1.一种基于深度学习的稻穗识别方法，其特征在于，包括以下步骤：步骤1：获取农田的多个原始水稻样本图像，并根据所有原始水稻样本图像构建水稻图像数据库；

步骤2：对所述水稻图像数据库中的所有原始水稻样本图像进行处理，得到多个目标水稻样本图像，将所有目标水稻样本图像存储入所述水稻图像数据库中，并从所述水稻图像数据库中获取目标水稻数据集；

步骤3：基于YOLOv3深度学习方法，对所述目标水稻数据集进行训练，得到神经网络稻穗识别模型；

步骤4：利用所述神经网络稻穗识别模型对农田中的待检测稻穗进行识别，得到识别结果。

2.根据权利要求1所述的基于深度学习的稻穗识别方法，其特征在于，在所述步骤1中，获取多个原始水稻样本图像的具体步骤包括：步骤1.1：利用无人机遥感对所述农田进行拍摄，得到水稻样本视频数据；

步骤1.2：从所述水稻样本视频数据中提取多个原始水稻样本图像；

在所述步骤1中，构建所述水稻图像数据库的具体步骤包括：

步骤1.3：采用Django框架和Python Web编写方法，将所有原始水稻样本图像制作成所述水稻图像数据库。

3.根据权利要求2所述的基于深度学习的稻穗识别方法，其特征在于，在所述步骤2中，得到多个目标水稻样本图像的具体步骤包括：步骤2.1：对所有原始水稻样本图像进行筛选，得到多个中间水稻样本图像；

步骤2.2：对所有中间水稻样本图像进行切割，得到多个预处理水稻样本图像；

步骤2.3：对每个预处理水稻样本图像分别进行格式转换，得到每个预处理水稻样本图像一一对应的转换水稻样本图像；

步骤2.4：对每个转换水稻样本图像分别进行标注，得到每个转换水稻样本图像一一对应的标注水稻样本图像；

步骤2.5：对每个标注水稻样本图像分别进行滤波，得到每个标注水稻样本图像一一对应的目标水稻样本图像。

4.根据权利要求3所述的基于深度学习的稻穗识别方法，其特征在于，所述步骤2.4的具体步骤包括：步骤2.4.1：对于任一个转换水稻样本图像，确定转换水稻样本图像中每个第一稻穗图像一一对应的外接矩形集合；

步骤2.4.2：将每个所述外接矩形集合中的最小外接矩形作为对应的第一稻穗图像所对应的目标外接矩形，并按照所述目标外接矩形对对应的第一稻穗图像进行标注，得到对应的转换水稻样本图像中每个第一稻穗图像一一对应的标注矩形框；根据对应的转换水稻样本图像中所有第一稻穗图像的所有标注矩形框，得到对应的转换水稻样本图像所对应的标注水稻样本图像；

步骤2.4.3：遍历每个转换水稻样本图像，并按照所述步骤2.4.1至所述步骤2.4.2的方法，得到每个转换水稻样本图像一一对应的标注水稻样本图像。

5.根据权利要求4所述的基于深度学习的稻穗识别方法，其特征在于，所述步骤2.5的具体步骤包括：步骤2.5.1：对于任一个标注水稻样本图像中的任一个第二稻穗图像对应的标注矩形框，以所述标注矩形框内的任一个像素点为中心点，确定所述中心点的提取范围，并提取所述提取范围内每个像素点一一对应的RGB颜色分量，将所述提取范围内每个像素点一一对应的RGB颜色分量分别进行颜色转换，得到所述提取范围内每个像素点一一对应的HSV颜色分量；

步骤2.5.2：提取所述提取范围内每个像素点的HSV颜色分量中的H通道分量，并将所述提取范围内所有像素点的所有H通道分量进行平均运算，得到所述提取范围的H通道分量均值，将所述H通道分量均值作为对应的所述中心点的目标H通道分量值；

