林奕桐，梁 健，刘书田，贾书刚，玉建成，侯彦林

(1.南宁市气象局，南宁 530022；2.南宁师范大学，南宁 530022；3.广西海佩智能科技有限公司，南宁 530022)

【研究意义】柑橘是全球种植面积最大和总产量最高的水果之一[1]。广西的柑橘产量位居全国第一[2-3]。黄龙病是柑橘产业的毁灭性病害[4-5]，从20世纪80年代中期开始，柑橘黄龙病已在我国广东、广西、福建、海南和台湾等地的柑橘产区广泛蔓延[6]，我国栽培柑橘的19个省(区)中，已有11个遭受危害[7]。感染黄龙病的柑橘植株出现症状时，果树长势快速衰退，树叶斑驳、黄化，植株矮小，果实着色不正常，呈现“红鼻子果”，导致品质变差[8]。黄龙病传染能力强，能迅速感染其他柑橘植株，对柑橘产业造成严重影响。柑橘黄龙病主要通过木虱传播，属于短距离传染疾病[9-12]。快速、及早发现病株是防治黄龙病的前提，尽早挖除病株并对传播病菌的害虫加以防治是防治柑橘黄龙病的最有效方法[13]。无人机遥感具有灵活机动、高效快速、精细准确和作业成本低等特点[14-15]，与卫星遥感相比，无人机遥感分辨率更高，不受云雨影响，而与人工观测相比效率更高，且不受地形影响。目前无人机识别黄龙病主要采用能较好识别黄龙病个体的高光谱探测技术，但成本较高。可见光探测价格低廉，几乎所有无人机均具备搭载可见光传感器的能力。因此，探究基于无人机可见光通道的柑橘黄龙病识别方法，对利用低成本技术实现柑橘黄龙病识别具有重要意义。【前人研究进展】无人机技术已普遍应用于农业遥感信息获取、农业定量遥感、土壤水含量遥感反演、作物长势监测与产量估算及农业灾害遥感监测等[16-18]。在农作物病虫害监测方面，Backoulou等[19]、Xavier等[20]从作物的不同形态学特征出发，利用多光谱传感器获取病虫害胁迫区域的多光谱影像，通过提取光谱信息建立分类模型，分别成功识别了小麦蚜虫和棉花枯萎病的胁迫区域。Sanseechan等[21]利用甘蔗病害叶片影像的光谱反射率值构建相关植被指数，根据植被指数差异比实现对甘蔗白叶病的识别。王震等[22]通过小型多旋翼无人机采集可见光影像分析水稻白穗病样本的Haar-like特征，并通过Adaboost算法较准确地识别出水稻白穗病个体。也有学者利用多光谱遥感图像提取光谱信息，构建与作物病虫害症状密切相关的敏感植被指数，从而建立基于敏感植被指数的病虫害识别模型，成功对葡萄、棉花和水稻等作物病虫害的发生情况进行有效监测[23-25]。在柑橘黄龙病无人机遥感监测与识别方面，Li等[26]通过无人机采集美国佛罗里达州柑橘园的高光谱影像，先采用支持向量机(SVM)模型提取柑橘树冠轮廓，再构建阈值模型对影像近红外通道和红边位置进行分析，在2007年的实验中，由于验证样本的高度定位存在误差，平均识别准确率仅37.8%，在2010年的实验中，平均识别准确率达63.6%。兰玉彬等[13]利用高光谱传感器获取广东省惠州市柑橘黄龙病绿色防控与新栽培模式研发示范基地的遥感影像，并结合k近邻和SVM模型进行建模分类与识别，结果发现柑橘黄龙病的识别准确率为94.70%，误判率为3.36%。已有研究指出，通过无人机高光谱影像可较好地识别黄龙病个体，但无人机搭载的高光谱成像仪价格高，很难大范围推广应用[27]。【本研究切入点】目前，柑橘黄龙病个体的无人机影像识别模型大多基于高光谱通道构建，单纯通过可见光通道识别黄龙病个体的研究鲜见报道。【拟解决的关键问题】构建2套基于SVM的识别模型，通过柑橘黄龙病黄化识别模型确定具备黄龙病黄化特征的植株，再通过黄龙病斑驳特征识别模型对黄化植株的叶片进行斑驳特征分析确认黄龙病植株，对模型进行1次个体识别试验和2次普适性验证试验，为柑橘生产上快速、高效发现柑橘黄龙病病株提供参考依据。

1 材料与方法

1.1 研究区域概况

研究区域为广西桂林市平乐县源头农场(以下简称源头农场)、湖南省永州市江华瑶族自治县大路辅镇鹅塘村中国南方柑橘黄龙病防治研究中心果场(以下简称中心果场)和广西南宁市武鸣区四明村果园(以下简称四明村果园)。其中，在源头农场开展基于无人机可见光通道和SVM模型的柑橘黄龙病个体识别试验，在中心果场和四明村果园开展普适性验证试验。

