1.一种基于深度学习的道路病害检测方法，其特征在于，包括利用RDDA算法进行检测的步骤，具体如下：S1：道路病害数据集构建；

S2：构建图像特征提取模块；

S3：设计深度可分离无参注意力机制卷积模块；

S4：提取特征图深层特征；

S5：设计空间金字塔自适应池化融合模块；

S6：使用FPN模块进行特征融合；

S7：设计NWD-EIoU损失函数；

S8：使用Head检测头检测；

S9：模型的训练和验证；

S10：将模型进行应用；

所述S2的具体流程如下：

S21：将数据集中的道路病害图像输入到Conv2D_BN_LeakyRelu模块处理，在Conv2D_BN_LeakyRelu模块中，对输入的图像首先进行1次卷积核为3×3、步长为2标准卷积运算，然后进行非线性激活函数LeakyReLU增强，再进行Batch Normalization批归一化的处理，生成初始特征图F1，设特征图F1的尺寸为C×H×W，其中C表示通道数，H表示高度，W表示宽度；

S22：将特征图F1输入到Conv2D_BN_LeakyRelu模块，在Conv2D_BN_LeakyRelu模块中，对F1首先进行1次卷积核为3×3、步长为2标准卷积运算，然后进行非线性激活函数LeakyReLU增强，再进行Batch Normalization批归一化的处理，生成特征图F2，特征图F2的尺寸为2C×H/2×W/2；

S23：将特征图F2输入到ELAN模块，经过卷积、拼接操作输出特征图F3 F3，F3的尺寸为2C×H/2×W/2；

S24：将特征图F3继续输入到MaxPool模块，在MaxPool模块中，对F3进行最大池化，最终得到特征图F4，F4的尺寸为2C×H/4×W/4；

所述S3的具体流程如下：

S31：将在S2中得到尺寸为2C×H/4×W/4的道路病害特征图F4作为输入特征图，第一个分支F4输入Conv2D_BN_LeakyRelu模块，首先进行1次卷积核为1×1、步长为1标准卷积运算，然后进行非线性激活函数LeakyReLU增强，再进行Batch Normalization批归一化的处理，最后Conv2D_BN_LeakyRelu模块输出尺寸为2C×H/4×W/4的特征图F5；

S32：第二个分支F4连续进行一次卷积核为1×1，步长为1的DSC卷积，两次卷积核为3×3，步长为1的DSC卷积，在ELAN-SimAM-D模块中，每一个DSC卷积的输出，都作为下一个DSC卷积的输入，依次重复3次，最终三个DSC卷积分别输出的特征图F′4、特征图F″4、特征图F4″′，其特征图F′4、特征图F″4、特征图F4″′都为2C×H/4×W/4；

S33：将特征图F′4、特征图F4″、特征图F4″′与特征图F5进行拼接，得到尺寸为8C×H/4×W/4的特征图F6；

S34：将特征图F6输入Conv2D_BN_LeakyRelu模块，首先进行1次卷积核为1×1、步长为1标准卷积运算，然后进行非线性激活函数LeakyReLU增强，再进行BatchNormalization批归一化的处理，Conv2D_BN_LeakyRelu模块输出尺寸为4C×H/4×W/4的特征图F7，接着特征图F7输SimAM层，对小目标关键特征赋予三维权重，将复杂背景区域和小目标区域进行像素划分，经过SimAM模块后最终得到特征图F7'，F7'的尺寸为4C×H/4×W/4；

其中，F7'的计算公式如式(1)-(4)所示；

其中，t为目标神经元，λ为正则项，为能量函数，的值越小，代表神经元与相邻神经元的特征差别越大，t就越重要，代表所有神经元在每个通道的均值，为神经元在每个通道的方差，xi为第i个通道中的其他神经元，N为某个通道上所有神经元的个数，E为所有通道和空间维度中的能量函数总和，sigmoid函数保证了E的值不过大，⊙代表Hadamard乘积；

所述S4的具体流程如下：

S41：将特征图F7'继续输入到MaxPool模块，经过卷积、拼接操作输出特征图F8，特征图F8的尺寸为4C×H/8×W/8；

S42：将特征图F8继续输入到ELAN-SimAM-D模块，得到ELAN-SimAM-D模块的最终输出特征图F1′1，特征图F1′1的尺寸为8C×H/8×W/8；

