1.一种基于改进YOLOv11n的复杂背景下木构件裂缝检测模型的训练方法，其特征在于，首先对YOLOv11n的颈部网络进行替换，新的颈部网络包括第一卷积网络、第二卷积网络、第三卷积网络、第四卷积网络和顺序连接的第一采样网络、第一拼接模块、第二采样网络、第二拼接模块、第三拼接模块、第五卷积网络、第四拼接模块、第六卷积网络和第五拼接模块；第一、二、三、四卷积网络的输入分别连接主干网络由浅到深四个网络层的输出；第一、二、三、四卷积网络的输出分别连接第三、二、四、五拼接模块的输入；第二卷积网络的输出还连接第三拼接模块的输入，第三卷积网络的输出还连接第一拼接模块的输入，第四卷积模块的输出还连接第一采样网络的输入；第一拼接模块的输出还连接第四拼接模块的输入；然后令改进模型在标注裂缝的木构件图像的数据集上进行机器学习。

2.如权利要求1所述的基于改进YOLOv11n的复杂背景下木构件裂缝检测模型的训练方法，其特征在于，第一拼接模块、第二拼接模块、第三拼接模块、第四拼接模块和第五拼接模块结构相同，均由前后连接的加权拼接单元BiCCT和C3k2模块构成；BiCCT包括顺序连接的Triplet Attention层、Concat‑T层、第一维度叠加层和激活层；第一维度叠加层将Concat‑T层的输出和BiCCT的输入进行维度叠加。

3.如权利要求2所述的基于改进YOLOv11n的复杂背景下木构件裂缝检测模型的训练方法，其特征在于，对YOLOv11n的改进还包括：拼接模块中的C3k2模块替换为C3k2‑Faster‑CAA模块，C3k2‑Faster‑CAA模块包括顺序连接的输入卷积层、Split函数层、一个或多个Faster‑CAA模块、第二维度叠加层和输出卷积层；第二维度叠加层用于对Split函数层的输出以及各Faster‑CAA模块的输出进行维度叠加；Faster‑CAA模块引入注意力机制和残差分支，用于捕捉远距离像素间的上下文依赖性。

4.如权利要求3所述的基于改进YOLOv11n的复杂背景下木构件裂缝检测模型的训练方法，其特征在于，Faster‑CAA模块包括顺序连接的部分卷积层、第一逐点卷积层、第二逐点卷积层、注意力层和第三维度叠加层，第三维度叠加层的输入还连接Faster‑CAA模块的输入。

5.如权利要求3所述的基于改进YOLOv11n的复杂背景下木构件裂缝检测模型的训练方法，其特征在于，主干网络中的C3k2模块替换为C3k2‑Faster‑CAA模块。

6.如权利要求1所述的基于改进YOLOv11n的复杂背景下木构件裂缝检测模型的训练方法，其特征在于，第一卷积网络的输入连接主干网络第3层，第二卷积网络的输入连接主干网络第5层，第三卷积网络的输入连接主干网络第7层，第四卷积网络的输入连接主干网络第11层。

7.如权利要求1‑6任一项所述的基于改进YOLOv11n的复杂背景下木构件裂缝检测模型的训练方法，其特征在于，模型训练过程中采用的损失函数为PIoU2损失。

8.一种采用如权利要求1‑7任一项所述的基于改进YOLOv11n的复杂背景下木构件裂缝检测模型的训练方法的木构件裂缝检测方法，其特征在于，采用如权利要求1‑7任一项所述的基于改进YOLOv11n的复杂背景下木构件裂缝检测模型的训练方法获取裂缝检测模型；对待检测木构件进行拍照，并将照片输入裂缝检测模型。

9.如权利要求8所述的基于改进YOLOv11n的复杂背景下木构件裂缝检测方法，其特征在于，待检测木构件的照片经过图像增强后再输入裂缝检测模型进行处理。

10.一种木构件裂缝检测系统，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，处理器用于执行所述计算机程序，以实现如权利要求8或9所述的基于改进YOLOv11n的复杂背景下木构件裂缝检测方法。