1.一种脆性大理石三维裂纹扩展路径预测方法，其特征是，包括：

获取待预测脆性大理石的初始裂纹图和初始裂纹参数；

对待预测脆性大理石的初始裂纹图进行裂纹特征提取，得到当前时刻的裂纹特征；基于当前时刻的裂纹特征，生成当前时刻的伪裂纹图；

对待预测脆性大理石的初始裂纹参数进行参数关系提取，得到裂纹参数关系；基于裂纹参数关系，生成当前时刻的预测裂纹参数；

基于当前时刻的伪裂纹图和当前时刻的预测裂纹参数，生成当前时刻的预测裂纹图。

2.如权利要求1所述的方法，其特征是，获取初始裂纹参数；是指获取待预测脆性大理石的初始裂纹长度、裂纹时刻、初始裂纹位置和裂纹尖端位置。

3.如权利要求1所述的方法，其特征是，对待预测脆性大理石的初始裂纹图进行裂纹特征提取，得到当前时刻的裂纹特征；具体步骤包括：基于卷积神经网络CNN，对待预测脆性大理石的初始裂纹图进行裂纹特征提取，得到当前时刻的裂纹特征。

4.如权利要求3所述的方法，其特征是，所述卷积神经网络CNN的卷积层，设置注意力机制模块。

5.如权利要求4所述的方法，其特征是，基于当前时刻的裂纹特征，生成当前时刻的伪裂纹图；具体步骤包括：将当前时刻的裂纹特征输入到第一LSTM模型中，将第一LSTM模型的输出值经上采样操作后，生成当前时刻的伪裂纹图。

6.如权利要求5所述的方法，其特征是，对待预测脆性大理石的初始裂纹参数进行参数关系提取，得到裂纹参数关系；基于裂纹参数关系，生成当前时刻的预测裂纹参数；具体步骤包括：将初始裂纹参数，输入到第二LSTM模型中，输出裂纹参数关系；基于裂纹参数关系，生成当前时刻的预测裂纹参数。

7.如权利要求6所述的方法，其特征是，所述卷积神经网络CNN、第一LSTM模型和第二LSTM模型，共同组成了深度学习模型；其中，卷积神经网络CNN的输入端用于输入初始裂纹图，卷积神经网络的输出端与第一LSTM模型的输入端连接，第一LSTM模型的输出端与卷积神经网络CNN的输入端连接；第二LSTM模型的输入端用于输入初始裂纹参数，第二LSTM模型的输出端与第一LSTM模型的输出端连接。

8.一种脆性大理石三维裂纹扩展路径预测系统，其特征是，包括：

获取模块，其被配置为：获取待预测脆性大理石的初始裂纹图和初始裂纹参数；

伪裂纹图生成模块，其被配置为：对待预测脆性大理石的初始裂纹图进行裂纹特征提取，得到当前时刻的裂纹特征；基于当前时刻的裂纹特征，生成当前时刻的伪裂纹图；

预测裂纹参数生成模块，其被配置为：对待预测脆性大理石的初始裂纹参数进行参数关系提取，得到裂纹参数关系；基于裂纹参数关系，生成当前时刻的预测裂纹参数；

预测裂纹图生成模块，其被配置为：基于当前时刻的伪裂纹图和当前时刻的预测裂纹参数，生成当前时刻的预测裂纹图。

9.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。