1.一种用于桥梁裂缝检测定位的图像数据集人工扩增方法，其特征在于，步骤一、将采集的大量桥梁裂缝图像分辨率归一化为1024*1024；

步骤二、使用W*H固定大小的窗口在桥梁裂缝图片上不重叠的进行滑动,同时,将窗口覆盖下的桥梁裂缝图片切分成小切片,其中,包含桥梁背景的小切片称为桥梁背景面元,包含桥梁裂缝的小切片称为桥梁裂缝面元,不重叠滑动的计算方法如公式(1)所示:公式(1)中,W和H为滑动窗口的宽和高,坐标(imgRoiLx,imgRoiLy)为ROI区域的左上角点坐标,坐标(imgRoiRx,imgRoiRy)为ROI区域的右下角点坐标,其中i和j的计算如公式(2)所示:公式(2)中,srcImgw，srcImgh,分别为被窗口滑动的桥梁裂缝图片的宽和高,令srcImgw＝srcImgh＝1024pixel；

步骤三、将每个小切片作为一个ROI图片,构建成一个RGB数据集；

步骤四、对步骤三中的RGB数据集进行挑选标记,挑选标记采用的方式是:将ROI图片分成桥梁裂缝面元和桥梁背景面元；

步骤五、对挑选标记后的RGB数据集进行分类,构成一个用于训练深度学习模型的训练集和验证集；

其中，桥梁裂缝检测定位过程如下，包括以下步骤:

第一步,利用图像采集设备采集五种不同背景纹理、不同材质的桥梁裂缝图片,采集的图片总数为M张,并将所有的图片归一化为1024*1024分辨率的图片,将这M张图片分为2个数据集,人工扩增数据集和测试数据集，每个数据集M/2张；

第二步,使用W*H固定大小的窗口在人工扩增数据集中的M/2张图片上不重叠的进行滑动,同时,将滑动窗口覆盖下的桥梁裂缝图片的小切片作为一个ROI感兴趣区域；其中,包含桥梁背景的小切片图像称为桥梁背景面元,包含桥梁裂缝的小切片称为桥梁裂缝面元,具体过程利用公式(1)处理；

第三步,对基于窗口滑动算法扩增而来的数据集进行挑选,标记,分类构成一个有一定规模的用于训练深度学习模型的训练集和验证集；

第四步,利用第三步预处理好的数据集对DBCC分类模型进行训练；

第五步,采集一张桥梁裂缝图片,将图片归一化为1024*1024分辨率的图片,然后使用图像高斯金字塔对桥梁裂缝图像进行采样,得到一幅低分辨率的桥梁裂缝图片；

第六步,利用训练好的DBCC分类模型和窗口滑动算法在上一步求得的低分辨率的桥梁裂缝图片上进行检测,并将由DBCC分类模型识别出来的所有的桥梁裂缝面元的横纵坐标记录下来,其中窗口滑动算法如下面的公式所示:其中,Pb(x)和Pc(x)为在本次识别过程中,所识别的小切片分别为桥梁背景面元和桥梁裂缝面元的概率；f(x)为0,表示当前的桥梁面元图像为桥梁背景面元,f(x)为1,表示当前的桥梁面元图像为桥梁裂缝面元,t为一个概率区分阈值,取值为0.90～0.99；

第七步,使用简单选择排序算法对第六步记录的所有桥梁裂缝面元的横纵坐标分别进行排序,将最小的横纵坐标组成一个坐标点,将最大的横纵坐标也组成一个坐标点,并将这两个坐标点代入下面的公式,求解出两个新的坐标点,具体的公式如下所示:n

xh＝(xl)*2

yh＝(yl)*2n

其中坐标(xl,yl)为低分辨率图片上确定的位置坐标,坐标(xh,yh)为高分辨率图片确定的位置坐标,n代表图像高斯金字塔向下采样的次数,通常n的值为2；

第八步,根据第七步求解出来的两个新的坐标点在高分辨率图片上确定一个矩形区域,并且将这个矩形区域设置为ROI感兴趣区域；

第九步,利用训练好的DBCC分类模型和窗口滑动算法在1024*1024分辨率的图片上进行桥梁裂缝的检测,在桥梁裂缝检测的过程中,记录所有的桥梁裂缝面元的横纵坐标,并且,在这一过程中,统计桥梁裂缝面元图像的个数,并且将这一统计数记为N；

第十步,使用简单选择排序算法对第九步记录的所有的桥梁裂缝面元的横纵坐标进行排序,并且挑选出最小的横纵坐标和最大的横纵坐标组成两个新的位置坐标点,然后根据这两个新的位置坐标点在高分辨率图片上画一个矩形区域,该矩形区域和这两个新的坐标点就标识出了桥梁裂缝在桥梁裂缝图片中的位置；

第十一步,将桥梁裂缝检测过程中统计出来的桥梁裂缝面元的数据N带入下面的公式就可以求解出桥梁裂缝的面积,具体的公式如下所示:areacrack＝Nloc*Wloc*Hloc

其中areacrack为最终求解出来的桥梁裂缝的面积,Nloc代表桥梁裂缝面元的个数,Wloc为桥梁裂缝面元的宽度,Hloc为桥梁裂缝面元的高度。

2.根据权利要求1所述的用于桥梁裂缝检测定位的图像数据集人工扩增方法,其特征在于:步骤二中W和H的取值为16pixel。