1.一种混凝土裂缝检测与识别方法，其特征在于，包括：获取预设样本库中的多个裂缝图像样本；对每个裂缝图像样本分别进行人工标记，得到含有第一标记的第一标签图像，其中，所述第一标记指示图像中的裂缝；对所述第一标签图像进行边缘检测，得到含有第二标记的第二标签图像，其中，所述第二标记指示图像中裂缝的边缘；所述裂缝的边缘包括方向和幅度两个属性，所述第二标签图像是基于Sobel边缘检测算子检测第一标签图像的裂缝边缘真值图得到的；基于每个裂缝图像样本及其第一标签图像、第二标签图像，对预先构建的裂缝检测与识别模型进行训练，得到训练好的裂缝检测与识别模型；其中，所述裂缝检测与识别模型为基于通道卷积操作将Unet++的解码网络分为主干分割网络和边缘预测分支网络，所述主干分割网络用于提取所述每个裂缝图像样本的全部特征，所述边缘预测分支网络用于提取所述第一标签图像的边缘裂缝特征；基于训练好的所述裂缝检测与识别模型对待检测的图像进行裂缝检测与识别；其中，所述基于每个裂缝图像样本及其第一标签图像、第二标签图像，对预先构建的裂缝检测与识别模型进行训练，得到训练好的裂缝检测与识别模型，还包括：基于所述第一标签图像中裂缝的裂缝面积、以及第二标签图像中裂缝的边缘面积，确定与所述第一标签图像相对应的裂缝图像样本的训练权重，该训练权重用于表征所述第一标签图像相对应的裂缝图像样本的裂缝宽度；基于所述第一标签图像的真值图的像素数量与第三图像的分割结果的像素数量的Dice相关系数，构建所述主干分割网络的主干损失函数；其中，所述第三图像为与所述第一标签图像相对应的裂缝图像样本经过所述主干分割网络后得到的图像；基于所述第二标签图像的真值图与第四图像的交叉熵、以及所述裂缝图像样本的训练权重构建每层所述边缘预测分支网络的预测分支损失函数；其中，所述第四图像为与所述第一标签图像相对应的裂缝图像样本经过每层所述预测分支网络后得到的特征图；其中，所述Unet++解码网络的特征金字塔输出5层特征图，每层特征图经过通道卷积处理后生成2个子解码网络，分别为所述主干分割网络和边缘预测分支网络，在所述边缘预测分支网络中还设有nn.Parameter，用于每层特征图的权重自适应；基于所述主干损失函数、所述预测分支损失函数、所述裂缝图像样本、所述第一标签图像、所述第二标签图像对预先构建的裂缝检测与识别模型进行训练；其中，所述与所述第一标签图像相对应的裂缝图像样本的训练权重λ为：λ=0.1×P/ Q；其中，P为第二标签图像中裂缝的边缘面积，Q为第一标签图像中裂缝的裂缝面积。
2.如权利要求1所述的检测与识别方法，其特征在于，所述主干损失函数 为： ； 为所述第三图像的分割结果，Y为所述第一标签图像的真值图， 和 分别为所述第一标签图像的真值图的像素数量与所述第三图像的分割结果的像素数量， 为所述第一标签图像的真值图与所述第三图像的分割结果相交的像素数量。
3.如权利要求1所述的检测与识别方法，其特征在于，所述Unet++为5层网络；每层所述边缘预测分支网络的预测分支损失函数L b 为： ；其中，λ n 为所述裂缝图像样本的第n个图像的训练权重， 为所述裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图， 为所述裂缝图像样本的第n个图像对应的第二标签图像矩阵，i、j分别为 中的行和列，0≤i≤M，0≤j≤N，1≤k≤5，n为正整数， 为所述裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图的每个位置的像素预测值， 为所述裂缝图像样本中的第n个图像的第二标签图像矩阵的每个位置的真值图。
4.如权利要求1所述的检测与识别方法，其特征在于，所述Unet++为5层网络，每层所述边缘预测分支网络的预测分支损失函数L b 为：其中，λ n 为所述裂缝图像样本的第n个图像的训练权重， 为所述裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图， 为所述裂缝图像样本的第n个图像对应的第二标签图像矩阵，i、j分别为 中的行和列，0≤i≤M，0≤j≤N，1≤k≤5，n为正整数， w k 为每层特征图的权重，W={ w 1 , w 2 , w 3 , w 4 , w 5 }, 为所述裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图的每个位置的像素预测值， 为所述裂缝图像样本中的第n个图像的第二标签图像矩阵的每个位置的真值图。
5.一种混凝土裂缝检测与识别装置，其特征在于，包括：获取模块，用于获取预设样本库中的多个裂缝图像样本；标记模块，用于对每个裂缝图像样本分别进行人工标记，得到含有第一标记的第一标签图像，其中，所述第一标记指示图像中的裂缝；边缘检测模块，用于对所述第一标签图像进行边缘检测，得到含有第二标记的第二标签图像，其中，所述第二标记指示图像中裂缝的边缘；模型训练模块，用于基于每个裂缝图像样本及其第一标签图像、第二标签图像，对预先构建的裂缝检测与识别模型进行训练，得到训练好的裂缝检测与识别模型；其中，所述裂缝检测与识别模型为基于通道卷积操作将Unet++的解码网络分为主干分割网络和边缘预测分支网络，所述主干分割网络用于提取所述每个裂缝图像样本的全部特征，所述边缘预测分支网络用于提取所述第一标签图像的边缘裂缝特征；检测识别模块，用于基于训练好的所述裂缝检测与识别模型对待检测的图像进行裂缝检测与识别；其中，模型训练模块，还用于基于所述第一标签图像中裂缝的裂缝面积、以及第二标签图像中裂缝的边缘面积，确定与所述第一标签图像相对应的裂缝图像样本的训练权重；基于所述第一标签图像的真值图与第三图像的分割结果，构建所述主干分割网络的主干损失函数；其中，所述第三图像为与所述第一标签图像相对应的裂缝图像样本经过所述主干分割网络后得到的图像；基于所述第二标签图像的真值图与第四图像的交叉熵、以及所述裂缝图像样本的训练权重构建每层所述边缘预测分支网络的预测分支损失函数；其中，所述第四图像为与所述第一标签图像相对应的裂缝图像样本经过每层所述预测分支网络后得到的特征图；基于所述主干损失函数、所述预测分支损失函数、所述裂缝图像样本、所述第一标签图像、所述第二标签图像对预先构建的裂缝检测与识别模型进行训练；其中，所述与所述第一标签图像相对应的裂缝图像样本的训练权重λ为：λ=0.1×P/ Q；其中，P为第二标签图像中裂缝的边缘面积，Q为第一标签图像中裂缝的裂缝面积。
6.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
