Recognition of Huanglongbing symptom based on deep convolutional neural network
-
摘要:目的
探究深度学习在柑橘 Citrus spp.黄龙病症状识别上的可行性，并评估识别器的识别准确率。
方法以黄龙病/非黄龙病引起的发病叶片图像及健康叶片图像为训练素材，基于卷积神经网络及迁移学习技术构建二类识别器(I-2-C和M-2-C)和八类识别器(I-8-C和M-8-C)。
结果M-8-C模型的整体识别表现最优，对所有图像的识别准确率为93.7%，表明构建的神经网络识别器能有效辨别柑橘黄龙病症状；I-8-C和M-8-C对所有类型图像的平均F1分值分别为77.9%和88.4%，高于I-2-C(56.3%)和M-2-C(52.5%)，表明症状细分有利于提高模型的识别能力。同时M-8-C比I-8-C略高的平均F1分值表明基于MobileNetV1结构的八类识别器识别表现略优于基于InceptionV3的八类识别器。基于M-8-C改进的识别器M-8f-C能够转移到智能手机上，在田间测试中取得较好的识别表现。
结论基于深度学习和迁移学习开发的识别器对黄龙病单叶症状具有较好的识别效果。
Abstract:ObjectiveTo explore the capability of deploying deep learning to the detection of Huanglongbing (HLB) symptom inCitrus spp., and evaluate the classification accuracies of the classifiers.
MethodTwo-class classifiers(I-2-C and M-2-C) and eight-class classifiers(I-8-C and M-8-C) were constructed using images of diseased leaves caused by HLB/non-HLB and healthy leaves based on convolutional neural networks and transfer learning.
ResultThe overall classification performance of M-8-C stood out in all classifiers with accuracy of 93.7%, implying great capability in deep convolutional neural networks for classifying HLB symptoms. The mean F1 socres of I-8-C and M-8-C were 77.9% and 88.4% respectively, which were higher than those of I-2-C(56.3%) and M-2-C(52.5%). This indicated that subtyping symptoms could help improve the recognition ability of models. The slightly higher mean F1 score of M-8-C compared with I-8-C indicated that the eight-class model based on MobileNetV1 had better performance than the one based on InceptionV3. An optimized model, namely M-8f-C, was developed based on M-8-C and was successfully mounted on mobile phone. The field tests showed that M-8f-C was of decent performance under field conditions.
ConclusionClassifier based on deep learning and transfer learning has high accuracy for recognizing HLB symptom leaves.
-
沙糖橘是我国岭南地区的重要水果，需要优质的种植地和高质量的栽培管理保证产量和口感。为了确保当地农村的支柱产业有效平稳地发展，需要对沙糖橘的果树长势进行监测。提取果园中的沙糖橘果树对分析植被分布影响因素和评价果树生长环境有重要意义。
无人机作业灵活，作业效率高，影像分辨率高，与传统卫星遥感影像和人工地面采集数字影像方法形成互补趋势，在各领域的遥感监测中发挥重要作用[1-4]。国内外学者基于无人机遥感影像技术和植被指数模型对植被信息的提取进行了大量研究。Xu等[5]利用无人机平台收集农田的可见光遥感图像，监测和提取耕地的可见光植被指数获取其面积、形状和地理位置信息；Choi等[6]运用固定翼无人机获取多光谱图像，建立沙丘的植被指数模型，对沙丘的部分植被覆盖进行估算；Zhang等[7]统计分析得到9种可见光植被指数与玉米、棉花、甘蔗和水稻4种植被覆盖度之间的关系，发现每种作物对应的最佳植被指数不一定相同，对应的植被覆盖度模型准确度也不相同；高永平等[8]通过无人机获取荒漠区的可见光图像，建立植被指数与植被覆盖度的关系模型，成功以高精度提取荒漠区中的植被。
