1.一种基于人工智能的道路施工质量检测方法，其特征在于，所述方法包括：

获取道路灰度图像；根据道路灰度图像中像素点的灰度值分布以及分布形状特征，获取道路灰度图像中的裂缝缺陷区域；

获取每个裂缝缺陷区域的边缘点，根据每个边缘点在对应预设邻域范围内与非裂缝缺陷区域的像素点之间的灰度差异情况，确定每个边缘点对应的待确定像素点；根据每个边缘点与待确定像素点之间的像素特征相似性，获得每个待确定像素点的缺陷指标；根据待确定像素点的缺陷指标确定待确定像素点中的缺陷像素点；

根据缺陷像素点的缺陷指标和灰度值分布差异情况，确定道路灰度图像的初始分割阈值；根据道路灰度图像的初始分割阈值迭代阈值分割，获得最终缺陷区域；

根据最终缺陷区域进行质量检测。

2.根据权利要求1所述一种基于人工智能的道路施工质量检测方法，其特征在于，所述裂缝缺陷区域的获取方法包括：将道路灰度图像中每个灰度值的出现频率作为该灰度值的灰度概率；将灰度值在预设灰度范围中对应灰度概率的最小值，作为划分概率，将划分概率对应的灰度值作为划分灰度值；

将划分灰度值作为阈值进行阈值分割，获得初始二值图像；获取初始二值图像中的连通域，并获取每个连通域的最小外接矩形；将每个连通域的最小外接矩形对应长边与短边的边长比值，作为每个连通域的区域评价值；当区域评价值大于预设评价阈值时，将区域评价值对应的连通域作为初始缺陷连通域；所述预设评价阈值为正数；

通过边界跟踪算法获取每个初始缺陷连通域的连通域边缘，将每个连通域边缘在道路灰度图像中围成的区域作为道路灰度图像中的每个裂缝缺陷区域。

3.根据权利要求1所述一种基于人工智能的道路施工质量检测方法，其特征在于，所述待确定像素点的获取方式包括：计算所有边缘点的灰度值的平均值，获得边缘灰度评价值；

依次将每个边缘点作为目标边缘点，在目标边缘点的预设邻域范围内，将非裂缝缺陷区域的像素点作为目标边缘点的待分析像素点，将每个待分析像素点的灰度值与边缘灰度评价值的差异作为每个待分析像素点的灰度差异性，当灰度差异性小于预设灰度差异阈值时，将对应的待分析像素点作为目标边缘点对应的待确定像素点。

4.根据权利要求1所述一种基于人工智能的道路施工质量检测方法，其特征在于，所述缺陷指标的获取方法包括：对于道路灰度图像中任意一个像素点，将该像素点的灰度值与预设灰度权重的乘积进行归一化处理，获得该像素点的灰度特征值；将该像素点的梯度幅值与预设梯度权重的乘积进行归一化处理，获得该像素点的梯度特征值；计算该像素点梯度方向与水平方向的夹角与预设夹角权重的乘积，进行归一化处理获得该像素点的角度特征值；将该像素点的灰度特征值、梯度特征值和角度特征值组成该像素点的特征向量；预设灰度权重、预设梯度权重和预设夹角权重均为正数且和值为1；

对于任意一个边缘点，将该边缘点与每个待确定像素点的灰度值差异的负相关映射的值作为灰度相似指标；计算该边缘点与每个待确定像素点对应特征向量之间的余弦相似度，获得特征相似指标；将灰度相似指标与特征相似指标加权求和，获得该边缘点对应每个待确定像素点的初始缺陷指标；将每个待确定像素点对应所有初始缺陷指标的平均值作为每个待确定像素点的缺陷指标。

5.根据权利要求1所述一种基于人工智能的道路施工质量检测方法，其特征在于，所述缺陷像素点的获取方法包括：当缺陷指标大于或等于预设缺陷阈值时，将对应待确定像素点记为缺陷像素点；预设缺陷阈值为正数。

6.根据权利要求1所述一种基于人工智能的道路施工质量检测方法，其特征在于，所述初始分割阈值的获取方法包括：根据缺陷像素点的缺陷指标大小对缺陷像素点进行分类，获得可能性最大类和可能性最小类；

根据所有更新像素点的确定值的大小将更新像素点分为两类，将确定值最大的一类作为最大类像素点，将确定值最小的一类作为最小类像素点；将可能性最大类中缺陷像素点对应的缺陷指标设置为预设缺陷指标值；所述预设缺陷指标值大于可能性最大类中所有缺陷指标的平均值；

计算可能性最大类中所有缺陷像素点的缺陷指标的平均值，获得可能性最大类的最大可能性；计算可能性最小类中所有缺陷像素点的缺陷指标的平均值，获得可能性最小类的最小可能性；将最大可能性与最小可能性的和值作为可能权重和值；将最大可能性与可能权重和值的比值作为最大可能权重；将最小可能性与可能权重和值的比值作为最小可能权重；

计算最大可能权重与可能性最大类中所有缺陷像素点的平均灰度值的乘积，获得最大可能灰度影响值；计算最小可能权重与可能性最小类中所有缺陷像素点的平均灰度值的乘积，获得最小可能灰度影响值；将最大可能灰度影响值和最小可能灰度影响值的和值作为初始分割阈值。

7.根据权利要求1所述一种基于人工智能的道路施工质量检测方法，其特征在于，所述最终缺陷区域的获取方法包括：在迭代分割过程中，统计每次迭代对应的缺陷像素点数量，计算当前迭代与前一次迭代之间缺陷像素点数量的数量差异，将当前迭代的缺陷像素点数量与数量差异的比值作为当前迭代的停止指标；

直至当前迭代的停止指标小于预设停止阈值时停止迭代，将当前迭代对应的二值图像中的连通域作为最终缺陷区域。

8.根据权利要求1所述一种基于人工智能的道路施工质量检测方法，其特征在于，所述根据最终缺陷区域进行质量检测，包括：将最终缺陷区域中像素点的总数量与道路灰度图像中像素点的总数量的比值，作为道路灰度图像的质量评价指标；

当质量评价指标小于或等于预设优秀阈值时，将对应道路质量记为优秀；当质量评价指标大于预设优秀阈值小于预设良好阈值时，将对应道路质量记为良好；当质量评价指标大于或等于预设良好阈值时，将对应道路质量记为不合格；预设优秀阈值小于预设良好阈值。

9.根据权利要求6所述一种基于人工智能的道路施工质量检测方法，其特征在于，所述根据缺陷像素点的缺陷指标大小对缺陷像素点进行分类，获得可能性最大类和可能性最小类，包括：基于缺陷指标采用支持向量机对缺陷像素点进行二分类，将缺陷像素点分为两类；

类别中所有缺陷像素点的缺陷指标的累加值最大的一类作为可能性最大类；类别中所有缺陷像素点的缺陷指标的累加值最小的一类作为可能性最小类。

10.一种基于人工智能的道路施工质量检测系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算程序，以实现如权利要求1‑9任一项所述一种基于人工智能的道路施工质量检测方法。