1.一种基于栅格映射的路面病害三维检测方法，其特征在于，包括以下步骤：
S1、通过三维数据采集设备采集路面的点云数据；
S2、对路面点云数据进行去坡度的预处理；
S3、通过RANSAC算法对预处理后的点云数据进行路面病害区域的初步点云分割；
S4、通过DBSCAN算法对点云初步分割结果进行聚类，根据点云密度将初步分割结果划分为不同类型的簇；
S5、提取点云簇的深度、宽度、长度及区域面积的信息作为路面病害检测的指标，根据路面病害的三维特征实现对分割簇的病害检测。
2.如权利要求1所述的一种基于栅格映射的路面病害三维检测方法，其特征在于，步骤S2中预处理包括点云数据去坡度，具体包括以下步骤：
S21、获取所有点云数据的三维坐标集合O{(x1,y1,z1),(x2,y2,z2),…,(xn,yn,zn)}；
S22、用多元线性回归拟合点云数据中的深度坐标z，获取回归系数b0,b1,b2；
S23、计算去坡度后的点云数据三维坐标集合：
O'{(x1,y1,z1‑b0‑b1x1‑b2y1),(x2,y2,z2‑b0‑b1x2‑b2y2),…,(xn,yn,zn‑b0‑b1xn‑b2yn)}。
3.如权利要求2所述的一种基于栅格映射的路面病害三维检测方法，其特征在于，步骤S3中具体包括以下步骤：
S31、随机采样：从点云数据中随机选取若干个点作为样本，并构建采样点云；
S32、平面拟合：对采样点云进行平面拟合，适用奇异值分解估计平面参数；
S33、计算内点、外点：计算每个点到拟合的平面的距离，如果距离小于设定阈值，则将该点标记为内点，否则标记为外点；
S34、计算内点比例：计算内点的数量占整个点云的比例；
S35、更新最佳结果：若当前的内点比例大于最佳内点比例，则更新最佳内点比例、最佳平面参数、最佳内点集合和最佳外点集合；
S36、检查停止条件：检查最佳内点比例是否大于停止阈值，如果满足则停止迭代。
4.如权利要求1所述的一种基于栅格映射的路面病害三维检测方法，其特征在于，步骤S4中具体包括以下步骤：
S41、根据聚类稳定性选择超参数领域半径Eps和最小邻域数据点数MinPts：设置一系列合理的Eps和MinPts，运行DBSCAN算法计算每个聚类结果的轮廓系数，当轮廓系数越接近
1，聚类结果越稳定，簇内样本的相似度越高；
S42、从数据中随机选择一个点X；
S43、判断一个点是否为核心点：查找到点X的距离小于等于Eps的所有点，并统计这些点的个数；如果在Eps范围内的数据点数量超过MinPts，则将该点标记为核心点并分配新的聚类标签，否则，该点将被标记为噪声；
S44、如果X点是核心点，则检索从X点开始的所有密度可达点并将它们添加到同一个簇中；
S45、访问当前点的所有邻居点，即距离小于Eps的点，如果邻居点还没有被分配到簇，则为其分配与点X相同的簇标签；
S46、如果邻居点也是核心点，则递归访问其邻居点并将它们加入到同一个簇中，直到Eps范围内不再有核心点；
S47、通过对每个未访问的核心样本重复步骤S44和S45来逐渐扩展聚类；直到所有核心样本都被访问过，并且数据集中的所有点都被分配到一个簇或标记为噪声，算法结束。
5.如权利要求1所述的一种基于栅格映射的路面病害三维检测方法，其特征在于，步骤S5中具体包括以下步骤：
S51、对不同簇内的点坐标进行统计分析，计算z坐标的平均值、不同点云簇在平面内的长度及宽度；
S52、根据不同病害特征的先验知识设定统计量阈值；
S53、将不同点云簇的统计量与设定阈值进行比较，从而实现路面病害的三维检测。