1.融合CBAM的轻量化UNet裂缝图像分割方法，其特征在于，包括以下步骤：步骤1、将采集的裂缝图像数据作为样本数据进行预处理；

步骤2、建立改良的UNet网络模型，将经步骤1预处理的样本数据作为输入；

步骤3、获取优化的CBAM模块；

步骤4、在改良的UNet网络模型下采样的过程中，在每一个编码器的后面加上优化的CBAM模块，让每一个编码器的输出进入优化的CBAM模块进行权重分配得到特征图；

步骤5、对步骤4得到的特征图进行上采样操作，在每一次上采样过程中都需要和先前每一层经优化的CBAM模块权重分配的特征图进行特征融合，特征融合后的特征图输入到对应层的解码器中；

步骤6、对于每一层特征融合之后的特征图进行两次卷积操作，并进行通道数的调整，产生权重文件；

步骤7、将步骤6得到的权重文件加载到改良的UNet网络模型中预测，利用改良的UNet网络模型对裂缝图像进行分割检测。

2.根据权利要求1所述的融合CBAM的轻量化UNet裂缝图像分割方法，其特征在于，所述步骤1包括：步骤1.1、对每一个样本数据进行图像平滑处理；

步骤1.2、对每一个样本数据的图像通道数进行压缩，使得样本数据都转换成单通道图像。

3.根据权利要求2所述的融合CBAM的轻量化UNet裂缝图像分割方法，其特征在于，所述步骤1.1中图像平滑处理具体为高斯加权平均。

4.根据权利要求2所述的融合CBAM的轻量化UNet裂缝图像分割方法，其特征在于，所述步骤1.2对图像通道数进行压缩具体为对图像进行灰度图的处理。

5.根据权利要求1所述的融合CBAM的轻量化UNet裂缝图像分割方法，其特征在于，所述步骤2中改良的UNet网络模型为利用Mobile‑Net中的深度可分离卷积将原始UNet网络中的编码器进行替换，替换过程为在原始UNet网络中的编码器的第一个卷积设置其输出通道数等于其输入通道数，并且设置第一个卷积的groups参数也为输入通道数，在第二个卷积中输入通道数为第一个卷积的输出通道数，第二个卷积的输出通道数为替换的传统卷积的最后输出通道数。

6.根据权利要求1所述的融合CBAM的轻量化UNet裂缝图像分割方法，其特征在于，所述步骤3具体为：将ResNet50中原始CBAM模块里的7×7卷积，使用3个3×3的小卷积核替代，替代之后输出的特征图尺寸并未改变，从而获取优化的CBAM模块。

7.根据权利要求1所述的融合CBAM的轻量化UNet裂缝图像分割方法，其特征在于，步骤

4将编码器在每个下采样阶段提取到的特征图送入优化的CBAM模块中，让优化的CBAM模块进行权重分配，继而让学习到权重的特征图进行接下来的每一次下采样操作，使得网络更多的关注裂缝区域，从而抑制无关区域。

8.根据权利要求1所述的融合CBAM的轻量化UNet裂缝图像分割方法，其特征在于，所述步骤6对模型最终输出图像通道数的调整取决于分类的类别数，对最后输出层的前一次卷积，利用1×1的卷积进行通道数的调整。