1.基于改进YOLOv8的轻量化隧道裂隙分割识别方法，其特征在于，具体包括如下步骤：步骤1，获取隧道裂隙的图像数据集，对数据集进行预处理；

步骤2，对预处理后的数据集进行扩展增强；所述步骤2的具体过程为：步骤2.1，将预处理后的数据集输入采用残差块增强的WGAN‑RE模型进行迭代训练，通过Fre´chet Inception Distance和Inception Score 性能指标判断模型在训练过程中是否收敛；所述步骤2.1中，FID表示为： （1）

其中， 和 分别表示真实图像和生成图像在特征空间的均值向量； 和 分别表示真实图像和生成图像在特征空间的协方差矩阵；x表示真实图像的分布；g表示真实图像的分布；其中，IS表示为：（2）

其中，X Pg表示从生成图像的分布中抽取样本x； 表示Inception网络对图像x~预测的类别分布； 是生成图像整体的平均类别分布； 是类别分布与整体类别分布 之间的 KL散度； 表示对生成图像样本的期望；

步骤2.2，基于步骤2.1的判断结果，当WGAN‑RE模型的生成器和判别器收敛后，以1:2为扩充比例进行扩充数据集，形成增强后的数据集；

步骤3，对步骤2处理后的数据集进行标注；

步骤4，对YOLOv8模型进行改进；所述步骤4的具体过程为：步骤4.1，初始化模块，Faster_Block_EMA类被初始化时，设定模块的输入通道数、输出通道数、MLP比例、DropPath概率、层级缩放值；

步骤4.2，调整FasterNet_EMA模块中卷积操作后得到的特征图的通道数；如果输入通道数与模块内部处理的通道数不一致，会通过1x1卷积调整通道数；

步骤4.3，输入特征图首先经过Partial_conv3模块进行空间混合，然后特征图进入MLP模块进行非线性变换，进一步增强特征表示；

步骤4.4，经过MLP处理后的特征图通过DropPath正则化后，再应用EMA注意力机制进行加权处理；

步骤4.5，将经过步骤4.4处理的特征图与原始输入特征相加，以保留输入特征并输出最终结果；所述步骤4.5的具体过程为：步骤4.5.1，定义一个 Segment_LADH模块；

步骤4.5.2，在模块的初始化函数中定义模型的基本属性，包括类别数量nc、掩码数量nm、原型数量npr、以及输入特征图的通道数ch；

步骤4.5.3，计算每个卷积层和深度卷积层的输出通道数c4，具体公式如下：（3）

步骤4.5.4，构建用于处理输入特征图的卷积模块组cv4，每个模块包括两个深度可分离卷积DSConv和一个标准卷积Conv；

步骤4.5.5，在前向传播过程中，使用Proto模块对输入特征图的第一层进行处理，生成掩码原型p；

步骤4.5.6，对每个输入特征图采用对应的cv4模块进行处理，结合深度可分离卷积DSConv以及普通卷积Conv，对特征图进行逐步特征提取，最终生成掩码系数，通过torch.cat函数在第三个维度上拼接所有层的掩码系数，得到最终的掩码系数mc；

步骤4.5.7，调用LADH检测头对输入特征图进行处理，生成最终的预测结果x；

步骤4.5.8，根据PyTorch中nn.Module的内部属性self.training判断模型是否处于训练模式，如果self.training为true，则返回预测结果 x、掩码系数 mc 和掩码原型p；如果self.training为false，根据是否处于导出模式self.export，返回不同的拼接输出，拼接输出包含了预测结果和掩码系数，用于最终的图像分割结果生成；

步骤4.6，基于步骤4.5输出的特征图，使用LADH轻量化检测头替换YOLOv8中的原始检测头，用于最后的分割任务；

步骤5，对步骤4改进后的模型进行训练；

步骤6，对步骤5训练后的模型进行训练测试验证。

2.根据权利要求1所述的基于改进YOLOv8的轻量化隧道裂隙分割识别方法，其特征在于，所述步骤1的具体过程为：步骤1.1，从Roboflow平台上下载裂缝分割数据集；

步骤1.2，使用高斯滤波去噪算法步骤1.1数据集中的图像进行处理，去除图像中的随机噪声，同时保留裂缝边缘的清晰度；

步骤1.3，将经步骤1.2处理的图像尺寸统一调整为同一尺寸；

所述步骤2.1中，FID表示为：

（4）

其中， 和 分别表示真实图像和生成图像在特征空间的均值向量； 和 分别表示真实图像和生成图像在特征空间的协方差矩阵；x表示真实图像的分布；g表示真实图像的分布；其中，IS表示为：（5）

