1.一种桥面形态变化识别桥梁结构损伤的CNN‑GRNN方法，其特征在于：包括如下步骤：S1.获取桥面图像序列；

S2.采用双目立体视觉三维重建技术,对桥面图像序列处理，得到单次桥面三维几何形态；

S3.配准历次桥面三维几何形态，并对前后两次的三维几何形态进行叠差比较，得到桥面整体几何形态变化色谱图；

对前后两次的三维几何形态进行叠差比较包括搜寻桥面匹配点对，计算两个模型的匹配点对之间的变形值，具体包括：根据桥面平整度特征，收集配准之后桥面的匹配点对，利用两点的坐标求出两点之间的变形值，由于不变特征面上的点所在的X与Y轴坐标值保持不变，所以后次拍摄的点所在Z轴上的坐标值减去前次拍摄点所在Z轴上的坐标值，即可得到变形值L；其中，L的绝对值大小表示两点之间的变形距离；若L为正，表示桥梁向上凸起；若L为负，表示桥梁向下凹陷；

S4.利用区域生长分割原理，从桥面整体几何形态变化色谱图中分割出桥面局部变形形态；

S5.利用卷积神经网络CNN提取桥面局部变形形态中的多层次特征信息，将取出的特征信息输入广义回归神经网络GRNN，对桥梁结构损伤性质进行识别估计；步骤S5中，包括如下步骤：S5‑1：对分割所得的桥面局部变形形态图进行有限元理论模型模拟，建立全桥模型，组合桥梁不同区域位置及不同损伤程度工况，计算得到桥面的整体变形理论形态，通过区域生长分割，得到多组桥面局部形态变化理论形状，将所设置的区域位置和损伤程度作为标签引入桥面局部变形形态图，将其作为广义回归神经网络的训练样本数据；

S5‑2：对桥面局部变形形态图像进行归一化处理，将桥面局部变形形状图像大小变化的变形值归一化到区间[0,1]范围内；

S5‑3：建立CNN特征提取器和GRNN回归分析器模型；

CNN特征提取器模型包括输入层、隐含层、隐含单元和输出层；其中，隐含层包括卷积层与采样层；将桥面局部变形图像数据从输入层输出到隐含层，隐含层的卷积层利用若干个卷积核对图像数据进行卷积计算操作，得到包括面积、圆形度、偏心率、不变矩的特征图像信息，将特征图像信息输出到隐含层的采样层中进行偏移和扭曲消除处理，降低网络的空间分辨率，将无关的信息进一步剔除；将采样层输出的特征图像信息输入到隐含单元，在隐含单元中，经过多次的卷积与采样操作，得到若干幅特征图像，将所有的特征图像变换为一列向量，该列向量即是从样本图像中提取出的特征向量；输出层与上层神经元采用全连接方式，输出层神经元个数与样本图像标签个数相同，样本图像标签包括桥梁结构损伤程度与损伤位置两个；

GRNN回归分析器包括输入层、模式层、求和层和输出层；将CNN特征提取器中的输出层输出的特征桥面图像神经元输入到输入层中，神经元的数目等于图像样本中抽取的特征向量的维数，直接传递给模式层，模式层神经元数目等于输入层的神经元数目，各神经元对应不同的样本，求和层中使用两种类型神经元进行求和，第一个节点是对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，第二个节点是对所有模式层的神经元进行加权求和；输出层中的神经元数目等于学习样本中输出向量的维数，各神经元将求和层的输出相除，即是第二个节点除以第一个节点，最终得到对桥梁结构损伤性质的预测；

S5‑4：对CNN特征提取器与GRNN回归分析器进行网络训练；

CNN特征提取器网络训练步骤为：从训练样本集中取出样本桥面形状图像，初始化桥面形状图像模型中所有的卷积核权值与偏置项，将样本桥面形状图像输入得到输出值O，将输出值O与样本标签y进行计算，得到模型误差值E，若E收敛则结束，否则计算出输出层的残差，残差从输出层反向计算，逐层计算残差值，并调整权值与偏置项，直到收敛；

GRNN回归分析器网络训练步骤为：从CNN特征提取器中，得到所有桥面训练图像的特征向量与对应的标签输入到GRNN回归分析器，采用监督式学习进行训练；

S5‑5：将归一化的桥面局部变形形态图像输入CNN特征提取器和GRNN回归分析器模型，输出得到桥梁结构损伤性质预测结果。

2.根据权利要求1所述的桥面形态变化识别桥梁结构损伤的CNN‑GRNN方法，步骤S1中，桥面图像序列中，相邻两张图像具有重叠率。

3.根据权利要求1所述的桥面形态变化识别桥梁结构损伤的CNN‑GRNN方法，步骤S2中，双目立体视觉三维重建包括：对图像序列进行双目标定：包括对双目相机进行标定处理，得到参数，包括内参：相机矩阵与畸变系数及外参：旋转矩阵与平移向量；

对双目标定后的图像序列进行双目矫正：包括对左右目图像进行畸变矫正和立体矫正，得到左右目矫正图像；

对矫正后的图像序列进行立体匹配：包括通过立体匹配算法对其进行立体匹配，生成视差图；

对匹配后的图像序列进行三维重建：根据视差图，利用转换矩阵计算出三维坐标。

4.根据权利要求1所述的桥面形态变化识别桥梁结构损伤的CNN‑GRNN方法，步骤S3中，配准历次桥面三维几何形态包括：建立配准目标函数模型RMS:

其中，qk为前次拍摄工况下的第k个匹配特征点，pk为后次拍摄工况下的第k个待匹配特征点，n为匹配特征点的个数，R为旋转矩阵，T为平移向量；

构造点集互协方差矩阵M：

其中，up、uq为前后两次拍摄工况下的匹配特征点点集质心，即

由协方差矩阵M构造对称矩阵Q：

5.根据权利要求1所述的桥面形态变化识别桥梁结构损伤的CNN‑GRNN方法，步骤S4中，所述区域生长分割包括在桥面几何形态变化色谱图上搜寻区域范围内的变形极值点，选取变形极值点作为生长种子点，将桥面变形的连续性设置为区域生长条件，将变形梯度绝对值小于预设值或变形值小于等于三倍点云数据的精度值设置为区域生长停止条件。