1.一种基于深度边界监督的牙齿全景片龋齿识别方法，其特征在于，所述方法包括以下步骤：步骤S1、将牙齿全景片I输入至编码模块进行特征编码，得到深度特征图Fdeep、跳跃连接特征图S1、S2、S3、S4以及目标边界分割图B1、B2、B3；

步骤S2、将深度特征图Fdeep输入分类模块，通过分类器链得到存在浅龋、中龋以及深龋的概率P1，P2，P3；

步骤S3、将深层特征图Fdeep输入至解码模块进行特征解码，得到龋齿分割结果以及目标边界分割图B4、B5、B6；

所述步骤S1中，将牙齿全景片I输入至编码模块进行特征编码，得到深度特征图Fdeep、跳跃连接特征图S1、S2、S3、S4以及目标边界分割图B1、B2、B3，过程如下：步骤1.1、将牙齿全景片I输入至卷积核大小为3*3的扰动卷积层卷积，得到跳跃连接特征图S1，其维度为C1×H0×W0，再进行池化后得到特征图F1，其维度为C1×H1×W1；

步骤1.2、将特征图F1输入至基于边界监督的扰动卷积块，得到跳跃连接特征图S2，其维度为C2×H1×W1，特征图F2，其维度为C2×H2×W2以及目标边界分割图B1，其维度为1×H1×W1；

步骤1.3、将特征图F2输入至基于边界监督的扰动卷积块，得到跳跃连接特征图S3，其维度为C3×H2×W2，特征图F3，其维度为C3×H3×W3以及目标边界分割图B2，其维度为1×H2×W2；

步骤1.4、将特征图F3输入至基于边界监督的扰动卷积块，得到跳跃连接特征图S4，其维度为C4×H3×W3，特征图F4，其维度为C4×H4×W4以及目标边界分割图B3，其维度为1×H3×W3；

步骤1.5、将特征图F4输入至卷积核大小为3*3的扰动卷积层，得到特征图Fdeep，其维度为C4×H4×W4；

所述基于边界监督的扰动卷积块，处理过程包括：

(1)将输入特征图输入扰动卷积层，得到跳跃连接特征图S；

(2)将特征图S使用卷积核大小为1*1的卷积层进行卷积，得到特征图f1；

(3)将特征图S使用卷积核大小为3*3的卷积层进行卷积，得到特征图f2；

(4)将特征图S使用卷积核大小为3*3，空洞率为2的空洞卷积层进行卷积，得到特征图f3；

(5)将特征图S使用卷积核大小为3*3，空洞率为4的空洞卷积层进行卷积，得到特征图f4；

(6)将特征图S使用卷积核大小为3*3，空洞率为6的空洞卷积层进行卷积，得到特征图f5；

(7)将特征图f1、f2、f3、f4和f5按通道组合，得到特征图f6；

(8)将特征图f6使用卷积核大小为1*1的卷积层进行卷积并激活后输出目标边界分割图B；

(9)通过计算F＝(1+B)×S，并通过池化后得到用以输入下一层的特征图F。

2.如权利要求1所述的基于深度边界监督的牙齿全景片龋齿识别方法，其特征在于，所述步骤S2中，将深度特征图Fdeep输入分类模块，通过分类器链得到存在浅龋、中龋以及深龋的概率P1，P2，P3，过程如下：步骤2.1、将深度特征图Fdeep转换为一维向量，得到转换后的特征向量V1；

步骤2.2、将V1输入全连接层一，得到浅龋存在的概率P1；

步骤2.3、根据阈值和P1判断浅龋是否存在，结果值为0或1，在V1的末尾添加结果值，得到特征向量V2；

步骤2.4、将V2输入全连接层二，得到浅龋存在的概率P2；

步骤2.5、根据阈值和P2判断中龋是否存在，结果值为0或1，在V2的末尾添加结果值，得到特征向量V3；

步骤2.6、将V3输入全连接层三，得到深龋存在的概率P3。

3.如权利要求1所述的基于深度边界监督的牙齿全景片龋齿识别方法，其特征在于，所述步骤S3中，将深层特征图Fdeep输入至解码模块进行特征解码，得到龋齿分割结果以及目标边界分割图B4、B5、B6，过程如下：步骤3.1、将特征图Fdeep进行上采样后与特征图S4按通道组合，得到组合后的特征图，通道数为2×C4，再输入至基于边界监督的普通卷积块，得到特征图 其维度为C3×H2×W2以及目标边界分割图B4，其维度为1×H3×W3；

步骤3.2、将特征图 与特征图S3按通道组合，得到组合后的特征图，通道数为2×C3，再输入至基于边界监督的普通卷积块，得到特征图 其维度为C2×H1×W1以及目标边界分割图B5，其维度为1×H2×W2；

步骤3.3、将特征图 与特征图S2按通道组合，得到组合后的特征图，通道数为2×C2，再输入至基于边界监督的普通卷积块，得到特征图 其维度为C1×H0×W0以及目标边界分割图B6，其维度为1×H1×W1；

步骤3.4、将特征图 与特征图S1按通道组合，得到组合后的特征图，通道数为2×C1，up再输入至卷积核大小为3*3的普通卷积层，得到特征图F1 ，其维度为C0×H0×W0；

up

步骤3.5、将特征图F1 输入1*1卷积层得到特征图 维度为1×H0×W0，将 中每个像素值使用如下公式进行激活，得到 上每个像素点属于龋齿区域的概率，将其乘以255得到最终龋齿的分割结果；

4.如权利要求1所述的基于深度边界监督的牙齿全景片龋齿识别方法，其特征在于，所述扰动卷积层包括两组卷积核大小为3*3的卷积层、特征图扰动操作、批量归一化层和激活层。

5.如权利要求2所述的基于深度边界监督的牙齿全景片龋齿识别方法，其特征在于，所述阈值为0.5。

6.如权利要求3所述的基于深度边界监督的牙齿全景片龋齿识别方法，其特征在于，所述基于边界监督的普通卷积块，处理过程为：(1)将输入特征图输入普通卷积层，得到特征图F；

(2)将特征图F使用卷积核大小为1*1的卷积层进行卷积，得到特征图f1；

(3)将特征图F使用卷积核大小为3*3的卷积层进行卷积，得到特征图f2；

(4)将特征图F使用卷积核大小为3*3，空洞率为2的空洞卷积层进行卷积，得到特征图f3；

(5)将特征图F使用卷积核大小为3*3，空洞率为4的空洞卷积层进行卷积，得到特征图f4；

(6)将特征图F使用卷积核大小为3*3，空洞率为6的空洞卷积层进行卷积，得到特征图f5；

(7)将特征图f1、f2、f3、f4和f5按通道组合，得到特征图f6；

(8)将特征图f6使用卷积核大小为1*1的卷积层进行卷积并激活后输出目标边界分割图B；

(9)通过F＝(1+B)×S对特征图F进行更新，并通过两倍上采样后得到用以输入上一层的特征图F。

7.如权利要求3所述的基于深度边界监督的牙齿全景片龋齿识别方法，其特征在于，所述普通卷积层包括两组卷积核大小为3*3的卷积层、批量归一化层和激活层。

8.如权利要求1所述的基于深度边界监督的牙齿全景片龋齿识别方法，其特征在于，所述特征图扰动操作，利用如下公式实现对特征图的扰动；

f(xi)＝f(xi)‑mi·εi

其中xi为输入特征图，f(xi)和f(xi)分别代表扰动前和扰动后的特征图，mi由0和1组成，遵循伯努利分布，εi用以控制扰动幅度，在训练中自动优化参数值，·表示矩阵各个点对应相乘。