步骤2.5.3：遍历对应的第二稻穗图像的所述标注矩形框内的每个像素点，按照所述步骤2.5.1至所述步骤2.5.2的方法，得到对应的第二稻穗图像的所述标注矩形框内的每个像素点一一对应的目标H通道分量值；

步骤2.5.4：将对应的第二稻穗图像的所述标注矩形框的所有目标H通道分量值按照从大到小的顺序排序，得到目标H通道分量值序列，并从所述目标H通道分量值序列的前端选取最大目标H通道分量值，从所述目标H通道分量值序列的后端选取最小目标H通道分量值；

步骤2.5.5：根据所述最大目标H通道分量值和所述最小目标H通道分量值，制作滤波掩膜，并利用所述滤波掩膜对对应的第二稻穗图像进行滤波，得到对应的第二稻穗图像所对应的滤波稻穗图像；

步骤2.5.6：遍历对应的标注水稻样本图像中的每个第二稻穗图像，并按照所述步骤

2.5.1至所述步骤2.5.5的方法，得到对应的标注水稻样本图像中每个第二稻穗图像一一对应的滤波稻穗图像；根据所有第二稻穗图像的所有滤波稻穗图像，得到对应的标注水稻样本图像所对应的目标水稻样本图像；

步骤2.5.7：遍历每个标注水稻样本图像，并按照所述步骤2.5.1至所述步骤2.5.6的方法，得到每个标注水稻样本图像一一对应的目标水稻样本图像。

6.根据权利要求1所述的基于深度学习的稻穗识别方法，其特征在于，所述步骤3的具体步骤包括：步骤3.1：基于所述YOLOv3深度学习方法，构建训练模型，并自定义所述训练模型的训练参数；

步骤3.2：根据所述训练参数，利用所述训练模型对所述目标水稻数据集进行训练，得到训练好的权值参数；

步骤3.3：根据训练好的所述权值参数构建所述神经网络稻穗识别模型；

其中，训练参数包括训练样本数量、先验框尺寸、迭代次数、读取类别、类别概率、预测框尺寸、置信度阈值和交叉区域阈值。

7.一种基于深度学习的稻穗识别系统，其特征在于，包括图像获取模块、数据库构建模块、处理模块、训练模块和识别模块；

所述图像获取模块，用于获取农田的多个原始水稻样本图像；

所述数据库构建模块，用于根据所有原始水稻样本图像构建水稻图像数据库；

所述处理模块，用于对所述水稻图像数据库中的所有原始水稻样本图像进行处理，得到多个目标水稻样本图像，将所有目标水稻样本图像存储入所述水稻图像数据库中，并从所述水稻图像数据库中获取目标水稻数据集；

所述训练模块，用于基于YOLOv3深度学习方法，对所述目标水稻数据集进行训练，得到神经网络稻穗识别模型；

所述识别模块，用于利用所述神经网络稻穗识别模型对农田中的待检测稻穗进行识别，得到识别结果。

8.根据权利要求7所述的基于深度学习的稻穗识别系统，其特征在于，所述处理模块包括筛选单元、切割单元、格式转换单元、标注单元和滤波单元；

所述筛选单元用于对所有原始水稻样本图像进行筛选，得到多个中间水稻样本图像；

所述切割单元用于对所有中间水稻样本图像进行切割，得到多个预处理水稻样本图像；

所述格式转换单元用于对每个预处理水稻样本图像分别进行格式转换，得到每个预处理水稻样本图像一一对应的转换水稻样本图像；

所述标注单元用于对每个转换水稻样本图像分别进行标注，得到每个转换水稻样本图像一一对应的标注水稻样本图像；

所述滤波单元用于对每个标注水稻样本图像分别进行滤波，得到每个标注水稻样本图像一一对应的目标水稻样本图像。

9.一种基于深度学习的稻穗识别装置，其特征在于，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现如权利要求

1至6任一项权利要求所述的方法步骤。

10.一种计算机存储介质，其特征在于，所述计算机存储介质包括：至少一个指令，在所述指令被执行时实现如权利要求1至6任一项所述的方法步骤。