1.一种基于深度学习的冰体环向裂纹尺寸测量方法，其特征在于：该方法包括如下步骤：步骤S1：采集大量海冰图片制作训练数据集；

步骤S2：根据制作的数据集，采用深度学习方法对实例分割网络模型进行训练，得到训练好的实例分割网络模型；

步骤S3：对训练好的实例分割模型进行置信度验证，将验证通过的实例分割网络模型作为目标模型；

步骤S4：目标模型对待识别的海冰图像进行实例分割，得到目标的海冰mask；

步骤S5：对海冰mask进行边缘识别，得到海冰环向裂纹；

步骤S6：根据得到的海冰环向裂纹进行圆弧拟合，从而获得其尺寸参数；尺寸参数包括：破冰半径，破冰角。

2.根据权利要求1所述的一种基于深度学习的冰体环向裂纹尺寸测量方法，其特征在于：所述步骤S1中采集大量海冰图片制作训练数据集，包括对采集的大量海冰图片进行数据增强处理。

3.根据权利要求1所述的一种基于深度学习的冰体环向裂纹尺寸测量方法，其特征在于：所述步骤S3中对训练好的实例分割模型进行置信度验证，具体操作如下：步骤S3‑1：根据数据集的测试集数对实例分割模型进行测试，得到相应的测试结果；

步骤S3‑2：根据测试结果计算实例分割模型的识别准确率；

步骤S3‑3：若实例分割模型的识别的准确率大于预置准确率阈值，输出当前裂纹图像识别的实例分割模型；

步骤S3‑4：若实例分割模型的识别的准确率小于预置准确率阈值，则重复步骤S2。

4.根据权利要求1所述的一种基于深度学习的冰体环向裂纹尺寸测量方法，其特征在于：所述步骤S4中目标模型对待识别的海冰图像进行实例分割，得到目标的海冰mask，海冰mask即为海冰掩膜，具体操作如下：在目标模型的基础上加入掩膜分支，并将实例分割任务划分为两个并行的子任务，分别为原型掩膜分支与目标检测分支；

原型掩膜分支通过Protonet结构生成原型掩膜，目标检测分支通过Prediction Head网络进行检测定位与掩膜系数的信息计算；

通过NMS进行筛选，处理结果与生成的原型掩膜以线性组合的方式生成每个anchor对应的mask分割结果。

5.根据权利要求1所述的一种基于深度学习的冰体环向裂纹尺寸测量方法，其特征在于：所述步骤S5中对海冰mask进行边缘识别采用Canny算子边缘检测方法，获得海冰边缘图像上所有像素点的像素坐标。

6.根据权利要求1所述的一种基于深度学习的冰体环向裂纹尺寸测量方法，其特征在于：所述步骤S6中根据得到的海冰环向裂纹进行圆弧拟合，具体操作如下：根据海冰环向裂纹上所有边缘点的像素坐标，在其中筛选出横坐标的最大值和最小值，也是待拟合线段的起始点和终止点；

确定需要进行弧线拟合的环向裂纹，分别在圆弧上取四条直线的垂直平分线，求其四条垂直平分线的两两交点，最多可能有6个交点；在这6个交点取最小外包矩阵，当外包矩阵过大时，则可以判断此条曲线不是圆弧；当外包矩阵符合阈值要求，则认为该裂纹拟合出理想的圆弧；

根据圆弧上任意两条弦的垂直平分线的交点是圆心的原则，假设这些交点作为候选圆的圆心；在得到候选圆心后，再用最小二乘法缩小误差的方法求出圆心坐标和半径的最优解，确定这段环向裂纹所对应的拟合圆。

7.根据权利要求6所述的一种基于深度学习的冰体环向裂纹尺寸测量方法，其特征在于：所述步骤S6中获得破冰半径为：在获得环向裂纹对应的拟合圆之后，根据最小二乘法计算得出的最优半径，即为破冰半径。

8.根据权利要求6所述的一种基于深度学习的冰体环向裂纹尺寸测量方法，其特征在于：所述步骤S6中获得破冰角为：在获得环向裂纹对应的拟合圆之后，计算圆心其到A点和B点连线的夹角，A，B两点为弧线端点，即为这段弧线的圆心角θ，也是破冰角；根据公式可求得圆心角：k1＝(ya‑yc)/(xa‑xc)

k2＝(yb‑yc)/(xb‑xc)

其中，k1为AC斜率；k2为BC斜率；(xa,ya)为A点坐标(xb,yb)为B点坐标，(xc,yc)为C点坐标。

9.根据权利要求2所述的一种基于深度学习的冰体环向裂纹尺寸测量方法，其特征在于：所述数据增强处理包括：旋转、局部图像放大以及高斯模糊；所述数据增强处理至少选择旋转、局部图像放大以及高斯模糊中的一种操作。