1.一种三维探地雷达地下病害识别模型复杂环境自适应训练方法，其特征在于，包括以下步骤；

S1，获取数个带类别标注图的样本构成源域数据集Ds，数个无标注的样本构成目标域数据集Dt，所述样本为三维探地雷达数据、类别为病害类别；

D×H×W×Cin D×H×W×Cin D

Ds中一样本Xs的类别标注图为Ps，Dt中一样本为Xt，Xs∈R 、Xt∈R 、Ps∈R×H×W×C，D、H、W分别为样本分辨率的深度、长度和宽度，Cin为雷达反射强度的通道数，Cin=1，C为病害类别总数，Ps中位置(d,h,w)处的值为Xs中位置(d,h,w)处的真实病害类别，d、h、w分别为位置(d,h,w)的深度、长度和宽度；

S2，构造三维编解码网络，包括三维编码器、三维解码器和自监督模块；

所述三维编码器用于对输入的样本编码得到编码特征，所述三维解码器用于对编码特征解码再进行边界增强，输出每个位置的预测类别概率构成概率预测图 ，所述自监督模块用于根据一批次样本的编码特征构造正样本和负样本，计算InfoNCE损失；

S3，用DS以最小化源域训练总损失Ls训练三维编解码网络，得到基础模型，Ls=λcn1Lcn1+λclsLcls，Lcn1为InfoNCE损失、Lcls为分类损失，λcn1、λcls分别为Lcn1和Lcls的权重；

S4，复制两个基础模型，分别作为教师模型和学生模型；

S5，用Dt训练学生模型，每次迭代基于自监督对比学习和双重筛选伪标签监督学习优化学生模型，其中一次优化包括步骤S51 S54；

~

S51，用教师模型输出Dt中每个样本的概率预测图作为伪标签，Xt的伪标签为 ，预设质量阈值λ、不确定性阈值ϵ；

S52，从Dt中任选一批次样本，其中第b个样本Xb，用学生模型输出每个样本的概率预测图，用自监督模块计算InfoNCE损失；

S53，基于双重筛选计算Xb的伪标签监督损失Lp,b；

对Xb的伪标签 ，基于局部相位量化计算位置(d,h,w)的LPQ值LPQ(d,h,w)，对Xb，基于MC Dropout计算位置(d,h,w)的不确定性U(d,h,w)，并将LPQ(d,h,w)＞λ且U(d,h,w)＜ϵ的位置构成Xb关注区域 ，计算Lp,b；

，

式中， 为 内位置总数， 为U(d,h,w)的归一化值， 为Xb的概率预测图 在位置(d,h,w)的值；

S54，计算目标域总损失Lt，并以最小化Lt调整学生模型参数；

，

式中，B为批次大小，Lcn2为学生模型中自监督模块的InfoNCE损失，λcn2为Lcn2的权重；

S6，用Ds和Dt构造多个批次的混合域数据集；

S7，用混合域数据集训练学生模型，以最小化联合损失Ltotal更新学生模型，并用EMA方式更新教师模型，Ltotal=+Ls+λtLt+λcLconsist，Lconsist为一批次样本的一致性损失。

2.根据权利要求1所述的三维探地雷达地下病害识别模型复杂环境自适应训练方法，其特征在于，所述病害类别包括背景、空洞、脱空、疏松体、富水体和裂缝网络。

3.根据权利要求1所述的三维探地雷达地下病害识别模型复杂环境自适应训练方法，其特征在于，自监督模块计算InfoNCE损失的方法为；

获取一批次样本的编码特征，依次标记为F1~FB，计算第b个编码特征的InfoNCE损失和一批次样本的InfoNCE损失Lcn1；

，

，

式中， 为对Fb随机添加数据增强得到正样本， 为Fb的第v个负样本、1≤v≤2B‑2，sim(⋅)为计算余弦相似度，τ为温度系数，exp(⋅)为exp函数。

4.根据权利要求1所述的三维探地雷达地下病害识别模型复杂环境自适应训练方法，其特征在于，S3中，分类损失根据下式计算；

，

式中，αc为第c类病害类别的权重，1≤c≤C，γ为降低易分类样本权重的调制因子，对第b个样本的位置(d,h,w)， 、 分别为该位置预测类别概率的归一化值、真实病害类别标注。

5.根据权利要求1所述的三维探地雷达地下病害识别模型复杂环境自适应训练方法，其特征在于，S53中LPQ(d,h,w)根据下式计算：，

式中，K为邻域大小，i、j、k分别为位置(d,h,w)在深度、长度和宽度上的偏移量，Q(d+i,h+j,w+k)为伪标签 在位置(d+i,h+j,w+k)的值。

6.根据权利要求1所述的三维探地雷达地下病害识别模型复杂环境自适应训练方法，其特征在于，S53中计算U(d,h,w)的方法为：用MC Dropout方法对Xt进行M次前向传播，每次前向传播生成一概率预测图，根据下式计算位置(d,h,w)处的不确定性U(d,h,w)；

