1.水稻插秧机的插秧秧苗株距与穴秧苗数的检测方法，其特征在于，包括以下步骤：

S1：检测启动模块不断检测插秧机的工作状态和行驶速度，所述插秧机处于插秧工作状态时，检测程序启动，安装于所述插秧机插植部末端的摄像头开始拍摄已栽插秧苗的作业区域图像并传送至嵌入式控制器；

S2：所述嵌入式控制器对所述摄像头采集到的RGB图像进行图像灰度化和图像二值化处理，再对二值化后的秧苗图像进行形态学开运算去除噪声，通过对形态学开运算后的秧苗图像进行连通区域标记,再通过形态学孔洞填充保证秧苗连通区域的完整性，计算形态学孔洞填充后秧苗图像的连通区域参数再使用面积滤波算法去除高亮点；

S3：计算所述步骤S2得到的秧苗图像的连通区域参数，判断当前图像是否满足继续求株距、穴秧苗数的要求；

S4：对满足要求的图像使用Canny算法提取满足要求的秧苗图像轮廓，通过基于轮廓陡变度求轮廓关键点的算法，提取秧苗轮廓的关键点；

S5：对秧苗叶片特征进行分析，以关键点前后像素的欧式距离为条件，将轮廓的关键点分为叶片的叶尖点和秧苗的栽插点，实现对秧苗栽插点的定位，计算秧苗区域的叶片数；所述嵌入式控制器结合检测所述启动模块测量得到插秧机速度计算出秧苗株距、穴秧苗数，并且根据实际检测参数控制语音提示模块进行播报。

2.如权利要求1所述的检测方法，其特征在于，所述步骤S2的所述图像灰度化包括：所述嵌入式控制器对彩色图像进行超绿算法处理，使用2G-R-B对原图像进行图像灰度化处理，计算公式为：参数说明：Gray(x,y)为坐标为(x,y)点灰度值，R、G、B为图像红色、绿色、蓝色三个颜色分量；

所述步骤S2的所述图像二值化通过最大类间方差法对秧苗图像进行二值化处理，利用*

最大类间方差法计算出最优阈值k，并根据如下公式将灰度图像分成秧苗和背景两部分：

其中，Bw(x,y)＝0表示(x,y)点为背景，Bw(x,y)＝255表示(x,y)点为秧苗像素，Gray(x,y)为坐标为(x,y)点灰度值，式中k*为根据最大类间方差算法求出的最优阈值；

所述步骤S2的所述形态学开运算去除噪声通过对秧苗图像进行腐蚀，然后进行膨胀，具体的开运算公式如下：参数说明：A为图像，C为结构元素，Cz为形态学开运算结果

所述步骤S2的所述连通区域标记是逐行遍历图像，通过对形态学开运算后图像中G(x,y)＝255的秧苗像素连通区域进行标记，让每个秧苗连通区域形成一个被标识的块；

所述步骤S2的所述计算形态学孔洞填充后秧苗图像的连通区域参数；分别统计步骤S2中被标记后的秧苗各连通区域内部的像素的总数；一个联通区域表示一穴秧苗，计算当前图像中连通区域的面积、周长参数，判断当前图像是否满足求株距、穴秧苗数的要求，参数计算公式如下：参数说明：Area为连通区域面积，Per为连通区域周长，No为链码值为奇数的个数，Ne为链码值为偶数的个数，f(x,y)为坐标为(x,y)像素面积，n为图像的宽，m为图像的长；

所述步骤S2的所述使用面积滤波算法去除高亮点，通过遍历秧苗的二值化图像，当某个连通区域面积小于N时，则将该区域置为噪声，将该连通区域像素值置零，计算公式如下：参数说明：Bw(x,y)＝255表示(x,y)点为秧苗像素，BW(x,y)表示面积滤波后图像上(x,y)点像素值。

3.如权利要求1所述的检测方法，其特征在于，所述步骤S3为根据步骤S2中得到经过面积滤波后的秧苗连通区域，当图像中满足至少有两个连通区域的面积、周长参数与上一帧图像中近似，则判定当前图像满足求株距、穴秧苗数的要求，计算得出株距、穴秧苗数；否则不满足，重新拍摄图像继续分析。

4.如权利要求1所述的检测方法，其特征在于，所述步骤S3中，图像中满足至少有两个连通区域的面积、周长参数与上一帧图像中近似的判断标准为|Areai-Areai+1|<0.1Areai且|Peri-Peri+1|<0.i Peri，Areai，Peri为上一帧连通区域面积和周长，Areai+1，Peri+1为当前帧连通区域面积和周长。

5.如权利要求1所述的检测方法，其特征在于，所述步骤S4使用Canny算法提取满足要求的秧苗图像轮廓首先使用高斯滤波器平滑图象，再使用一阶偏导的有限差分来计算梯度的幅值和方向，然后对梯度幅值进行非极大值抑制，最后采用双阈值算法检测、连接边缘，得到秧苗图像轮廓；

再根据所述秧苗图像轮廓陡变度差异，提取秧苗图像轮廓的关键点，所述关键点包括所述秧苗图像轮廓的凸起点和凹陷点，凸起点有叶片的尖点、根部的栽插点；相邻叶片交叉部位会出现凹陷点，而凹陷点存在对于根部的栽插点定位、穴秧苗数的确定都是干扰，通过所述凸起点和所述凹陷点沿逆时针方向构造矢量 和 由点乘计算公式计算两个矢量点乘数值，矢量点乘计算公式：参数说明：θ为矢量 和 的陡变度，(xi，yi)为秧苗轮廓图像i点坐标(xi-1，yi-1)为秧苗轮廓图像i-1点坐标，(xi+1，yi+1)为秧苗轮廓图像i+1点坐标；

