1.一种基于语义分割的桥梁裂缝图像分割模型，其特征在于：该模型一共由74个卷积层构成，依次包括卷积核为5x5的第一卷积层、由DenseBlock和Transition Down组成的下采样路径、由DenseBlock和Transition Up组成的上采样路径，卷积核为1x1的第二卷积层以及Softmax函数；

所述下采样路径包括5个DenseBlock层和4个Transition Down；所述上采样路径包括4个DenseBlock层和4个Transition Up层；

所述9个DenseBlock层的layers层数量依次为4层、5层、7层、10层、12层、10层、7层、5层和4层；每个层由Batch Normalization、ReLU激活函数、3x3卷积和Dropout构成，Dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃，以使每一个batch都在训练不同的网络，网络中Dropout＝0.2；所述每个Transition Down包含一个卷积，每个Transition Up包含一个转置卷积；所述DenseBlock层的每个layers层包括Batch Normalization、ReLU激活函数、3x3卷积和Dropout；所述Transition Down由Batch Normalization、ReLU激活函数、1x1卷积与2x2池化操作组成；所述Batch Normalization具体算法如下：Batch Normalization算法在每一次迭代中的每一层输入都进行了归一化，将输入数据的分布归一化为均值为0，方差为1的分布，具体如公式(2)：k k

其中，x表示输入数据的第k维，E[x]表示k维的平均值， 表示标准差；

Batch Normalization算法的两个可学习的变量γ和β的如公式(3)，γ和β用于还原上一层学到的数据分布；所述ReLU激活函数为连续的非线性激活函数，计算如公式(4)所示：ReLU(x)＝max(0,x)    (4)；

该模型的裂缝提取方法如下：

步骤一：数据集采集，通过无人机沿路面裂缝方向飞行，并连续拍照，得到裂缝图像；对裂缝图像进行语义分割，需要对数据集中的样本人工的制作相应的标签；在具体的标注过程中，对裂缝图像中裂缝标注为一种单一颜色，裂缝图像中裂缝之外的所有干扰物以及背景全部设置为另一种统一的单一颜色；对数据集扩增，具体采用的数据增强的方法为：a.从256×256的图像中提取随机的224×224的碎片；

b.对随机裁取的碎片进行水平反射与垂直反射；

并将扩增后数据集随机分类为训练集与测试集；

步骤二：将训练集中裂缝图像分次输入分割模型进行训练，具体方法如下：步骤1：将训练集中裂缝图像进行一次5x5的卷积；

步骤2：并将卷积结果输入包含4个layers层的DenseBlock；

步骤3：将步骤2结果进行Transition Down操作，降低裂缝图像分辨率；

步骤4：将DenseBlock模块layers层数量依次设置为5层、7层、10层，依次重复4次步骤2与步骤3；

步骤5：将步骤4的结果输入由12个layers组成的Bottleneck，完成全部下采样，并进行多个特征的连接操作；

步骤6：将上层输出结果输入由Transition Up和DenseBlock组成的上采样通道，DenseBlock对应下采样中的layers层数为10层；

步骤7：将步骤6中DenseBlock的layers层数依次设为7、5、4，重复4次步骤6；

步骤8：对步骤7的输出结果进行1*1卷积操作；

步骤9：将步骤8结果输入softmax层进行判断，输出裂缝与非裂缝的概率；

步骤三：步骤二训练完成后，通过训练好的分割模型对测试集中裂缝图像进行测试，得到测试结果。