1.一种隧道掌子面地质关键参数自动识别方法，其特征在于，包括步骤：构建隧道掌子面分类分割模型；所述隧道掌子面分类分割模型对隧道掌子面图像进行分类以及分割，分别得到分类结果以及分割结果图，所述分类结果用于识别掌子面的属性类别；根据所述分割结果图计算节理迹线的结构面组数和结构面间距，根据所述结构面组数和结构面间距得到掌子面发育程度结果，所述掌子面发育程度结果用于判断掌子面结构面的完整程度；根据所述掌子面的属性类别以及所述掌子面结构面的完整程度对隧道施工提出优化举措；根据所述分割结果图计算节理迹线的结构面组数和结构面间距的方法为：根据所述分割结果图计算节理迹线的迹线属性，根据所述迹线属性计算结构面组数和结构面间距；根据所述迹线属性计算结构面组数和结构面间距的方法为：对所述节理迹线的角度进行聚类得到聚类结果，根据聚类结果对结构面进行分组得到结构面组数；计算所述节理迹线的法线斜率；选取参考测线；计算所述节理迹线被所述参考测线截断的平均距离，得到所述结构面间距；其中，对节理迹线的角度进行聚类的计算方法为： ； ； 表示第 个角度数据， 表示聚类中心的角度值， 表示整组数据的误差，使 最小则得到聚类结果；计算所述节理迹线的法线斜率的方法为：将所述节理迹线数量最多的结构面作为主要迹线方向，求此时的节理迹线的平均角度 ，将平均角度 旋转90度则可得到所述节理迹线的法线斜率 ；所述参考测线的计算方法为： ；其中， 表示法线斜率， 表示测线的截距。
2.根据权利要求1所述的隧道掌子面地质关键参数自动识别方法，其特征在于，所述隧道掌子面分类分割模型包括：骨干网络、迹线分割网络以及属性分类网络，所述迹线分割网络包括融合单元以及检测单元；所述骨干网络的输入端用于输入所述隧道掌子面图像，所述骨干网络用于对所述隧道掌子面图像进行提取特征得到特征图，并将所述特征图分别输入至所述迹线分割网络以及属性分类网络；所述属性分类网络接收所述特征图，并对所述特征图进行特征计算输出所述分类结果；所述迹线分割网络的融合单元接收所述特征图，并对所述特征图进行特征融合得到融合图；所述迹线分割网络的检测单元用于接收所述融合图，并对所述融合图进行检测，输出所述分割结果图。
3.根据权利要求2所述的隧道掌子面地质关键参数自动识别方法，其特征在于，所述隧道掌子面分类分割模型对隧道掌子面图像进行分类以及分割，分别得到分类结果以及分割结果图，所述分类结果用于识别掌子面的属性类别，还包括：对所述属性类别中样本数量较少的所述隧道掌子面图像，进行数据增强处理，得到扩张图像集，将所述扩张图像集以及所述隧道掌子面图像输入至所述隧道掌子面分类分割模型。
4.根据权利要求1所述的隧道掌子面地质关键参数自动识别方法，其特征在于，根据所述分割结果图计算节理迹线的迹线属性方法为：对所述分割结果图进行预处理；根据预处理后的所述分割结果图求解并记录连通域；根据所述连通域提取迹线骨架，得到骨架图；对所述骨架图进行线段拟合，计算得到节理迹线的长度和角度，从而得到节理迹线的迹线属性。
5.根据权利要求2所述的隧道掌子面地质关键参数自动识别方法，其特征在于，所述隧道掌子面分类分割模型的总损失函数，计算方法为： ；其中， 表示分类损失函数， 表示包围框损失函数， 表示分割损失函数， 、 、 、 分别为不同损失函数对应的权重系数， 表示不同属性类别对应的损失函数。
6.根据权利要求5所述的隧道掌子面地质关键参数自动识别方法，其特征在于，所述分类损失函数的计算方法为： ；其中， 表示样本数量， 表示类别数量， 表示第 个样本属于第 类属性的真实类别标签， 表示第 个样本属于第 类属性的预测概率。
7.根据权利要求6所述的隧道掌子面地质关键参数自动识别方法，其特征在于，所述包围框损失函数的计算方法为： ； ； ；其中， 表示完全交并比损失函数， 表示分布聚焦损失函数， 表示包围框 和包围框 的中心点距离， 表示包围框 和包围框 的最小包围框的对角线长度， 表示包围框 和包围框 的宽高比相似度， 为 的影响因子， 表示预测框中心点， 表示真实框中心点， 表示回归标签， 和 为最接近 的两个值， 表示 经过sotfmax的概率， 表示 经过sotfmax的概率。
8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述计算机程序被所述处理器执行时实现权利要求1至7任一项所述的隧道掌子面地质关键参数自动识别方法。