上述研究的共同点是通过无人机遥感获取可见光图像，利用一种或几种可见光植被指数提取植被信息。遥感图像不仅包含光谱特征，还具有空间特征和纹理特征。本研究运用无人机影像，结合空间特征中的高度模型与6种可见光植被指数模型，对沙糖橘果树的提取精度进行对比分析，以期获得一种简单、方便、有效的沙糖橘植被提取方法，扩大无人机遥感技术在果园中的应用，为我国果园果树的监测提供参考。
1. 材料与方法
1.1 无人机影像数据的获取
研究地点位于广东省肇庆市四会市果园(23°36′N，112°68′E)，亚热带季风气候，雨热充足，适合沙糖橘的生长。试验地概况如图1所示。
试验采集平台为深圳大疆精灵4无人机，配备6.17 mm×4.55 mm的2 000万像素CMOS传感器，无需在特定的场地起飞与降落，可在空中长时间悬停，配备的RTK和六向视觉传感器使飞行更加安全稳定。试验数据采集于2020年6月2日，如图2所示，飞行高度为100 m，巡航速度为20 km/h，飞行航线的旁向和航向重叠度均为80%，单次采集320张RGB图像，图像分辨率为5 472像素×3 648像素，地面分辨率为3.66 cm。通过Pix4DMapper软件对图像进行拼接，获得试验地的正射图像和数字表面模型(Digital surface model)，如图3所示。
1.2 果树植被覆盖度的提取方法
1.2.1 植被指数的选取
遥感领域中使用大量的植被指数评价植被覆盖度及生长情况，但目前基于可见光波段的植被指数相对较少。本研究参考目前研究相对较多且精度较高的可见光植被指数，选取了6种植被指数：超红指数(Excess red index)[9]、超绿指数(Excess green index)[10]、超蓝指数(Excess blue index)[11]、可见光波段差异植被指数(Visible band differential vegetation index)[5]、红绿比指数(Red-green ratio index)[12]、蓝绿比指数(Blue-green ratio index)[13]。这6种植被指数的计算公式和理论区间如表1所示。
表 1 可见光植被指数Table 1. Vegetation indexes based on visible spectrum植被指数 Vegetation index 表达式1) Equation 理论区间 Theory interval 超红指数 Excess red index $1.4R - G$ [−255, 357] 超绿指数 Excess green index $2G - R - B$ [−255, 510] 超蓝指数 Excess blue index $1.4B - G$ [−255, 357] 可见光波段差异植被指数 Visible band differential vegetation index $\dfrac{ {2G - R - B} }{ {2G + R + B} }$ [−1, 1] 红绿比指数 Red-green ratio index $\dfrac{R}{G}$ [−1, 1] 蓝绿比指数 Blue-green ratio index $\dfrac{B}{G}$ [−1, 1] 1) R：红光波段，G：绿光波段，B：蓝光波段
1) R: Red light wave band, G: Green light wave band, B: Blue light wave band1.2.2 阈值的确定和植被信息的提取
基于无人机遥感图像的植被提取的关键在于选取合适的阈值区分植被和非植被，本研究选取双峰阈值法提取沙糖橘果树和非果树。双峰阈值法通常是选取2种地物，生成具有2个明显波峰的直方图。这2个波峰分别对应所选对象较多数目的像元，波峰之间的波谷则对应所选对象边缘相对较少数目的像元，一般选择两峰之间的最低点或者交点作为最佳阈值[14-15]，示意图如图4所示。果树与非果树的直方图具有明显的双峰性质，因此该方法可以呈现较好的分割效果。
利用遥感信息提取植被的方法中，面向对象的分类技术是将集合临近像元作为对象，识别感兴趣的光谱元素来提高分类结果的精度或者实现矢量输出，此法充分利用多光谱数据的空间、纹理和光谱信息进行分割和分类[16]。本研究通过基于规则的面向对象分类方法，根据其空间特征和光谱特征对对象进行分类，克服像元层次分类中的不足，具有良好的平滑性和较高的分类精度[17]。采用此分类方法从光谱和形状2个方面刻画果树和非果树像元，通过ENVI软件设定、提前统计完成的阈值规则，对上述6种植被指数模型进行果树与非果树的分类，能够有效地提供对象的几何和拓扑信息，更精准地提取出果树。
1.2.3 数字表面模型中的植被信息提取
可见光植被指数主要反映植被在可见光下反射与土壤背景之间的差异，在一定条件下可定量说明植被的生长情况。但是仅根据植被的光谱特性对植被进行提取，很难有效地解决同谱异物与同物异谱的问题，从而造成错分漏分且分类精度低。数字表面模型包含了地表果树和非果树等高度的地面高程模型，涵盖了除去地面以外的其他地表信息的高程，可以最真实地表达果园地面的起伏情况，如图5所示。数字表面模型有益于区分果园中果树和草地这2类色调相类似的地物。
本文拟将6种可见光植被指数计算结果图像与数字表面模型进行融合，加入果树与非果树的高程信息，使用基于规则的面向对象分类方法进行果树的提取，并将得到的分类精度与使用单一可见光植被指数的植被提取精度进行对比。
1.2.4 植被信息提取结果的评价方法
