1.基于CNN‑BP神经网络算法水稻病虫害识别方法，具体步骤如下，其特征在于,步骤1：将采集到的水稻病虫害图像分类建立数据集，并建立水稻病虫害图像类别，即为每一幅水稻病虫害图像人工标注类别，为后续训练CNN网络模型和BP神经网络做准备；

步骤2：构建CNN‑LeNet5模型，输入层结构为512*512*3，两层卷积层的结构为512*512*

24和256*256*64，池化层选择最大池化方式，两层全连接层为1*1*64到120和120到8；

步骤3：训练CNN模型，输入训练样本图像及图像类别到CNN模型中，来使得softmax层来计算损失误差，通过不断减小误差从而调整CNN卷积层模板参数，训练得到最佳的CNN模型；

步骤4：提取训练样本8个高级特征，去掉CNN模型中的softmax层，再将训练样本图像输入到训练完成的CNN模型中，CNN模型通过全连接层120*8输出训练样本的8个高级特征；

步骤5：构造三层BP神经网络模型，将8个高级特征作为网络输入，将稻纵卷叶螟成虫、稻纵卷叶螟幼虫、稻纵卷叶螟蛹、稻纵卷叶螟卵、二化螟成虫、二化螟幼虫、二化螟蛹、二化螟卵8类水稻病虫害的标签作为网络输出，隐含层节点数设为11层；

步骤6：训练BP神经网络模型，将训练样本图像的8个高级特征用于训练BP神经网络模型；

步骤7：提取测试样本8个高级特征，将测试样本图像输入到训练完成的CNN模型中，CNN模型通过全连接层120*8输出测试样本的8个高级特征；

步骤8：输出分类结果，将测试样本的8个高级特征输入到训练完成的BP神经网络中，并输出测试图像的分类结果。

2.根据权利要求1所述的CNN‑BP神经网络算法水稻病虫害识别方法，其特征在于：所述步骤3中softmax的计算公式如下：式中，n表示图像的分类数量，k∈(0,n],i表示k中的某个分类，gi为第i个分类的输出值，gk为第k个分类的输出值，P(gi)为属于第i个分类的概率。

3.根据权利要求1所述的CNN‑BP神经网络算法水稻病虫害识别方法，其特征在于：所述步骤5中BP神经网络模型的隐含层、输出层传递函数分别设置为‘logsig’函数、‘tangsig’函数，训练函数为‘trainlm’函数，学习函数为‘learngd’函数。

4.根据权利要求1所述的CNN‑BP神经网络算法水稻病虫害识别方法，其特征在于：所述步骤5中BP神经网络模型的隐含层节点数算法公式如下：m表示隐含层神经元节点数，n表示输入层节点数，l表示输出层节点数。