1.一种基于Unet神经网络的隧道围岩变形区域识别方法，其特征在于，包括：获取隧道围岩目标区域的图像数据；通过Unet神经网络对所述图像数据进行图像分割处理，得到所述图像数据中每个标志器的位置信息；其中，所述标志器安装在隧道围岩内表面上；基于所述位置信息计算所述隧道围岩目标区域的变形量；根据所述变形量确定隧道围岩变形区域；基于所述位置信息计算所述隧道围岩目标区域的变形量包括：基于所述位置信息计算所述标志器的中心坐标值；根据对应的所述标志器的中心坐标值计算两个成对的所述标志器之间的第一距离；提取所述位置信息中的所述标志器的顶点坐标值；基于所述顶点坐标值计算所述标志器的计算长度；基于所述计算长度和所述标志器的实际长度计算标定比例；计算不同时刻的所述第一距离的差值；根据所述差值和所述标定比例计算隧道围岩的变形量；所述Unet神经网络的训练过程为：采集目标区域带有标志器的训练图像；对所述训练图像进行数据增强，生成训练图像数据集，并为所述训练图像数据集中的每个训练图像添加标志器标签；基于所述训练图像数据集对Unet神经网络进行训练。
2.如权利要求1所述的一种基于Unet神经网络的隧道围岩变形区域识别方法，其特征在于，根据所述差值和所述标定比例计算隧道围岩的变形量包括：Δd=（d1-d2）*K，其中，d1为第一时刻的第一距离，d2为第二时刻的第一距离，K为标定比例，Δd为隧道围岩的变形量。
3.如权利要求1所述的一种基于Unet神经网络的隧道围岩变形区域识别方法，其特征在于，基于所述位置信息计算所述标志器的中心坐标值包括：获取所述标志器的顶点坐标值；根据所述顶点坐标值计算所述中心坐标值。
4.如权利要求3所述的一种基于Unet神经网络的隧道围岩变形区域识别方法，其特征在于，根据所述顶点坐标值计算所述中心坐标值包括： ， ，其中， 为第 j 个所述标志器的第 i 个顶点的横坐标， 为第 j 个所述标志器的中心坐标值的横坐标值； 为第 j 个所述标志器的第 i 个顶点的纵坐标， 为第 j 个所述标志器的中心坐标值的纵坐标。
5.如权利要求1所述的一种基于Unet神经网络的隧道围岩变形区域识别方法，其特征在于，基于所述训练图像数据集对Unet神经网络进行训练包括：采用二分类交叉熵损失函数作为所述Unet神经网络的损失函数。
6.一种基于Unet神经网络的隧道围岩变形区域识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述的基于Unet神经网络的隧道围岩变形区域识别方法。