目前较为常用的植被提取评价方法是通过人机交互的方式，利用感兴趣区域把试验地块分为植被像元和非植被像元，结合地面调查数据和图像真实状态进行目视解译。此法受人力物力等条件的限制，不适合作为复杂大区域下的植被指数覆盖度提取精度评价。本研究使用混淆矩阵进行准确性评价，该矩阵是评估分类模型精度的一种可视化显示工具，通过目视判读的方法在遥感图像上各选取60个果树与非果树区域作为验证样本，样本的采样遵循随机原则，确保选择每个单个样本的概率完全相同。将每个实测像元的位置和分类与图像中相应的位置和分类相比较获得分类精度，并根据以下公式计算Kappa系数(K)。
$${p_{_0}} = \frac{{{a_{11}} + {a_{22}} + {a_{33}} + \cdots + {a_{nn}}}}{N},$$ (1) $$ {p_{\rm{e}}} = \frac{{{a_1}{b_1} + {a_2}{b_2} + {a_3}{b_3} + \cdots + {a_n}{b_n}}}{{N^2}}, $$ (2) $$ K = \frac{{{p_{_0}} - {p_{\rm{e}}}}}{{1 - {p_{\rm{e}}}}}, $$ (3) 式中，
${p_{_0}} $ 是总体分类精度，pe是机遇一致性，n是混淆矩阵方程的阶，N是样本总数，anbn是列(行)中所有值的总和。2. 结果与分析
2.1 可见光植被指数的计算与分析
以无人机采集的遥感影像作为数据源，根据表1的公式分别计算各可见光的植被指数，植被和非植被可以清晰地呈现，计算结果如图6所示。
![]()
图 6 6种可见光植被指数计算结果Figure 6. Calculation results of six visible light vegetation indexes为了更好地对比这6种可见光植被指数的提取结果，本研究只提取果树，将地物分为果树和非果树，每种地物选取100个感兴趣区域进行统计，并统计特征值。由表2可知，这6种可见光植被指数在植被信息和非植被信息之间差异较大，无重叠交叉部分，对于利用可见光进行植被信息识别具有较好的效果。
表 2 基于感兴趣区域的6种可见光植被指数的统计值Table 2. Statistics of six visible light vegetation indexes based on region of interest植被指数
Vegetation index果树 Fruit tree 非果树 Non fruit tree 平均值
Mean标准差
Standard deviation平均值
Mean标准差
Standard deviation超红指数 Excess red index −27.293 4 11.959 8 46.642 1 30.383 9 超绿指数 Excess green index 115.230 7 25.873 2 9.023 5 18.045 8 超蓝指数 Excess blue index −39.266 7 15.487 6 44.257 4 28.460 9 可见光波段差异植被指数 Visible band differential vegetation index 0.339 2 0.087 9 0.021 8 0.046 3 红绿比指数 Red-green ratio index 0.532 7 0.097 3 0.960 9 0.119 6 蓝绿比指数 Blue-green ratio index 0.466 5 0.104 1 0.960 5 0.130 6 2.2 植被信息提取与精度评价
为获取通过这6种可见光植被指数进行植被信息提取时的阈值，本研究通过ENVI软件统计分析沙糖橘果树与非果树的直方图。本研究试验时天气晴朗，忽略天气因素对图像处理结果的影响。从图7可知，6种可见光植被指数的直方图呈明显的双峰分布，表明相对应的地物区分性较强，适合可见光波段植被信息的提取，并且果树像元与非果树像元的峰值相差较大，在图像中易于选择合适的数值作为分割阈值。
![]()
图 7 6种可见光植被指数统计直方图Figure 7. Statistical histograms of six visible light vegetation indexes根据确定的阈值，利用基于规则的面向对象分类方法，设定阈值规则，进行植被信息的提取，得到6种可见光植被指数对应的植被分类提取结果。以无人机遥感图像作为数据源，根据目视判读在图像上选取60个果树和60个非果树的验证样本，将分类结果当作真值，分别对这2种地物的分类结果计算混淆矩阵，得到各可见光植被指数的提取精度评价(表3)。6 种可见光植被指数对应的植被分类提取结果如图8所示。从表3和图8可以看出，果树的提取精度均在99%以上，提取精度较好；非果树的提取精度较低，主要原因是非果树区域的草地部分色调与果树相似，易导致将草地分为果树，造成错分现象。
表 3 6种可见光植被指数的植被提取精度评价Table 3. Accuracy assessments of vegetation extraction for six visible light vegetation indexes植被指数
Vegetation index阈值
Threshold精度/% Accuracy Kappa系数(K)
Kappa coefficient果树
Fruit tree非果树
Non fruit tree总体
Total超红指数 Excess red index −1.886 99.78 90.63 95.18 0.903 6 超绿指数 Excess green index 50.000 99.68 87.58 93.60 0.872 0 超蓝指数 Excess blue index −4.675 99.77 94.62 97.18 0.943 6 可见光波段差异植被指数
