1.一种基于残差网络与往返采样的裂缝图像分割方法，其特征在于，包括：步骤S1、将待分割图像输入到编码器网络中，得到最深层的特征映射F1；

其中所述编码器网络依次包括由最大池化层连接的第一编码卷积操作组、第二编码卷积操作组、第三编码卷积操作组、第四编码卷积操作组、第五编码卷积操作组；第一编码卷积操作组、第二编码卷积操作组、第三编码卷积操作组、第四编码卷积操作组都由两个残差网络模块组成；每个残差网络模块包括卷积层、激活层和批归一化层；第五编码卷积操作组由两个组合模块组成，每个组合模块为残差网络模块与空洞空间金字塔池化模块的组合；

步骤S2、将所述特征映射F1输入往返采样模块，得到特征映射F2；其中往返采样模块由两个卷积操作组以及一个下采样层组成，其中每个卷积操作组由一个上采样层和两个卷积层组成；

步骤S3、将所述特征映射F2输入到解码器网络中，得到特征映射F3，其中所述解码器网络依次包括由上采样层连接的第五解码卷积操作组、第四解码卷积操作组、第三解码卷积操作组、第二解码卷积操作组、第一解码卷积操作组；第一解码卷积操作组、第二解码卷积操作组、第三解码卷积操作组、第四解码卷积操作组都是由两个残差网络模块组成；每个残差网络模块包括卷积层、激活层和批归一化层；第五解码卷积操作组由两个组合模块组成，每个组合模块为残差网络模块与空洞空间金字塔池化模块的组合；

步骤S4、将所述特征映射F3输入到预测网络，得到裂缝分割图像。

2.根据权利要求1所述的基于残差网络与往返采样的裂缝图像分割方法，其特征在于，步骤S1包括：待分割图像经过第一编码卷积操作组得到第一编码特征图；

第一编码特征图经过一个最大池化层后输入第二编码卷积操作组，得到第二编码特征图；

第二编码特征图经过一个最大池化层后输入第三编码卷积操作组，得到第三编码特征图；

第三编码特征图经过一个最大池化层后输入第四编码卷积操作组，得到第四编码特征图；

第四编码特征图经过一个最大池化层后输入第五编码卷积操作组，得到特征映射F1。

3.根据权利要求2所述的基于残差网络与往返采样的裂缝图像分割方法，其特征在于，步骤S3包括：特征映射F2经过第五解码卷积操作组得到第五解码特征图；

将第五解码特征图上采样后与第四编码特征图进行融合后，输入第四解码卷积操作组，得到第四解码特征图；

将第四解码特征图上采样后与第三编码特征图进行融合后，输入第三解码卷积操作组，得到第三解码特征图；

将第三解码特征图上采样后与第二编码特征图进行融合后，输入第二解码卷积操作组，得到第二解码特征图；

将第二解码特征图上采样后与第一编码特征图进行融合后，输入第一解码卷积操作组，得到特征映射F3。

4.根据权利要求3所述的基于残差网络与往返采样的裂缝图像分割方法，其特征在于，使用优化的特征融合单元进行融合，所述特征融合单元包括融合块、批归一化层和卷积层。

5.根据权利要求1所述的基于残差网络与往返采样的裂缝图像分割方法，其特征在于，步骤S4中，所述预测网络使用Sigmoid函数。

6.根据权利要求1所述的基于残差网络与往返采样的裂缝图像分割方法，其特征在于，每个残差网络模块包括两个3*3卷积层、两个激活层、三个批归一化层和一个1*1卷积层；

残差网络模块的输入特征依次经过第一3*3卷积层、第一批归一化层、第一激活层、第二3*3卷积层、第二批归一化层处理后得到第一特征，残差网络模块的输入特征依次经过1*1卷积层和第三批归一化层处理后得到第二特征；

将第一特征和第二特征融合后，经过第二激活层处理，得到残差网络模块的输出特征。

7.根据权利要求1所述的基于残差网络与往返采样的裂缝图像分割方法，其特征在于，整个编解码器网络采用交叉熵损失函数Lce：其中y是图像的真实值，是图像的预测值，β是权重系数，γ是可调聚焦参数。

8.一种基于残差网络与往返采样的裂缝图像分割装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1至7任一项所述方法的步骤。

9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。

10.一种计算机设备，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1至7任一项所述方法的步骤。