1.一种基于深度学习用于像素级混凝土裂缝的检测方法，其特征在于，包括：建立混凝土裂缝数据集；基于所述混凝土裂缝数据集，构建像素级裂缝检测网络并对所述像素级裂缝检测网络进行训练；其中，所述像素级裂缝检测网络采用CNN网络结合transformer网络构建；所述像素级裂缝检测网络，包括：transformer编码器：具有分层特征金字塔结构，用于生成不同尺寸的特征图；transformer解码器：用于融合所述transformer编码器提取的多尺度裂纹特征，以及负责恢复局部细节和局部上下文信息；所述transformer编码器包括：CSPL模块：用于提取不同尺度的裂缝特征；Dual Attention Transformer模块：用于实现特征交互和上下文信息的捕捉；所述Dual Attention Transformer模块包括：LN单元：用于减少网络中输入数据尺度的差异；局部多头自注意力LMHSA单元：用于促进局部子窗口内的自注意力运算，降低计算复杂度；全局池化多头自注意力GPMHSA单元：用于建立全局特征信息的交互，引入池化和卷积残差块捕捉上下文信息；卷积前馈网络CFFN：用于进一步提取特征以及提高网络的表达能力；其中，所述LN单元、所述局部多头自注意力LMHSA单元、所述全局池化多头自注意力GPMHSA单元和所述卷积前馈网络CFFN依次连接；所述卷积前馈网络CFNN中还包括Dropout层，所述Dropout层用于降低训练过程中过拟合的风险；其中，构建所述像素级裂缝检测网络，包括：裂缝图像通过阶段一的CSPL模块得到第一编码特征图 ，所述第一编码特征图 通过阶段一的Dual Attention Transformer模块获得第一增强特征图 ；所述第一增强特征图 通过阶段二的CSPL模块得到第二编码特征图 ，所述第二编码特征图 通过阶段二的Dual Attention Transformer模块获得第二增强特征图 ；所述第二增强特征图 通过阶段三的CSPL模块得到第三编码特征图 ，所述第三编码特征图 通过阶段三的Dual Attention Transformer模块获得第三增强特征图 ；所述第三增强特征图 通过阶段四的CSPL模块得到第四编码特征图 ，所述第四编码特征图 通过阶段四的Dual Attention Transformer模块获得第四增强特征图 ；所述第四增强特征图 通过1层1×1的卷积层后，执行BN和ReLU操作，获得第一解码特征图 ；所述第三增强特征图 通过1层1×1的卷积层后，执行BN和ReLU操作，获得第二解码特征图 ，并与所述第一解码特征图 进行融合；所述第二增强特征图 通过1层1×1的卷积层后，执行BN和ReLU操作，获得第三解码特征图 ，并与所述第一解码特征图 进行融合；所述第一增强特征图 通过1层1×1的卷积层后，执行BN和ReLU操作，获得第四解码特征图 ，并与所述第一解码特征图 进行融合；基于所述像素级裂缝检测网络对混凝土建筑结构表面的裂缝图像进行检测，获得裂缝分割图并对所述像素级裂缝检测网络进行性能评估。
2.根据权利要求1所述的基于深度学习用于像素级混凝土裂缝的检测方法，其特征在于，建立所述混凝土裂缝数据集包括：采集训练数据集，并对所述训练数据集进行像素级标注，利用Labelme标注工具对裂缝像素进行标注；对标注后的数据集进行图像增强操作，调整图像的对比度、旋转角度，并执行添加噪声；按照预设比例划分为训练集和验证集，获得所述混凝土裂缝数据集。
3.根据权利要求1所述的基于深度学习用于像素级混凝土裂缝的检测方法，其特征在于，所述第四解码特征图 通过上采样卷积层并执行Sigmoid激活操作，生成裂缝分割图像。
4.根据权利要求1所述的基于深度学习用于像素级混凝土裂缝的检测方法，其特征在于，基于迁移学习的方法对所述像素级裂缝检测网络进行训练。
5.根据权利要求1所述的基于深度学习用于像素级混凝土裂缝的检测方法，其特征在于，对所述像素级裂缝检测网络进行性能评估，包括：基于通用的性能评估指标对所述像素级裂缝检测网络的检测结果进行性能评估。
