1.一种基于深度学习的桁架桥梁铆钉锈蚀病害智能识别方法，其特征在于，步骤如下：步骤一、对桥梁全景图像进行分割，筛选发生锈蚀病害的铆钉图像和状态正常的铆钉图像；步骤二、对原始图像进行数据增广，将增广后图像划分为训练集和测试集，制备铆钉锈蚀病害专用数据集；步骤三、采用单阶段检测网络SSD进行铆钉病害类型和位置的精准判定，训练过程中采用类别置信度和位置的加权损失函数监督网络预测值与真值误差，判断模型是否达到收敛状态，其中，采用单阶段检测网络检测铆钉病害类型和位置的训练方法具体步骤如下：步骤三一、将300×300像素图像输入到SSD检测网络，步骤三二、利用3×3大小的卷积核对输入图像进行卷积运算，经过最大值池化，生成6个尺度卷积特征图，大小分别为38×38×512、19×19×1024、10×10×512、5×5×256、3×3×256、1×1×256，步骤三三、在6个多尺度特征图生成默认框，尺度为S×S×P特征图中有S×S个中心点，在每个中心点生成K个默认框，这6个特征图K值分别为4、6、6、6、4、4，每个类别一共生成8732个默认框，默认框形式为中心点坐标c x ,c y 和框的长w和高H，步骤三四、通过检测层输出默认框所属类别：锈蚀、正常、背景及位置，用包含6个卷积层的类别分支和位置分支输出对默认框的检测结果，类别分支的输出通道数为8732×3，位置分支的输出通道数为8732×4，其中位置通道的输出是默认框到真实边界框的偏移量映射关系，表示为：t x ＝(G x -P x )/P w (1)t y ＝(G y -P y )/P h (2)t w ＝log(G w /P w ) (3)t h ＝log(G h /P h ) (4)其中，G x 表示真实边界框的x坐标，G y 表示真实边界框的y坐标，P x 表示默认框的x坐标，P y 表示默认框的y坐标，P w 表示默认框的宽，P h 表示默认框的高；步骤三五、运用NMS算法删除产生重叠的默认框，输出图像中每个铆钉所属类型和精确位置，过程如下：步骤三五一、将默认框小于置信度阈值的进行删除；步骤三五二、对图像中的每个铆钉，将筛选后的默认框按照置信度从高到低的顺序排序；步骤三五三、选出置信度高的前200个默认框，计算对应默认框的面积；步骤三五四、计算置信度最高的默认框与后面所有默认框的IOU值，同时删除IOU大于0.2的默认框；步骤三五五、找到筛选后的框中当前框后面置信度最高的框；步骤三五六、重复步骤步骤三五四和步骤三五五，不断遍历，直至结束；步骤三六、采用默认框的类别置信度和位置的加权损失函数监督网络预测默认框与真实边界框误差，损失函数为：其中，训练时默认框与真实边界框按照一定规则进行匹配，β＝{1,0}表示默认框与真实边界框的匹配情况，N表示已匹配默认框数量，c表示类别置信度，l代表预测结果，g表示真实边界框，α参数是类别置信度损失和位置损失之间的比例，取1；步骤三七、将网络预测误差进行反向传播，更新网络参数，训练SSD检测网络，一共迭代12000次，同时每500次保存一次网络模型；步骤四、将包含铆钉的桁架桥梁图像输入至训练完成的SSD网络模型，进行铆钉锈蚀病害特征提取，基于桁架桥梁铆钉空间分布先验信息，将网络默认框置信度阈值参数设置为0.6，在网络所有类别预测框中找到类别置信度大于0.6的预测框作为网络最终输出结果，消除锈蚀铆钉位置误报情况。
2.根据权利要求1所述的一种基于深度学习的桁架桥梁铆钉锈蚀病害智能识别方法，其特征在于，步骤一具体包括：步骤一一、用长和宽均为100像素的矩形窗口对桥梁全景图像进行分割，得到100×100像素的子图像，步骤一二、采用双线性插值函数将100×100像素子图像重置为300×300像素，对于一个未知像素，通过周围4个像素点在x轴和y轴两个方向分别进行一次线性插值求得，x轴插值公式为：y轴插值公式为：其中Q 11 、Q 12 、Q 21 、Q 22 对应坐标分别为(x 1 ,y 1 )、(x 1 ,y 2 )、(x 2 ,y 1 )、(x 2 ,y 2 )，P点为待求像素点，坐标为(x,y)。
3.根据权利要求1或2所述的一种基于深度学习的桁架桥梁铆钉锈蚀病害智能识别方法，其特征在于，步骤二具体包括：步骤二一、对原始数据集添加高斯噪声，将图像转化为三维数组，每个数组表示图像的一个通道，在每个通道上分别添加高斯扰动，服从的高斯概率密度函数为：其中z代表像素值；步骤二二、对原始子图像进行几何位置改变，沿着图像水平轴竖直翻转180°和围绕图像中心随机旋转0°到360°；步骤二三、将增广后的子图像按照Pascal VOC数据集格式划分训练集和验证集，比例为8:2。
