1.一种基于深度学习的稻谷损伤检测方法，其特征在于，包括：

获取待检测稻谷的图像；

将所述图像输入预先构建的目标模型，获取所述目标模型输出的检测结果；

其中，所述目标模型包括稻谷检测子模型和分类计数子模型，所述稻谷检测子模型用于对所述图像进行识别，所述分类计数子模型用于基于识别结果进行分类处理得到检测结果，所述检测结果包括内部有损伤稻谷数量、内部无损伤稻谷数量以及损伤率。

2.根据权利要求1所述的基于深度学习的稻谷损伤检测方法，其特征在于，所述将所述图像输入预先构建的目标检测模型，获取所述目标检测模型输出的检测结果，包括：基于稻谷检测子模型确定图像中的稻谷类型，所述稻谷类型包括内部有损伤稻谷或者内部无损伤稻谷；

锁定图像中的稻谷区域，生成所述稻谷区域对应的目标框，并确定所述目标框的目标框坐标和目标框类型，所述目标框坐标用于指示稻谷在图像中的位置，所述目标框类型用于指示图像中的稻谷类型；

采用分类计数子模型根据同一稻谷在相邻两帧图像中的目标框坐标和目标框类型确定检测结果。

3.根据权利要求2所述的基于深度学习的稻谷损伤检测方法，其特征在于，所述采用分类计数子模型根据同一稻谷在相邻两帧图像中的目标框坐标和目标框类型确定检测结果，包括：若稻谷在当前帧中的目标框和上一帧中的目标框之间的关系满足第一预设条件，则记为内部有损伤稻谷数量加1，若稻谷在当前帧中的目标框和上一帧中的目标框之间的关系满足第二预设条件，则记为内部无损伤稻谷数量加1，若稻谷在当前帧中的目标框和上一帧中的目标框之间的关系满足第三预设条件，则稻谷数量的计数不变。

4.根据权利要求3所述的基于深度学习的稻谷损伤检测方法，其特征在于，所述第一预设条件包括：稻谷为内部有损伤稻谷的情况下，稻谷在当前帧中的目标框坐标的值大于稻谷在上一帧中的目标框坐标的值；或者，稻谷为内部有损伤稻谷的情况下，稻谷在当前帧中的目标框坐标的值小于或等于稻谷在上一帧中的目标框坐标的值，且稻谷在当前帧中的目标框类型与稻谷在上一帧中的目标框类型不同。

5.根据权利要求3所述的基于深度学习的稻谷损伤检测方法，其特征在于，所述第二预设条件包括：稻谷为内部无损伤稻谷的情况下，稻谷在当前帧中的目标框坐标的值大于稻谷在上一帧中的目标框坐标的值。

6.根据权利要求3所述的基于深度学习的稻谷损伤检测方法，其特征在于，所述第三预设条件包括：稻谷为内部有损伤稻谷的情况下，稻谷在当前帧中的目标框坐标的值小于或等于稻谷在上一帧中的目标框坐标的值，且稻谷在当前帧中的目标框类型与稻谷在上一帧中的目标框类型相同；或者，稻谷为内部无损伤稻谷的情况下，稻谷在当前帧中的目标框坐标的值小于或等于稻谷在上一帧中的目标框坐标的值。

7.根据权利要求3所述的基于深度学习的稻谷损伤检测方法，其特征在于，所述采用分类计数子模型根据同一稻谷在相邻两帧图像中的目标框坐标和目标框类型确定检测结果，还包括：稻谷为内部有损伤稻谷的情况下，若稻谷在当前帧中的目标框坐标的值小于或等于稻谷在上一帧中的目标框坐标的值，且稻谷在当前帧中的目标框类型与稻谷在上一帧中的目标框类型不相同，则将内部有损伤稻谷数量加1，将内部无损伤稻谷数量减1。

8.一种基于深度学习的稻谷损伤检测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7中任一所述方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑7中任一所述的方法步骤。