1.一种基于卷积神经网络的桥梁混凝土道路裂缝图像识别方法，其特征在于：包括以下步骤：步骤S100、采用VGG‑16模型搭建级联的全卷积神经网络；

步骤S200、在模型输入端增加梯度层，将梯度层和原始图像组合的四通道矩阵作为新的输入端；

步骤S300、在最后三个编码器模块的最后一个卷积层的输出端加入自我注意力机制模块，为网络模型引入注意力机制；

步骤S400、在每个处理模块和自我注意力机制模块的输出端放置反卷积层模块，并通过卷积层分割最终图像；

步骤S500、采用标定数据集对所述全卷积神经网络模型进行训练，其中，所述标定数据集为标定好混凝土裂缝特征的特征图集合；

对步骤S600、待检测的桥梁道路图像逐帧处理，将处理后的图像输入神经网络模型进行裂缝分割，分割出待检测的桥梁道路图像中的裂缝。

2.根据权利要求1所述的一种基于卷积神经网络的桥梁混凝土道路裂缝图像识别方法，其特征在于：在步骤S500中，采用标定数据集对所述全卷积神经网络模型进行训练，包括如下步骤：

1)获得处理模块中最后一个卷积层的输出端经过 卷积核输出的Query、Key、Value矩阵；其中，W、H、C、B、Θ、Φ、g分别为输入特征图的宽度、高度、通道数、批数、Query矩阵、Key矩阵和Value矩阵；

2)对Query矩阵和Key矩阵作点乘运算，得到大小为 的相似度权重矩阵；

3)对相似度权重矩阵进行Softmax运算，实现相似度权重矩阵的归一化；

4)将归一化的相似度权重矩阵与Value矩阵进行点乘运算，得到大小为 的

Attention值；经过 的卷积核扩展通道数为C后，叠加Attention值到处理模块中最后一个卷积层的输出端矩阵。

3.根据权利要求1所述的一种基于卷积神经网络的桥梁混凝土道路裂缝图像识别方法，其特征在于：所述全卷积神经网络包括输入模块、编码器模块以及解码器模块。

4.根据权利要求1所述的一种基于卷积神经网络的桥梁混凝土道路裂缝图像识别方法，其特征在于：所述输入模块由梯度层和输入图像组成；梯度层首先由输入图像的横纵坐标方向采用 的Sobel一阶差分算子进行处理，得到横、纵坐标方向的梯度矩阵，再根据每点坐标的横、纵坐标方向的梯度绝对值之和作为梯度幅值，得到梯度层。

5.根据权利要求1所述的一种基于卷积神经网络的桥梁混凝土道路裂缝图像识别方法，其特征在于：所述编码器模块共有五块，第一块编码器对输入的特征图进行两次卷积操作，输入由标定数据集中的特征图与梯度层组成；第二块编码器由池化层和两层卷积层组成，通过最大池化操作，使得输入的特征图长宽维度都缩小一倍，从而提取更高阶的语义信息，减少计算量；往后三块编码器由池化层和三层卷积层组成。

6.根据权利要求3所述的一种基于卷积神经网络的桥梁混凝土道路裂缝图像识别方法，其特征在于：所述解码器模块与编码器模块和自我注意力机制模块一一对应，其输入的特征图分别来自上一处理模块的输出；解码器模块对上一处理模块的输出进行转置卷积操作，使得特征图的长宽维度扩大一倍，然后将转置后的特征图与对应自我注意力机制模块的转置输出进行通道叠加，再进行一次卷积操作。

7.一种基于卷积神经网络的桥梁混凝土道路裂缝图像识别装置，其特征在于：包括：

模型搭建模块，采用基于VGG‑16模型搭建级联的全卷积神经网络，所述的全卷积神经网络架构由多个处理模块组成，所述处理模块包括依次级联5个编码器模块和5个解码器模块；

梯度层和自我注意力机制建立模块，用于在模型输入端增加梯度层，将梯度层和原始图像组合的四通道矩阵作为新的输入端，在每个处理模块的最后一个卷积层的输出端加入自我注意力机制，得到具有自我注意力机制的全卷积神经网络模型；

神经网络模型训练模块，用于采用标定数据集对所述全卷积神经网络模型进行训练，所述标定数据集为标定好混凝土道路裂缝特征的特征图集合；

混凝土裂缝检测模块，用于对待检测的道路图像逐帧读取，并输入到混凝土道路裂缝识别模型进行裂缝识别，分割出待检测的图像中的混凝土道路裂缝。

8.一种基于卷积神经网络的桥梁混凝土道路裂缝图像识别系统，其特征在于：所述图像识别系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述权利要求1至6任意一项方法的步骤。