1.一种高精度农作物病虫害图像的识别方法，其特征在于，具体是先对图像进行细化的特征提取，把这些提取到的特征构成一个特征集，再将该特征集里面的特征构造不同的图形，接着通过多维度神经节点依次对每个图形进行覆盖并把在该多维度神经节点覆盖范围里面的特征从特征集里面剥离出去，然后依前述过程通过多维度神经节点逐一对特征空间集里面构造的每个图形进行覆盖，直到将特征集里面的所有特征剥离空为止，此时根据得出的最终覆盖范围来推导出图像识别的不连续落差覆盖率即识别的精确度。

2.如权利要求1所述的高精度农作物病虫害图像的识别方法，其特征在于，具体包括以下步骤：

(1)构造一个训练集H，H＝{H1,H2,…，HN}，其中训练集中包含了N个类，HK是第k个类，包含了N个采样点，HK＝{L1,L2,…，LN}；

(2)计算HK中任意两个采样点之间的距离，并从HK中找两个采样点M11和M12，令ρ(M11，M12)为最小的Hi，Hi∈SK{ρ(Hi，Hj)}，其中Hi≠Hj；

(3)找出第三个采样点M13，M13∈HK‑{M11,M12}但不在采样M11和采样M12组成的直线上面，然后连接M13，M11和M12这三个采样点组成一个平面的三角形A1；

n

(4)再用神经元对三角形像素区域A1覆盖，覆盖的空间大小P1＝{Y|ρYF1

(5)判断H里面的每个采样点是否都在P1的覆盖范围里面，如果在覆盖范围里面，就把这个采样点从H里面剥离，并让HK＝HK‑{Li|Li∈P1}；

(6)从集合HK里面再找一个新采样点M21，并让该新采样点M21与M13、M11、M12这三个采样点的距离之和值最小；

(7)对{M13，M11，M12}这三个采样点里面的两个采样点进行重新命名为M22和M23，已知这两个采样点M22和M23是和采样点M21距离最短的两个采样点，然后把M22，M23，M21连接起来组成第二个平面三角形A2；

(8)再用神经元对像素三角形区域A2覆盖，覆盖的空间大小P2，集合HK的值变为HK＝HK‑{M21}；

(9)重复步骤(5)‑(7)找出另外一个采样点Mi，Mi∈HK，然后将新找的采样点标记为Mi1，并且像步骤(7)那样把离Mi1最近的两个采样点分别标记为Mi2和Mi3；

(10)然后连接Mi3，Mi1和Mi2这三个采样点组成一个平面的三角形Ai；再用神经元对此进行覆盖，覆盖的空间大小Pi，集合HK的值变为HK＝HK‑{Mi}；

(11)最后判HK集合是否是空集，如果不是空集就重复步骤(9)‑(10)直到为空，如果为空就根据得出的K类的最终的覆盖范围来推导出图像识别的不连续落差覆盖率，即识别的精确度。

3.如权利要求1所述的高精度农作物病虫害图像的识别方法，其特征在于：所述图像识别方法使用多维度神经节点来对每个单一形状进行覆盖；所述多维度神经节点和单一形状定义如下：

S

①设定A0,A1,…，As(S≤N)是N维特征空间V 里面互相不相关的点，向量都不具有线性相关性即具有线性独立性；则存在一个像素点集 ΩS是以A0,A1,…，As为顶点的S维度单一形状；

S S

②设定Q是特征空间里面的一个多面体，其中特征空间V满足，y∈V/Q；同时y和多面体Q之间的距离满足等式 如果存在一个R满足就可把R叫做对多面体的概率覆盖；

当上述步骤①和②定义里面的Q是一个线段的时候，那么R就是一个直通型神经元；当Q是一个平面三角形的时候，R就是一个三维神经元；当Q是一个四面体的时候，R就是一个四维度神经元。