1.一种基于改进PSPNet网络的桥梁裂缝检测方法，其特征在于：包括以下步骤：步骤一：对采集到桥梁裂缝图像数据进行归一化处理，形成数据集合，并对光照不足的图像进行拉普拉斯锐化；

步骤二：对处理后的桥梁裂缝图像数据集合进行几何变换扩充；并将集合划分为训练集、验证集与测试集；

步骤三：建立结构为SPAM模块与金字塔池化层并联的检测模型，并进行训练，检测模型使用ResNet‑50作为特征提取网络；采用扩张卷积来作为残差网络内部的下采样层保持特征图的空间分辨率，进行提取裂缝特征图；

步骤四：将提取后的裂缝特征图分别送入到金字塔池化层和SPAM模块中进行处理；

步骤五：将金字塔池化层和SPAM模块得到的特征图进行融合，经过解码模块得到最终的桥梁裂缝分割图。

2.根据权利要求1所述的一种基于改进PSPNet网络的桥梁裂缝检测方法，其特征在于：所述金字塔池化层包含四个池化层，其大小分别为1×1、2×2、3×3和6×6，然后分别在这些子区域内使用全局平均池化，提取局部特征，对每层池化使用1×1卷积降维之后，然后通过双线性插值对低维的特征图进行上采样，得到与输入特征图相同尺寸的特征图，并且在通道上将不同层级的特征图进行拼接得到处理后的特征图。

3.根据权利要求1所述的一种基于改进PSPNet网络的桥梁裂缝检测方法，其特征在于：C×H×W

所述SPAM模块处理方式为：首先将使用扩张卷积的残差网络提取出的局部特征A∈R 分C×N N

别送入到三个1×1卷积层中；产生的三个新的特征图B、C、D，大小均为R ；将B和C重塑为R×C N×C N×N

，其中N＝H×W，表示像素点的数目；同时将C的转置R 和B进行矩阵乘法得到S∈R ，再进行softmax运算，得到空间注意力映射矩阵：式中：Bi代表矩阵B中的第i个元素，Cj代表矩阵C中第j个元素，sji代表第i个位置的特征C×N N×N

对第j个位置的影响，接着将D也重塑为R ，与S的转置矩阵R 进行矩阵乘法，再乘上自注C×H×W C×H×W C

意力系数α，将其结果重塑为R ；最后与特征图A∈R 进行逐元素相加得到输出E∈R×H×W

，再经过一个卷积层得到最终输出：其中α为自注意力参数，初始化为0，通过网络训练逐渐学习得到更大的权重，其中得到的每个位置的特征E是所有位置的特征与原始特征的加权和。

4.根据权利要求1所述的一种基于改进PSPNet网络的桥梁裂缝检测方法，其特征在于：所述检测模型的训练选择随机梯度下降算法进行优化，Batch‑size设置为16，初始学习率设为0.01，动量设置为0.9，权重衰减为0.0005；训练时采用Ploy学习策略，最小学习率设为

1e‑4；采用二分类交叉熵作为分割网络的损失函数，二分类交叉熵损失函数如下所示，ri表示像素点的真实值；pi表示像素点i预测值的概率，N为图像像素点总数目采用Dice损失函数作为辅助损失函数，S为Dice系数，表示两个区域的相似程度，其中A为真实值，B为预测值，Dice loss可以表示为：

pi为像素点i的预测值，ri为像素点i的真实值；因此得到Lt为总损失，Lbce为二分类交叉熵损失，Ldice为Dice损失，则Lt＝Lbce+Ldice。