1.一种基于深度学习的地下排水管道缺陷智能检测方法，其特征在于，包括如下步骤：步骤1，获取地下排水管道的多个样本图片，包括正常样本图片、缺陷样本图片与未知样本图片；

步骤2，获取样本图片的灰度差值矩阵，灰度差值矩阵用于表征样本图片中各个像点灰度与相邻像点灰度的差值信息；

步骤2中灰度差值矩阵的长与宽和样本图片中像素点的长与宽一一对应，且灰度差值矩阵中每一个元素aij如下式所示：aij＝hij‑hij

其中，hij为样本图片中与元素aij对应位置处的灰度值，i，j代表二维坐标；获取与hij的

4个最接近位置的灰度值hkj、hlj、him、hin，其中，k＝i‑1，l＝i+1，m＝j‑1，n＝j+1；将hij与4个最接近位置的灰度值依次作差，则h′ij为灰度值之差的绝对值第二大的数值；

步骤3，将未知样本图片分成M份，作为M份迭代样本集，同时令变量ite的初始值为1，其中，ite表示步骤4～5的迭代训练次数；

步骤4，根据正常样本图片的灰度差值矩阵与缺陷样本图片的灰度差值矩阵，对教师模型与Scaled‑YOLO算法进行预训练；

步骤4具体包括：

步骤4.1，将正常样本图片与缺陷样本图片的灰度差值矩阵代入到教师模型中，分别提取出每一个正常样本图片或缺陷样本图片对应的第一特征向量；

步骤4.2，将第一特征向量代入到Scaled‑YOLO算法中，结合缺陷样本图片中标记的缺陷检测框，通过Scaled‑YOLO算法预测出缺陷检测框；

步骤4.3，根据预测的缺陷检测框，计算Scaled‑YOLO算法的损失函数；

预测出的缺陷检测框为一个4维向量[x′0，y′0，h′，w′]，Scaled‑YOLO算法的损失函数loss如下式所示：其中，N0为缺陷样本图片的总数量，t为缺陷样本图片的标号，用4维向量[x0，y0，h，w]表示第t个缺陷样本图片实际的缺陷检测框，其中，4维向量中的4个元素分别代表缺陷检测框的中心x坐标，中心y坐标，高度以及宽度；max，min分别为求最大值与求最小值函数；

步骤5，根据正常样本图片、缺陷样本图片以及前ite份未知样本图片的灰度差值矩阵，以及训练好的教师模型与Scaled‑YOLO算法，完成对学生模型的训练；

步骤5具体包括：

步骤5.1，将正常样本图片、缺陷样本图片以及前ite份未知样本图片的灰度差值矩阵代入到学生模型中，分别获取各个样本图片对应的第二特征向量；

步骤5.2，将第一特征向量与第二特征向量共同输入至Scaled‑YOLO算法，分别得到教师模型的第一检测结果与学生模型的第二检测结果；所述第一特征向量还包括将前ite份未知样本图片的灰度差值矩阵输入至教师模型所提取的第一特征向量；

步骤5.3，根据教师模型的第一检测结果与学生模型的第二检测结果，计算出教师学生模型的预测损失值；

步骤5.4，判断学生模型是否收敛：若预测损失值与Scaled‑YOLO算法的损失函数的值之和小于预设的阈值，判定为学生模型已经收敛，停止训练；否则，判定为学生模型尚未收敛，令ite＝ite+1，并返回步骤4继续迭代；

步骤6，将待检测的地下排水管道图片输入至训练好的学生模型中，从而进行缺陷检测。

2.根据权利要求1所述的一种基于深度学习的地下排水管道缺陷智能检测方法，其特征在于：步骤5.1还包括，将第二特征向量中每一个元素通过映射函数进行映射，并将映射后的向量作为第二特征向量，其中，映射函数为：其中，k，N为自然数，e为自然常数，x表示第二特征向量中的任意一个元素。

