1.一种正交异性钢桥面板疲劳裂纹智能识别方法，其特征在于，包括依次进行的以下步骤：

步骤1、采用超声波相控阵检测仪检测正交异性钢桥，并使用A扫、B扫、C扫及D扫显示成像方式采集正交异性钢桥U肋焊缝处出现在钢桥顶板的缺陷图像；

步骤2、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；

步骤3、根据图像编码规则分别筛选出B扫图像和C扫图像；

步骤4、通过加权算法将筛选出的B扫图像和C扫图像处理成二维灰度图像；

步骤5、基于图像颜色信息对处理为二维灰度图像的B扫图像和C扫图像进行缺陷定位和截取；

步骤6、将缺陷定位并截取后所有的B扫图像缩放至相同的尺寸，将缺陷定位并截取后所有的C扫图像缩放至相同的尺寸；

步骤7、采用训练的Faster R‑CNN网络模型分别对缩放至相同尺寸的B扫图像和缩放至相同尺寸的C扫图像进行识别，判定出B扫图像中各个编码对应的缺陷图像和C扫图像中各个编码对应的缺陷图像的缺陷类型是否为疲劳裂纹缺陷；

步骤8、根据每组的B扫图像识别结果和C扫图像识别结果输出该组的最终识别结果；其中，每组的B扫图像识别结果和C扫图像识别结果至少有一个为疲劳裂纹缺陷时，则输出最终结果为疲劳裂纹，否则分别输出该组的B扫图像识别结果和C扫图像识别结果；

所述步骤5具体包括如下步骤：

步骤5.1、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5.2、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5.3、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；

所述步骤5.2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5.2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；

所述Faster R‑CNN网络模型的训练包括以下步骤：步骤7.11、采集疲劳裂纹扫描图像样本；

步骤7.12、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7.13、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7.14、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7.15、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7.16、通过迭代执行步骤7.12～步骤7.15直至训练结束，得到Faster R‑CNN识别网络最终模型。

2.根据权利要求1所述的一种正交异性钢桥面板疲劳裂纹智能识别方法，其特征在于，所述步骤2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3中输入编码中的编号A、B、C、D来筛选B扫图像和C扫图像，剔除A扫图像和D扫图像。

3.根据权利要求1所述的一种正交异性钢桥面板疲劳裂纹智能识别方法，其特征在于，所述步骤7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。

4.根据权利要求1～3中任意一项所述的一种正交异性钢桥面板疲劳裂纹智能识别方法，其特征在于，所述步骤8之后还包括以下步骤：将最终识别结果放入Faster R‑CNN网络模型中进行深度学习，以对模型进行修正。