1.正交异性钢桥面板疲劳裂纹检测图像的识别方法，其特征在于，包括依次进行的以下步骤：步骤1、筛选出由超声波相控阵检测仪在同一显示成像方式下采集的出现在钢桥顶板的正交异性钢桥U肋焊缝处的缺陷图像；

步骤2、通过加权算法将筛选出的缺陷图像处理成二维灰度图像；

步骤3、基于图像颜色信息对处理成的二维灰度图像进行缺陷定位和截取；在缺陷定位时，基于超声相控检测缺陷图像的颜色信息进行缺陷定位，并确保截取后同一类图像的长宽比是确定的；

步骤4、通过实验得出缩放比例，然后将缺陷定位并截取后所有的图像缩放至相同的尺寸；由于截取后同一类图像的长宽比是确定的，因此只需要确定一个合适的图像缩放系数进行缩放，就能把一类图像变为统一标准的图像；

步骤5、采用训练的Faster R‑CNN网络模型分别对缩放至相同尺寸的图像进行识别，判定出该识别的显示成像方式中各个缺陷图像的类型是否为疲劳裂纹缺陷，若是则输出结果为疲劳裂纹，否则输出结果为其它类型缺陷；

所述步骤3具体包括如下步骤：

步骤3.1、分别在水平方向和竖直方向对二维灰度图像进行一阶差分运算，获得各个点的灰度变化值；

步骤3.2、对图像上各点的灰度变化值进行搜索，并定位缺陷上下左右边界；

步骤3.3、根据边界坐标计算出缺陷各边界的长度，再根据最宽和最长处值截取一个包含缺陷的矩形图像。

2.根据权利要求1所述的正交异性钢桥面板疲劳裂纹检测图像的识别方法，其特征在于，在所述步骤1中筛选缺陷图像时，将同一缺陷在不同扫描成像方式下所形成的图像编为相同的组号，同一组间的不同图像根据扫描成像方式和组号进行编码，其中，编码时A扫、B扫、C扫及D扫四种扫描成像方式分别对应的编号为A、B、C、D；所述步骤1中通过输入编码中的编号A、B、C、D来筛选B扫图像或C扫图像，剔除其余三种显示成像方式采集的图像。

3.根据权利要求1所述的正交异性钢桥面板疲劳裂纹检测图像的识别方法，其特征在于，所述步骤3.2中在定位上下边界时，先从图像上方至下方进行查找，首个差分值不为零的点即为定位的缺陷图像上边缘，然后再从图像下方至上方查找，首个不为零的点即为定位的缺陷图像下边缘；所述步骤3.2中在定位左右边界时，先从图像左方至右方进行查找，首个差分值不为零的点即为定位的缺陷图像左边缘，然后再从图像右方至左方查找，首个不为零的点即为定位的缺陷图像右边缘。

4.根据权利要求1所述的正交异性钢桥面板疲劳裂纹检测图像的识别方法，其特征在于，所述Faster R‑CNN网络模型的训练包括以下步骤：步骤5.11、采集疲劳裂纹扫描图像样本；

步骤5.12、采用ImageNet训练RPN网络并初始化RPN网络中各卷积神经网络层的权值，之后利用训练好的RPN网络提取训练集上的候选区域；

步骤5.13、利用ImageNet初始化Fast R‑CNN，将RPN提取得到的特征目标送入Fast R‑CNN训练出一个检测网络；

步骤5.14、用检测网络训练RPN，固定Fast R‑CNN与RPN共用的卷积层参数，只微调RPN独有的卷积层和其它层的相关参数；

步骤5.15、保持Fast R‑CNN与RPN共享的卷积层参数不变，只训练Fast R‑CNN独有的层；步骤5.16、通过迭代执行步骤5.12～步骤5.15直至训练结束，得到Faster R‑CNN识别网络最终模型。

5.根据权利要求1所述的正交异性钢桥面板疲劳裂纹检测图像的识别方法，其特征在于，所述步骤5中疲劳裂纹的识别包括以下步骤：设置裂纹的置信度阈值，当识别过程中计算出的缺陷置信度高于裂纹的置信度阈值时，判定该缺陷为疲劳裂纹，否则判定为其它类型缺陷。

6.根据权利要求5所述的正交异性钢桥面板疲劳裂纹检测图像的识别方法，其特征在于，所述步骤5之后还包括以下步骤：将疲劳裂纹的最终识别结果放入Faster R‑CNN网络模型中进行深度学习，以对模型进行修正。