1.基于机器学习的道路路面状况检测方法，其特征在于，包括以下步骤：S100、采集道路路面图像，对采集到的路面图像进行预处理；

S200、将上次检测获取的道路路面图像作为第一路面图像，此次检测获取的道路路面图像作为第二路面图像，根据第一路面图像与第二路面图像的道路路面状况，基于卷积神经网络回归模型预测下次检测的检测周期，所述卷积神经网络模型输入为第一路面图像和第二路面图像，输出为预测下次检测的检测周期；

S300、获取道路数据，所述道路数据包括但不限于当前检测道路的道路类型与道路承载数据，并获取从当前时间到下次检测的检测周期时间内的气象因素数据；

S400、根据S300中获取到的数据调整S200中预测得到的检测周期；

S500、将此次检测获取的道路路面图像替换上次检测获取的道路路面进行存储。

2.根据权利要求1所述的基于机器学习的道路路面状况检测方法，其特征在于，所述步骤S200中先判定道路路面状况检测是否为首次，若为首次检测道路路面状况，则检测周期为预设值；若非首次检测道路路面状况，将上次检测获取的道路路面图像作为第一路面图像，此次检测获取的道路路面图像作为第二路面图像。

3.根据权利要求1所述的基于机器学习的道路路面状况检测方法，其特征在于，所述基于卷积神经网络回归模型预测下次检测的检测周期，具体包括：S210、在多段道路上对路面状况进行实时监测，收集路面状况变化大时的监测图像，对监测图像进行图像预处理，并人工标记对应的检测周期，构建为数据集，并划分为训练样本数据和验证样本数据；

S220、将训练样本数据输入卷积神经网络模型，对卷积神经网络模型进行训练；

S230、将验证样本数据输入训练后的卷积神经网络模型进行调优，得到所述卷积神经网络回归模型，所述卷积神经网络回归模型的输入为第一路面图像和第二路面图像，输出为对应的检测周期；

S240、将检测道路的第一路面图像和第二路面图像输入所述卷积神经网络回归模型，得到对应的下次检测的检测周期。

4.根据权利要求1所述的基于机器学习的道路路面状况检测方法，其特征在于，所述步骤S300包括：S310、通过大数据获取当前检测道路的道路类型；

S320、调取当前检测道路区域近期时间段内的监控视频，获取该时间段内当前检测道路经过的车辆数量及重量，计算得到每日经过车辆重量平均值，进一步得到道路承载：n

m=(∑i=1xi*yi)/n

其中，xi为每日经过车辆重量平均值，yi为每日经过的车辆数量，n为时间段对应的天数；

S330、通过大数据分析获取从当前时间至下次预测的检测周期时间内的气象因素值，通过基于单一变量的实验获取气象因素曲线。

5.根据权利要求1所述的基于机器学习的道路路面状况检测方法，其特征在于，所述步骤S400包括：S410、通过基于单一变量的实验得到检测周期对于包括但不限于道路类型、道路承载数据、气象因素的曲线；

S420、将获取到的数据代入曲线，调整检测周期。

6.根据权利要求4或5所述的基于机器学习的道路路面状况检测方法，其特征在于，基于单一变量获取曲线的方法，包括：(ω1x1+ω2x2+...+ωnxn)

选取拟合函数为指数函数y=ae ,其中a为常数，ω1，ω2，...ωn为变量对应权重，n为变量个数；

对函数两边取对数，有lny=lna+ω1x1+ω2x2+...+ωnxn,令y’=lny，c0=lna，于是y’=c0+ω1x1+ω2x2+...+ωnxn，转为线性模型，通过最小二乘法求解，得到拟合曲线。

7.基于机器学习的路面状况检测系统，其特征在于，包括：

图像采集模块，用于获取检测道路路面图像；

预处理模块，用于对获取到的道路路面图像进行预处理；

机器学习模块，用于搭建、训练、测试基于预测检测周期为目标任务的卷积神经网络模型，将上次检测获取的道路路面图像作为第一路面图像，此次检测获取的道路路面图像作为第二路面图像，所述卷积神经网络模型输入为第一路面图像和第二路面图像，输出为预测下次检测的检测周期；

信息获取模块，用于获取包括当前检测道路的道路类型与道路承载的道路数据，获取从当前时间到下次检测的检测周期时间内的气象因素数据；

检测周期调整模块，用于根据信息获取模块获取到的道路类型、道路承载数据、气象因素数据调整由机器学习模块预测下次检测的检测周期；

存储模块，用于存储上次检测的道路路面图像。

8.根据权利要求7所述的基于机器学习的路面状况检测系统，其特征在于，所述信息获取模块中，通过大数据分析获取从当前时间至下次预测的检测周期时间内的气象因素值，通过基于单一变量的实验获取气象因素曲线：f气象因素=∑λiΔAi

其中，ΔAi为各气象因素均值与设定标准值的差值，λi为对应权重。

9.根据权利要求8所述的基于机器学习的路面状况检测系统，其特征在于，所述检测周期调整模块基于信息获取模块得到的道路数据和气象因素曲线，通过基于单一变量的实验获取检测周期曲线：f检测周期=f预测检测周期‑∑θiBi‑γθi+1f气象因素其中，Bi包括但不限于道路类型、地质因素、道路承载，θi为对应权重，γ为地质因素影响权重；

通过检测周期调整模块将获取到的数据代入检测周期曲线，对机器学习模块预测得到的检测周期进行动态调整得到新的检测周期，基于机器学习的路面状况检测系统按照新的检测周期进行道路路面检测。

10.一种路面状况检测设备，其特征在于，包括装载有可执行如权利要求1‑6任一项所述的基于机器学习的道路路面状况检测方法的计算机程序。