1.一种基于深度学习和探地雷达的道路地下空洞检测预警方法，其特征在于，包括：通过探地雷达采集实际道路的含噪探地雷达回波信号；

对所述含噪探地雷达回波信号进行滤波平滑处理得到去噪探地雷达回波信号；

采用生成式对抗神经网络对所述去噪探地雷达回波信号进行增广处理得到雷达回波信号；

采用快速区域卷积神经网络对所述雷达回波信号进行检测得到第一检测预警结果；

采用快速区域卷积神经网络对所述雷达回波信号进行检测得到第一检测结果包括：对所述雷达回波信号进行标准化处理；

对标准化后的雷达回波信号进行编码；

采用所述快速区域卷积神经网络对编码后的雷达回波信号进行检测得到所述第一检测结果；其中，对标准化后的雷达回波信号进行编码包括：

采用One‑hot编码方法对标准化后的雷达回波信号进行编码；

所述快速区域卷积神经网络包括依次连接的特征提取层、目标区域提取层、池化层和分类回归层；

所述特征提取层采用VGG16网络模型，所述VGG16网络模型包括若干输入层、若干一对一层、若干第一隐藏层、若干第二隐藏层、若干输出层，其中，所述若干输入层与所述若干一对一层一一对应连接，每一一对一层均分别与每一第一隐藏层连接，每一第一隐藏层均分别与每一第二隐藏层连接，每一第二隐藏层还均分别与每一输出层连接。

2.根据权利要求1所述的基于深度学习和探地雷达的道路地下空洞检测预警方法，其特征在于，对所述含噪的探地雷达回波信号进行滤波平滑处理得到去噪探地雷达回波信号包括：采用Shearlet变换自适应阈值去噪方法对所述含噪的探地雷达回波信号进行滤波平滑处理得到所述去噪探地雷达回波信号。

3.根据权利要求1所述的基于深度学习和探地雷达的道路地下空洞检测预警方法，其特征在于，所述生成式对抗神经网络包括生成器网络，其中，所述生成器网络包括依次连接的全连接层、重构层、N个反卷积层，N为大于0的整数，所述全连接层、所述重构层均分别连接一BN归一层、Tanh激活层，所述N个反卷积层中每一反卷积层均分别连接一BN归一层、Relu激活层。

4.根据权利要求3所述的基于深度学习和探地雷达的道路地下空洞检测预警方法，其特征在于，所述生成式对抗神经网络还包括判别器网络，所述生成器网络、所述判别器网络依次连接，其中，所述判别器网络包括依次连接的M个卷积层、全连接层，M为大于0的整数，所述M个卷积层中每一卷积层均分别连接一BN归一层、Leakyrelu激活层，所述全连接层连接一BN归一化层、Sigmoid激活层。

5.根据权利要求1所述的基于深度学习和探地雷达的道路地下空洞检测预警方法，其特征在于，对所述雷达回波信号进行标准化处理包括：计算所述雷达回波信号的均值；

计算所述雷达回波信号的标准差；

根据所述雷达回波信号的均值和所述雷达回波信号的标准差对所述雷达回波信号进行标准化处理。

6.根据权利要求1所述的基于深度学习和探地雷达的道路地下空洞检测预警方法，其特征在于，还包括：对所述第一检测预警结果进行量化处理得到第二检测预警结果。