1.一种基于深度学习的混凝土裂缝深度预测模型的构建方法，其特征在于，包括：

获取包括混凝土裂缝并标记裂缝深度的原始图像作为训练样本；

将训练样本输入到混凝土裂缝深度预测模型中进行训练直到满足训练条件，其中所述混凝土裂缝深度预测模型包括语义分割网络、特征提取层、特征融合层、异质集成网络以及加权层，原始图像输入到语义分割网络中得到裂缝分割图像，裂缝分割图像输入到特征提取层中的多个不同结构的CNN模型中得到多个特征，多个特征同原始图像的特征一并输入到特征融合层中得到融合特征，融合特征输入到异质集成网络中得到多个分类器的预测结果，多个预测结果输入到加权层中加权平均后得到裂缝深度；

其中语义分割网络包括基于CNN模型多特征融合的图像参数质量提升模块、编码器、解码器以及多特征融合的图像参数自主学习过滤器，基于CNN模型多特征融合的图像参数质量提升模块预测原始图像的图像参数并调整原始图像得到参数优化图像，编码器编码参数优化图像得到编码特征，解码器解码编码特征得到解码特征，且编码器中的卷积块同解码器的上采样层跳跃连接，多特征融合的图像参数自主学习过滤器优化解码特征得到裂缝分割图像；

其中训练阶段的基于CNN模型多特征融合的图像参数质量提升模块包括依次连接的卷积层、特征融合、批量标准化以及全连接网络，且特征融合的输入为两支路的卷积层，原始图像输入到卷积层中进行卷积处理得到原始图像特征，训练样本中的裂缝分割图像输入到卷积层中进行卷积处理后得到裂缝区域特征，裂缝区域特征和原始图像特征经过特征融合后依次经历批量标准化以及全连接网络得到图像参数，利用图像参数优化原始图像得到参数优化图像；

其中多特征融合的图像参数自主学习过滤器包括依次连接的卷积层、批量标准化、卷积层、过滤器和卷积层，其中解码特征输入到多特征融合的图像参数自主学习过滤器中依次经过卷积层、批量标准化、卷积层、过滤器和卷积层，且训练样本中的裂缝分割图像输入到过滤器中引导特征得到裂缝分割结果。

2.根据权利要求1所述的基于深度学习的混凝土裂缝深度预测模型的构建方法，其特征在于，编码器包括多个卷积块以及对应的最大池化层，解码器包括多个卷积块和对应的上采样层，编码器中的卷积块的输出特征跳跃连接输入到解码器中的上采样层中，且每一卷积块包括依次连接的批量标准化层、两个卷积层和激活函数。

3.根据权利要求1所述的基于深度学习的混凝土裂缝深度预测模型的构建方法，其特征在于，特征提取层包括并行的CNN模型1，CNN模型2以及CNN模型3，CNN模型1包括依次连接的卷积层、多个残差块、池化层以及线性层，裂缝分割图像输入到CNN模型1中获取深层次特征；CNN模型2包括依次连接的卷积层、归一化层、Relu激活函数以及卷积层，裂缝分割图像输入到CNN模型2中获取浅层次特征；CNN模型3包括依次连接的卷积层、DenseBlock块和卷积层，每一DenseBlock块后接一个池化层，裂缝分割图像输入到CNN模型3中获取密集层次特征。

4.根据权利要求1所述的基于深度学习的混凝土裂缝深度预测模型的构建方法，其特征在于，特征融合层内采用数量同于CNN模型数量的SENet，每一SENet对应一个CNN模型设置，且上一层级的SENet的特征传输给下一层级的SENet。

5.一种混凝土裂缝深度预测方法，其特征在于，包括以下步骤：

获取待测图像；

将所述待测图像输入到根据权利要求1到4任一的基于深度学习的混凝土裂缝深度预测模型的构建方法构建得到的混凝土裂缝深度预测模型中输出混凝土裂缝以及预测的裂缝深度。

6.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1到4任一所述的基于深度学习的混凝土裂缝深度预测模型的构建方法或者权利要求5所述的混凝土裂缝深度预测方法。

7.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1到4任一所述的基于深度学习的混凝土裂缝深度预测模型的构建方法或者权利要求5所述的混凝土裂缝深度预测方法。