1.一种基于空间预学习与拟合的排水管网样本增量学习方法，其特征在于，包括以下步骤：（1）大量采集不同场景下的排水管网图像，对每张排水管网图像，标记其缺陷类别作为标签，将带标签的排水管网图像作为训练样本，所有训练样本构成初始数据集D0，所述D0中缺陷类别为n类，n为正整数；

构建一用于增量学习的任务组t={t1，t2，…，tN}，对应的训练数据流为D={D1，D2，…，DN}，第i个任务ti对应数据集为Di，学习结束后得到的模型为Mi，Di中包含多个训练样本，类别集和D0相同，i=1~N，N为数据集的总数；

（2）建立基础学习任务t0：用初始数据集D0训练ResNet网络模型，得到能识别n类缺陷类别的初始模型，其特征空间为H0，损失函数为loss1，（3）为下次学习预分配空间，包括步骤（31）（33）；

~

（31）将D0中训练样本按缺陷类别分为n个类别集，从每个类别集中选择数个训练样本生成模拟特征，其中一个训练样本x通过下式生成模拟特征h(f(x))；

式中，f(x)为ResNet网络模型对x提取的特征，λ∈

（0,1）为生成模拟特征的权重，xn为x所属类别集中与x欧氏距离最远的训练样本；

（32）按步骤（31），使每个类别集得到多个模拟特征，对每个类别集，用其中所有模拟特征计算一中心值，作为该类别集的模拟中心值；

（33）通过下式计算模型微调与预分配空间学习的目标函数loss2对初始模型进行调整，得到模型M0，其特征空间为H1，包含D0和模拟样本的特征，将H1作为下次学习的预分配空间；

式中，y为训练样本x的标签，C

(f(x))为初始模型对x的预测分类结果，C(h(f(x)))为初始模型对xn的预测分类结果，lce(C(f(x))，y)为计算C(f(x))与y的交叉熵损失，lpf（C(h(f(x)))，y）为计算C(h(f(x)))与y的交叉熵损失，γ∈（0,1）为loss2权重；

（4）依次学习任务组t中的任务，每次学习结束得到该任务对应的模型，其中任务ti的学习方法包括步骤（41）（42）；

~

（41）对任务ti，根据Di‑1中每个类别集的模拟中心值，从Di中为每个类别集选择数个训练样本，构成已选数据集D*i；

（42）用D*i训练Mi‑1，包括用D*i与任务ti‑1得到的预分配空间拟合，并同时用D*i为任务ti+1预分配空间，得到ti+1的预分配空间Hi+1，学习结束后得到的模型为Mi，其中，用D*i训练Mi‑1得到Mi的目标函数为loss3，采用下式计算：式中，lfit为拟合预

c

分配空间损失，||·||2为L2范数，ε为拟合预分配空间损失的权重，c为类别集，u为c的中心值，xi为D*i中的一个训练样本，f(xi)为ResNet网络模型对xi提取的特征。

2.根据权利要求1所述的基于空间预学习与拟合的排水管网样本增量学习方法，其特征在于，步骤（1）中，所述缺陷类别包括但不限于非检测作业图像、缺陷管网图像或无缺陷管网图像。

3.根据权利要求1所述的基于空间预学习与拟合的排水管网样本增量学习方法，其特征在于，对于数据集Di，为完成任务ti‑1后，一段时间内不断获取的新的训练样本的总和。

4.根据权利要求1所述的基于空间预学习与拟合的排水管网样本增量学习方法，其特征在于，步骤（2）中，ResNet网络模型由特征提取器和分类器组成，训练样本x送入ResNet网络模型中，先由特征提取器提取特征f(x)、再经分类器输出预测分类结果C(f(x))，ResNet网络模型的损失函数loss1采用下式计算：。

5.根据权利要求1所述的基于空间预学习与拟合的排水管网样本增量学习方法，其特征在于，所述步骤（32）通过下式计算中心值：c

c为类别集，xk为c的第k个训练样本，u 为c的中心值，Nc为c中训练样本总数。

6.根据权利要求4所述的基于空间预学习与拟合的排水管网样本增量学习方法，其特征在于，步骤（41）从Di中为每个类别集选择数个训练样本具体为；

（a1）将Di‑1中一个类别集的模拟中心值，与Di对应类别集中的每个训练样本算距离，并按距离从小到大排序，选取前Q个训练样本；

（a2）按步骤（a1）的方法，用Di‑1中其余类别集的模拟中心值，分别在Di对应类别集中选取Q个训练样本，共得到n×Q个训练样本，构成已选数据集D*i。