Visible band differential vegetation index0.133 99.98 88.28 94.10 0.882 0 红绿比指数 Red-green ratio index 0.724 99.84 89.25 94.52 0.890 4 蓝绿比指数 Blue-green ratio index 0.682 99.79 91.40 95.57 0.911 4 ![]()
图 8 6种可见光植被指数的植被信息提取结果绿色部分代表果树，灰色部分代表非果树Figure 8. Vegetation extraction results of six visible light vegetation indexesThe green part indicates fruit tree, the gray part indicates non fruit tree2.3 结合数字表面模型的提取与精度评价
基于“2.2”的提取结果和提取精度，非果树区域中的草地部分被错分成了果树，导致非果树的提取精度和总精度降低。在数字表面模型中，沙糖橘果树和其他地物的高度具有较大差异，可以清晰地呈现出不同的亮度值。因此，我们将数字表面模型和上述6种可见光植被指数进行波段融合，提高草地的提取精度和提取结果的总精度。
同样利用基于规则的面向对象分类方法，对融合后的波段进行植被信息的提取，得到结合数字表面模型的6种可见光植被指数对应的植被分类提取结果，如图9所示。依然使用60个果树和60个非果树的验证样本，将分类结果当作真值，分别对这2种地物的分类结果计算混淆矩阵，得到融合波段各植被指数的提取精度评价，结果如表4所示。6种结合后的植被指数混淆矩阵中，总体分类精度分别为98.77%、97.27%、97.44%、97.67%、97.84%和97.84%，相较于对应的未结合数字表面模型的植被指数精度均有小幅度提升；非果树的提取精度分别提高了8.22%、8.77%、0.86%、8.27%、7.97%和5.53%；表明数字表面模型与可见光植被指数图像结合适用于提高非果树的提取精度，有效抑制和果树同为绿色的草地信息，不会过多地造成错分现象。
表 4 6种可见光植被指数融合数字表面模型提取精度评价Table 4. Accuracy assessments of vegetation extraction for six visible vegetation indexes combined with digital surface model植被指数
Vegetation index精度/% Accuracy Kappa系数(K)
Kappa coefficient果树 Fruit tree 非果树 Non fruit tree 总体 Total 超红指数 Excess red index 99.46 98.08 98.77 0.956 7 超绿指数 Excess green index 99.28 95.26 97.27 0.945 4 超蓝指数 Excess blue index 99.45 95.43 97.44 0.948 9 可见光波段差异植被指数
Visible band differential vegetation index99.76 95.58 97.67 0.953 4 红绿比指数 Red-green ratio index 99.31 96.37 97.84 0.956 8 蓝绿比指数 Blue-green ratio index 99.23 96.45 97.84 0.956 8 ![]()
图 9 结合数字表面模型的6种可见光植被指数信息提取结果绿色部分代表果树，黑色部分代表非果树Figure 9. Extraction results of six visible light vegetation indexes combined with digital surface modelThe green part indicates fruit tree, the black part indicates non fruit tree3. 结论
本研究在现有的可见光植被指数的植被提取基础上，提出了结合数字表面模型中的高程信息进一步提取果树和非果树的方法。在得到可见光植被指数(超红指数、超绿指数、超蓝指数、可见光波段差异植被指数、红绿比指数、蓝绿比指数)的计算图后，分析各植被指数的光谱特征和统计直方图，获得提取植被覆盖度合适的阈值，进行果树信息的提取。数字表面模型与可见光植被指数波段融合后的总体精度均大于97%，且非果树的提取精度均有所提升。超红指数与数字表面模型结合后的总精度最高，为98.77%，Kappa系数为0.956 7，植被信息提取精度不同程度地优于其他5种可见光植被指数与数字表面模型结合后的提取精度。可见光植被指数结合数字表面模型提取植被信息的方法可有效区分与果树色调相类似的地物，提高此类地物的提取精度，减少错分概率。本研究的研究对象为沙糖橘果树和非果树，下一步的研究重点是将此法推广至其他不同作物上，进一步验证其适用性。
-
![]()
图 1 本研究收集的8种类别柑橘叶片图像示例
A：健康；B：黄龙病−斑驳；C：黄龙病−缺锌状；D：黄龙病−叶脉黄化；E：黄龙病−均匀黄化；F：非黄龙病−缺锌状；G：非黄龙病−叶脉黄化；H：非黄龙病−均匀黄化
Figure 1. Examples of eight classes of citrus leaves used in this study
A: Healthy; B: HLB-mottle; C: HLB-zinc deficiency; D: HLB-vein yellowing; E: HLB-uniform yellowing; F: Non-HLB-zinc deficiency; G: Non-HLB-vein yellowing; H: Non-HLB-uniform yellowing
