1.一种道路病害智能辨识方法，其特征是，包括以下步骤：获取不同视角下同一目标区域的第一视角图像和第二视角图像；

通过Yolact实例分割模型分别对第一视角图像、第二视角图像进行分割处理，得到相应的第一视角分割图集、第二视角分割图集；

通过卷积神经网络分别提取第一视角分割图集、第二视角分割图集中的异常特征，得到相应的第一异常特征、第二异常特征；

通过积分算法分别计算第一异常特征、第二异常特征中各个像素点的光亮强度累积值，得到相应的第一异常累积值、第二异常累积值，并结合第一视角分割图集、第二视角分割图集对比分析得到光亮强度基础值；

根据第一异常累积值、第二异常累积值和光亮强度基础值计算得到第一异常累积值的第一视角因子、第二异常累积值的第二视角因子，并依据第一视角因子、第二视角因子匹配得到异常特征所表征的道路病害类型。

2.根据权利要求1所述的一种道路病害智能辨识方法，其特征是，所述第一视角图像、第二视角图像的获取过程具体为：

通过两个俯角度数不同的图像采集设备实时采集道路图像；

俯角度数小的图像采集设备在第n次采集的道路区域与俯角度数大的图像采集设备在第n+1次采集的道路区域相同；

以俯角度数大的图像采集设备在第n次采集的图像为第一视角图像，以俯角度数小的图像采集设备在第n+1次采集的图像为第二视角图像。

3.根据权利要求1所述的一种道路病害智能辨识方法，其特征是，所述第一视角图像、第二视角图像的获取过程具体为：

以俯角范围为[a,b]的图像采集设备连续采集道路图像；

根据预设划分俯角值m将俯角范围[a,b]分为低角范围[a,m]、高角范围[m,b]，a

以高角范围[m,b]在第i次采集所覆盖的图像为第一视图，以低角范围[a,m]在第i+k次采集所覆盖的图像为第二视图，k为正整数。

4.根据权利要求1‑3任意一项所述的一种道路病害智能辨识方法，其特征是，所述光亮强度基础值的计算公式具体为：

其中，G0表示光亮强度基础值； 表示第一视角分割图集中正常像素点的光亮强度平均值； 表示第二视角分割图集中正常像素点的光亮强度平均值；h1表示相应环境条件中第一视角下设定的视角系数；h2表示相应环境条件中第二视角下设定的视角系数。

5.根据权利要求1‑3任意一项所述的一种道路病害智能辨识方法，其特征是，所述第一视角因子、第二视角因子的计算公式具体为：其中，y1表示第一视角因子；y2表示第二视角因子；L1表示第一异常累积值；L2表示第二异常累积值；G0表示光亮强度基础值；S表示像素点和值。

6.根据权利要求1‑3任意一项所述的一种道路病害智能辨识方法，其特征是，该方法可辨识路面干燥和/或路面潮湿情况下的道路病害类型。

7.根据权利要求1‑3任意一项所述的一种道路病害智能辨识方法，其特征是，该方法可辨识的道路病害类型包括线性裂缝、反射裂缝、块状裂缝、坑洞、龟裂、坑洞、补绽、鳄鱼状裂縫、纵横向裂纹、人手孔和凹凸。

8.一种道路病害智能辨识系统，其特征是，包括：图像获取模块，用于获取不同视角下同一目标区域的第一视角图像和第二视角图像；

图像处理模块，用于通过Yolact实例分割模型分别对第一视角图像、第二视角图像进行分割处理，得到相应的第一视角分割图集、第二视角分割图集；

特征提取模块，用于通过卷积神经网络分别提取第一视角分割图集、第二视角分割图集中的异常特征，得到相应的第一异常特征、第二异常特征；

数据计算模块，用于通过积分算法分别计算第一异常特征、第二异常特征中各个像素点的光亮强度累积值，得到相应的第一异常累积值、第二异常累积值，并结合第一视角分割图集、第二视角分割图集对比分析得到光亮强度基础值；

类型分析模块，用于根据第一异常累积值、第二异常累积值和光亮强度基础值计算得到第一异常累积值的第一视角因子、第二异常累积值的第二视角因子，并依据第一视角因子、第二视角因子匹配得到异常特征所表征的道路病害类型。

9.一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1‑7中任意一项所述的一种道路病害智能辨识方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征是，所述计算机程序被处理器执行可实现如权利要求1‑7中任意一项所述的一种道路病害智能辨识方法。