1.一种基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：包括以下步骤；

S1，构造数据集；

从不同道路场景下获取探地雷达图像，对每张探地雷达图像中的坍塌隐患区域及类别进行标注，将带标注的探地雷达图像作为训练样本，所有训练样本构成数据集；

S2，构造一改进的Faster R‑CNN网络；

选取一Faster R‑CNN网络，包括特征提取网络、区域提议网络、兴趣区域池化层和检测网络；

所述特征提取网络包括ResNet‑50、双重融合特征金字塔和垂直方向逐通道一维卷积单元；

所述ResNet‑50用于输入训练样本，输出四个不同尺度的特征图C2、C3、C4、C5；

所述双重融合特征金字塔用于生成第二融合特征图，包括Sa1 Sa6；

~

Sa1，先将Ci降低到预设通道数C，得到对应降维图 ，i=2~5；

Sa2，根据下式生成到第i层级第一融合特征图Fi；

，

，

，

，

，

式中， 为双线性插值的上采样操作，用于生成Fi的上采样图 ，、、 均为融合项图，Fi由6‑i项融合项图融合而成， 为Fi中第j项融合项图的权重，为Fi中第j项融合项图经1×1的二维卷积操作得到的未激活权重矩阵；

Sa3，将 缩放到 大小，再相加得到加权图I；

Sa4，用SENet网络得到I中各通道权重，构成权重向量V；

Sa5，将I按Sa3的反向操作，拆分为四张拆分图R2~R5，其中，Ri与Fi大小相同；

Sa6，根据公式 ，生成第i层级第二融合特征图Pi，并根据 ，生成第6层级第二融合特征图，其中， 为 函数；

所述垂直方向逐通道一维卷积单元用于分别对P2~P6，在垂直方向进行逐通道一维卷积操作，得到P2~P6的对应的逐通道卷积图Y2~Y6；

所述Y2~Y6经区域提议网络生成训练样本的候选框，再经兴趣区域池化层和检测网络生成预测框；

S3，用数据集训练改进的Faster R‑CNN网络至收敛，得到道路坍塌隐患智能识别模型；

S4，获取待识别的探地雷达图像，送入道路坍塌隐患智能识别模型中，对坍塌隐患区域进行预测。

2.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：双重融合特征金字塔中，用1×1的卷积层对Ci的通道数进行降低。

3.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：Sa3中，加权图I根据下式得到；

，

式中， 为池化下采样操作；

Sa5中，将I按Sa3的反向操作，拆分为四张拆分图R2~R5，其中，Ri与Fi大小相同，R4=I，R2、R3分别由I经双线性插值的上采样4倍、2倍得到，R5由I池化下采样2倍得到。

4.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：所述兴趣区域池化层为ROI Align层。

5.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：所述垂直方向逐通道一维卷积单元具体按以下步骤操作；

Sb1，从P2~P6中任选一图标记为Pr，尺寸为C×H×W，其中，H、W分别为Pr的总高度和总宽度；

Sb2，将Pr在各个通道单独作水平方向的平均池化操作得到池化图Zr，尺寸为C×H；

Sb3，对Zr逐通道进行卷积核为k的一维卷积操作得到卷积池化图 ，k根据下式得到；

，

，

式中，为k的中间值， 为向下取整操作；

Sb4，根据下式生成Zr对应的逐通道卷积图Yr；

，

式中， 为点乘; 为sigmoid函数。

6.根据权利要求5所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：Sb2中，Zr在通道c、高度h的值z(c,h)根据下式得到；

，

式中， 为Pr中通道c、高度h、宽度w的值，0≤h＜H，1≤c≤C，0≤w＜W。

7.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：S3训练时，损失函数包括分类损失和回归损失，所述分类损失为交叉熵损失，回归损失为Smooth L1损失。

8.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：所述C2、C3、C4、C5分别经Resnet‑50的第二个阶段，第三个阶段、第四个阶段和第五个阶段输出，对应训练样本的下采样倍率分别为4、8、16、32。

9.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：坍塌隐患区域的类别包括脱空、空洞和疏松体。