1.一种基于半监督学习的铁路混凝土结构物劣化识别方法，其特征在于，包括：S1，建立基于半监督学习的铁路混凝土结构物劣化识别模型；所述S1包括：S11，确定用于建立所述铁路混凝土结构物劣化识别模型的基础模型；所述基础模型为U-Net网络架构，由一个对称的编码器和解码器组成，所述编码器由一系列卷积层和池化层组成，用于从输入图像中提取特征；所述解码器由一系列反卷积层和上采样层组成，用于将所述编码器提取的特征重建成与原始输入图像相同大小的分割结果；所述编码器和所述解码器之间还存在一条跳跃连接，用于将所述编码器中的高层特征图直接连接到所述解码器中对应的层，使用反卷积和上采样避免信息丢失和分辨率降低；S12，基于所述基础模型建立初级的所述铁路混凝土结构物劣化识别模型；S13，基于评价指标对所述初级铁路混凝土结构物劣化识别模型进行评价从而获得所述铁路混凝土结构物劣化识别模型；所述S12包括：（1）进行数据预处理与划分以确定用于训练所述铁路混凝土结构物劣化识别模型的样本集；其中所述样本集包括：将每个数据集分为两部分，分别为有标签数据集和无标签数据集，将所述有标签数据集均分成两部分，分别为第一有标签数据集L1和第二有标签数据集L2，所述第一有标签数据集L1和所述第二有标签数据集L2分别独立地用于第一训练模型F1和第二训练模型F2从而获得第一预测结果和第二预测结果；同时，将所述无标签数据集分别作为所述第一训练模型F1和所述第二训练模型F2的输入获得第三预测结果和第四预测结果；将所述第三预测结果和所述第四预测结果交叉加入所述第一有标签数据集L1和所述第二有标签数据集L2中，作为下一轮第一训练模型F1和第二训练模型F2的模型训练的样本对；所述数据集为利用隧道衬砌表观检测系统获取的海量数据；（2）确定模型的损失函数，所述模型的损失函数包括两部分，即交叉伪监督损失函数与无监督损失函数；所述交叉伪监督损失函数为用一个网络的伪分割图作为另一个网络的监督信号；所述无监督损失函数采用一致性损失，即计算无标签数据集的第三预测结果和第四预测结果的一致性；（3）对所述基础模型进行模型初始化，包括：使用在ImageNet上预训练的权重初始化所述U-Net网络架构的两个分割网络的主干，随机初始化分割头；（4）基于所述模型的损失函数和训练策略对初始化的模型进行训练从而获得初级铁路混凝土结构物劣化识别模型，所述训练策略包括使用标准的像素级交叉熵损失监督标注数据和增强数据；S2，基于所述铁路混凝土结构物劣化识别模型进行铁路混凝土结构物的劣化识别。
2.根据权利要求1所述的一种基于半监督学习的铁路混凝土结构物劣化识别方法，其特征在于，所述训练采用优化器进行，所述优化器为Adam优化器，初始学习率设为0.001，动量为0.9，权重衰减为0.0005，所述学习率按照多项式衰减策略调整。
3.根据权利要求2所述的一种基于半监督学习的铁路混凝土结构物劣化识别方法，其特征在于，所述增强数据包括：通过随机水平翻转和多尺度训练的方式增强所述标准的像素级交叉熵损失监督标注数据。
4.根据权利要求3所述的一种基于半监督学习的铁路混凝土结构物劣化识别方法，其特征在于，所述评价指标为模型准确率。
5.根据权利要求4所述的一种基于半监督学习的铁路混凝土结构物劣化识别方法，其特征在于，所述S2包括：S21，获取铁路混凝土结构物的多个表面图像作为劣化识别样本；S22，将所述劣化识别样本输入所述铁路混凝土结构物劣化识别模型进行劣化识别。
6.一种基于半监督学习的铁路混凝土结构物劣化识别系统，用于实施权利要求1-5任一所述的方法，其特征在于，包括：模型建立模块（101），用于建立基于半监督学习的铁路混凝土结构物劣化识别模型；劣化识别模块（102），用于基于所述铁路混凝土结构物劣化识别模型进行铁路混凝土结构物的劣化识别。
7.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如权利要求1-5任一所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如权利要求1-5任一所述的方法。