在轮廓点上处于所述凸起点和所述凹陷点构造相邻向量陡变度范围为(0°，90°)，所以向量的点乘结果大于0；而处于轮廓上其他位置的点构造的相邻向量陡变度范围为(90°，

180°)，所以向量的点乘结果小于0，通过设定0为阈值筛选出轮廓上所述凸起点和所述凹陷点的点；

通过矢量叉乘计算公式对轮廓的关键点进行叉乘运算筛选出轮廓上的凸起的点，矢量叉乘计算公式：沿逆时针方向计算筛选出来的所述凸起点和所述凹陷点相邻向量的叉乘，在轮廓上凸起点叉乘结果大于0，其中方向垂直纸面朝向读者，Z轴为正方向；在轮廓凹陷点叉乘结果小于0，其中方向垂直纸面远离读者，Z轴为负方向；通过设定0为阈值筛选出轮廓上的凸起点；

以轮廓上的凸起点前后像素的欧式距离为条件，确定秧苗叶尖点和秧苗栽插点，实现对秧苗栽插点定位，计算秧苗区域的叶片数，结合检测启动模块测得插秧机速度计算得到秧苗株距、穴秧苗数，所述嵌入式控制器根据实际检测参数控制语音提示模块进行播报。

6.如权利要求5所述的检测方法，其特征在于，秧苗轮廓上凸起点由秧苗的叶片尖点和秧苗的根茎部的栽插点组成，每穴理论的根茎部的栽插点数为1，秧苗的叶片数＝检测到轮廓上凸起点的数目-检测到根茎部的栽插点数目；

每穴秧苗的栽插点附近多棵秧苗的根茎部在这里重叠，形成一个较为完整的连通区域，且这个连通区域的宽度比叶片尖点附近的连通区域要宽，通过筛选出来的轮廓凸起点相邻两像素点的欧式距离来表示不同凸起点附近的连通区域宽度，通过距离可以体现出秧苗的轮廓点凸起的点间的差异，计算每穴秧苗凸起点的相邻两像素点的欧式距离，设定动态阈值，将轮廓的凸起点分为秧苗的叶片尖点和秧苗的根茎部的栽插点并确定图像中根茎部的栽插点坐标，相邻K像素点的欧式距离计算公式如下：参数说明：(xi+k，yi+k)为轮廓的凸起点i+k点坐标(xi-k，yi-k)为轮廓的凸起点i-k点坐标，d为轮廓的凸起点相邻K像素点的欧式距离；

计算得到秧苗的叶片尖点数，结合人工统计的该品种秧苗秧龄、检测启动模块测得插秧机速度计算得到秧苗株距、穴秧苗数，所述嵌入式控制器根据实际检测参数控制语音提示模块进行播报。

7.如权利要求6所述的检测方法，其特征在于，插秧时的秧苗带土，秧龄为2-3叶，通过统计晚稻插秧试验中所用的两种秧苗秧龄，每种随机抽取取样本200株，统计结果服从正态分布，平均秧龄为2.5叶，每穴秧苗数根据图像处理计算得到秧苗的叶片尖点数、平均秧龄得到，计算方法如下：式中，Num为每穴秧苗数，N为秧苗的叶片尖点数，average为平均秧龄；对上述Num结果计算分析，平均秧龄为2.5叶，通过图像处理得到很多秧龄，分别为2叶、3叶、4叶、5叶；通过对数值进行四舍五入处理符合实际统计结果，得到每穴秧苗数，根据图像中根茎部的栽插点坐标计算得到相邻两秧苗间的像素距离，通过乘上每个像素点的比例系数可转化为两秧苗间的实际距离，所述嵌入式控制器根据得到的实际每穴秧苗数、两秧苗间的株距参数控制语音提示模块播报。

8.如权利要求6和7任一所述的检测方法，其特征在于，通过确定图像中根茎部的栽插点坐标结合检测启动模块测得插秧机速度计算得到秧苗株距，设t1时刻像素比例系数为k1,经过Δt时间到达t2时刻，t2时刻的像素比例系数为k2，插秧机从t1时刻到t2时刻(即Δt＝t2-t1)内的平均速度为v,第2、3秧苗中心相对图像中心走过的真实距离为L，t1时刻第2、3秧苗中心相对图像中心像素距离为l1，第2、3秧苗中心相对图像中心实际距离为L1；t2时刻第

2、3秧苗中心相对图像中心像素距离为l2,第2、3秧苗中心相对图像中心实际距离为L2，根据已知条件可以计算得出两帧图像重叠区域的秧苗实际距离D，秧苗间的像素距离用d和数字下标表示，秧苗间的实际距离用D和数字下标表示，计算公式如下：L1＝l1k1，L2＝l2k2；

L＝L1+L2＝l1k1+l2k2；

L＝Δtv；

Δt＝t2-t1；

D1＝k1d1；

D2＝k2d2；

D1＝D2。

9.使用如权利要求1所述检测方法的装置，其特征在于，所述装置包括摄像头、嵌入式控制器、安装在插秧机插植部的摄像头固定支架、语音提示模块、检测启动模块、电源模块；

所述嵌入式控制器和所述电源模块均安装于所述插秧机的座位后部并且两者相连，所述嵌入式控制器和所述电源模块还分别与所述检测启动模块和所述语音提示模块相连，所述摄像头通过所述摄像头固定支架安装在所述插秧机插植部并拍摄秧苗图像，所述摄像头固定支架与摄像头连接角度可手动调节，所述摄像头还与所述嵌入式控制器电连接。