1.一种基于卷积神经网络的窨井监测装置，包括窨井（1），所述窨井（1）的顶端设置有立柱（2），其特征在于，所述立柱（2）的一侧设置有窨井盖（3），所述窨井盖（3）的顶端与底端分别设置有安全监控单元（8）与数据感知单元（4），且所述数据感知单元（4）安装于所述窨井（1）的侧壁，所述立柱（2）的内部设置有数据处理单元（5），所述立柱（2）的顶端设置有太阳能供电单元（6），所述数据处理单元（5）的顶端且贯穿所述立柱（2）设置有通信单元（7）。
2.根据权利要求1所述的一种基于卷积神经网络的窨井监测装置，其特征在于，所述数据感知单元（4）包括安装于所述窨井（1）内部侧壁的传感器外壳（401），所述传感器外壳（401）的内部底端设置有浊度传感器（402），所述浊度传感器（402）的顶端设置有pH值传感器（403），所述浊度传感器（402）的底端连接有水质传感器（404）；
所述数据感知单元（4）还包括安装于所述传感器外壳（401）顶端的钟罩型外壳（405），所述钟罩型外壳（405）的内部设置有气体传感器（406），所述气体传感器（406）的一侧设置有液位传感器（407），所述液位传感器（407）的一侧设置有影像传感器（408），且所述影像传感器（408）安装于所述钟罩型外壳（405）的外侧。
3.根据权利要求2所述的一种基于卷积神经网络的窨井监测装置，其特征在于，所述太阳能供电单元（6）包括安装于所述立柱（2）顶端的光伏控制器（601），所述光伏控制器（601）的外侧设置有若干组太阳能电池板（602），所述立柱（2）的一侧设置有所述光伏控制器（601）连接的储能胶体蓄电池（603）；
所述立柱（2）为镀锌钢管材质，且所述立柱（2）的内部为中空结构，所述传感器外壳（401）与所述钟罩型外壳（405）均为聚丙烯防水材质。
4.根据权利要求3所述的一种基于卷积神经网络的窨井监测装置，其特征在于，所述数据处理单元（5）用于对所述数据感知单元（4）采集完成的数据实施处理与分析操作，根据预设算法生成决策指令对所述窨井（1）内进行状态预测；
所述数据处理单元（5）包括数据收集标记模块（501）、数据划分处理模块（502）、处理模型建立模块（503）、部署监测实施模块（504）及报警决策处理模块（505）；
所述数据收集标记模块（501），用于收集所述数据感知单元（4）采集完成的所述窨井（1）内部的参数数据，并根据时间点对参数数据实施时间标记操作，所述参数数据包括水质数据、气体浓度数据、水流量数据及影像数据；
所述数据划分处理模块（502），用于将标记完成的参数数据按照预设比例划分为训练集、验证集与测试集；
所述处理模型建立模块（503），用于利用参数数据与卷积神经网络技术建立处理模型实现所述窨井（1）内部异常情况的预测；
所述部署监测实施模块（504），用于将处理模型输入至指定的窨井监测区域内对所述窨井（1）内的情况进行预测；
所述报警决策处理模块（505），用于利用预测结果与阈值实施对比操作，根据对比结果判断所述窨井（1）内是否存在异常情况并采用对应的措施。
5.根据权利要求4所述的一种基于卷积神经网络的窨井监测装置，其特征在于，所述利用参数数据与卷积神经网络技术建立处理模型实现所述窨井（1）内部异常情况的预测包括：
利用滑动搜索与时间点标记方式从测试集中选取向量构建具有时间特性的输入矩阵；
将输入矩阵与卷积神经网络相结合建立处理模型，并采用优化算法与训练集对模型参数实施优化；
利用验证集对优化完成的处理模型进行仿真输出所述窨井（1）的预测结果；
其中，所述利用滑动搜索与时间点标记方式从测试集中选取向量构建具有时间特性的输入矩阵包括：
根据测试集选取所述窨井（1）监测的异常情况的特征向量与处理模型的输出异常类别，并对特征向量进行异常值去除与归一化处理；
设定滑动搜索的长度值并根据时间标记的结果将特征向量进行顺序，根据滑动长度值进行滑动操作；
根据操作结果获取时间标记内的时序特征，并对滑动窗口标记时间戳获取重叠的子集序列；
遍历所有特征向量的子集序列并组合为样本集，将样本集与对应的异常类别作为输入矩阵。
6.根据权利要求5所述的一种基于卷积神经网络的窨井监测装置，其特征在于，所述将输入矩阵与卷积神经网络相结合建立处理模型，并采用优化算法与训练集对模型参数实施优化包括：
将输入矩阵作为输入变量，对应的异常类别作为输出变量，并利用卷积神经网络中卷积层捕捉若干输入变量之间的非线性关系；
