基于深度學習的柑橘黃龍病遠程診斷技術(shù)初探*

范世達，馬偉榮，姜文博，張 輝，王金振，李 琦，何鵬博，彭 磊，黃兆波

（1 云南農(nóng)業(yè)大學機電工程學院，昆明650201）（2 紅河哈尼族彝族自治州經(jīng)濟作物技術(shù)推廣站）（3 云南農(nóng)業(yè)大學植物保護學院）（4 云南農(nóng)業(yè)大學園林園藝學院）

云南省柑橘產(chǎn)業(yè)發(fā)展迅速，經(jīng)濟效益日益增長，種植基地的柑橘品質(zhì)和產(chǎn)量穩(wěn)步增長，但柑橘種植過程中病蟲害嚴重發(fā)生，影響了柑橘產(chǎn)量與品質(zhì)[1]。柑橘黃龍病是柑橘生長過程中的一種危害極大的病害，染病植株出現(xiàn)長勢衰退、產(chǎn)量下降、品質(zhì)降低，嚴重時導(dǎo)致植株死亡或停止結(jié)果，染病后除砍伐燒毀外很難根除[2]。柑橘植株感染黃龍病后，通常的病征表現(xiàn)為葉片斑駁黃化、均勻黃化、葉脈木質(zhì)化暴突，果實出現(xiàn)顏色不均、形態(tài)異常等[3-5]。

基于深度學習的柑橘黃龍病遠程診斷效果Effect of remote diagnosis of Citrus Huanglongbing based on deep learning

目前，針對柑橘黃龍病的監(jiān)測與防控仍存在很多問題。果園管理粗放，防控方法不科學，發(fā)現(xiàn)與防控不及時，柑橘種植園占地面積大，種植工作主要依靠人力，大部分果農(nóng)沒有受過專業(yè)培訓，無法辨別黃龍病，出現(xiàn)染病時無法及時采用正確的防控手段；片面追求高產(chǎn)、忽視植株長勢、用藥用肥不合理、長期大量使用化肥嚴重降低了植株的抗病蟲害能力，且不科學用藥也無法防治黃龍病；針對柑橘黃龍病的檢測方法存在局限性，柑橘黃龍病檢測方法包括病害田間診斷、指示作物鑒定法、病原顯微鏡觀察法、血清學鑒別法、DNA-DNA 雜交判別法和PCR 檢測法等[6-7]。現(xiàn)行的病蟲害檢測工作主要依靠少數(shù)植保專家和農(nóng)技人員完成，通過人工識別病害特征具有局限性，降低了識別的準確度，所以田間診斷一般為初步判斷；指示作物鑒定法和病原顯微鏡觀察法所需時間較長，且易出現(xiàn)漏檢；血清學鑒別法對不同病菌適應(yīng)性差，且過程復(fù)雜；DNADNA 雜交判別法最為準確，但檢測儀器要求較高，成本昂貴；定量PCR 檢測法是目前使用較為廣泛的方法，但所需時間較長、成本較高，缺乏實時性[8]。

隨著時代的發(fā)展，信息化技術(shù)逐漸運用于農(nóng)作物病害識別，科研人員開始將深度學習應(yīng)用到病害圖像識別中，大大提高了病害識別效率、降低了成本、提高了準確率、減少了工作量[9]。樊湘鵬等[10]引入?yún)^(qū)域卷積神經(jīng)網(wǎng)絡(luò)Faster R-CNN 算法并對其改進，以實現(xiàn)在田間真實環(huán)境下背景復(fù)雜且具有相似病斑特征的玉米病害的智能診斷。基于深度學習的農(nóng)作物病蟲害識別研究，為柑橘黃龍病快速檢測提供了重要的研究思路和研究方法。

本文構(gòu)建出一種基于深度學習的柑橘黃龍病診斷方法，利用圖像設(shè)備實時采集柑橘圖像，并將圖像數(shù)據(jù)通過網(wǎng)絡(luò)上傳至云平臺，使用深度學習算法對柑橘黃龍病進行圖像識別，及時監(jiān)測預(yù)警柑橘黃龍病的發(fā)生，為柑橘黃龍病提供智能化快速診斷，從而探尋柑橘黃龍病合理有效的防控手段。