S43：将特征图F1′1继续输入到MaxPool模块，经过卷积、拼接操作输出特征图F12，特征图F12的尺寸为8C×H/16×W/16；

S44：将特征图F12继续输入到ELAN-SimAM-D模块，在ELAN-SimAM-D模块中，得到ELAN-SimAM-D模块的最终输出特征图F1′5，特征图F1′5的尺寸为16C×H/16×W/16；

所述S5的具体流程如下：

S51：将尺寸为16C×H/16×W/16的道路病害特征图F1′5作为输入特征图，第一个分支输入Conv2D_BN_LeakyRelu模块，首先进行1次卷积核为1×1、步长为1标准卷积运算，然后进行非线性激活函数LeakyReLU增强，再进行Batch Normalization批归一化的处理，最后Conv2D_BN_LeakyRelu模块输出尺寸为8C×H/16×W/16的特征图F16；

S52：第二个分支F1′5输入Conv2D_BN_LeakyRelu模块，首先进行1次卷积核为1×1、步长为1标准卷积运算，然后进行非线性激活函数LeakyReLU增强，再进行Batch Normalization批归一化的处理，最后Conv2D_BN_LeakyRelu模块输出尺寸为8C×H/16×W/16的特征图F17；

S53：特征图F17进行四个分支的处理，前三个分支分别进行了尺寸分别为5×5，9×9，13×13，步长为1的自适应池化，得到特征图F17'、特征图F17”、特征图F17”'，第四个分支不对输入的特征图进行处理，四个分支输出的特征图尺寸都为8C×H/16×W/16；

其中，特征图F17'、特征图F17”、特征图F17”'的自适应池化具体计算过程如式(5)-式(8)；

其中，为自适应池化输出，表示平滑近似最大池化，表示平滑近似平均池化，β＝{0，...,1}是与下采样体积相同大小的权重掩码，R表示核邻域，i和j是R的坐标集合，为基于每个激活与平均激活之间的距离的倒数，AdaPool能够在反向传播的过程中为每个核向量计算梯度，能够自适应的捕捉细节，使得池化更具有区域自适应性；

S54：将特征图F1′7、特征图F1′7′、特征图F1′7″、特征图F17进行拼接，最后得到特征图F18，特征图F18的尺寸为32C×H/16×W/16；

S55：将特征图F18输入Conv2D_BN_LeakyRelu模块，首先进行1次卷积核为1×1、步长为1标准卷积运算，然后进行非线性激活函数LeakyReLU增强，再进行Batch Normalization批归一化的处理，最后Conv2D_BN_LeakyRelu模块输出尺寸为8C×H×W的特征图F19；

S56：将特征图F19与特征图F16进行拼接，最后得到尺寸为16C×H/16×W/16的特征图F20；

S57：将特征图F20输入Conv2D_BN_LeakyRelu模块，首先进行1次卷积核为1×1、步长为1标准卷积运算，然后进行非线性激活函数LeakyReLU增强，再进行Batch Normalization批归一化的处理，最终Conv2D_BN_LeakyRelu模块输出尺寸为8C×H/16×W/16特征图F21；

所述S6的具体流程如下：

S61：使特征图F7、特征图F11、特征图F21作为FPN模块的输入；

S62：FPN模块对输入的特征图F7、特征图F11、特征图F21进行特征融合，最后输出特征图F22、特征图F23、特征图F24；

所述RDDA算法包括：Conv2D_BN_LeakyRelu模块、ELAN模块、ELAN-SimAM-D模块、MaxPool模块、SPPAdaF模块、FPN模块、Head模块；

所述Conv2D_BN_LeakyRelu模块用于对输入的特征图进行标准卷积运算，然后进行非线性激活函数LeakyReLU增强，再进行Batch Normalization批归一化的处理；

所述ELAN模块用于通过标准卷积、特征拼接操作对输入的特征图进行特征提取；

所述ELAN-SimAM-D模块用于通过深度可分离卷积、标准卷积、特征拼接操作对输入的特征图进行特征提取，提取后的特征图会通道无参注意力机制SimAM赋予三维权重，最后输出特征图；