其中，X Pg表示从生成图像的分布中抽取样本x； 表示Inception网络对图像x~预测的类别分布； 是生成图像整体的平均类别分布； 是类别分布与整体类别分布 之间的 KL散度； 表示对生成图像样本的期望。

3.根据权利要求2所述的基于改进YOLOv8的轻量化隧道裂隙分割识别方法，其特征在于，所述步骤3的具体过程为：步骤3.1，使用图像标注软件Labelme中的“Polygon”工具进行裂隙标注，保存为JSON格式，再通过Python脚本将标注数据转换为YOLO格式的TXT文件；

步骤3.2，对步骤3.1标注后的数据集，以8:2的比例将数据集划分为训练集和验证集，划分后的数据集按类别分别存储于不同文件夹中，每个文件夹中包含相应的图像和标注文件。

4.根据权利要求3所述的基于改进YOLOv8的轻量化隧道裂隙分割识别方法，其特征在于，所述步骤4.3的具体过程为：步骤4.3.1，输入特征图经过Partial_conv3卷积操作进行空间混合，卷积根据参数n_div和pconv_fw_type在不同区域内进行卷积运算，实现特征图的空间混合；其中pconv_fw_type是用来控制部分卷积前向传播行为的参数；

步骤4.3.2，空间混合后的特征图进入MLP模块进行非线性变换，两次1x1卷积分别将特征维度扩大到mlp_hidden_dim再缩小回dim。

5.根据权利要求4所述的基于改进YOLOv8的轻量化隧道裂隙分割识别方法，其特征在于，所述步骤4.4的具体过程为：步骤4.4.1，经过MLP处理的特征图通过DropPath进行路径丢弃，然后进入EMA注意力机制，进一步加权；

步骤4.4.2，定义输入参数并进行分组，接受输入通道数channels 和分组因子factor，用于确定输入数据的分组数目；通过assert语句验证每组的通道数是否大于0；

步骤4.4.3，初始化用于处理特征图的组件，包括 Softmax 层、自适应平均池化层、组归一化层、以及1x1和3x3的卷积层；

步骤4.4.4，在前向传播中，首先获取输入特征图的形状，然后将特征图按照分组数重新排列；

步骤4.4.5，对重构后的特征图分别进行水平和垂直方向的自适应平均池化，获取两个方向上的特征图表示，并通过1x1卷积层进行融合；

步骤4.4.6，将步骤4.4.5中池化后的特征图和步骤4.4.4重构后的特征图进行逐元素相乘，并通过Sigmoid激活函数后、组归一化层处理，随后使用 3x3 卷积进一步提取特征，生成的特征图 ，特征提取过程表示为：（6）

其中，xh为池化操作后的特征图；xw为重构后的特征图；

步骤4.4.7，对步骤4.4.6处理后的第一组特征图在使用自适应平均池化后进行Softmax操作，得到第一组特征图的注意力权重矩阵x11；

步骤4.4.8，对步骤4.4.6处理后的第二组特征图使用自适应平均池化后进行Softmax操作，得到第二组特征图的注意力权重矩阵x21，并通过两组特征图的注意力权重得到最终的注意力权重，计算公式如下：（7）

其中，A为最终的注意力权重；x11为步骤4.4.7得到的第一组特征图的注意力权重矩阵；

x21为步骤4.4.8第二组特征图的注意力权重矩阵；x12为将第二组特征图展平后得到的特征矩阵；x22为将第一组特征图展平后得到的特征矩阵；

步骤4.4.9，使用步骤4.4.8得到的最终注意力权重与步骤4.4.1得到的特征图相乘，然后将结果重新调整为原始的形状，返回经过注意力机制处理后的特征图，公式表示为：（8）

其中，x为调整形状后的特征图；A为步骤4.4.8得到的最终注意力权重；DropPath(x)为经过路径丢弃后的特征图；b为批量大小；groups为分组数；h和w为调整形状后特征图的高度和宽度；

步骤4.4.10，将经过步骤4.4.9处理后的特征图与步骤4.3.1空间混合后的特征图相加，形成最终的输出，公式表示为：（9）

其中，DropPath(x)为经过路径丢弃后的特征图。

6.根据权利要求5所述的基于改进YOLOv8的轻量化隧道裂隙分割识别方法，其特征在于，所述步骤5的具体过程为：使用步骤3.2划分后的训练集，对步骤4改进的YOLOv8模型进行训练，在训练过程中，采用Adam作为优化器，CIoU作为损失函数，确保模型快速收敛。