1.一种基于深度学习的排水管道缺陷判定方法，其特征在于，包括以下步骤：获取排水管道内的现场图像；对所述现场图像进行预处理，生成待判定图像；加载排水管道缺陷判定模型，输入所述待判定图像，输出缺陷对应的信息；所述缺陷对应的信息包括：缺陷类别、缺陷对应掩膜；加载等级差别模型，根据所述缺陷对应的信息判断缺陷等级；其中，所述等级差别模型用于根据缺陷类别为错口的缺陷对应掩膜计算缺陷属性；所述缺陷属性包括：缺陷类别、类别对应量化指标；计算所述缺陷类别对应量化指标的数值，计算缺陷等级；所述缺陷类别为错口时，所述类别对应量化指标包括管径偏差指标 ；如果 ≤1/2，缺陷等级为一级；若1/2＜ ≤1，缺陷等级为二级；若1＜ ≤2，缺陷等级为三级；若 ＞2，缺陷等级为四级；管径偏差指标 的计算方法表示为： ，其中， 为接口处的最大管径偏差、 为管径；所述 的计算方法为： ，其中，R为管道半径、OP为错口缺陷的最近点P与圆心O的距离；其中，根据所述缺陷对应掩膜提取错口的边界点坐标；通过所述边界点坐标拟合管道截面圆，确定所述管道圆心O和半径R；通过所述圆心O和缺陷对应掩膜，确定所述错口缺陷的最近点。
2.根据权利要求1所述的排水管道缺陷判定方法，其特征在于，加载排水管道缺陷判定模型前，构建所述排水管道缺陷判定模型；通过所述排水管道缺陷判定模型实现排水管道缺陷识别，生成缺陷对应掩膜；所述排水管道缺陷判定模型包括排水管道缺陷识别模型和缺陷掩膜计算模型；构建所述排水管道缺陷判定模型的过程包括：训练形成排水管道缺陷识别模型，所述排水管道缺陷识别模型输出缺陷标注图像，在所述缺陷标注图像，通过检测框标注缺陷；对所述缺陷标注图像进行图像分割，计算缺陷掩膜。
3.根据权利要求1所述的排水管道缺陷判定方法，其特征在于，所述训练形成排水管道缺陷识别模型包括以下步骤：定义YOLOv8-seg模型，所述YOLOv8-seg模型的网络结构包括：输入层、特征提取主干网络层、特征整合网络层、输出层和分割分支；样本集准备：所述样本包括样本图像和样本标注，所述样本标注的内容为切合管道的多边形拟合缺陷边界；所述样本标注为YOLO格式的txt标签文件，每张样本图像对应一个相同名称的txt标签文件；将所述样本集划分为训练集、验证集和测试集，输入所述YOLOv8-seg模型进行训练；YOLOv8-seg模型训练完成后，构成排水管道缺陷识别模型。
4.根据权利要求2所述的排水管道缺陷判定方法，其特征在于，所述图像分割的结果包括第一输出结果和第二输出结果；所述第一输出结果包括目标检测信息、80类别分数和32维向量；所述第二输出结果包括32个prototype masks；所述32个prototype masks与所述32维向量进行矩阵乘法，生成缺陷掩膜。
5.根据权利要求4所述的排水管道缺陷判定方法，其特征在于，所述生成缺陷掩膜包括以下步骤：使用矩阵乘法将所述32维向量与32个prototype masks进行线性组合，得到原始masks；采用sigmoid函数，将所述原始masks各个点的值映射为[0,1]之间的概率值，所述概率值表示每个像素属于缺陷的概率；调整和裁剪所述原始masks生成第二masks，保留检测框内的像素，外部像素设置为0；采用sigmoid函数，将第二masks各个点的值映射为[0,1]之间的概率值，概率值大于0.5的像素被视为缺陷，设置为1，否则，设置为0；设置为1的点构成缺陷对应的掩膜。
6.根据权利要求1所述的排水管道缺陷判定方法，其特征在于，所述缺陷等级包括：轻度、中度、重度和严重；所述类别对应量化指标还包括：缺陷的面积、长度、角度。
7.根据权利要求1所述的排水管道缺陷判定方法，其特征在于，所述预处理包括：计算缩放比例、等比例缩放图像、计算填充尺寸、应用填充。
8.根据权利要求3所述的排水管道缺陷判定方法，其特征在于，所述的样本集准备包括：进行数据样本图像收集，所述样本来源包括人工处理图片，其中，所述人工处理图片中包括人工标注；数据清洗，确保所述图像中的缺陷清晰可辨；清除所述人工标注；信息安全处理；图像增强；样本均衡和样本标注，其中样本标注为切合管道的多边形拟合缺陷。