所述MaxPool模块用于减少数据的维度和大小，降低网络的参数数量和计算量，提高模型的效率；

所述SPPAdaF模块用于通过引入自适应池化来对特征进行池化，有效的保留特征的重要信息，从而降低模型的漏检率、误检率，提高模型的检测精度；

所述FPN模块用于对提取到的不同尺度的特征图进行融合，再将融合的特征送入Head模块进行检测；

所述Head模块用于对输入的特征图进行检测，并输出图像的检测结果。

2.根据权利要求1所述的一种基于深度学习的道路病害检测方法，其特征在于，所述S1的具体流程如下：S11：采用无人机拍摄道路病害路段，采集道路病害图像作为数据集；

S12：对数据集进行预处理，筛选合格的图像，平衡各个类别道路病害样本数量，并对采集的数据集使用标注软件进行标注。

3.根据权利要求1所述的一种基于深度学习的道路病害检测方法，其特征在于，所述S7的具体流程如下：将EIoU损失函数和NWD损失函数进行结合，构成一个新的道路病害检测边界框定位损失函数NWD-EIoU；

其NWD-EIoU损失函数LNWD_EIoU的计算公式如式(9)所示；

LNWD-EIoU＝α·LEIoU+(1-α)·LNWD    (9)

其中a代表的是一个正则项，取值是从0-1，LEIoU代表的是EIoU损失函数的值，LNWD代表的是NWD损失函数的值，NWD-CIoU损失函数将两个损失函数进行结合，通过正则项a来调整两个参数的权重，训练过程中再确定a最合适的取值；

此外，LEIoU和LNWD的具体计算公式分别如式(10)、(11)、(12)、(13)所示；

其中，IOU代表的是预测框与真实框的交并比，I代表预测框与真实框交集，U代表预测框与真实框并集，b和bgt分别代表预测框和真实框的中心点，w和wgt分别代表预测框和真实框的宽度，h和hgt分别代表预测框和真实框的高度，wc和hc是预测边界框与真实边界框的最小外接矩形的宽度和高度，ρ是两点之间的欧氏距离，EIOU将纵横比损失拆分成预测的宽高与最小外接框宽高的差值，加速了模型的收敛速度，同时提高了回归精度，C是代表数据集检测的种类数，W22(Na,Nb)是一个二阶Wasserstein距离定义，其中Na和Nb分别代表边界框A＝(cxa,cya,wa,ha)和边界框B＝(cxb,cyb,wb,hb)的高斯建模分布，||·||F是Frobenius范数。

4.根据权利要求1所述的一种基于深度学习的道路病害检测方法，其特征在于，所述S8的具体流程如下：S81：使来自不同尺度的特征图经过几层卷积操作以进一步提取特征；

S82：通过预定义的锚框机制，生成多个锚框用于边界框预测，每个锚框会输出边界框的中心坐标和宽高的调整量，以及置信度得分，表示框内包含目标的概率；

S83：网络输出每个锚框的分类得分，并通过非极大值抑制去除冗余检测框，生成最终的检测结果。

5.根据权利要求1所述的一种基于深度学习的道路病害检测方法，其特征在于，所述S9的具体流程如下：S91：初始化所有神经网络参数，并设置相关超参数；

S92：将经过S1处理的道路病害数据集划分为训练集、验证集和测试集，训练集和验证集被分成多个批次，每次将一批训练集数据输入到道路病害检测模型中进行训练，并计算该批次的训练损失值loss；

S93：完成对整个训练集的所有批次数据进行一轮训练后，将验证集按批次输入到道路病害检测模型中，得到相应的批次损失值batch_loss；

S94：在训练和验证过程中，道路病害检测模型会根据每次的loss和batch_loss情况自动学习并调整参数，训练过程会持续进行一轮或多轮，直至batch_loss值收敛，表示道路病害检测模型训练完成；

所述S10的具体流程如下：

S101：将采集到的道路病害路面图像数据输入到检测模型中，模型将自动对图像进行检测，得到道路病害图像的检测结果，其检测结果包括道路病害的类别、位置以及检测的置信度信息；

S102：将检测结果显示在图像上。