1.基于多神经网络结合的路面多特征病害检测方法，其特征在于，包括以下步骤：(1)使用车载摄像头获取各种路面病害的图片；

(2)搭建生成对抗网络模型与路面病害检测模型；

(3)训练生成对抗网络模型，将路面病害图片分类型分批次送入生成对抗网络模型中训练，并调整超参数γ，生成质量多样性不同的多个数据集；

(4)训练路面病害检测模型，将真实路面病害图片与生成的图片构成数据集，输入路面病害检测模型中进行训练，对特征图进行检测并得到默认框，计算后进行非极大值抑制筛选，判定路面的病害；

(5)将路面病害数据返回至路面信息监测平台；

所述生成对抗网络模型，包含编码器、生成器和判别器；其中编码器为VAE变分自编码器的编码器模块，将真实路面病害图片输入编码器之后获得真实图片所服从的均值与方差，再根据正态分布进行随机采样，得到隐变量值，用隐变量代替原有生成对抗网络输入的随机噪声输入生成器，再与真实路面病害图片一起送入判别器，其中生成器与判别器为BEGAN网络的生成器与判别器，判别器、生成器、训练时第t步损失函数公式如下所示：其中生成器的损失函数为：

LG＝L(G(zG))，

判别器的损失函数为：

LD＝L(X)-kt(G(zD))，

训练时，第t步的损失函数为：

kt+1＝kt+λk(γL(x)-L(G(zG)))，利用超参量γ在生成图像的质量与多样性之间做优取，优取方法按照对路面病害模型训练效果判别；

所述路面病害检测模型是改进的SSD模型；在Conv7、Conv8、Conv9、Conv10、Conv11中间引入注意力机制，选取的注意力模块为SE-NET。

2.根据权利要求1所述的基于多神经网络结合的路面多特征病害检测方法，其特征在于，所述生成对抗网络模型是基于BEGAN网络训练得到的，所述路面病害检测模型是基于SSD网络训练得到的。

3.根据权利要求1所述的基于多神经网络结合的路面多特征病害检测方法，其特征在于，所述路面病害检测模型的训练预期效果判断标准包括召回率和准确率。

4.根据权利要求1所述的基于多神经网络结合的路面多特征病害检测方法，其特征在于，所述路面信息监测平台采用MQTT协议进行数据传输，通过docker和FRP工具实现路面病害检测的管理。

5.基于多神经网络结合的路面多特征病害检测装置，其特征在于，包括供电模块、数据采集模块、检测模块和外接模块；

所述供电模块，用于为采集模块、检测模块和外接模块供电；

所述数据采集模块，使用车载摄像头获取各种路面病害的图片；

所述检测模块，被配置为：

搭建生成对抗网络模型与路面病害检测模型，

训练生成对抗网络模型，将路面病害图片分类型分批次送入生成对抗网络模型中训练，并调整超参数γ，生成质量多样性不同的多个数据集，训练路面病害检测模型，将真实路面病害图片与生成的图片构成数据集，输入路面病害检测模型中进行训练，对特征图进行检测并得到默认框，计算后进行非极大值抑制筛选，判定路面的病害，检测模块与数据采集模块连接；

所述外接模块，包括内置显示器，无线网卡、音响与定位系统；

所述生成对抗网络模型，包含编码器、生成器和判别器；其中编码器为VAE变分自编码器的编码器模块，将真实路面病害图片输入编码器之后获得真实图片所服从的均值与方差，再根据正态分布进行随机采样，得到隐变量值，用隐变量代替原有生成对抗网络输入的随机噪声输入生成器，再与真实路面病害图片一起送入判别器，其中生成器与判别器为BEGAN网络的生成器与判别器，判别器、生成器、训练时第t步损失函数公式如下所示：其中生成器的损失函数为：

LG＝L(G(zG))，

判别器的损失函数为：

LD＝L(X)-kt(G(zD))，

训练时，第t步的损失函数为：

kt+1＝kt+λk(γL(x)-L(G(zG)))，利用超参量γ在生成图像的质量与多样性之间做优取，优取方法按照对路面病害模型训练效果判别；

所述路面病害检测模型是改进的SSD模型；在Conv7、Conv8、Conv9、Conv10、Conv11中间引入注意力机制，选取的注意力模块为SE-NET。

6.根据权利要求5所述的基于多神经网络结合的路面多特征病害检测装置，其特征在于，所述数据采集模块为车载摄像头，将摄像头拍摄的路面图片经过处理后送入检测模块中。

7.根据权利要求5所述的基于多神经网络结合的路面多特征病害检测装置，其特征在于，所述检测模块中生成对抗网络模型包含编码器、生成器和判别器，生成对抗网络模型为路面病害检测模型的数据集服务；路面病害检测模型是改进的SSD模型，负责路面的多特征病害检测。