![]()
图 2 训练集图片数与平均F1分值动态关系图
Figure 2. Dynamic relationship of the number of mages in training set and mean F1 score
表 1 使用MobileNetV1网络结构的八类识别器的测试结果
Table 1 Test result of eight-class classifier using MobileNetV1 network architecture
图片类型
Image
type测试集
图片数
No. of
images in test set训练集
图片数
No. of images
in training set真阳性
率/%
True positive
rate假阴性
率/%
False negative
rate真阴性
率/%
True negative
rate假阳性
率/%
False positive
rate准确率/%
Accuracy平均F1
分值/%
Mean F1
score黄龙病
识别率/%
HLB detection
rate非黄龙病
识别率/%
Non-HLB
detection rate黄龙病−斑驳 HLB-mottle 50 514 84.0 16.0 77.4 6.0 91.0 87.9 94.0 6.0 黄龙病−缺锌状
HLB-zinc deficiency50 120 86.0 14.0 77.1 2.6 94.6 86.1 100.0 0.0 黄龙病−叶脉黄化
HLB-vein yellowing50 115 74.0 26.0 78.9 3.4 92.1 85.9 90.0 10.0 黄龙病−均匀黄化
HLB-uniform yellowing50 131 44.0 56.0 83.1 4.3 87.5 89.7 86.0 14.0 健康 Healthy 50 233 92.0 8.0 76.3 2.0 96.1 80.6 6.0 94.0 非黄龙病−缺锌状
Non-HLB-zinc deficiency50 123 98.0 2.0 75.4 1.4 97.6 95.3 2.0 98.0 非黄龙病−叶脉黄化
Non-HLB-vein yellowing50 254 84.0 16.0 77.4 2.6 94.3 91.3 6.0 94.0 非黄龙病−均匀黄化
Non-HLB-uniform yellowing50 177 64.0 36.0 80.3 1.7 92.4 90.9 26.0 74.0 所有黄龙病图像
Total HLB images200 880 72.0 44.0 79.1 4.1 91.3 87.4 85.5 7.5 所有非黄龙病图像
Total non-HLB images200 787 84.5 15.5 77.4 1.9 95.1 89.5 10.0 90.0 所有图像 Total images 400 1 667 78.3 21.8 78.3 3.0 93.7 88.4 
下载: 导出CSV
表 2 使用InceptionV3网络结构的八类识别器的测试结果
Table 2 Test result of eight-class classifier using InceptionV3 network architecture
图片类型
Image
type测试集
图片数
No. of
images in test set训练集
图片数
No. of images
in training set真阳性
率/%
True positive
rate假阴性
率/%
False negative
rate真阴性
率/%
True negative
rate假阳性
率/%
False positive
rate准确率/%
Accuracy平均F1
分值/%
Mean F1
score黄龙病
识别率/%
HLB detection
rate非黄龙病
识别率/%
Non-HLB
detection rate黄龙病−斑驳 HLB-mottle 50 514 56.0 42.0 66.6 6.0 85.7 84.3 82.0 16.0 黄龙病−缺锌状
HLB-zinc deficiency50 120 84.0 16.0 62.6 10.0 85.4 74.7 94.0 6.0 黄龙病−叶脉黄化
HLB-vein yellowing50 115 68.0 32.0 64.9 4.0 89.2 50.6 78.0 22.0 黄龙病−均匀黄化
HLB-uniform yellowing50 131 14.0 86.0 72.6 5.7 80.1 89.3 88.0 12.0 健康 Healthy 50 233 62.0 38.0 65.7 4.9 87.4 74.3 16.0 84.0 非黄龙病−缺锌状
Non-HLB-zinc deficiency50 123 92.0 8.0 61.4 2.6 94.7 94.2 0.0 100.0 非黄龙病−叶脉黄化
Non-HLB-vein yellowing50 254 84.0 18.0 62.6 4.6 90.7 83.2 10.0 92.0 非黄龙病−均匀黄化
Non-HLB-uniform yellowing50 177 62.0 38.0 65.7 2.0 90.4 72.7 34.0 66.0 所有黄龙病图像
Total HLB images200 880 55.5 44.0 66.6 6.4 85.1 74.7 85.5 14.0 所有非黄龙病图像
