1.一种基于多模型集成的道路路面病害检测方法，其特征在于，包括：

步骤1：收集路面病害样本图像，形成路面病害数据集，所述路面病害数据集包括坑槽在内的多种路面病害类型；

步骤2：构建基于RT‑DETR网络的检测模型，用于检测道路路面病害；

步骤3：获取坑槽数据集，并采用坑槽数据集对检测模型进行迭代预训练；具体为：将获取的坑槽数据集在检测模型上训练，训练得到初步检测模型；

收集实际路面视频数据并对视频数据进行间隔抽帧，调整帧的大小；

使用初步检测模型对帧数据进行检测，将检测结果保存为XML文件，使用lableImg标注工具处理检测结果，调整检测结果中用于定位坑槽的检测框，并筛选出存在误报或漏检的数据作为训练数据对初步检测模型进行下一轮训练；

步骤4：使用预训练得到的权重与路面病害数据集对检测模型进行进一步训练；

步骤5：将步骤4训练得到的检测模型嵌入到车载系统并上线运行，收录运行检测的图像数据，将检测结果按正负样本分类，正样本和负样本分别表示检测结果正确和误报的样本；

步骤6：采用孤立森林算法来划分正样本中的异常值，并将其用于路面病害数据集的更新，回到步骤4中对检测模型进行下一轮训练，直至获得最优模型；步骤6中，对于检测结果正确的正样本，采用孤立森林算法划分出与其他正样本不同且数量小于其他正样本的正样本作为极端样本；采用检测模型对保存的极端样本数据进行检测，若检测结果正确，则将其收录至路面病害数据集，用于对检测模型进行下一轮训练，否则将其按路面病害类型保存至极端数据集中，当极端数据集达到设定的数据数量时，全部放入路面病害数据集，用于对检测模型进行下一轮训练；

步骤7：构建基于ResNet的二分类模型并根据负样本进行训练，所述二分类模型用于区分检测结果中出现的坑槽误报类别；

步骤8：将步骤6得到的最优模型和步骤7训练的二分类模型集成，利用集成后的模型进行道路路面病害检测。

2.如权利要求1所述的一种基于多模型集成的道路路面病害检测方法，其特征在于：步骤1中，所述收集路面病害样本图像的方式包括人工拍摄、车载摄像头录像抽帧以及收集公共数据；所述多种路面病害类型包括横向裂缝、纵向裂缝、块状裂缝、坑槽、地铁勘探槽、破损和麻面。

3.如权利要求1所述的一种基于多模型集成的道路路面病害检测方法，其特征在于：步骤2中，所述检测模型采用ResNet101作为骨干网络，采用XIoU作为损失函数。

4.如权利要求1所述的一种基于多模型集成的道路路面病害检测方法，其特征在于：步骤4中，所述路面病害数据集在训练前使用Albumentations数据增强库进行数据增强。

5.如权利要求1所述的一种基于多模型集成的道路路面病害检测方法，其特征在于：步骤7中，所述坑槽误报类别包括积水和反光。

6.如权利要求1所述的一种基于多模型集成的道路路面病害检测方法，其特征在于：步骤7中，所述二分类模型的训练数据集是从负样本中收集的坑槽类型误报数据集。

7.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如权利要求1‑6任一项所述的基于多模型集成的道路路面病害检测方法。

8.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1‑6任一项所述的基于多模型集成的道路路面病害检测方法。