3.根据权利要求1所述的一种基于深度学习的地下排水管道缺陷智能检测方法，其特征在于：步骤5.3中预测损失值L如下式所示：

其中，z1为第一检测结果，z2为第二检测结果。

4.一种基于深度学习的地下排水管道缺陷智能检测系统，用于执行权利要求1‑3任一项所述的方法，其特征在于，所述系统包括：数据采集模块、执行处理模块与神经网络训练模块；

数据采集模块用于获取地下排水管道的多个样本图片，其中，样本图片包括正常样本图片、缺陷样本图片与未知样本图片；

执行处理模块用于获取样本图片的灰度差值矩阵，灰度差值矩阵用于表征样本图片中灰度与相邻像点灰度的差值信息，灰度差值矩阵的长与宽和样本图片中像素点的长与宽一一对应，且灰度差值矩阵中每一个元素aij如下式所示：aij＝hij‑hij

其中，hij为样本图片中与元素aij对应位置处的灰度值，i，j代表二维坐标；获取与hij的

4个最接近位置的灰度值hkj、hlj、him、hin，其中，k＝i‑1，l＝i+1，m＝j‑1，n＝j+1；将hij与4个最接近位置的灰度值依次作差，则h′ij为灰度值之差的绝对值第二大的数值；以及将未知样本图片分成M份，作为M份迭代样本集，同时令变量ite＝1；

神经网络训练模块用于根据正常样本图片的灰度差值矩阵与缺陷样本图片的灰度差值矩阵，对教师模型与Scaled‑YOLO算法进行预训练，具体包括步骤4.1～步骤4.3；

步骤4.1，将正常样本图片与缺陷样本图片的灰度差值矩阵代入到教师模型中，分别提取出每一个正常样本图片或缺陷样本图片对应的第一特征向量；

步骤4.2，将第一特征向量代入到Scaled‑YOLO算法中，结合缺陷样本图片中标记的缺陷检测框，通过Scaled‑YOLO算法预测出缺陷检测框；

步骤4.3，根据预测的缺陷检测框，计算Scaled‑YOLO算法的损失函数；

预测出的缺陷检测框为一个4维向量[x′0，y′0，h′，w′]，Scaled‑YOLO算法的损失函数loss如下式所示：其中，N0为缺陷样本图片的总数量，t为缺陷样本图片的标号，用4维向量[x0，y0，h，w]表示第t个缺陷样本图片实际的缺陷检测框，其中，4维向量中的4个元素分别代表缺陷检测框的中心x坐标，中心y坐标，高度以及宽度；max，min分别为求最大值与求最小值函数；以及根据正常样本图片、缺陷样本图片以及前ite份未知样本图片的灰度差值矩阵，以及训练好的教师模型与Scaled‑YOLO算法，完成对学生模型的训练，具体包括步骤5.1～步骤

5.4；

步骤5.1，将正常样本图片、缺陷样本图片以及前ite份未知样本图片的灰度差值矩阵代入到学生模型中，分别获取各个样本图片对应的第二特征向量；

步骤5.2，将第一特征向量与第二特征向量共同输入至Scaled‑YOLO算法，分别得到教师模型的第一检测结果与学生模型的第二检测结果；所述第一特征向量还包括将前ite份未知样本图片的灰度差值矩阵输入至教师模型所提取的第一特征向量；

步骤5.3，根据教师模型的第一检测结果与学生模型的第二检测结果，计算出教师学生模型的预测损失值；

步骤5.4，判断学生模型是否收敛：若预测损失值与Scaled‑YOLO算法的损失函数的值之和小于预设的阈值，判定为学生模型已经收敛，停止训练；否则，判定为学生模型尚未收敛，令ite＝ite+1，并返回步骤4继续迭代；以及将待检测的地下排水管道图片输入至训练好的学生模型中，从而进行缺陷检测。

5.一种计算装置，包括

存储器，用于存储一组指令；以及

至少一个处理器，配置为执行该组指令以使得所述计算装置执行如权利要求1至3的任一项所述的方法。

6.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机的一组指令，该组指令用于在被执行时使所述计算机执行权利要求1至3的任一项所述的方法。