1.一种基于边缘增强的堤防裂缝险情智能识别方法，其特征在于：包括改进和训练YOLOv8模型和堤防裂缝险情检测两个过程；

改进和训练YOLOv8模型的具体步骤如下：

步骤S11，数据采集：使用携带可见光传感器的无人机巡检堤防，获取得到堤防的可见光图像数据，包含有堤防裂缝险情可见光图像以及无堤防裂缝险情可见光图像；

步骤S12，制作样本：对步骤S11采集的可见光图像数据进行标注整理，制作成堤防裂缝险情样本；

步骤S13，改进和训练YOLOv8模型：改进后的YOLOv8模型由原始主干网络、边缘主干网络和检测模块组成，其中原始主干网络、边缘主干网络两个主干网络由CBS卷积模块、C2f模块、空间金字塔池化模块、边缘特征提取模块和特征增强融合模块组成；

堤防裂缝险情检测的具体步骤如下：

步骤S21，获取图像：获取待检测堤防的可见光图像数据，作为堤防裂缝险情检测过程的输入图像；

步骤S22，划分窗口：将堤防的可见光图像数据划分成具有20%重叠的窗口，以480像素为滑动步长，采用640*640像素大小的滑动窗口，遍历整个输入图像；将高度和宽度不足640像素的窗口，通过左上角坐标向上或向左移动，使高度和宽度不足640像素的窗口大小保持

640*640像素；

记录每一个窗口在输入图像中对应的编号和左上角坐标，记为（R，C，X，Y），其中R为行数，C表示列数，X，Y是对应的左上角坐标；

步骤S23，将每个窗口的可见光图像数据输入到步骤S13已经训练好的改进YOLOv8模型中；设置置信度阈值，得到超过置信度阈值的检测框的中心点位置、大小、类别及置信度；根据公式（1）计算检测框在输入图像中的真实位置；

   （1）；

其中，（ ， ）是第k个检测框中心点在输入图像中的位置；（ ，）是检测框所在当前窗口的左上角坐标，（ ，）是第k个检测框中心点在当前窗口图像中的位置；

步骤S24，检测结果非最大抑制：当所有窗口检测完成后，在输入图像上得到多个检测框，再利用加权非极大抑制剔除重叠检测框；

步骤S25，输出最终检测结果：将加权非极大抑制后的结果进行输出，得到最终检测结果。

2.根据权利要求1所述的一种基于边缘增强的堤防裂缝险情智能识别方法，其特征在于：步骤S12中，对步骤S11采集的可见光图像数据进行标注整理，制作成堤防裂缝险情样本；其中，堤防裂缝险情样本由正样本和负样本组成；具体为：步骤S121，对采集到的可见光图像数据进行标注，挑选特征明显的可见光图像数据，将难以识别或检查后的无效可见光图像数据剔除；

步骤S122，使用640*640的像素大小对挑选后的可见光图像数据进行分割，将分割完成的可见光图像数据使用软件Labelme标注出堤防裂缝险情特征，使用矩形框进行标注，以“裂缝”作为堤防裂缝险情标识，标注矩形框的可见光图像数据作为正样本，选取没有堤防裂缝险情特征的可见光图像数据作为负样本；

步骤S123，采用随机裁剪、翻转、模糊和改变亮度、对比度、随机排布扩增堤防裂缝险情样本，所有堤防裂缝险情样本统一缩放为640*640像素大小；

步骤S124，将统一缩放后的所有堤防裂缝险情样本按照8:2:1随机划分为训练集、验证集、测试集，使用K‑均值算法对训练集中标注为“裂缝”的矩形框进行聚类，优化生成矩形框的大小。

3.根据权利要求2所述的一种基于边缘增强的堤防裂缝险情智能识别方法，其特征在于：改进和训练YOLOv8模型，具体步骤为：步骤S131，YOLOv8模型的输入是经过线性归一化处理后的640*640像素大小的可见光图像数据；输入端分别连接原始主干网络与边缘主干网络；

步骤S132，原始主干网络中，输入端连接第一个CBS卷积模块、第二个CBS卷积模块和第一个C2f模块，第一个C2f模块连接第三个CBS卷积模块和第二个C2f模块得到特征图A1, 第二个C2f模块连接第四个CBS卷积模块和第三个C2f模块得到特征图A2, 第三个C2f模块连接第五个CBS卷积模块、第四个C2f模块和空间金字塔池化模块得到特征图A3；

步骤S133，边缘主干网络中，输入端连接边缘特征提取模块得到边缘信息图像，边缘特征提取模块连接第六个CBS卷积模块、第七个CBS卷积模块和第五个C2f模块，第五个C2f模块连接第八个CBS卷积模块和第六个C2f模块得到边缘特征图B1, 第六个C2f模块连接第九个CBS卷积模块和第七个C2f模块得到特征图B2；

步骤S134，特征图A1与特征图B1连接特征增强融合模块进行融合得到第一个特征图AB1, 特征图A2与特征图B2连接特征增强融合模块进行融合得到第二个特征图AB2；