，

式中， 为第m次前向传播得到的概率预测图 在位置(d,h,w)处的值，为M个概率预测图在位置(d,h,w)处的均值。

7.根据权利要求1所述的三维探地雷达地下病害识别模型复杂环境自适应训练方法，其特征在于，S6中，构造1个批次混合域数据集的方法为：将Ds和Dt混合后任选一批次样本，或按混合权重从Ds和Dt中选取一批次样本，所述混合权重为预设，或按步骤S61~S63得到；

S61，从Ds、Dt中各任一批次样本，分别构成集合 、 ；

S62，计算 中每个样本每个位置处的LPQ值和不确定性，所有LPQ值求均值得到批次平均局部质量分数 、所有不确定性求均值得到批次平均不确定性 ；

S63，计算 的混合权重 ；

，

α、β分别为 和 的调节系数，Sigmoid(⋅)为Sigmoid函数；

根据 ，生成一批次的混合域数据集 。

8.根据权利要求1所述的三维探地雷达地下病害识别模型复杂环境自适应训练方法，其特征在于，S7中，Lconsist根据下式计算：，

，

式中， 为L2范数的平方，对混合域内第b个样本， 为学生模型输出的概率预测图， 为教师模型生成的伪标签， 为第b个样本的一致性损失。

9.根据权利要求1所述的三维探地雷达地下病害识别模型复杂环境自适应训练方法，其特征在于，三维编解码网络中，三维编码器包括依次连接的固定切块嵌入模块和第一多尺度采样模块、第二多尺度采样模块；

所述固定切块嵌入模块包括三维卷积层、三维位置编码层；

所述三维卷积层用于对输入的样本进行三维卷积降维，得到降维特征Fcn，其中三维卷积的卷积核为3×3×3，步长为2；

所述三维位置编码层用于对Fcn每个位置生成三维正弦位置编码，得到位置编码特征Fp，再将Fcn和Fp逐元素相加得到嵌入特征F0，样本的尺度为D×H×W×Cin，Fcn、Fp、F0的尺度为；

所述第一多尺度采样模块包括全局注意力层、局部卷积层、层归一化层和三维下采样层；

所述多尺度采样模块用于对输入的特征执行全局注意力得到全局特征Fglobal；

所述局部卷积层用于对Fglobal进行深度可分离三维卷积得到局部特征Flocal，卷积核为3×3×3，步长为1；

所述层归一化层用于根据公式Fmix=LayerNorm(Fglobal+Flocal)得到混合特征Fmix；

所述三维下采样层用于对Fmix进行三维卷积下采样，得到 的输出特征Fd1；

所述第二多尺度采样模块结构结构与第一多尺度采样模块结构相同，输入特征为Fd1、输出尺度为 的输出特征Fd2，且将Fd2为三维编码器的编码特征。

10.根据权利要求9所述的三维探地雷达地下病害识别模型复杂环境自适应训练方法，其特征在于，三维编解码网络中，三维解码器包括依次连接的第一上采样模块、第二上采样模块、第三上采样模块和一边界增强层；

所述第一上采样模块包括转置卷积上采样层、跨层拼接层、空洞残差模块、残差连接激活层；

所述转置卷积上采样层用于对编码特征进行转置三维卷积，得到第一特征Fu1，所述转置三维卷积的卷积核为2×2×2，步长为2；

所述跨层拼接层用于将Fu1与跨层特征沿通道维度拼接得到第二特征Fu2，此处跨层特征为Fd1；

所述空洞残差模块分别对Fu2进行膨胀率为2、4的空洞卷积，再相加得到第三特征Fu3；

所述残差连接激活层用于将Fu2和Fu3进行残差连接再用通过GELU函数激活，得到第一上采样模块的输出Fuout1；

复制一第一上采样模块，输入端增设通道压缩层，用于将输入特征的通道压缩一半再送入转置卷积上采样层，将跨层特征修改为F0、将空洞残差模块的膨胀率修改为1、2，得到第二上采样模块；

复制一第二上采样模块，将跨层特征修改为特征F01、空洞残差模块仅对输入其中的特征执行膨胀率为1的空洞卷积，得到第三上采样模块，特征F01由F0转置卷积上采样得到，卷积核为2×2×2，步长为2；

分类器用于对Fuout3逐位置分类，得到每个位置的初始预测类别概率Pbase；

所述边界增强层对Fuout3用三维Sobel算子进行边缘检测，输出边界响应图PSobel，再按根据公式 ，生成概率预测图 ，其中，λSobel为PSobel的权重。