1.一种混凝土施工机器人地面整平质量检测方法，其特征在于，包括以下步骤：步骤S1，构建双边分割网络，包括构建细节分支，以及构建语义分割分支；所述细节分支用于处理边缘信息；所述语义分割分支用于处理语义信息；步骤S2，通过堆叠WSBlock生成细节分支；所述细节分支关注混凝土底层细节，用于捕获混凝土表面的浅层信息；步骤S3，通过堆叠NDBlock捕获混凝土地面图像的语义信息；所述NDBlock的第一层为光照自适应特征提取模块；中间三层为轻量型卷积；最后一层为动态区域注意力机制，使得语义分割分支最终能够获得16×16的特征图；步骤S4，将多尺度小波特征融合网络WFFN添加到细节分支中，增强每一尺度下混凝土图像的高频特征并融合，从而使细节分支更加突出混凝土整平缺陷；步骤S5：将光照自适应特征提取模块插入到语义分割分支浅层部分，通过轻量级卷积动态预测光照补偿参数，对输入特征图进行像素级校正，还将动态区域注意力机制添加到语义分割分支的最后一层，并根据图像局部亮度动态调整注意力权重，降低高亮度区域的响应，从而降低光照对混凝土缺陷检测的影响；步骤S6：采用双边引导聚合层融合深层特征和浅层特征，将两个分支的最后一层特征通过上采样和下采样对齐得到融合特征，提高混凝土缺陷分割精度。
2.如权利要求1所述的混凝土施工机器人地面整平质量检测方法，其特征在于，步骤S1中，输入图像进入网络后通过细节分支获取输入图像的边缘信息，所述边缘信息包括缺陷空间位置特征；同时输入图像进入网络后通过语义分割分支获取输入图像的语义信息，所述语义信息包括缺陷形状和类别特征。
3.如权利要求1所述的混凝土施工机器人地面整平质量检测方法，其特征在于，WSBlock采用2个普通卷积和1个可变形卷积共同对混凝土地面图像进行特征提取，所述细节分支包括3层WSBlock，生成128通道的特征图。
4.如权利要求3所述的混凝土施工机器人地面整平质量检测方法，其特征在于，所述可变形卷积块用于改变每个采样点的偏移量，采用朝任意方向偏移的不规则采样形式，如下式所示：其中，p 0 表示图像中任意一点，p n 代表卷积核中每一个点相对于中心点的偏移量，R属于实数，ω(p n )表示卷积核对应位置的权重，x(p 0 +p n )表示输入特征图上位置处的元素值，Δp n 表示偏移量。
5.如权利要求1所述的混凝土施工机器人地面整平质量检测方法，其特征在于，所述步骤S4，包括：步骤S4-1：将输入图像转换为灰度图并进行小波分解，得到低频分量和高频分量，然后对高频子带进行增强，最后重构图像；小波变换包括通过母小波的平移和伸缩生成一组小波基，公式如下：其中，a为尺度参数，b为平移参数；t为采样周期；离散小波变换对信号x(t)的分解公式为：步骤S4-1-1，对输入信号进行小波分解，包括：对输入信号x进行DWT，得到低频(A)分量A＝x*φ，和高频(D)分量D＝x*ψ，其中，φ为尺度函数，ψ为小波函数；步骤S4-1-2，对每个子带应用独立的卷积核K A 和K D ：y A ＝A*K Ay D ＝D*K D ；步骤S4-1-3，最后通过逆小波变换合并结果y：y＝IDWT(y A ,y D )；步骤S4-2：在细节分支中的每一层都先进行一步小波分解，然后将三层高频增强的特征图与最终的特征图进行融合，从而突出混凝土地面整平缺陷。
6.如权利要求1所述的混凝土施工机器人地面整平质量检测方法，其特征在于，所述步骤S5，包括：步骤S5-1，光照自适应特征提取模块由光照自适应卷积构成，光照自适应卷积通过全局平均池化来捕捉整体亮度，再对整体亮度降维降低计算量，输出光照强度α和环境光照偏移β；步骤S5-2：在语义分割分支中的每一层都嵌入一个光照自适应特征提取模块，将提取的特征与上一层的输入特征图融合后送入下一层再进行特征提取；步骤S5-3，动态区域注意力机制先生成单通道的注意力图，然后计算亮度掩码，根据结果动态调整注意力，从而增强缺陷特征。
7.如权利要求1所述的混凝土施工机器人地面整平质量检测方法，其特征在于，光照自适应特征提取模块包括主卷积路径和光照预测分支；光照自适应特征提取模块使用的光照线性模型为：I(x,y)＝α*R(x,y)+β其中，I(x,y)为受光照影响后观测到的像素值；R(x,y)为真实的反射率；α为光照强度(α>0)；β为环境光照偏移；语义分割分支通过光照预测分支提取全局统计量，如下式所示：其中，H,W为图像长和宽；I c (x，y)为在c处的I(x，y)；通过全连接层得到预测参数α,β，进行逐像素校正，如下式所示：I corrected (x,y)＝σ(α)·I(x,y)+β。
8.如权利要求1所述的混凝土施工机器人地面整平质量检测方法，其特征在于，动态区域注意力机制由亮度掩码分支和空间注意力分支构成；输出结果为输入特征图、亮度掩码和注意力图三者点乘得到；亮度掩码通过比较灰度值与亮度阈值得到，公式为：其中，I gray (x,y)为灰度值；T＝σ(t)通过Sigmoid约束到(0.5，0.9)；空间注意力分支通过1×1卷积得到基础注意力，再经过一个高斯平滑，最后和M brightness (x,y)进行点乘得到动态区域注意力输出。
