1.一种基于图像检测的稻种识别和计数方法，其特征在于，包括以下步骤：(1)将稻种均匀抛洒在白色网格纸上，相机镜头平行于网格纸上方进行俯拍，并采用平行光源进行补光；

(2)根据网格纸四角定位块位置对图像进行旋转和裁剪，然后根据网格纸中网格交点的位置对图像畸变进行校准；

(3)抽取稻种图像在HSV颜色空间的S分量、Lab颜色空间的b分量和YCbCr颜色空间的Cb与Cr分量组合成新的以颜色空间SbCbCr；

(4)构建BPNN像素分类模型，然后抽取样本图像中种子像素和背景像素在新建颜色空间SbCbCr中四通道的像素值，对BPNN模型进行训练，并选取最优模型；

(5)将稻种图像中每个像素在SbCbCr颜色空间中四通道的颜色值作为最优BPNN模型的输入，将稻种图像分割为二值图像，其中稻种被分割为前景，网格纸被分割为背景；

(6)采用开运算断开部分稻种连通区域的细小粘连并滤除微小噪点，然后采用闭运算使得稻种边缘更加平滑；

(7)以每个稻种连通区域为掩膜，将原稻种图像划分为由单个稻种或多个粘连稻种的组成的稻种子图像，然后对其进行尺寸归一化；

(8)根据每个子图像中的稻种数量打好标签，从而建立稻种数量图像数据集，采用深度卷积神经网络建立图像分类模型，将图像数据集输入分类模型训练；

(9)将采集的稻种图像划分为多个子图像并送入训练好的分类模型，然后统计原稻种图像中每个稻种子图像分类结果对应的稻种数量，得到原稻种图像中稻种的总个数。

2.根据权利要求1所述的一种基于图像检测的稻种识别和计数方法，其特征在于，所述步骤(2)实现过程如下：(21)根据网格纸定位块的颜色，将定位块从图像中分割出来；

(22)采用角点检测方法确定每个定位块的顶点位置；

(23)接四个定位块的顶点，并计算网格纸的摆放的偏转角度；

(24)根据偏转角度，对采集的图像进行反向旋转和裁剪操作，从而将图像摆正；

(25)采用角点检测确定网格中每个交点的位置，通过计算图像中不同位置相邻交点在横向和纵向的距离，并将其与网格的在图像中的实际边长相减，从而计算出图像在横向和纵向上的畸变率；

(26)根据畸变率进行图像校准。

3.根据权利要求1所述的一种基于图像检测的稻种识别和计数方法，其特征在于，所述步骤(3)实现过程如下：不同颜色分量的计算方式，HSV颜色空间中S分量的计算公式如式(1)所示，Lab颜色空间中b分量的计算公式如式(2)所示，和YCbCr颜色空间中Cb与Cr分量的计算公式分别如式(4)所示；

b＝200(h(Y/Yw)-h(Z/Zw))   (2)式中，MAX和MIN分别为RGB颜色空间3个颜色分量中的最大值和最小值；Y和Z分别是XYZ颜色空间中的对应分量，Yw和Zw的参考值分别为1.0000和1.0888，其中颜色刺激值校准函数h(t)如式(3)所示；R、G、B分别为RGB颜色空间的3个分量。

4.根据权利要求1所述的一种基于图像检测的稻种识别和计数方法，其特征在于，所述步骤(4)实现过程如下：(41)BPNN模型输入层的节点数为4，将每个像素在SbCbCr颜色空间的四个颜色通道分量作为输入数据；

(42)BPNN模型输出层节点数为1，将稻种像素样本作为正样本标记为1，背景像素样本作为负样本标记为0；

(43)将BPNN模型隐藏层节点的数量定为10，设定隐藏层的激活函数为Sigmoid，输出层的激活函数为Softmax，并采用交叉熵损失函数衡量预测误差；

(44)采用量化共轭梯度函数进行多次训练，并计算分析不同训练模型的损失、误差、准确率、真正率和假正率等参数，从而选取最优BPNN模型。

5.根据权利要求1所述的一种基于图像检测的稻种识别和计数方法，其特征在于，所述步骤(5)实现过程如下：(51)将M*N的稻种图像中转换为(M*N，4)的矩阵，矩阵的每一行数据对应图像的一个像素，每一列数据分别对应SbCbCr颜色空间的一个颜色分量；

(52)对矩阵数据进行归一化处理，并输入最优BPNN模型；

(53)对模型输出的M*N维的列向量进行量化，大于等于0.5的置为1，小于0.5的置为0；

(54)将列向量转换为M*N大小的二值图像，数值为1的像素点为前景表示稻种，数值为0的像素点为背景表示网格纸。

6.根据权利要求1所述的一种基于图像检测的稻种识别和计数方法，其特征在于，所述步骤(7)实现过程如下：(71)计算每个连通区域的位于最上边、最下边、最左边和最右边的像素点坐标；

(72)根据四个方向的像素坐标绘制外界矩形；

(73)将二值图像中的外接矩形映射到原图中，并在原图中对应区域裁剪出包含单个稻种或多个粘连稻种的子图像；

(74)对裁剪出的子图像进行尺寸归一化。