1.一種斜拉橋纜索表面多類型病害智能檢測和識別方法，其特征在于，包括如下步驟：

S1：采集斜拉橋纜索表觀狀態圖像，所述斜拉橋纜索表觀狀態圖像用于體現斜拉橋纜索360°的完整表觀狀態圖像；所述斜拉橋纜索表觀狀態圖像包括至少四個不同方向采集的圖像；其中通過自動化設備采集斜拉橋纜索表觀狀態圖像信息，所述自動化采集設備有4個攝像頭，4個攝像頭360°拍攝圓柱形斜拉纜索的完整表觀狀態圖像；

S2：基于圖像預處理算法去除斜拉橋纜索圖像中的背景，采用柱面展開算法對圓柱形纜索圖像進行校正，得到圓柱形纜索圖像；對圓柱形纜索圖像上的病害進行人工標注，建立斜拉橋纜索表觀狀態圖像信息數據庫；圓柱形纜索圖像上的病害包括劃痕、損傷、剝落掉線

S3：將斜拉橋纜索表觀狀態圖像信息數據庫分為訓練集和驗證集，將訓練集輸入神經網絡進行訓練，訓練得到斜拉橋纜索多類型病害檢測模型；所述基于圖像預處理算法去除斜拉橋纜索圖像中的背景，建立斜拉橋纜索表觀狀態圖像信息數據庫，具體包括如下步驟：

S2.1：對步驟S1中采集的斜拉橋纜索表觀狀態圖像信息進行色彩抖動、縮放、添加高斯噪聲進行數據增強，增加表觀狀態圖像數量；色彩抖動數值的變化范圍在[-0.1，+0.1]之間，縮放的尺寸為原始圖像的0.25，0.5，0.75，1.25，1.5，1.75，2.0倍，高斯噪聲是以0.2為均值，0.3為標準差的隨機數值；

S2.2：采用均值漂移和洪水填充法對步驟S2.1中獲得的表觀狀態圖像進行預分割，將不同區域分割出來；

S2.3：利用邊緣檢測Canny算子對預分割圖像進行邊緣提取；

S2.4：利用直線段檢測器算法對提取邊緣后的圖像檢測直線；

S2.5：用外部矩形邊界擬合直線，提取纜索邊界；

S2.6：根據S2.5提取的纜索邊界，清除纜索外的背景，并用白色填充背景，得到圓柱形纜索圖像；

S2.7：通過直方圖匹配算法調整圖像的明亮度；

S2.8：通過柱面展開算法對圓柱形纜索圖像進行校正；

所述的柱面展開算法對圓柱形纜索圖像進行校正包括如下步驟：

設圓柱形纜索圖像是一個理想的圓柱體圖像，并沿母線方向展開，采用柱面反投影將相機拍攝的柱面表面觀察區投影到二維平面上形成二維圖像；以圓柱體圓心O_w為坐標原點建立三維坐標系，沿相機光心O_c方向為Z_w軸，垂直于O_cO_w的平面的水平方向為X_w軸，垂直方向為Y_w軸；取圓柱體圖像表面上的任意一點對應于投影的二維圖像上點設為圓柱體半徑r，相機光心O_c到投影的二維圖像的距離為f，相機光心O_c到圓柱體圓心O_w的距離為g；點P的計算公式如下：

角θ為柱面目標上點P投影到X_wZ_w軸平面與X_w軸成的夾角，d是圓柱體圖像上點P到X_wZ_w軸平面的垂直距離；設點P在X_wZ_w軸平面的投影為點C，點C投影到Z_w軸為點A，Z_w軸和O_cO_w在同一直線上，故CA垂直于O_cO_w；相機光心O_c到圓柱體圓心O_w的連線與投影的二維平面垂直且相交于點a，以a為原點，水平方向為X軸，垂直方向為Y軸建立二維坐標系；設點P'在X軸上的投影為點c，ca垂直于O_cO_w；根據相似三角形原理，在柱面目標中心位于圖像中心的前提下，有如下結果：

其中,m為柱面目標的高，h為投影的二維圖像的寬，w為投影的二維圖像的長，g為柱面目標的中心O_w到相機光心O_c的距離；

由公式(2)(3)推出二維點p'的坐標：

根據公式(4)將圓柱形纜索圖像映射到二維平面內，實現校正；

S2.9：使用labelImg軟件標注校正后的斜拉橋纜索圖像，標注病害的類別和像素坐標位置信息獲得正樣本，尋找易混淆的假病害當作負樣本，負樣本不需要標注任何信息；具體標注為在病害處繪制一個最小外接矩形，輸入病害的類別，這樣就會生成一個名稱和圖像名稱相同的xml文件，該xml文件包含病害的類別和像素坐標信息，之后通過程序解析xml文件，生成模型訓練所需要的txt文件；尋找易混淆的假病害當作負樣本，負樣本不需要標注任何信息，生成空的txt文件；

S2.10：將正負樣本組成斜拉橋纜索表觀狀態圖像信息數據庫，通過隨機抽樣將數據庫按9:1的比例劃分為訓練集和驗證集，訓練集用于訓練模型，驗證集用于評估模型質量；斜拉橋纜索表面多類型病害包含且不限于劃痕、損傷、剝落掉線；

S4：斜拉橋纜索多類型病害檢測模型，在驗證集上評估模型，選取精度最高的斜拉橋纜索多類型病害檢測模型作為最終的斜拉橋纜索多類型病害檢測模型；

S5：采集待檢測斜拉橋纜索的斜拉橋纜索表觀狀態圖像，然后根據步驟S2得到待檢測斜拉橋纜索的圓柱形纜索圖像，將待檢測斜拉橋纜索的圓柱形纜索圖像輸入最終的斜拉橋纜索多類型病害檢測模型得到病害的類別和像素坐標位置信息。