1 材料與方法

1.1 黃龍病識別模型的初步構(gòu)建

1.1.1 圖像樣本采集

自2016 年起，本研究團隊在云南省開展柑橘黃龍病防治及識別技術(shù)研究，通過實地調(diào)研在玉溪市的華寧縣和新平縣、大理市賓川縣、香格里拉市等地的柑橘種植基地中柑橘黃龍病發(fā)生情況，在植保專家指導(dǎo)下針對患病植株采集葉片，并用分辨率為1 920×1 080 的高清數(shù)碼相機拍攝葉片建立圖像樣本，將葉片樣本置于統(tǒng)一的黑色背景上，避免陽光直射，便于后期圖像處理與識別。對采集到的葉片進行黃龍病病菌含量檢測，根據(jù)檢測結(jié)果將葉片對應(yīng)的圖像樣本進行分類。

在上述4 個地區(qū)共采集到黃龍病葉片原始圖像樣本318 張，圖像樣本按患病程度分為重度、輕度和無病3 個等級（圖版2-A）。患病圖片與文獻［11］中所展示的斑駁和黃化葉片圖片相比較癥狀相似度較差，其原因是云南省種植柑橘歷史悠久，各種植園均有病害防控技術(shù)人員跟蹤指導(dǎo)，植株出現(xiàn)明顯病癥后，為防止病害擴散，果農(nóng)即將染病癥狀明顯植株砍伐，故采集到的葉片中斑駁黃化、均勻黃化等明顯特征較少。

1.1.2 葉片病菌檢測與分級

將采集到的柑橘葉片清理干凈，按照國標要求進行黃龍病病菌含量檢測，使用CTAB 方法提取樣本DNA，采用定量PCR 方法分析，檢測得到柑橘黃龍病病菌拷貝數(shù)（CLas copies）與CT 均值，將采集到的葉片樣本分為健康、輕度患病和重度患病，并按相應(yīng)標簽存儲。部分檢測與分類結(jié)果如表1 所示，其中“-”代表健康，“+”代表輕度患病，“++”代表重度患病。

表1 黃龍病病菌檢測與分類

1.1.3 圖像樣本預(yù)處理

利用PIL（Python Imaging Library）Python 圖像處理庫的相關(guān)功能，對采集到的柑橘圖像樣本進行圖像預(yù)處理，使用圖像處理工具將樣本圖像隨機切割為950 像素×950 像素、750 像素×750像素、550像素×550 像素、400 像素×400 像素等不同像素大小的圖像，最終將尺寸統(tǒng)一為224 像素×224 像素，便于輸入深度學習算法進行訓練，該操作對樣本數(shù)據(jù)進行了增強，以6∶2∶2 的比例劃分為訓練集、驗證集、測試集，并按照健康、輕度患病和重度患病3 類標簽分文檔存儲。

1.1.4 深度學習網(wǎng)絡(luò)模型構(gòu)建與訓練

傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)如 AlexNet、VGG、GoogleNet 以及ResNet 網(wǎng)絡(luò)等缺點明顯，內(nèi)存需求大、運算量大，導(dǎo)致其對硬件設(shè)備的要求較高，故該柑橘黃龍病病害識別模型采用的深度學習網(wǎng)絡(luò)為MobileNet V3，該網(wǎng)絡(luò)是由Google 團隊在2019 年提出的一種輕量級網(wǎng)絡(luò)[12]，模型輕便，計算延遲小，便于后續(xù)移動端的開發(fā)。

模型的構(gòu)建與訓練試驗是在 Python 3.8、Tensorflow-GPU 2.4 軟件環(huán)境下完成的，硬件環(huán)境中CPU 采用Intel Corei 5-8400，主頻2.8GHz；GPU 采用Nvidia GeForce 1060，6 G 顯存，16 G 內(nèi)存。

首先利用MobileNet V3 網(wǎng)絡(luò)對Plant Village 數(shù)據(jù)集進行預(yù)訓練，保存好預(yù)訓練的參數(shù)權(quán)重，利用遷移學習的方法凍結(jié)除最后2 個卷積層外的所有網(wǎng)絡(luò)結(jié)構(gòu)，只訓練最后2 個卷積層，利用此預(yù)訓練參數(shù)權(quán)重設(shè)置模型參數(shù)，訓練采集后經(jīng)過圖像預(yù)處理的柑橘葉片圖像。初始學習率為0.000 5 和0.001，迭代次數(shù)設(shè)置為100，批訓練樣本數(shù)設(shè)置為16，每次訓練時隨機分配訓練集。

