1.一种基于深度学习的裂缝检测方法，其特征在于，包括以下步骤：获取裂缝原始图像；

以包含编码器模块和解码器模块的Deeplab V3+模型为基础模型，其中编码器模块包括主干特征提取网络和金字塔部分，将编码器模块的金字塔部分融合SA‑Net注意力模块，同时将解码器网路中的浅层特征和深层特征融合之后的卷积层替换为深度可分离卷积，搭建SA‑Deeplab V3+模型，其中，浅层特征为网络中经过较少次数卷积提取得到的特征，深层特征为网络中经过较多次数卷积提取得到的特征；

将裂缝原始图像输入至SA‑Deeplab V3+模型中，进行特征提取并得到裂缝预测图像；

将裂缝原始图像输入至SA‑Deeplab V3+模型中，进行特征提取并得到裂缝预测图像，具体为：将裂缝原始图像输入至编码器的主干特征提取网络中，分别在经过主干特征提取网络较少次数卷积之后提取浅层特征，并经过主干特征提取网络较多次数卷积之后提取深层特征；

将深层特征输入至金字塔部分中，以不同采样率的空洞卷积对深层特征进行并行采样，以多个比例捕捉图像的上下文，得到并行采样后的特征图；

利用SA‑Net注意力模块对并行采样后的特征图分配注意力权重，并将注意力权重与对应的特征图进行加权，从而得到特征加权后的深层特征；

将特征加权后的深层特征进行上采样，将上采样后的结果和浅层特征共同输入至解码器中进行堆叠，将堆叠之后的特征进行深度可分离卷积，得到有效特征图；

将有效特征图进行上采样，获得裂缝预测图像；

利用SA‑Net注意力模块对并行采样后的特征图分配注意力权重，并将注意力权重与对应的特征图进行加权，从而得到特征加权后的深层特征，具体为：SA‑Net首先将并行采样后的特征图分成G组，得到G个子特征，每个子特征被沿通道维度分成两个分支，一个分支被用于产生空间注意图，另一个分支被用于产生通道注意图，对每个子特征在训练过程中进行捕捉，通过SA‑Net注意力模块为每个子特征生成相应的权重系数；

将每个子特征与对应的权重系数进行加权，得到加权后的子特征；

利用混洗机制，使得每个加权后的子特征在通道维度进行流动，并在最终将所有加权后的子特征进行通道维度整合，得到处理后的整体特征，即深层特征。

2.如权利要求1所述的基于深度学习的裂缝检测方法，其特征在于，深度可分离卷积由逐通道卷积和逐点卷积构成：

在逐通道卷积中，一个卷积核负责一个通道高，一个通道只被一个卷积核卷积，这个过程产生的特征图通道数和输入的通道数完全一样；

逐点卷积只在通道方向进行加权组合，生成有效特征图,生成的有效特征图的个数由卷积核的个数决定。

3.如权利要求1所述的基于深度学习的裂缝检测方法，其特征在于，所述SA‑Deeplab V3+模型的损失函数采用Focal loss和Dice loss，其中Focal loss的计算公式为：；

和  分别指代图像的标签值和预测值；a为平衡因子；为调节因子；

Dice loss的计算公式为：

；

和 分别指代图像的标签值和预测值；N指代图像中像素的总数。

4.如权利要求3所述的基于深度学习的裂缝检测方法，其特征在于，对Focal loss融合动态补偿权重：；

其中，和 分别指代图像的标签值和预测值， 和 是动态补偿权重系数。

5.如权利要求4所述的基于深度学习的裂缝检测方法，其特征在于， 和 通过以下公式进行计算：；

；

其中， 为假阳性, 为假阴性，P为图像中裂纹像素点的总数； 为图像中像素的总数， 为整个图像中裂纹像素的百分比， 是整个图像中非裂缝像素的百分比。

6.一种基于深度学习的裂缝检测系统，其特征在于：包括：

图像获取模块，被配置为：获取裂缝原始图像；

模型搭建模块，被配置为：以包含编码器模块和解码器模块的Deeplab V3+模型为基础模型，其中编码器模块包括主干特征提取网络和金字塔部分，将编码器模块的金字塔部分融合SA‑Net注意力模块，同时将解码器网路中的浅层特征和深层特征融合之后的卷积层替换为深度可分离卷积，搭建SA‑Deeplab V3+模型，其中，浅层特征为网络中经过较少次数卷积提取得到的特征，深层特征为网络中经过较多次数卷积提取得到的特征；

裂缝检测模块，被配置为：将裂缝原始图像输入至SA‑Deeplab V3+模型中，进行特征提取并得到裂缝预测图像；

将裂缝原始图像输入至SA‑Deeplab V3+模型中，进行特征提取并得到裂缝预测图像，具体为：将裂缝原始图像输入至编码器的主干特征提取网络中，分别在经过主干特征提取网络较少次数卷积之后提取浅层特征，并经过主干特征提取网络较多次数卷积之后提取深层特征；

将深层特征输入至金字塔部分中，以不同采样率的空洞卷积对深层特征进行并行采样，以多个比例捕捉图像的上下文，得到并行采样后的特征图；

利用SA‑Net注意力模块对并行采样后的特征图分配注意力权重，并将注意力权重与对应的特征图进行加权，从而得到特征加权后的深层特征；

将特征加权后的深层特征进行上采样，将上采样后的结果和浅层特征共同输入至解码器中进行堆叠，将堆叠之后的特征进行深度可分离卷积，得到有效特征图；

将有效特征图进行上采样，获得裂缝预测图像；

利用SA‑Net注意力模块对并行采样后的特征图分配注意力权重，并将注意力权重与对应的特征图进行加权，从而得到特征加权后的深层特征，具体为：SA‑Net首先将并行采样后的特征图分成G组，得到G个子特征，每个子特征被沿通道维度分成两个分支，一个分支被用于产生空间注意图，另一个分支被用于产生通道注意图，对每个子特征在训练过程中进行捕捉，通过SA‑Net注意力模块为每个子特征生成相应的权重系数；

将每个子特征与对应的权重系数进行加权，得到加权后的子特征；

利用混洗机制，使得每个加权后的子特征在通道维度进行流动，并在最终将所有加权后的子特征进行通道维度整合，得到处理后的整体特征，即深层特征。

7.计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1‑5任一项所述的基于深度学习的裂缝检测方法中的步骤。

8.电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑5任一项所述的基于深度学习的裂缝检测方法中的步骤。