利用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征，并借助迁移学习方法将AlexNet模型在ImageNet图像数据集上学习得到的知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后，按照病害特征由人工 分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集，从样本集中随机选择80%的样本用作训练集，剩余20%用作测试集。利用随机裁剪、旋转变换和透视变换对训练集进行数据扩充，以模拟图像采集的不同视角和减少网络模型的过拟合。在TensorFlow深度学习框架下，基于数据扩充前后的样本集，对AlexNet进行全新学习和迁移学习。试验结果表明，迁移学习能够明显提高模型的收敛速度和分类性能；数据扩充有助于增加数据的多样性，避免出现过拟合现象；
为了减少环境光照对病害检测的影响，常将病害图像由 RGB 变换到 Lab、HSI、YCbCr 等颜色空间进行病斑分割。
常用的颜色特征主要有颜色均值、方差、峰值、偏度、能量、熵等，形状特征主要有矩形度、偏心率、致密度等，纹理特征主要有基于灰度共生矩阵的对比度、相关性、能量、惯性矩等。
将叶片图像由 RGB 颜色空间转换为 HSI 颜色空间，基于色度、饱和度信息对病害图像进行阈值分割，去除背景；
对分割结果进行半径为 3 像素的形态学开闭运算，去除毛刺、孔洞等噪声；
填充目标区域孔洞，形成目标掩模，并计算油茶叶片目标的二阶矩和主轴角。