1.2 試驗地概況

自2016 年開始，本研究團隊于華寧縣亞熱帶水果示范園中先行構(gòu)建了根域灌溉系統(tǒng)，并進行相關(guān)柑橘水肥藥自動實施相關(guān)試驗[13]。在成功構(gòu)建黃龍病病害識別模型后，為探尋識別模型的應(yīng)用效果，故2019—2021 年在此基礎(chǔ)上構(gòu)建了基于深度學習的柑橘黃龍病識別系統(tǒng)，開始進行柑橘黃龍病診斷方法相關(guān)研究田間應(yīng)用試驗，試驗地點位于華寧縣華溪鎮(zhèn)斑茅棵，該地區(qū)為干熱河谷氣候區(qū)，種植柑橘品種為2 年生新津蜜柑[14-15]，按照水肥實施分為8 個不同區(qū)域，共種植1 447 株柑橘樹。

1.3 柑橘黃龍病圖像采集系統(tǒng)的構(gòu)建

在田間架設(shè)的型號為CP-ZB22B 的智慧樹智能終端內(nèi)置高清攝像模塊，可實時采集分辨率為1 920×1 080 的高清晰度圖片，也可進行分辨率為720 P或1 080 P 的高清直播。通過主控制器PLC 自動控制其每天按時打開，設(shè)定每天早、中、晚3 個時段自動采集柑橘圖像數(shù)據(jù)，采集到的數(shù)據(jù)將通過有線網(wǎng)絡(luò)上傳至云平臺，并進行存儲，便于后續(xù)利用深度學習算法識別訓練。利用圖像采集系統(tǒng)實時采集柑橘植株生長情況，將采集到的柑橘葉片圖像進行黃龍病識別，可做到針對柑橘黃龍病的實時檢測，有利于病害早發(fā)現(xiàn)早治療。

設(shè)備架設(shè)區(qū)域位于采果時發(fā)現(xiàn)的疑似黃龍病患病果樹附近，由于黃龍病患病表現(xiàn)初期由樹冠區(qū)域展現(xiàn)并逐漸向下擴散，故設(shè)備架設(shè)在植株較高位置采集圖像。布設(shè)于不同疑似病樹附近的設(shè)備采集到的圖像如圖版2-B 所示。

1.4 試驗方法

1.4.1 采樣識別

柑橘葉片樣本采集自云南省玉溪市華寧縣農(nóng)業(yè)局亞熱帶水果示范園，該種植基地共有1 447 株柑橘樹，依據(jù)根域灌溉系統(tǒng)的水肥藥實施控制，將其分為8 個不同區(qū)域，經(jīng)植保專家實地考察發(fā)現(xiàn)，疑似柑橘黃龍病患病植株大多集中于2、7、8 號灌溉區(qū)，故主要在此區(qū)域采集樣本。每個區(qū)域選取5株間距大于5 m 的柑橘樹，分別在其不同層、不同方向采集葉片樣本，具體分布如表2 所示。

表2 柑橘葉片樣本采集分布情況

在實驗室架設(shè)與基地現(xiàn)場架設(shè)同型號的CPZB22B 智慧樹智能終端的高清攝像頭采集圖像，重復(fù)1.1.2 葉片病菌檢測與分級步驟，獲得試驗地柑橘樹黃龍病病菌檢測結(jié)果（表3）。其中選取的圖像樣本如圖版2-C 所示，按患病程度分為重度、輕度和無病3 個等級。

表3 試驗地柑橘樹黃龍病病菌檢測結(jié)果

1.4.2 黃龍病病害遠程識別診斷

為初步探尋識別模型的可行性，利用布設(shè)在試驗地不同區(qū)域的智慧樹智能終端，按照表2 設(shè)計的采集分布實時采集葉片樣本圖像，因視角有限，故選取分別位于試驗地不同區(qū)域的4 株患病植株架設(shè)采集設(shè)備，針對4 株植株各進行10 次病害診斷，進一步驗證遠程識別效果。

2 結(jié)果與分析

2.1 數(shù)據(jù)集的劃分

2019—2021 年期間分別進行了2 次柑橘葉片樣本采集，共采集到葉片樣本600 片，采集可用的圖像數(shù)據(jù)1 000 張，根據(jù)檢測到的黃龍病菌拷貝數(shù)將原始樣本分為健康、輕度患病和重度患病3 類，其中健康樣本200 張、輕度患病樣本550 張、重度患病樣本250 張。經(jīng)過圖像隨機切割等數(shù)據(jù)增強后按6∶2∶2 的比例劃分為訓練集、驗證集、測試集，劃分結(jié)果如表4 所示。