Total non-HLB images200 787 75.0 25.5 63.9 3.5 90.8 81.1 15.0 85.5 所有图像 Total images 400 1 667 65.3 34.3 65.3 5.0 88.0 77.9
下载: 导出CSV
表 3 使用MobileNetV1网络结构的二类识别器的测试结果
Table 3 Test result of two-class classifier using MobileNetV1 network architecture
图片类型
Image
type测试集
图片数
No. of
images in test set训练集
图片数
No. of
images in training set真阳性
率/%
True positive
rate假阴性
率/%
False negative
rate真阴性
率/%
True negative
rate假阳性
率/%
False positive
rate准确率/%
Accuracy平均F1
分值/%
Mean F1
score黄龙病
识别率/%
HLB detection
rate非黄龙病
识别率/%
Non-HLB
detection rate所有黄龙病图像
Total HLB images200 880 96.0 4.0 22.0 78.0 59.0 70.1 96.0 4.0 所有非黄龙病图像
Total non-HLB images200 787 22.0 78.0 96.0 4.0 59.0 34.9 78.0 22.0 所有图像 Total images 400 1 667 59.0 41.0 59.0 41.0 59.0 52.5
下载: 导出CSV
表 4 使用InceptionV3网络结构的二类识别器的测试结果
Table 4 Test result of two-class classifier using InceptionV3 network architecture
图片类型
Image
type测试集
图片数
No. of
images in test set训练集
图片数
No. of
images in training set真阳性
率/%
True positive
rate假阴性
率/%
False negative
rate真阴性
率/%
True negative
rate假阳性
率/%
False positive
rate准确率/%
Accuracy平均F1
分值/%
Mean F1
score黄龙病
识别率/%
HLB detection
rate非黄龙病
识别率/%
Non-HLB
detection rate所有黄龙病图像
Total HLB images200 880 84.0 16.0 34.0 66.0 59.0 67.2 84.0 16.0 所有非黄龙病图像
Total non-HLB images200 787 34.0 66.0 84.0 16.0 59.0 45.3 66.0 34.0 所有图像 Total images 400 1 667 59.0 41.0 59.0 41.0 59.0 56.3
下载: 导出CSV
表 5 识别器的田间测试结果
Table 5 Field test result of classifier
测试平台
Test platform图像背景
Image Background图片类别
Image
type测试集
图片数
No. of
images in test set训练集
图片数
No. of
images in training set真阳性
率/%
True positive
rate假阴性
率/%
False negative
rate真阴性
率/%
True negative
rate假阳性
率/%
False positive
rate准确率/%
Accuracy平均F1
分值/%
Mean F1
score手机
Mobile phone树上
On the tree黄龙病
HLB150 4 280 100 0 68.7 29.3 85.2 87.2 非黄龙病
Non-HLB147 4 534 68.7 29.3 100 0 85.2 82.4 摄影布
Photographic backdrop黄龙病
HLB150 4 280 56.0 44.0 91.3 8.7 73.7 68.0 非黄龙病
Non-HLB151 4 534 91.3 8.7 56.0 44.0 73.7 77.6 计算机
Computer树上
On the tree黄龙病
HLB149 4 280 76.5 23.5 99.4 0.6 88.3 86.4 非黄龙病
Non-HLB159 4 534 99.4 0.6 76.5 23.5 88.3 89.8 摄影布
Photographic backdrop黄龙病
HLB157 4 280 98.7 1.3 85.7 13.2 92.4 93.1 非黄龙病
Non-HLB147 4 534 85.7 14.3 98.7 1.3 92.4 91.6
下载: 导出CSV
-
[1] 林孔湘. 柑桔黄梢(黄龙)病研究Ⅰ: 病情调查[J]. 植物病理学报, 1956, 2(1): 1-11. [2] DENG X, LAN Y, HONG T, et al. Citrus greening detection using visible spectrum imaging and C-SVC[J]. Comput Electron Agr, 2016, 130(2016): 177-183.
