1.一种作物种植行的检测方法，其特征在于，包括：

摄像头骑垄匀速行进以拍摄作物的种植行的原始图像；

将所述原始图像输入卷积神经网络中进行降采样，得到m×m个等大的特征图，m等于所述原始图像的像素除以降采样的倍数；

基于种植行内的相邻株的水平偏移量的估计值和实际值获取所述特征图的边界框的置信度；

保留所述特征图中置信度大于设定阈值的边界框，并从保留的所述边界框中选出置信度最大的所述边界框及其位置信息；

将置信度最大的所述边界框的位置信息作为学习目标，输入所述卷积神经网络中进行反向学习，得到植株的最优识别框及其位置信息；

利用植株的最优识别框的位置信息拟合出种植行。

2.如权利要求1所述的作物种植行的检测方法，其特征在于，将所述原始图像输入卷积神经网络中进行降采样之前，还包括：利用图像压缩算法对所述原始图像进行压缩。

3.如权利要求1所述的作物种植行的检测方法，其特征在于，根据如下公式计算出种植行内的相邻株的水平偏移量的实际值dl：dl＝s×tanα；

其中，s为所述摄像头的行驶距离，α为所述摄像头的航向偏角。

4.如权利要求3所述的作物种植行的检测方法，其特征在于，根据如下公式计算出所述特征图的边界框的置信度Pc：其中，d为种植行内的相邻株的水平偏移量的估计值，w为预设的种植行偏离阈值，Pob代表检测锚框是否有植株，当Pob＝1时表示检测锚框有植株，当Pob＝0时表示检测锚框没有植株，Pcl表示植株是作物或是杂草的概率，Preal表示预先标定的真实框与所述边界框的相交部分的面积，Pbox‑area表示所述边界框的面积，t为权重参数，根据dl的值确定。

5.如权利要求1所述的作物种植行的检测方法，其特征在于，置信度最大的所述边界框的位置信息及植株的最优识别框的位置信息均包括宽度、高度及中心点的位置。

6.如权利要求1所述的作物种植行的检测方法，其特征在于，将置信度最大的所述边界框的位置信息作为学习目标，输入所述卷积神经网络中进行反向学习后得到若干初始识别框，利用非极大值抑制函数对所述初始识别框进行筛选，得到植株的最优识别框及其位置信息。

7.如权利要求1所述的作物种植行的检测方法，其特征在于，基于植株的最优识别框的位置信息利用分段线性回归函数拟合出种植行。

8.一种作物种植行的检测设备，其特征在于，包括：

摄像头，用于骑垄匀速行进以拍摄作物的种植行的原始图像；

输入模块，用于将所述原始图像输入卷积神经网络中进行降采样，得到m×m个等大的特征图，m等于所述原始图像的像素除以降采样的倍数；

置信度计算模块，用于基于种植行内的相邻株的水平偏移量的估计值和实际值获取所述特征图的边界框的置信度；

边界框筛选模块，用于保留所述特征图中置信度大于设定阈值的边界框，并从保留的所述边界框中选出置信度最大的所述边界框及其位置信息；

反向学习模块，用于将置信度最大的所述边界框的位置信息作为学习目标，输入所述卷积神经网络中进行反向学习，得到植株的最优识别框及其位置信息；

拟合模块，用于利用植株的最优识别框的位置信息拟合出种植行。

9.一种作物种植行的检测系统，其特征在于，包括处理器和存储器，所述存储器上存储有指令，当所述指令被所述处理器执行时，实现如权利要求1至7中任一项所述的作物种植行的检测方法。

10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质上存储有指令，当所述指令被执行时，实现如权利要求1至7中任一项所述的作物种植行的检测方法。