1.基于改进YOLOv5神经网络与无人机视频结合的裂缝快速检测方法，包括如下步骤：A.构建基于无人机的结构裂缝图像数据集；

A1：利用无人机拍摄目标结构物表面；无人机采用沿顺桥向的巡航路线，地面工作站连接无线图传接收机接收采集得到的视频；

A2：对视频中的图片按一定时间间隔逐帧提取视频中图像，形成后续操作的图像库；

A3：原始图像修改为分辨率较小的图像以缓解硬件设备压力，因桥梁裂缝并非爆发性产生，开裂周期较长，可供观测的含裂缝图像不多，故对已收集图像进行翻转、亮度变换、放大缩小等处理扩增数据集；

A4：采集得到的图片利用labelImg软件对每个图像创建标签，包含裂缝标签与非裂缝标签分开存放并随机生成训练集与验证集；

B.基于SSA改进YOLOv5神经网络；

B1：将YOLOv5网络结构中K‑means算法替换为搜寻特征能力更强的SSA算法；SSA首先初始化种类，迭代次数，不同特征点之间的比例；按序计算适应度值，为之后的特征点分类提供区域和方向；引入下式更新同类特征点在非同类特征点的位置：t表示当前迭代次数，j＝1,2,3,…；itermax为一常数，表示最大迭代次数；Xi,j为第i个像素点在第j维中的位置信息；α∈(0,1]为一随机数R；R2∈[0,1],ST∈[0.5,1]分别为预警值与安全值；Q为服从正态分布的随机数；L为1×d的矩阵，元素均为1；

引入下式更新新加入的同类特征点位置：

P +

X为发现者占据的最优位置，Xworst为最差的位置；A为1×d的矩阵，元素为1或‑1，.A ＝T T ‑1A(AA) ；

引入下式更新边缘特征点位置：

Xbest为全局最优位置；β为步长控制参数，β～N(0,1)，K∈[‑1,1]，fi为各个特征点的自适应值；fg和fw为最佳和最差适应度值，ε为常数，防止分母为0；

通过上述步骤计算适应度值并更新特征点位置，满足停止条件则退出过程输出结果，反之重复初始化之后的步骤；

B2：基于B1特征点更新算法，首先对待分类数据点初始化随机抽样，获得SSA初始分类候选点，其次经过上述麻雀搜索算法的迭代，更新特征点位置使全局中的各个特征点向最优值移动并迅速收敛，将相同种类的特征点归为一类；

B3：通过上述计算就可以实现对不同特征点的分类，即不同色块之间的分类，最终实现图像内全部特征的归类识别；

C.训练基于扩充数据集的改进YOLOv5神经网络；

C1：利用脚本将图像文件标签格式转换为TXT，采用改进的YOLOv5网络加快对目标物体的识别速度，输入端采用Mosica算法进行数据增强，剪去图像的一部分内容并用数据集中其他区域像素值进行填充，检测四张图片组成的物体背景以自适应调整锚框；

C2：对C1步骤处理完成后的图片继续输入改进的YOLOv5主干网络CSP1‑X对图像进行切片，颈部网络采用FPN+PAN进行上、下采样，使用CSP2‑X结构最大程度上减少原始图像的信息流失，加强网络特征融合；

C3：输出每次训练后得到的正确率，并在规定次数的训练结束后观察是否达到所需正确率；检测头采用B中麻雀搜索算法生成预测框，损失函数采用GIoU；GIoU损失在网络中进行反向传播，使其损失逐渐减小，至模型收敛；

C4：模型训练完毕后输出正确率，观察是否满足要求精度，最后获得模型网络识别结果；

D.基于改进YOLOv5神经网络快速检测裂缝；

D1：重新拍摄未采集过图像的桥梁上部结构表面，将无人机现场采集到的新裂缝视频输入C中训练好的网络以实现裂缝快速检测；

D2：利用计算机视觉软件库OpenCV中的Video read函数读取无人机采集的原视频，按一定时间间隔逐帧抽取图像输入C中网络进行裂缝识别并存取检测结果；

D3：将已经识别完成的视频帧通过Video write函数规定好输出地址、视频大小、帧率等信息后重新写入，生成新的完成裂缝识别的视频，最终实现高效实用的基于改进YOLOv5神经网络与无人机视频结合的裂缝快速检测方法。

2.如权利要求1所述的基于改进YOLOv5神经网络与无人机视频结合的裂缝快速检测方法，其特征在于：步骤A1中利用无人机拍摄目标结构物表面，尽量选择光线较好的区域进行图像采集，减少曝光或光线太弱对图像清晰度产生的影响。