[3] GARCIA-RUIZ F, SANKARAN S, MAJA J M, et al. Comparison of two aerial imaging platforms for identification of Huanglongbing-infected citrus trees[J]. Comput Electron Agr, 2013, 91: 106-115. doi: 10.1016/j.compag.2012.12.002
[4] MISHRA A, KARIMI D, EHSANI R, et al. Evaluation of an active optical sensor for detection of Huanglongbing (HLB) disease[J]. Biosyst Eng, 2011, 110(3): 302-309. doi: 10.1016/j.biosystemseng.2011.09.003
[5] MISHRA A, KARIMI D, EHSANI R, et al. Identification of citrus greening (Hlb) using a vis-nir spectroscopy technique[J]. T ASABE, 2012, 55(2): 711-720. doi: 10.13031/2013.41369
[6] SANKARAN S, MISHRA A, MAJA J M, et al. Visible-near infrared spectroscopy for detection of Huanglongbing in citrus orchards[J]. Comput Electron Agr, 2011, 77(2): 127-134. doi: 10.1016/j.compag.2011.03.004
[7] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[J]. Commun ACM, 2017, 60(6): 84-90. doi: 10.1145/3065386
[8] ZHANG Y C, KAGEN A C. Machine learning interface for medical image analysis[J]. J Digit Imaging, 2017, 30(5): 615-621. doi: 10.1007/s10278-016-9910-0
[9] ESTEVA A, KUPREL B, NOVOA R A, et al. Dermatologist-level classification of skin cancer with deep neural networks[J]. Nature, 2017, 542(7639): 115-118. doi: 10.1038/nature21056
[10] LEE H, KIM K G. Applying deep learning in medical images: The case of bone age estimation[J]. Healthc Inform Res, 2018, 24(1): 86-92. doi: 10.4258/hir.2018.24.1.86
[11] LITJENS G, KOOI T, BEJNORDI B E, et al. A survey on deep learning in medical image analysis[J]. Med Image Anal, 2017, 42: 60-88. doi: 10.1016/j.media.2017.07.005
[12] GHOSAL S, BLYSTONE D, SINGH A K, et al. An explainable deep machine vision framework for plant stress phenotyping[J]. Proc Natl Acad Sci USA, 2018, 115(18): 4613-4618. doi: 10.1073/pnas.1716999115
[13] TAPAS A. Transfer learning for image classification and plant phenotyping[J]. Int J Res Appl Sci Eng Technol, 2016, 5(11): 2664-2668.
[14] SLADOJEVIC S, ARSENOVIC M, CULIBRK A A D, et al. Deep neural networks based recognition of plant diseases by leaf image classification[J]. Comput Intel Neurosc, 2016: 3289801.
[15] ZHANG K, WU Q, LIU A, et al. Can deep learning identify tomato leaf disease?[J]. Advances in Multimedia, 2018, 2018: 1-10.
[16] RAMCHARAN A, BARANOWSKI K, MCCLOSKEY P, et al. Deep learning for image-based cassava disease detection[J]. Front Plant Sci, 2017, 8: 1-7.
[17] CHOI D, LEE W, SCHUELLER J K, et al. A precise fruit inspection system for Huanglongbing and other common citrus defects using GPU and deep learning technologies[C]// ISPA. Proceedings of 13th International Conference on Precision Agriculture, St Louis, Missouri: ISPA, 2016, 1-6.
