研究人员开发了一种利用无人机拍摄的图像和深度学习神经网络检测柑橘园黄龙病（HLB）的方法。在测试的模型架构中，ResNet-50模型表现最佳，总体准确率达到89%，宏观精确率达到90%，召回率达到89%，F1分数达到89%。
该研究评估了三种卷积神经网络模型：ResNet-50、EfficientNetV2B0 和 DenseNet-121。这些网络将图像分类为三类：健康植物、感染黄龙病的植物和图像背景。EfficientNetV2B0 的准确率达到 87%，DenseNet-121 的准确率达到 85%。
研究团队在尼泊尔杜利克尔加德满都大学的一片柑橘园中采集了图像。实验区域海拔1.455米。数据采集时间为2025年5月5日至15日，每天上午10点至中午12点。此时间段旨在保持光照强度恒定，并降低风速。
果园尺寸
果园里种植了一公顷甜橙树。株距为6米乘6米。每公顷种植密度为277株。树高2至4米，树冠呈半球形，冠幅2.5至4米。
研究人员使用了大疆精灵4多光谱无人机。该设备在20米的高度飞行，速度为每秒2米，重叠率为85%。RGB相机拥有2000万像素。多光谱传感器记录了蓝光、绿光、红光、红边和近红外波段。
初始数据库收集了6.000张TIFF格式的RGB图像，每张图像尺寸为128×128像素。研究人员将这些图像分成三个数量相等的组，每组2.000张样本。每组图像中，1.600张用于训练，另外400张用于验证。
通过分别旋转90度、180度和270度，并调整亮度和对比度，将图像库放大后，总共获得了24.000张图像。该过程模拟了飞行过程中机翼方向和相机角度的变化。
杯子切口
该分类采用了冠层剖面图和光谱属性。研究评估了所分析波段的均值、中位数、最大值、最小值、标准差、偏度和峰度。健康区域呈现均匀的绿色叶片和紧凑的冠层。受感染区域则表现出部分泛黄、斑驳的图案和不对称的叶脉分布。土壤、杂草和阴凉处被归为背景类。
ResNet-50模型正确分类了400个背景样本中的397个。该模型还识别出了400个黄龙病（HLB）感染样本中的373个。在健康组中，它正确识别出了400个样本中的295个。最大的混淆发生在健康树冠和感染树冠之间。这一结果表明，难以将黄龙病的初始症状与树冠的自然变化区分开来。
EfficientNetV2B0模型正确识别了396个背景样本、362个感染样本和291个健康样本。DenseNet-121模型对384个背景样本、358个感染样本和282个健康样本进行了分类。三个模型在背景样本类别中的表现最佳。健康样本类别的F1分数最低。
检测图
该研究还生成了一张果园尺度的黄龙病（HLB）检测图。该图将正射影像区域划分为154个网格，每个网格单元代表一个128×128像素的区域。ResNet-50模型将92个区域（占62%）分类为背景区域，另有51个区域（占31%）被判定为黄龙病感染区域，只有11个区域（占7%）被判定为健康树冠。
这张地图显示了相邻区域的感染点。这种可视化方法有助于进行局部喷洒、重点检查和移除病树。该方法避免了对整个区域进行统一处理，从而可以进行针对性管理。
科学家们得出结论，无人机、RGB图像和神经网络的整合可以支持柑橘黄龙病的自动化监测。这项研究还表明，近红外和红边波段的应用具有推进该领域发展的潜力，因为这些波段可以记录与叶片内部结构和叶绿素浓度相关的变化。
更多信息请访问 doi.org/10.1016/j.atech.2026.102274
.webp&w=280&h=180)
