1.一种基于生成式对抗网络的桥梁裂缝图像判别修复方法，其特征在于：包括以下步骤：步骤一、通过获取多张障碍物图像对Faster-RCNN进行训练，然后获取多张含有障碍物的裂缝图像，并通过训练完成的Faster-RCNN对含有障碍物的裂缝图像中的障碍物进行障碍物位置标定，并创建二进制掩膜M和反向掩膜1-M；

获取多张无障碍物的裂缝图像，通过多张无障碍物的裂缝图像对深度卷积对抗式生成网络进行训练；

步骤二、随机向量Z通过已训练完成的深度卷积对抗式生成网络的生成器G生成多个随机的生成向量G(z)，然后将生成向量G(z)输入已训练完成的深度卷积对抗式生成网络的判别器D中进行判别，并得到感知损失Lp＝log(1-D(G(z)))，将生成向量G(z)记录为候选修复样本集；

步骤三、将所述含有障碍物的裂缝图像和候选修复样本集均覆盖相同的二进制掩膜M，含有障碍物的裂缝图像覆盖二进制掩膜M后得到受损图像，并根据公式(1)计算语义损失Ls：Ls＝||M⊙x-M⊙G(z)||1  (1)

其中，x为含有障碍物的裂缝图像；

步骤四、将所述感知损失与语义损失加权求和，和值最小的候选样本对应的向量分布为最优向量 然后将所述最优向量 覆盖反向掩膜1-M；

步骤五、将所述覆盖反向掩膜1-M的最优向量 与所述受损图像进行拼接得到修复图，然后将修复图输入所述已训练完成的深度卷积对抗式生成网络的判别器D中进行判别，并根据公式(2)计算全局损失Lg：Lg(z)＝log(1-D((1-M)⊙G(z)+M⊙x))  (2)；

步骤六、根据公式(3)计算联合损失L，将联合损失输入所述已训练完成的深度卷积对抗式生成网络的生成器G，生成器G根据联合损失采用adam优化算法对最优向量 的分布进行调整；

L＝Ls+λLp+μLg  (3)

其中，λ为感知参数，μ为全局参数；

步骤七、重复步骤二至步骤六，多次迭代后得到裂缝修复图。

2.根据权利要求1所述的一种基于生成式对抗网络的桥梁裂缝图像判别修复方法，其特征在于：所述步骤一的具体步骤为：步骤1.1通过图像采集装置采集多张障碍物图像后，将障碍物图像添加标签后输入Faster-RCNN中进行训练；

步骤1.2另采集多张含有障碍物的裂缝图像，通过训练完成的Faster-RCNN对多张含有障碍物的裂缝图像进行障碍物位置标定，并创建二进制掩膜M和反向掩膜1-M；

障碍物位置标定的障碍物标记矩形框的校准阈值T(θ)为：

其中accuracy为Faster-RCNN的单张图像识别准确率，当T(θ)＝1时，则获取障碍物标记矩形框顶点坐标，当T(θ)＝0.5时，则对障碍物标记矩形框上下左右均向外扩展10个像素点，当T(θ)＝0表示标定失败，则人工进行碍物标定；

1.3通过图像采集装置采集多张无障碍物的裂缝图像，通过将每张图像翻转后以扩增无障碍物的裂缝图片的数据集；

1.4将扩增后的无障碍物的裂缝图像输入深度卷积生成式对抗网络中进行生成模型的训练。