[18] MOHANTY S P, HUGHES D P, SALATHE M. Using deep learning for image-based plant disease detection[J]. Front Plant Sci, 2016, 7: 1-7.
[19] LI W, HARTUNG J S, LEVY L. Quantitative real-time PCR for detection and identification of Candidatus Liberibacter species associated with citrus huanglongbing[J]. J Microbiol Meth, 2006, 66(1): 104-115. doi: 10.1016/j.mimet.2005.10.018
[20] FAWCETT T. An introduction to ROC analysis[J]. Pattern Recogn Lett, 2006, 27(8): 861-874. doi: 10.1016/j.patrec.2005.10.010
[21] DENG X, LAN Y, XING X, et al. Citrus huanglongbing detection based on image feature extraction and two-stage back propagation neural network modeling[J]. Int J Agr Biol Eng, 2016, 9(6): 20-26.
[22] 李俭川, 秦国军, 温熙森, 等. 神经网络学习算法的过拟合问题及解决方法[J]. 振动、测试与诊断, 2002, 22(4): 260-264. doi: 10.3969/j.issn.1004-6801.2002.04.003 [23] 陶砾, 杨朔, 杨威. 深度学习的模型搭建及过拟合问题的研究[J]. 计算机时代, 2018(2): 14-21. [24] REINKING O A. Diseases of economic plants in southern China[J]. Philipp Agric, 1919, 8: 109-135.
[25] TU C. Notes on disease of economic plants in South China[J]. Lingnan Science Journal, 1932, 11: 489-504.
[26] 吴定尧. 柑橘黄龙病及综合防治[M]. 广州: 广东科技出版社. 2010: 12-20. -
期刊类型引用(11)
1. 池美香，陈韶萍，黄婷，陈世雄，梁勇，邱荣洲. 柑橘黄龙病田间症状识别图像数据集. 中国科学数据(中英文网络版). 2025(01): 52-61 . 
百度学术
2. 殷献博，邓小玲，兰玉彬，陈欣. 基于改进YOLOX-Nano算法的柑橘梢期长势智能识别. 华南农业大学学报. 2023(01): 142-150 . 本站查看
3. 刘小刚，李荣梅，范诚，杨启良，赵璐. 基于语义分割的芒果表皮缺陷识别. 华南农业大学学报. 2023(01): 134-141 . 本站查看
4. 熊梦园，詹炜，桂连友，刘虎，王佩文，韩涛，李伟豪，孙泳. 基于ResNet模型的玉米叶片病害检测与识别. 江苏农业科学. 2023(08): 164-170 . 百度学术
5. 彭旭，饶元，乔焰. 基于宽度卷积神经网络的异常农情数据检测方法. 华南农业大学学报. 2022(02): 113-121 . 本站查看
6. 范世达，马伟荣，姜文博，张辉，王金振，李琦，何鹏博，彭磊，黄兆波. 基于深度学习的柑橘黄龙病远程诊断技术初探. 中国果树. 2022(04): 76-79+86+133 . 百度学术
7. 胡政，张艳，尚静，张楷文. 高光谱图像在农作物病害检测识别中的研究进展. 江苏农业科学. 2022(08): 49-55 . 百度学术
8. 曾伟辉，陈亚飞，胡根生，鲍文霞，梁栋. SMS和双向特征融合的自然背景柑橘黄龙病检测技术. 农业机械学报. 2022(11): 280-287 . 百度学术
9. 陆健强，林佳翰，黄仲强，王卫星，邱洪斌，杨瑞帆，陈平福. 基于Mixup算法和卷积神经网络的柑橘黄龙病果实识别研究. 华南农业大学学报. 2021(03): 94-101 . 本站查看
10. 樊湘鹏，周建平，许燕. 基于改进区域卷积神经网络的田间玉米叶部病害识别. 华南农业大学学报. 2020(06): 82-91 . 本站查看
11. 何建群，张润，杨庆文，彭家郁，王凌燕，任丽英. 柑桔黄龙病和木虱发生消长规律及综合防控配套技术. 云南农业科技. 2020(S1): 36-40 . 百度学术
其他类型引用(9)
计量
- 文章访问数: 1235
- HTML全文浏览量: 5
- PDF下载量: 1404
- 被引次数: 20
