1.一种基于半监督深度学习的多类型旧桥裂痕识别方法，其特征在于，该方法包括：
步骤一，对采集的原始旧桥裂痕区域图像进行自商滤波处理，得到滤波图像；
步骤二，采用大津阈值法对滤波图像进行二值化处理，并对二值化结果进行连通域分析筛选，得到裂痕图像；
步骤三，将裂痕图像划分为多个子区域，对每个子区域的像素点基于固定尺寸的模板计算二进制lbp值；
步骤四，将得到的二进制lbp值进行向右循环移位操作，每完成一次移位操作计算其十进制数值，直到所有移位操作结束，取最小十进制数数值对应的二进制lbp值作为该像素点的lbp值；
步骤五，计算每个子区域的lbp直方图，并将子区域的lbp直方图连接起来形成全局lbp特征；
步骤六，将已有分类标注信息的原始旧桥裂痕区域图像的全局lbp特征输入标注孪生网络，对样本集进行自动标注；
步骤七，将自动标注过的原始旧桥裂痕区域图像样本集作为输入，对裂痕类型识别深度卷积神经网络进行训练，利用训练好的网络对旧桥裂痕区域图像进行推理，从而得到裂痕类别。
2.如权利要求1所述的基于半监督深度学习的多类型旧桥裂痕识别方法，其特征在于，所述步骤一包括：
对采集的原始旧桥裂痕区域图像进行高斯模糊处理；
对原始旧桥裂痕区域图像进行自商滤波：
3.如权利要求1所述的基于半监督深度学习的多类型旧桥裂痕识别方法，其特征在于，所述步骤一中的高斯模糊核尺寸为3*3，高斯半径为1.5。
4.如权利要求1所述的基于半监督深度学习的多类型旧桥裂痕识别方法，其特征在于，所述步骤三中模板尺寸为5*5。
5.如权利要求1所述的基于半监督深度学习的多类型旧桥裂痕识别方法，其特征在于，所述步骤六包括：
将已有分类标注信息的原始桥梁区域图像的全局lbp特征作为输入，根据对比损失函数训练标注孪生网络；
根据训练好的标注孪生网络对未分类的样本集图像进行自动标注。
6.如权利要求1所述的基于半监督深度学习的多类型旧桥裂痕识别方法，其特征在于，所述步骤七中的裂痕类型识别深度卷积神经网络采用vgg16，包括13个卷积层，5个池化层，3个全连接层，全连接层最后一层包含m个神经元，m为裂痕类型数目。