1.一种融合多尺度扩张率的D‑UNet裂缝图像分割方法，其特征在于，包括以下步骤：(1)对裂缝数据集进行预处理操作：对数据集的每张图像进行过滤，消除噪声对模型训练的影响，然后对处理完的图像进行通道的调整，将图像全部转为单通道；

(2)将原始UNet的编码器中双重卷积进行替换，在每一个编码器中，将第二个卷积利用不同扩张率的空洞卷积进行替换；

(3)在下采样的时候，将最大池化的方式替换为带有步长的卷积进行下采样；

(4)下采样的特征图需要进行对应的四次上采样操作恢复图像的初始分辨率；每次上采样的方式选择双线性插值；

(5)在解码阶段，对于每一个解码器中的双重卷积，同样将第二个卷积替换为不同扩张率的空洞卷积；

(6)将输出图像调整为单通道以迎合二分类的分割任务；

(7)将训练的权重加载到模型中进行测试集的检测，以此评价模型的分割效果。

2.根据权利要求1所述的一种融合多尺度扩张率的D‑UNet裂缝图像分割方法，其特征在于，所述步骤(2)具体为：根据空洞卷积的等价卷积核大小计算公式替换传统卷积：

n＝k+(k‑1)*(d‑1)

式中，k为传统卷积核大小，d为设置空洞卷积时的超参数扩张率；利用空洞卷积在不增加参数量的情况下能够扩大感受野的优势，进而替换编码器中双重卷积的第二个卷积；空洞卷积后得到的特征图大小为：o＝[n+2p‑k‑(k‑1)*(d‑1)]/s+1

式中，n为等价的空洞卷积核大小，p为填充数，k为传统卷积核大小，d为设置空洞卷积时的超参数扩张率，s为步长；对于UNet的编码阶段，采用不同扩张率的空洞卷积，能够更好的得到裂缝特征，从而提升训练效果；由于靠近输入层，所以第一个编码器第二层使用传统卷积进行提取特征；接下来的编码器中第二层依次使用不同扩张率的空洞卷积替换原始的卷积。

3.根据权利要求1所述的一种融合多尺度扩张率的D‑UNet裂缝图像分割方法，其特征在于，所述步骤(5)具体为：将解码器中的第二层卷积依次替换为不同扩张率的空洞卷积；得益于空洞卷积在不增加参数量的情况下可以扩大感受野的优势，能够充分恢复下采样过程中丢失的细节信息；

空洞卷积的感受野通过公式得出：

RFi＝RFi‑1+(n‑1)×Si‑1

式中，RFi为当前层的感受野，RFi‑1为前一层的感受野，n为卷积核大小，Si‑1为当前层之前所有层的步长乘积，通过以下公式计算得出：式中，Stridei为第i层卷积使用的步长。

4.根据权利要求1所述的一种融合多尺度扩张率的D‑UNet裂缝图像分割方法，其特征在于，所述步骤(6)具体为：对于裂缝和背景进行处理，将最后的输出图像调整为单通道。

5.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1‑4中任一项所述的一种融合多尺度扩张率的D‑UNet裂缝图像分割方法。

6.一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1‑4中任一项所述的一种融合多尺度扩张率的D‑UNet裂缝图像分割方法。