步骤S135，空间金字塔池化模块连接第一个上采样模块，第一个上采样模块的输出与第二个特征图AB2连接，利用特征增强融合模块进行融合，形成特征图A4；

特征图A4连接第八个C2f模块得到特征图A5；

特征图A5连接第二个上采样模块，第二个上采样模块的输出和第一个特征图AB1利用特征增强融合模块进行融合，形成特征图A6；

特征图A6连接第九个C2f模块得到特征图A7；

特征图A7连接第十个CBS卷积模块，第十个CBS卷积模块的输出与特征图A5跨接，形成特征图A8；

特征图A8连接第十个C2f模块得到特征图A9；

特征图A9连接第十一个CBS卷积模块，第十一个CBS卷积模块的输出与特征图A3跨接，形成特征图A10；

特征图A10连接第十一个C2f模块得到特征图A11；

特征图A7、特征图A9、特征图A11分别连接检测模块，得到YOLOv8模型的输出。

4.根据权利要求3所述的一种基于边缘增强的堤防裂缝险情智能识别方法，其特征在于：C2f模块由CBS卷积模块、拆分模块和瓶颈块组成，C2f模块输入连接到CBS卷积模块，再连接拆分模块得到两个输出，将第一个输出连接n个瓶颈块得到n个输出，将n个输出与拆分模块得到的第二个输出进行拼接，将拼接结果与第二个CBS卷积模块进行连接得到C2f模块的输出。

5.根据权利要求4所述的一种基于边缘增强的堤防裂缝险情智能识别方法，其特征在于：空间金字塔池化模块包含两个CBS卷积模块、三个最大池化层；空间金字塔池化模块输入经过第一个CBS卷积模块，再连接三个最大池化层，最后将第一个CBS卷积模块的输出与三个最大池化层的输出进行跨接，跨接后再连接第二个CBS卷积模块得到空间金字塔池化模块的输出。

6.根据权利要求5所述的一种基于边缘增强的堤防裂缝险情智能识别方法，其特征在于：边缘特征提取模块将训练的样本利用高斯模糊进行预处理，得到高斯模糊图像I，再分别连接三个边缘检测算子，计算图像灰度函数的一阶离散差分值，提取高频边缘信息；三个边缘检测算子的卷积核分别是Sobel算子、Prewitt算子和Roberts算子，三个边缘检测算子的计算公式见公式（2）、公式（3）、公式（4）、公式（5）和公式（6）；

   (2)；

    (3)；

    (4)；

             (5)；

                (6)；

其中，KSx和KSy分别是Sobel算子水平方向x和垂直方向y上的卷积核；KPx和KPy是Prewitt算子水平方向x和垂直方向y上的卷积核；KRx和KRy是Roberts算子水平方向x和垂直方向y上的卷积核； Gx表示水平梯度，Gy表示垂直梯度；I表示高斯模糊图像， 表示卷积运算，Kx、Ky分别表示水平方向x和垂直方向y的卷积核；

利用公式（7）对水平方向梯度Gx和垂直方向梯度Gy进行组合得到高频边缘信息Gi；

            (7)；

其中，Gi表示高频边缘信息图；

通过Sobel算子、Prewitt算子和Roberts算子获得三个不同的单通道的高频边缘信息图，分别是Sobel算子的单通道的高频边缘信息图GS，Prewitt算子的单通道的高频边缘信息图GP，Roberts算子的单通道的高频边缘信息图GR；将三组高频边缘信息图进行拼接，得到边缘主干网络的输入G，见公式（8）所示；

   (8)；

G表示三个单通道的高频边缘信息图拼接成边缘主干网络的输入。

7.根据权利要求6所述的一种基于边缘增强的堤防裂缝险情智能识别方法，其特征在于：特征增强融合模块由坐标注意力模块、上下文建模模块组成；特征增强融合模块通过坐标注意力模块对相对低级特征图 进行优化，利用相对高级特征图 通过上下文建模模块获取不同通道的权重；利用获取不同通道的对相对低级特征图 进行优化；具体为：将原始主干网络的相对低级特征图 经过坐标注意力模块，将位置信息嵌入到坐标注意力模块中，得到优化后的低级特征图 ；

将边缘主干网络的相对高级特征图 经过上下文建模模块，得到相对高级特征图 中每个通道的权重 ，再将优化后的低级特征图 与每个通道的权重 进行逐元素相乘获得最终的优化的低级特征图 ；

将最终的优化的低级特征图 与相对高级特征图 进行拼接得到特征增强融合模块的输出 ；见公式（9）、公式（10）、公式（11）和公式（12）；

                              (9)；

                           (10)；

                            (11)；

                         (12)；

其中，相对低级特征图 ，相对高级特征图 ；C、H和W分别为通

道数、高度和宽度，为实数空间； 为优化后的低级特征图， 为相对低级特征图， 为相对高级特征图 中每个通道的权重， 为相对高级特征图， 为优化的低级特征图，为特征增强融合模块的输出；CA为坐标注意力模块，CM为上下文建模模块，concat为拼接操作。