1.一种缝隙检测方法，其特征在于，通过机器学习的目标检测模型对混凝土图像进行识别，以获取裂缝信息，裂缝信息包括裂缝类别；目标检测模型的获取包括以下步骤：首先获取基础模型和学习样本，学习样本为标注有裂缝类别的混凝土损伤图像；然后令基础模型对学习样本进行机器学习，获取收敛后的基础模型作为目标检测模型；

基础模型对传统的YOLOv7模型进行结构优化后获得，优化方式为：将传统的YOLOv7模型中的第一Concat拼接网络替换为第一multicat拼接网络，将第二Concat拼接网络替换为第二multicat拼接网络；第一multicat拼接网络和第二multicat拼接网络结构相同，统称为multicat网络；

multicat网络包括平均池化层mean‑pooling、最大池化层max‑pooling和第七Concat拼接网络；multicat网络设有第一输入端、第二输入端和第三输入端；平均池化层和最大池化层均连接multicat网络的第一输入端，multicat网络的第一输入端的输入数据经过平均池化和最大池化后再进行维度叠加，叠加后的数据与multicat网络的第二输入端的输入数据以及multicat网络的第三输入端输送到第七Concat拼接网络进行维度采样，第七Concat拼接网络的输出作为multicat网络的输出；

第一multicat网络的第一输入端连接第二ELAN网络的输出端，第一multicat网络的第二输入端连接第三CBS‑3网络的输出端，第一multicat网络的第三输入端连接第一UPSample网络的输出端；第一multicat网络的输出端连接第一ELAN‑W网络的输入端；

第二multicat网络的第一输入端连接第一ELAN网络的输出端，第二multicat网络的第二输入端连接第四CBS‑3网络的输出端，第二multicat网络的第三输入端连接第二UPSample网络的输出端；第二multicat网络的输出端连接第二ELAN‑W网络的输入端。

2.如权利要求1所述的缝隙检测方法，其特征在于，第一multicat网络的第一输入端的输入为第二ELAN网络的输出端。

3.如权利要求1所述的缝隙检测方法，其特征在于，第二multicat网络的第一输入端的输入为第一ELAN网络的输出。

4.如权利要求1所述的缝隙检测方法，其特征在于，相对于传统的YOLOv7模型，基础模型还包括第十五Conv卷积网络、第八Concat拼接网络、第十六Conv卷积网络、第九Concat拼接网络、第十七Conv卷积网络和第十Concat拼接网络；

第十五Conv卷积网络的输入连接第二ELAN网络的输出，第十五Conv卷积网络的输出连接第八Concat拼接网络的输入，第八Concat拼接网络的输入还连接第二ELAN‑W网络的输出；第一输出网络中REP网络的输入端分别连接第八Concat拼接网络的输出和第二ELAN‑W网络的输出；

第十六Conv卷积网络的输入连接第三ELAN网络的输出，第十六Conv卷积网络的输出连接第九Concat拼接网络的输入，第九Concat拼接网络的输入还连接第三ELAN‑W网络的输出；第二输出网络中REP网络的输入端分别连接第九Concat拼接网络的输出和第三ELAN‑W网络的输出；

第十七Conv卷积网络的输入连接第四ELAN网络的输出，第十七Conv卷积网络的输出连接第十Concat拼接网络的输入，第十Concat拼接网络的输入还连接第四ELAN‑W网络的输出；第三输出网络中REP网络的输入端分别连接第十Concat拼接网络的输出和第四ELAN‑W网络的输出。

5.如权利要求4所述的缝隙检测方法，其特征在于，对传统的YOLOv7模型进行结构优化获取基础模型的方式还包括：将传统的YOLOv7模型中的第一ELAN网络、第二ELAN网络、第三ELAN网络和第四ELAN网络均替换为Mycontact‑4网络，将第一ELAN‑W网络、第二ELAN‑W网络、第三ELAN‑W网络和第四ELAN‑W网络均替换为Mycontact‑6网络；

Mycontact‑4网络包括第一Conv卷积网络、第二Conv卷积网络、第三Conv卷积网络、第四Conv卷积网络、第五Conv卷积网络、第六Conv卷积网络、第五Concat拼接网络和第七Conv卷积网络；第二Conv卷积网络、第三Conv卷积网络、第四Conv卷积网络、第五Conv卷积网络和第六Conv卷积网络顺序连接，第二Conv卷积网络的输入端连接第一Conv卷积网络的输入端；第一Conv卷积网络的输出端、第二Conv卷积网络的输出端、第四Conv卷积网络的输出端和第六Conv卷积网络的输出端均连接第五Concat拼接网络的输入端，第五Concat拼接网络的输出端连接第七Conv卷积网络的输入端；第一Conv卷积网络的输入端作为Mycontact‑4网络的输入端，第七Conv卷积网络的输出端作为Mycontact‑4网络的输出端；

Mycontact‑6网络包括第八Conv卷积网络、第九Conv卷积网络、第十Conv卷积网络、第十一Conv卷积网络、第十二Conv卷积网络、第十三Conv卷积网络、第六Concat拼接网络和第十四Conv卷积网络；第九Conv卷积网络、第十Conv卷积网络、第十一Conv卷积网络、第十二Conv卷积网络和第十三Conv卷积网络顺序连接，第九Conv卷积网络的输入端连接第八Conv卷积网络的输入端；第八Conv卷积网络的输出端、第九Conv卷积网络的输出端、第十Conv卷积网络的输出端、第十一Conv卷积网络的输出端、第十二Conv卷积网络的输出端和第十三Conv卷积网络的输出端均连接第六Concat拼接网络的输入端，第六Concat拼接网络的输出端连接第十四Conv卷积网络的输入端；第八Conv卷积网络的输入端作为Mycontact‑6网络的输入端，第十四Conv卷积网络的输出端作为Mycontact‑6网络的输出端。

6.如权利要求1所述的缝隙检测方法，其特征在于，还包括：将混凝土图像输入目标检测模型后，将目标检测模型的检测结果和目标检测模型的输入传输到设定的分割头中，分割头对混凝土图像中的裂缝进行实例分割。

7.一种采用如权利要求6所述的缝隙检测方法的缝隙检测系统，其特征在于，包括图像获取模块、目标检测模型、分割头和裂缝展示模块；

图像获取模块用于获取待识别的混凝土图像；目标检测模型用于识别混凝土图像上的裂缝，分割头用于对混凝土图像中的裂缝进行实例分割，分割头将分割出的裂缝发送到裂缝展示模块进行显示。

8.一种缝隙检测系统，其特征在于，包括存储器和处理器，存储器中存储有计算机程序，处理器连接存储器用于执行所述计算机程序，以实现如权利要求1‑6任一项所述的缝隙检测方法。

9.一种存储介质，其特征在于，存储有计算机程序，计算机程序被执行时用于实现如权利要求1‑6任一项所述的缝隙检测方法。