1.一种基于人工智能的裂纹缺陷评估方法，其特征在于，该方法包括：获取金属材料在不同时刻的多张裂纹缺陷图像，基于裂纹的扩展性，由不同级裂纹的裂纹像素点得到所述裂纹缺陷图像中的裂纹缺陷区域；

基于裂纹的连续性得到所述裂纹缺陷区域中裂纹的裂纹端点和裂纹交叉点，以得到多个裂纹段；拟合由所述裂纹交叉点划分为两个同级所述裂纹段所对应的曲线方程，并以两个同级所述裂纹段构成整合裂纹段，利用所述曲线方程计算所述整合裂纹段上每个裂纹像素点处的斜率以得到每个所述裂纹交叉点对应的斜率变化值，由所述斜率变化值得到斜率变化范围；

对比相邻前一时刻的所述裂纹缺陷图像中的所述裂纹交叉点得到当前时刻的所述裂纹缺陷图像中的新裂纹交叉点，获取所述新裂纹交叉点对应的相邻前一时刻的所述裂纹缺陷图像中的检测区域，根据所述检测区域中非裂纹像素点的灰度值得到灰度一致程度；获取所述检测区域中裂纹像素点的波动程度；结合所述灰度一致程度和所述波动程度得到所述检测区域的粗糙度，由所述粗糙度得到粗糙度范围；

计算待检测裂纹缺陷图像中每个所述裂纹段的所述斜率变化值，当该斜率变化值在所述斜率变化范围时，确认对应所述裂纹段为第一目标裂纹段，当所述第一目标裂纹段对应的所述粗糙度在所述粗糙度范围时，确认所述第一目标裂纹段为目标裂纹段；

基于所述目标裂纹段判断裂纹的损伤程度；

其中，所述裂纹的级别的获取为：

设置灰度阈值将所述裂纹缺陷图像转换为二值图像；

将所述二值图像输入训练完成的DNN网络中得到每条裂纹的级别；

所述裂纹段的获取方法为：

以裂纹端点为起始点，不断整合相邻的裂纹像素点至下一个裂纹交叉点，得到组成该裂纹段的所有裂纹像素点；以裂纹交叉点为起始点，不断整合相邻的裂纹像素点至下一个裂纹交叉点或裂纹端点，得到组成该裂纹段的所有裂纹像素点；所述每个所述裂纹交叉点对应的斜率变化值的获取方法，包括：基于所述裂纹交叉点对应的两个同级所述裂纹段上的所有裂纹像素点，计算相邻裂纹像素点之间的斜率差值，由所述斜率差值计算平均斜率差值，将所述平均斜率差值作为所述斜率变化值。

2.如权利要求1所述的方法，其特征在于，所述由所述斜率变化值得到斜率变化范围的方法，包括：计算每张所述裂纹缺陷图像中所有所述裂纹交叉点的所述斜率变化值，由所述斜率变化值的最大值和最小值构成所述斜率变化范围。

3.如权利要求1所述的方法，其特征在于，所述获取所述新裂纹交叉点对应的检测区域的方法，包括：基于所述新裂纹交叉点所在的所述裂纹缺陷图像，获取其相邻前一时刻的所述裂纹缺陷图像中所述新裂纹交叉点对应的一个所述裂纹段，将其最小外接矩形作为所述检测区域。

4.如权利要求1所述的方法，其特征在于，所述根据所述检测区域中非裂纹像素点的灰度值得到灰度一致程度的方法，包括：由相邻非裂纹像素点的灰度值计算灰度熵，将所述灰度熵作为所述灰度一致程度。

5.如权利要求1或3所述的方法，其特征在于，所述获取所述检测区域中裂纹像素点的波动程度的方法，包括：获取所述检测区域对应所述裂纹段的边缘像素点，拟合边缘像素点的直线；

以第一个边缘像素点为原点、所述直线为X轴建立直角坐标系，基于所述直角坐标系，计算每个裂纹像素点对应的第一斜率，计算所述第一斜率为零的所述裂纹像素点与所述直线之间的距离，根据所述距离和裂纹像素点的数量得到所述波动程度。

6.如权利要求5所述的方法，其特征在于，所述边缘像素点包括上边缘像素点和下边缘像素点。

7.如权利要求1所述的方法，其特征在于，所述粗糙度与所述灰度一致程度呈正相关、所述粗糙度与所述波动程度呈正相关。

8.如权利要求1所述的方法，其特征在于，所述由所述粗糙度得到粗糙度范围的方法，包括：基于所有的所述裂纹缺陷图像，计算所有所述新裂纹交叉点所对应所述检测区域的所述粗糙度，由所述粗糙度的最大值和最小值构成所述粗糙度范围。

9.如权利要求1所述的方法，其特征在于，所述基于所述目标裂纹段判断裂纹的损伤程度的方法，包括：获取所述目标裂纹段的最小外接矩形，计算所述最小外接矩形的面积；统计所述待检测裂纹缺陷图像中像素点的总数量和裂纹像素点的第一数量，结合所述面积、所述总数量、所述第一数量和所述目标裂纹段的数量得到所述损伤程度。