1.一种桥梁道路裂缝识别的改进型语义分割网络构建方法，其特征在于，该方法通过改进UNet网络中的卷积块、下采样层以及上采样层，引入空间‑通道注意力机制，保留UNet网络中的跳跃连接和U型结构，构建出改进型语义分割网络，进行裂缝识别；具体包括以下步骤：S101，PConv轻量化卷积重构卷积层：将U‑Net的二维卷积中的用于特征提取的第二个卷积操作替换为PConv轻量化卷积，提高空间特征，通过控制变量，仅在改变卷积层的状况下，提高UNet网络运算速度；

S102，引入SCSA空间‑通道注意力机制：基于PConv轻量化卷积，针对裂缝边缘部位出现的模糊，通过将通道注意力机制加入到U‑Net模型的下采样、上采样以及跳跃连接当中，将不同层次之间的图像特征信息结合起来，提高对裂缝的关注度；

S103，重构下采样层：在裂缝分割过程中，裂缝边缘纹理的特征信息领域细小，引入SCSA空间‑通道注意力机制，采用HWD小波下采样层替换最大池化层，提高U‑Net网络对于裂缝边缘、细纹处特征的保留；

S104，重构上采样层：引入SCSA空间‑通道注意力机制，利用新型的上采样器DySample重构上采样层，构建完成改进型语义分割网络构建，基于改进型语义分割网络完成图像分割，实现裂缝结构恢复；

在步骤S104中，重构上采样层，包括：

(a)输入尺寸为H×W×C的特征图，通过生成动态的权重因子S，输出sH×sW×sC的特征图，该特征图的采样集由权重因子S决定的，利用采样点生成器，输入特征由栅格采样函数重新采样，保证该特征图是动态的，再与原特征图进行拼接，输出尺寸为sH×sW×C的特征图，实现DySample上采样；

(b)上采样器提供两种生成动态的权重因子S的方法，输出权重因子S；

步骤(b)中，两种生成动态的权重因子S的方法，包括：

第一种，将输入的尺寸为H×W×C的特征图输出到线性连接层，输出尺寸为H×W×2gS2的特征图，并缩小到原来的0.25倍，将缩小后的O特征图作为偏置，并与g特征图进行拼接，输出权重因子S；

第二种，对两个尺寸为H×W×2gS2的特征图，其中一个缩小到原来的0.5σ并与另一个尺寸为H×W×2gS2的特征图进行拼接，再进行偏置，生成O特征图与g特征图进行拼接，生成权重因子S。

2.根据权利要求1所述的桥梁道路裂缝识别的改进型语义分割网络构建方法，其特征在于，在步骤S101中，PConv轻量化卷积重构卷积层，包括：(1)将输入特征图进行划分，输入特征图通道数为32，提取8个通道数与卷积核进行卷积，剩余24个通道上保持不变，输出8个通道的输出特征图像；

(2)将卷积操作输出得到的8通道的特征图与剩余的24个通道的输入特征图进行拼接，获得完整的卷积操作。

3.根据权利要求1所述的桥梁道路裂缝识别的改进型语义分割网络构建方法，其特征在于，在步骤S102中，引入SCSA空间‑通道注意力机制，包括：第一步，输入尺寸为B×C×H×W大小的特征图，运用1D卷积对输入特征图沿着高度和宽度维度进行分解，并对每一维应用全局平均池化，通过Spilt操作将特征图进行分解，得到两个不同方向的4个子特征；

第二步，将两个不同方向的4个子特征，分别输入到卷积核为3、5、7、9的一维卷积当中，进行不同尺度的卷积操作，提取不同尺度的信息；

第三步，将提取的两个不同方向的多尺度特征，分别进行通道拼接，再进行组内归一化，经过sigmoid激活函数后，将两个不同方向特征进行融合，结合残差结构将输入特征与输出特征进行特征融合，完成构建SMSA模块；

