1.一种基于特征图自优化和多层特征逐级加权融合的裂缝检测方法，其特征在于，包括以下步骤：步骤1：将图片输入到并联空洞卷积模块，获得大感受野多尺度融合特征图；

步骤2：将融合特征图依次输入到n个编码层，每个编码层将优化后的编码特征图输入到下一个编码层，获取n个不同尺度的编码层特征图；所述每个编码层均包括若干个卷积层、特征图自优化模块和池化层，所述特征图自优化模块用于对产生的特征图根据自身编码信息进行信息筛选优化，n为正整数；所述特征图自优化模块包括sigmoid函数模块、乘法器和加法器，sigmoid函数模块的输入端接入输入数据，sigmoid函数模块的输出端连接乘法器的第一输入端，乘法器和加法器依次连接，乘法器的第二输入端接入可学习参数α，加法器的第二输入端接入输入数据；优化后的编码特征图为：enfmp′i＝sigmoid(enfmpi)*α+enfmpi(i＝1,2,…,n)其中，enfmpi为原始编码特征图，α为自适应可学习参数，sigmoid()为激活函数：步骤3：将编码层特征图依次输入到n个解码层，获取n个不同尺度的解码层特征图；

步骤4：将编码层特征图和解码层特征图输入到特征融合模块，使用通道拼接方法对对应的编码层特征图与解码层特征图进行融合操作，获得n个不同尺度的中间融合层特征图；

步骤5：使用若干个加权融合模块分别对中间融合层特征图进行层级加权融合，将高层级的中间融合层特征逐级向低层级分配权重并进行融合，获得层级融合特征图，同时使用每个融合后的层级特征生成一次独立预测图，生成n‑1个分层独立预测图；

步骤6：将n‑1个分层独立预测图进行融合降维，获得最终的预测图。

2.根据权利要求1所述的基于特征图自优化和多层特征逐级加权融合的裂缝检测方法，其特征在于，步骤1中所述并联空洞卷积模块包括3个可控空洞率的空洞卷积模块、拼接模块和卷积模块，3个空洞卷积模块并联后依次连接拼接模块和卷积模块，所述并联空洞卷积模块通过调节空洞率可获取不同尺度的特征图。

3.根据权利要求1所述的基于特征图自优化和多层特征逐级加权融合的裂缝检测方法，其特征在于，步骤2中输入到下一个编码层的编码特征图为：enfmpi+1＝P(enfmp′i)(i＝1,2,…,n‑1)

其中，P()表示池化，enfmp′i表示经特征图自优化模块优化后的编码特征图。

4.根据权利要求1所述的基于特征图自优化和多层特征逐级加权融合的裂缝检测方法，其特征在于，步骤4中所述特征融合模块包括拼接模块和1×1卷积模块，拼接模块的输入端分别接入编码层与解码层的输出数据，拼接模块的输出端连接1×1卷积模块，1×1卷积模块的输出端输出中间融合层特征图。

5.根据权利要求1或4所述的基于特征图自优化和多层特征逐级加权融合的裂缝检测方法，其特征在于，步骤4中所述中间融合层特征图为：hfmpi＝conv(concat(enfmp′i,defmpi))(i＝1,2,…,n)其中，conv()表示1×1卷积，用来降维特征图,concat()表示通道拼接操作，defmpi表示解码层特征图，enfmp′i表示经特征图自优化模块优化后的编码特征图。

6.根据权利要求1所述的基于特征图自优化和多层特征逐级加权融合的裂缝检测方法，其特征在于，步骤5中使用层级加权融合模块对中间融合层特征图进行层级加权融合具体包括：步骤5‑1：提取高层级的中间融合层特征图的语义信息，构成第i‑1层权重特征图Qfmpi‑1：T

Qfmpi‑1＝res((res(conv(hfmpi))*(res(sigmoid(conv(hfmpi))))*res(hfmpi‑1))其中，res()表示特征图变形操作，conv()表示1×1卷积，hfmpi表示中间融合层特征图，defmpi表示解码层特征图，sigmoid表示激活函数：步骤5‑2：将权重特征图Qfmpi‑1加权到低一层的中间融合层特征图hfmpi‑1上并融合，得到融合后的低一层的层级融合特征图fhfmpi‑1，计算公式为：fhfmpi‑1＝(hfmpi‑2+Qfmpi‑2)+hfmpi‑1步骤5‑3：基于层级融合特征图fhfmpi获取分层独立预测图prei：prei＝conv(fhfmpi)(i＝1,2,…,n)

其中，conv()表示1×1卷积。

7.根据权利要求1所述的基于特征图自优化和多层特征逐级加权融合的裂缝检测方法，其特征在于，步骤6中最后的预测图pre为：pre＝sigmoid(convp(concat(prei))(i＝1,2,…,n)其中，sigmoid()表示激活函数，convp()表示3×3的卷积，用来生成预测图，concat()表示通道拼接操作，prei为分层独立预测图。