利用全连接层对输入变量的非线性关系进行组合，并利用池化层选取最大值得到异常类别的输出模型；
判断输出模型的损失函数并利用优化算法对模型参数进行更新得到处理模型，利用训练集建立模型评价标准判断模型参数优化的结果；
当优化结果大于标准值时，则表示优化通过，并保存模型参数获得处理模型，当优化结果小于标准值时，则表示优化未通过并继续进行参数优化直至优化结果大于标准值。
7.根据权利要求1所述的一种基于卷积神经网络的窨井监测装置，其特征在于，所述安全监控单元（8）用于利用物联网技术设计远程自动监控模型对所述窨井盖（3）实施监控操作，并分析所述窨井盖（3）是否存在异常状况判断所述数据感知单元（4）的稳定性；
所述安全监控单元（8）包括监控数据采集模块（801）、数据传输接收模块（802）、监控框架设计模块（803）、异常状况判断模块（804）、警报设计生成模块（805）及监控集成连接模块（806）；
所述监控数据采集模块（801），用于在所述窨井盖（3）的顶端侧壁安装声音传感器采集所述窨井盖（3）在预设距离内的声音数据；
所述数据传输接收模块（802），用于利用分贝放大方式建立感知架构并导入物联网体系设计正常监控情况下的声音模板，所述声音模板包括所述窨井盖（3）预设距离内的敲击噪音声与搬运移动声；
所述监控框架设计模块（803），用于根据声音模板在感知架构内添加自动更新监控权值功能，利用声音模板与声音数据分析适应度函数建立自动监控模型；
所述异常状况判断模块（804），用于在自动监控模型内输入预设的声音数据，并根据输出结果判断所述窨井盖（3）在处于异常状况下声音模板的状态；
所述警报设计生成模块（805），用于根据所述窨井盖（3）的异常状况分析所述数据感知单元（4）的稳定性，并利用稳定性结果设定对应的警报提醒模式；
所述监控集成连接模块（806），用于将自动监控系统与声音传感器实施集成连接操作，根据实时声音数据分析所述窨井盖（3）是否存在异常状况，并依据分析结果判断所述数据感知单元（4）的稳定性。
8.根据权利要求7所述的一种基于卷积神经网络的窨井监测装置，其特征在于，所述根据声音模板在感知架构内添加自动更新监控权值功能，利用声音模板与声音数据分析适应度函数建立自动监控模型包括：
将设计完成的声音模板内的数据通过谱质心方式实施转换操作得到特征向量，并利用预设的监测需求定义适应度函数评估特征向量与声音模板之间的匹配程度；
将匹配程度传送至感知架构内构造自动监控模型，运用关联分析算法结合自动监控模型判断预先设定声音数据的适应度得分；
根据适应度得分结果制定权值更新规则，并基于更新规则在感知架构内添加自动更新监控权值功能。
9.根据权利要求8所述的一种基于卷积神经网络的窨井监测装置，其特征在于，所述将匹配程度传送至感知架构内构造自动监控模型，运用关联分析算法结合自动监控模型判断预先设定声音数据的适应度得分包括：
将匹配程度封装为预设的传输格式按照预设的通信协议传送至感知架构内，感知架构接收来自各匹配程度数据；
基于感知架构预设监控框架并结合匹配程度建立风险因素集作为样本，并设定样本与风险因素集的数量；
根据风险因素集构建表达框架描述属于风险状态时的样本状态，并求取样本的粗糙隶属度判断风险因素的占据比例；
根据每组风险因素的占据比例与预设的理想值判断两者之间的适应程度，运用适应程度构建识别框架，并将监控框架、表达框架与识别框架合并构造自动监控模型；
将预先设定的声音数据输入至自动监控模型内得到风险占据比例与适应值，并运用关联分析算法感知不同风险占据比例下声音数据的适应度得分。
10.一种基于卷积神经网络的窨井监测方法，用于实现权利要求1‑9中任一项所述的基于卷积神经网络的窨井监测装置的监测，其特征在于，该基于卷积神经网络的窨井监测方法包括以下步骤：
S1、在所述窨井（1）的内部安装所述数据感知单元（4）采集所述窨井（1）内部的参数数据，并传输至所述数据处理单元（5）处；
S2、所述数据处理单元（5）对采集到的参数数据进行处理和分析，利用处理模型监测所述窨井（1）内部是否存在异常情况；
S3、利用所述安全监控单元（8）远程自动监控所述窨井盖（3）预设距离内的情况，判断是否存在异常情况影响所述数据感知单元（4）的稳定性；
S4、所述通信单元（7）将所述数据处理单元（5）与所述安全监控单元（8）的监测结果上传至云平台，并利用云平台将监测结果发布至移动端与电脑端。