第四步，将SMSA模块输出的特征图进行全局平均池化，再进行一个组的归一化操作，保证每一个子特征的独立性；

第五步，将归一化后的特征图分别与不同维度的1×1卷积核进行卷积操作，获得不同通道数的V、K、Q特征图像，并将V、K、Q分别输入到自注意力机制中进行特征融合，获得特征图像后进行全局平均池化以及sigmiod函数，与输入特征图融合，输出最终的特征图，完成SCSA空间‑通道注意力机制。

4.根据权利要求1所述的桥梁道路裂缝识别的改进型语义分割网络构建方法，其特征在于，在步骤S103中，重构下采样层，包括：第1步，输入特征图经过Haar小波变换模块HWT，以降低特征图的分辨率，同时保留特征图所有信息，Haar小波变换通过分解图像高频、低频信息生成四个方向的细分分量，使得通道数变成了四倍，将部分信息从空间维度编码到信道维度，获得小波变换的特征图；

第2步，将小波变换的特征图传入到特征学习模块，该特征学习模块由卷积层、激活函数以及批量归一化组成，完成对于输入图像的尺寸的下采样。

5.根据权利要求1所述的桥梁道路裂缝识别的改进型语义分割网络构建方法，其特征在于，该方法还包括：(1)裂缝图像输入，经过DoubleConv卷积层，用于提取特征信息，DoubleConv由一个二维卷积和一个Pconv、激活函数和BN层组成；

(2)经过DoubleConv卷积层输出的特征图，输入到SCSA注意力机制当中，用于保留裂缝特征信息，输出的特征层一部分输入到HWD进行下采样，一部分保留经过跳跃连接输入到对应层的解码器当中；

(3)特征图经过HWD小波下采样后，通道数翻倍，尺寸缩小至原来的一半，DoubleConv、SCSA、HWD共同构成编码器的每一层，特征图的输入经历过四层编码器之后，完成对图像信息的特征提取；

(4)完成信息提取过后的特征图，有着小尺寸和高通道数的特性，在经过DySample后，完成对特征图尺寸的翻倍，通道数保持不变；

(5)经过DySample输出的特征图，在经过1×1的卷积层，完成通道数的压缩，输出的特征图是原特征图尺寸的两倍，通道数的一半；

(6)经过1×1的卷积层输出的特征图，将输入到SCSA注意力机制当中，用于提取特征图主干信息，特征图尺寸和通道数均保持不变；

(7)经过SCSA输出的特征图，将输入到DoubleConv卷积层中，完成特征的提取以及通道数的压缩；

(8)经过DoubleConv的卷积层输出的特征图与最下层编码器输出的特征图进行通道拼接，两个特征图的尺寸和通道数均一致，经过拼接之后，特征图通道数翻倍，并输入到上一层的解码器当中；

(9)每一层的解码器由DySample、1×1Conv、SCSA以及DoubleConv组成，在经历四次解码器的尺寸和通道数还原之后便完成了图像分割任务。

6.一种桥梁道路裂缝识别的改进型语义分割网络构建系统，其特征在于，该系统实施如权利要求1‑5任意一项所述桥梁道路裂缝识别的改进型语义分割网络构建方法，该系统具体包括：PConv轻量化卷积重构卷积层模块，用于将U‑Net的二维卷积中的用于特征提取的第二个卷积操作替换为PConv轻量化卷积，提高空间特征，通过控制变量，在仅改变卷积层的状况下，提高UNet网络运算速度；

引入SCSA空间‑通道注意力机制模块，用于基于PConv轻量化卷积，针对裂缝边缘部位出现的模糊，通过将通道注意力机制加入到U‑Net模型的下采样、上采样以及跳跃连接当中，将不同层次之间的图像特征信息结合起来，提高对裂缝的关注度；

重构下采样层模块，用于针对在裂缝分割过程中，裂缝边缘纹理的特征信息领域细小，基于引入SCSA空间‑通道注意力机制，采用HWD小波下采样层替换最大池化层，提高U‑Net网络对于裂缝边缘、细纹处特征的保留；

重构上采样层模块，用于基于引入SCSA空间‑通道注意力机制，利用新型的上采样器DySample重构上采样层，构建完成改进型语义分割网络构建，基于改进型语义分割网络完成图像分割，实现裂缝结构恢复。