表4 數(shù)據(jù)集劃分結(jié)果

2.2 病害識別算法訓練結(jié)果

基于深度學習算法的柑橘黃龍病病害識別訓練結(jié)果如下，其中不同學習率下的識別準確率與損失值變化曲線如圖1 所示。由訓練結(jié)果可知，識別準確率隨著迭代次數(shù)的增加逐漸升高，在迭代次數(shù)超過20 次之后黃龍病病害識別準確率趨于穩(wěn)定，迭代100 次之后學習率為0.001 下的準確率為86.0%，學習率為0.000 5 下的準確率為87.3%，識別率較高；損失值隨著迭代次數(shù)的增加而減少，在30 次迭代后逐漸趨于穩(wěn)定，損失值基本在0.1 以下，2 種學習率下的損失值均較小，說明識別模型較為穩(wěn)定，可初步實現(xiàn)病害識別。

圖1 不同學習率下的識別準確率和損失值變化

2.3 黃龍病病害遠程識別診斷結(jié)果

利用布設(shè)在試驗地不同區(qū)域的智慧樹智能終端采集到的田間葉片圖像進行病害診斷，得到部分結(jié)果如圖版2-D 所示，預(yù)測結(jié)果分別為健康、健康、輕度患病和重度患病，準確率分別為74.0%、82.0%、80.1%和78.2%。由以上結(jié)果可以看出，單次識別準確率存在差異，為確保試驗結(jié)果可靠，應(yīng)針對多株樹體進行多次病害識別診斷，以平均結(jié)果為準，故針對4 株植株各進行10 次病害診斷，以取得的平均準確率為準，診斷結(jié)果如表5 所示。經(jīng)過40 次田間遠程診斷所得的平均準確率為77.1%，可見實際使用的準確率低于模型訓練的準確率，但可以初步實現(xiàn)柑橘黃龍病田間遠程診斷。

表5 田間遠程診斷結(jié)果

3 討論與結(jié)論

通過構(gòu)建柑橘黃龍病病害識別模型，利用黑色背景下采集的葉片圖像進行算法訓練試驗，試驗得到算法訓練結(jié)果準確率為87%左右，表明基于深度學習柑橘黃龍病識別模型是穩(wěn)定可用的，可以初步實現(xiàn)病害識別診斷。為驗證識別模型的實際使用效果，在復(fù)雜的田間背景下進行遠程病害診斷試驗，田間遠程診斷結(jié)果準確率為77.1%，遠程病害識別準確率有所下降，但仍能初步達到柑橘黃龍病遠程診斷要求。可能原因主要是用于訓練的樣本圖像是在統(tǒng)一背景、光照條件下采集的，受到的干擾因素較小，故訓練結(jié)果較優(yōu)，可初步實現(xiàn)針對柑橘黃龍病的遠程病害識別診斷。但進行田間遠程病害診斷時，田間環(huán)境較為復(fù)雜，采集到的圖像樣本干擾因素較多，故識別準確率有所下降。其次由于2018—2021 年期間本研究團隊開展了針對柑橘黃龍病的生物防治研究，采用根域灌溉的方式將藥液施用于柑橘植株，有效降低了黃龍病病菌含量[16]，可能導(dǎo)致柑橘黃龍病遠程識別結(jié)果受到影響。

由于本文試驗屬于初步探究黃龍病遠程診斷方法的可行性，后續(xù)研究應(yīng)逐步開展更加詳細的田間遠程診斷試驗，優(yōu)化算法結(jié)構(gòu)加強其針對復(fù)雜背景的抗干擾能力。同時應(yīng)優(yōu)化田間的圖像采集條件，減少由于光照變化等因素影響圖像質(zhì)量，提高識別準確率。

本文初步探尋的一種基于深度學習的柑橘黃龍病遠程診斷方法，突破了傳統(tǒng)柑橘種植過程中針對黃龍病檢測不及時的局限，擺脫了黃龍病識別需高度專業(yè)化知識的限制，降低了黃龍病快速檢測的成本。使用深度學習的方法識別研究柑橘黃龍病，一方面可以提高病害識別的效率，在柑橘生長過程中實時監(jiān)測預(yù)警做到早識別早應(yīng)對，另一方面大大降低了黃龍病檢測成本。后續(xù)研究與應(yīng)用仍需重視識別模型的優(yōu)化，針對病菌含量下降造成的病癥弱化現(xiàn)象強化特征提取能力，提高其大田復(fù)雜背景下的識別準確率。