積層Conv3、第四卷積層Conv4及第五卷積層Conv5分別包括依次設置的卷積層Conv2_1、Conv2_2，Conv3_1、Conv3_2，Conv4_1、Conv4_2及Conv5_1、Conv5_2，其中，所述卷積層Conv2_1、Conv3_1、Conv4_1及Conv5_1的卷積核尺寸為1×M，所述卷積層Conv2_2、Conv3_2、Conv4_2及Conv5_2的卷積核尺寸為M×1；

所述步驟S1包括：

S11.建立卷積神經網絡并初始化；

S12.采集圖像并進行預處理，包括剪裁、壓縮、去均值、歸一化；

S13.為每張圖像添加標簽，標簽信息表示該圖像是否包含燃弧；

S14.將圖像分為訓練樣本及驗證樣本；

S15.輸入訓練樣本訓練卷積神經網絡并通過驗證樣本進行驗證，判斷卷積神經網絡的損失值是否收斂于穩定值或是否達到設定的最大迭代步數，若是，執行S16，否則執行S15；

S16.結束訓練，輸出訓練模型；

S15具體實施方法為：將訓練樣本分批輸入卷積神經網絡執行前向傳播，將輸出結果與實際類別進行對比并計算損失值，若損失值未收斂于穩定值或未達到設定的最大迭代步數，則執行反向傳播，更新權值，每迭代P步將驗證樣本輸入卷積神經網絡執行前向傳播，驗證網絡性能。