1.一种三维雷达图谱的道路隐性病害识别方法，其特征在于，所述方法包括：基于YOLOv8模型构建得到初始改进模型，所述初始改进模型的头部网络末端添加有目标Cut_SimAM注意力机制，特征提取模块为C2f_EFAttention，损失函数为SlideLoss滑动加权函数，边界框损失函数为D‑IoU边界框损失函数；所述SlideLoss滑动加权函数的表达式为：其中，阈值μ为所有样本边界框交并比的平均值，大于μ的为正样本，小于μ的为负样本；

获取三维探地雷达传输的雷达病害图谱，并对所述雷达病害图谱进行预处理得到训练用数据集；

基于所述训练用数据集对所述初始改进模型进行训练，得到目标改进模型；

将待测道路的待测雷达图像输入所述目标改进模型，识别出所述待测道路的隐性病害信息；

所述C2f_EFAttention包括EFAttention模块；在所述基于所述训练用数据集对所述初始改进模型进行训练，得到目标改进模型的步骤中，所述方法包括：利用所述目标Cut_SimAM注意力机制，将输入所述目标Cut_SimAM注意力机制的输入特征图剪切为四个剪切图块；

对每个所述剪切图块进行均值减除处理和归一化处理，并将处理后的剪切图块通过Sigmoid函数激活，得到激活后的图块；

获取所述剪切图块的第一特征矩阵和所述激活后的图块的第二特征矩阵，将所述第二特征矩阵和所述第二特征矩阵相直积，得到目标图块；

将四个所述目标体块进行特征拼接，得到所述目标改进模型中头部网络的输出特征图；

利用所述C2f_EFAttention，对所述C2f_EFAttention的输入进行一次卷积得到中间特征图；

将所述中间特征图进行拆分，得到第一部分特征图和第二部分特征图；

通过所述EFAttention模块对所述第二部分特征图进行特征加强处理，并将处理后的第二部分特征图和所述第一部分特征图进行特征拼接，得到所述C2f_EFAttention模块的输出。

2.根据权利要求1所述的方法，其特征在于，所述对所述雷达病害图谱进行预处理得到训练用数据集，包括：对所述雷达病害图谱进行滤波处理，并按照病害类型将滤波后的雷达图像进行标注分类，得到初始数据集；所述病害类型包括层间不良、层间含水、层间松散、结构松散；

对所述初始数据集进行数据增强处理，得到训练用数据集。

3.根据权利要求2所述的方法，其特征在于，所述对所述初始数据集进行数据增强处理，得到训练用数据集，包括：对所述初始数据集依次进行模糊噪声、锐化处理、随机亮度和对比度、随机反转以及图像拼接，得到训练用数据集。

4.根据权利要求1所述的方法，其特征在于，所述基于所述训练用数据集对所述初始改进模型进行训练，得到目标改进模型，包括：将所述训练用数据集基于预设的划分比例进行划分，得到对应的训练集、验证集和测试集；

基于所述训练集、所述验证集和所述测试集按照预设的训练批次和训练轮次对所述初始改进模型进行训练，得到目标改进模型；其中，所述划分比例为4：1：1，所述训练批次为

16，所述训练轮次为300。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取所述目标改进模型的评价指标，所述评价指标包括检测准确性评价指标、检测效率评价指标和轻量化评价指标；

基于所述检测准确性评价指标、所述检测效率评价指标和所述轻量化评价指标得到所述目标改进模型的模型性能。

6.根据权利要求5所述的方法，其特征在于，所述检测效率评价指标为每秒检测帧数，所述轻量化评价指标为所述目标改进模型的参数量和计算量；

所述检测准确性评价指标包括召回率、精确率和多类别平均精度，精确率、召回率和多类别平均精度的表达式分别为：1

AP＝∫0Pr(Rc)dRe；

其中，Re为召回率、Pr为精确率、mAP为多类别平均精度，TP为真正例，FP为假正例，FN为假负例，C为病害类型的类别数，C＝4。

7.一种三维雷达图谱的道路隐性病害识别系统，其特征在于，包括：模型构建单元，用于基于YOLOv8模型构建得到初始改进模型，所述初始改进模型的头部网络末端添加有目标Cut_SimAM注意力机制，特征提取模块为C2f_EFAttention，损失函数为SlideLoss滑动加权函数，边界框损失函数为D‑IoU边界框损失函数；所述SlideLoss滑动加权函数的表达式为：其中，阈值μ为所有样本边界框交并比的平均值，大于μ的为正样本，小于μ的为负样本；

获取单元，用于获取三维探地雷达传输的雷达病害图谱，并对所述雷达病害图谱进行预处理得到训练用数据集；

训练单元，用于基于所述训练用数据集对所述初始改进模型进行训练，得到目标改进模型；

识别单元，用于将待测道路的待测雷达图像输入所述目标改进模型，识别出所述待测道路的隐性病害信息；

所述C2f_EFAttention包括EFAttention模块；所述训练单元还用于，利用所述目标Cut_SimAM注意力机制，将输入所述目标Cut_SimAM注意力机制的输入特征图剪切为四个剪切图块；

对每个所述剪切图块进行均值减除处理和归一化处理，并将处理后的剪切图块通过Sigmoid函数激活，得到激活后的图块；

获取所述剪切图块的第一特征矩阵和所述激活后的图块的第二特征矩阵，将所述第二特征矩阵和所述第二特征矩阵相直积，得到目标图块；

将四个所述目标体块进行特征拼接，得到所述目标改进模型中头部网络的输出特征图；

利用所述C2f_EFAttention，对所述C2f_EFAttention的输入进行一次卷积得到中间特征图；

将所述中间特征图进行拆分，得到第一部分特征图和第二部分特征图；

通过所述EFAttention模块对所述第二部分特征图进行特征加强处理，并将处理后的第二部分特征图和所述第一部分特征图进行特征拼接，得到所述C2f_EFAttention模块的输出。