1.一种面向基础设施缺陷检测大模型的领域知识增强方法，其特征在于，包括以下步骤：构建基础设施缺陷检测领域的多模态数据集；利用所述多模态数据集，构建基础设施缺陷检测的领域知识库，包括基础设施知识背景和缺陷类型；基于所述领域知识库构建知识图谱，将领域知识库的实体和关系映射为知识图谱中的节点和关系；基于所述知识图谱，利用图神经网络生成包含领域知识的高维特征向量；对多模态数据中的每种模态提取单模态特征，再通过多模态数据融合生成多模态融合特征向量；将所述高维特征向量与多模态融合特征向量拼接，输入大模型进行训练；利用训练好的大模型进行基础设施缺陷检测。
2.根据权利要求1所述的方法，其特征在于，所述构建基础设施缺陷检测领域数据集包括：采集多模态数据，包括RGB图像、深度图像、点云数据及传感器数据；对数据进行真值标注，包括缺陷类型、位置、属性及环境信息；将数据划分为训练集、验证集和测试集。
3.根据权利要求1所述的方法，其特征在于，所述构建基础设施缺陷检测领域知识库包括：收集基础设施缺陷相关的文献、行业标准及专家经验；对缺陷类型按基础设施类别和缺陷性质进行分类；将分类后的缺陷数据预处理为结构化格式，并存储为表单化数据。
4.根据权利要求1所述的方法，其特征在于，所述构建知识图谱包括：定义基础设施类型节点、缺陷类型节点及环境条件节点；定义节点间的关系类型；将领域知识库中的结构化信息映射为知识图谱中的节点和边。
5.根据权利要求1所述的方法，其特征在于：所述利用图神经网络生成包括领域知识高维特征向量包括：为知识图谱中的节点初始化属性向量；使用图神经网络聚合邻居节点信息，逐层更新节点特征表示；生成包含领域知识的高维特征向量。
6.根据权利要求2所述的方法，其特征在于，所述多模态数据融合包括：分别提取RGB图像、深度图和点云数据的单模态特征；对单模态特征进行标准化处理；使用交叉注意力机制捕捉模态间相关性，并通过加权策略融合特征，得到多模态融合特征向量。
7.根据权利要求1所述的方法，其特征在于：所述大模型为CLIP或LLaMA，冻结大模型部分权重训练。
8.根据权利要求7所述的方法，其特征在于：所述方法还包括使用交叉熵损失函数优化所述大模型的参数。
9.一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于：所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
