1.一种基于重建偏重U‑Net的道路提取方法，其特征在于，包括：获取训练集和验证集；

构建U‑Net神经网络模型，其中U‑Net神经网络模型包括编码器和解码器，所述编码器包括五个卷积模块，所述解码器包括四个上采样重建层；

将所述训练集输入U‑Net神经网络模型进行训练，并保存所述网络模型的参数，以获得初始U‑Net神经网络模型；

将所述验证集输入初始U‑Net神经网络模型并结合损失函数训练，直至模型收敛，以获得训练好的U‑Net神经网络模型；

将待检测图像输入训练好的U‑Net神经网络模型，获取道路提取结果。

2.根据权利1所述的基于重建偏重U‑Net的道路提取方法，其特征在于，所述将所述训练集输入U‑Net神经网络模型进行训练具体为：将所述训练集依次输入包括五个卷积模块的编码器，所述五个卷积模块由三个包括卷积层、ReLu和最大池化层的模块与两个包括卷积层、ReLu、Dropout和最大池化层的模块依次连接；

将编码器输出的数据输入第一上采样重建层，以输出经过第一上采样重建层后的数据；

将所述经过第一上采样重建层后的数据输入拼接层和两组卷积、ReLu组合层，以输出经过第一组合层后的数据；

将所述经过第一组合层后的数据输入第二上采样重建层，以输出经过第二上采样重建层后的数据；

将所述经过第二上采样重建层数据输入拼接层和两组卷积、ReLu组合层，以输出经过第二组合层后的数据；

将所述经过第二组合层后的数据输入第三上采样重建层，以输出经过第三上采样重建层后的数据；

将所述经过第三上采样重建层后的数据输入拼接层和两组卷积、ReLu组合层，以输出经过第三组合层后的数据；

将所述经过第三组合层后的数据输入第四上采样重建层，以输出经过第四上采样重建层后的数据；

将所述经过第四上采样重建层后的数据输入拼接层以及五组卷积、ReLu组合层后，再经过一个卷积和Sigmod操作，以获得输出结果并进行训练。

3.根据权利要求2所述的基于重建偏重U‑Net的道路提取方法，其特征在于，所述第一上采样重建层包括四组上采样、卷积和ReLu的操作组合，所述第二上采样重建层包括五组上采样、卷积和ReLu的操作组合，所述第三上采样重建层包括四组上采样、卷积和ReLu的操作组合，所述第四上采样重建层包括三组上采样、卷积和ReLu的操作组合。

4.根据权利要求1所述的基于重建偏重U‑Net的道路提取方法，其特征在于，所述损失函数采用binary‑loss‑entropy损失函数进行计算。

5.一种基于重建偏重U‑Net的道路提取装置，其特征在于，包括：获取模块，用于获取训练集和验证集；

构建模块，用于构建U‑Net神经网络模型，其中U‑Net神经网络模型包括编码器和解码器，所述编码器包括五个卷积模块，所述解码器包括四个上采样重建层；

第一训练模块，用于将所述训练集输入U‑Net神经网络模型进行训练，并保存所述网络模型的参数，以获得初始U‑Net神经网络模型；

第二训练模块，用于将所述验证集输入初始U‑Net神经网络模型并结合损失函数训练，直至模型收敛，以获得训练好的U‑Net神经网络模型；

提取模块，用于将待检测图像输入训练好的U‑Net神经网络模型，获取道路提取结果。

6.根据权利要求5所述的基于重建偏重U‑Net的道路提取装置，其特征在于，所述第一训练模块，用于将所述训练集输入U‑Net神经网络模型进行训练，具体为：将所述训练集依次输入包括五个卷积模块的编码器，所述五个卷积模块由三个包括卷积层、ReLu和最大池化层的模块与两个包括卷积层、ReLu、Dropout和最大池化层的模块依次连接；

将编码器输出的数据输入第一上采样重建层，以输出经过第一上采样重建层后的数据；

将所述经过第一上采样重建层后的数据输入拼接层和两组卷积、ReLu组合层，以输出经过第一组合层后的数据；

将所述经过第一组合层后的数据输入第二上采样重建层，以输出经过第二上采样重建层后的数据；

将所述经过第二上采样重建层数据输入拼接层和两组卷积、ReLu组合层，以输出经过第二组合层后的数据；

将所述经过第二组合层后的数据输入第三上采样重建层，以输出经过第三上采样重建层后的数据；

将所述经过第三上采样重建层后的数据输入拼接层和两组卷积、ReLu组合层，以输出经过第三组合层后的数据；

将所述经过第三组合层后的数据输入第四上采样重建层，以输出经过第四上采样重建层后的数据；

将所述经过第四上采样重建层后的数据输入拼接层以及五组卷积、ReLu组合层后，再经过一个卷积和Sigmod操作，以获得输出结果并进行训练。

7.根据权利要求6所述的基于重建偏重U‑Net的道路提取装置，其特征在于，所述第一上采样重建层包括四组上采样、卷积和ReLu的操作组合，所述第二上采样重建层包括五组上采样、卷积和ReLu的操作组合，所述第三上采样重建层包括四组上采样、卷积和ReLu的操作组合，所述第四上采样重建层包括三组上采样、卷积和ReLu的操作组合。

8.根据权利要求5所述的基于重建偏重U‑Net的道路提取装置，其特征在于，所述损失函数采用binary‑loss‑entropy损失函数进行计算。

9.一种基于重建偏重U‑Net的道路提取设备，其特征在于，包括存储器以及处理器，所述存储器内存储有计算机程序，所述处理器用于运行所述计算机程序以实现如权利要求1‑

4任意一项所述的一种基于重建偏重U‑Net的道路提取方法。

10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序能够被所述存储介质所在设备的处理器执行，以实现如权利要求1‑4任意一项所述的一种基于重建偏重U‑Net的道路提取方法。