源头农场地处110°56′36″～110°57′4″E，24°29′25″～24°29′44″N，海拔185～198 m。该区域属亚热带季风气候区，冬短夏长，气候温和，日照充足，雨量充沛，主要种植品种为温州蜜柑。中心果场地处111°34′6″～111°34′21″E，24°58′48″～24°59′2″N，海拔330～350 m。该区域属于亚热带季风气候区，具有气候温和、雨量充沛、冬寒期短、夏无酷暑、无霜期长、湿度大、晨雾多和风速小等气候特点，主要种植品种为沃柑。四明村果园地处108°11′56′′～108°11′59′′E， 23°24′30′′～23°24′33′′N，海拔132～141 m。该区域属亚热带季风气候，光热充足，雨量充沛，夏季炎热多雨，春秋季易旱，冬季温暖少雨，主要种植品种为皇帝柑。

1.2 数据来源

原始数据包括无人机遥感数据和GPS数据。无人机数据通过大疆经纬M210型无人机在研究区域上空定向巡航拍摄获得，GPS数据通过Garmin手持GPS逐点记录获取。

中心果场的观测时段为2019年12月4日12：10—12：40，飞行高度20 m。天气情况为少云，云量1～2，气温约11 ℃，相对湿度38%～45%，风速3～5 m/s。源头农场的观测时段为2020年9月8日13：00—13：40，飞行高度20 m。天气情况为少云，云量2～3，气温31.5 ℃，相对湿度72%～77%，风速1～4 m/s。四明村果园的观测时段为2022年1月19日14：30—14：50，飞行高度10 m。天气情况为晴，云量0～1，气温16 ℃，相对湿度48%～56%，风速2～5 m/s。

1.3 研究方法及原理

1.3.1 HSV颜色模型 无人机在可见光范围内仅能探测到红(R)、绿(G)和蓝(B)3个通道，为了从更多维度找寻黄龙病叶片与正常叶片的光谱差异，本研究引入HSV颜色模型，并参考Smith[28]的方法计算模型中的颜色参数色调(H)、饱和度(S)和明度(V)(HSV即为H、S和V的统称)。其中，色调表示颜色类别，以0～360 °表示，红色为0 °，黄色为60°，绿色为120°。

1.3.2 叶片斑驳特征识别方法 柑橘果树感染黄龙病后，在叶片转绿后局部褪绿，形成雾状斑驳黄化，斑驳位置和形状不规则，左右不对称，且无清晰边界，多数斑驳起源于叶脉、叶基部或叶边缘[29]。因此，可通过黄化斑驳叶片的剖线反射率波形特征及叶片左、右部分平均反射率之差(Drl)和上、下部分平均反射率之差(Dub)等因子来描述黄龙病的斑驳特征。

探索黄龙病斑驳特征首先需将目标叶片的轮廓从无人机影像中提取出来，并识别叶片的主叶脉和叶尖位置。鉴于柑橘果树的叶片较密集，本研究直接利用基于卷积神经网络的语义分割法[30]提取叶片轮廓。叶片主叶脉和叶尖位置识别采用叶片特殊点提取算法[30]，对于叶片的边缘点M[x(t)，y(t)]，其对应的曲率参数函数为：

式中，K(t)表示叶片的边缘曲率，x′(t)表示叶片边缘线当前坐标点的横坐标值，x″(t)表示叶片边缘线下一个坐标点的横坐标值，y′(t)表示叶片边缘线当前坐标点的纵坐标值，y″(t)表示叶片边缘线下一个坐标点的纵坐标值。

从图1可看出，对主叶脉节点进行线性回归，可得到主叶脉方向回归线a；作一条直线与主叶脉方向回归线平行，并与叶边缘相切，得到平行于主叶脉方向线的叶边缘切线b；在ab线中间作一条直线与主叶脉方向线平行，且使其到a和b距离相等，可得到叶片剖线c。统计剖线c上从叶柄到叶尖的像元值，可得到叶片的剖线反射率散点分布图，通过分析剖线反射率散点分布图，可得到叶片的剖线反射率波形特征。

图1 叶片剖线示意图Fig.1 Schematic diagram of leaf section line

1.3.3 SVM模型 SVM模型是基于一定的统计学分类方法，通过引进适当的损失函数以求得最好推广能力的数学模型[32]。判断柑橘叶片是否具备黄龙病黄化特征或斑驳特征是典型的“是”或“否”的二分类问题，而SVM是一类按监督学习方式对数据进行二分类的广义线性分类器[33]，可很好地解决黄龙病植株与正常植株的二分类问题。其原理为：给定l个样本数据{xk，yk}，其中，xk∈Rn为n维样本输入，yk∈R为样本输出，而函数逼近问题的实质就是要找出一个函数f，使得该函数经过样本训练后，对于除样本外的x，通过f能找出对应的y。再利用非线性映射法则φ(x)将训练数据集非线性地映射到一个高维特征空间(Hilbert空间)，得到使输入空间中的非线性函数估计问题转化为高维特征空间中的线性函数估计问题。SVM模型的算法参考林奕桐等[32]的方法进行运算。

1.3.4 基于无人机可见光通道及SVM模型的柑橘黄龙病个体识别方法 (1)对无人机遥感影像进行拼接裁剪、几何校正、辐射校正、植株提取，并对无人机可见光通道进行H、S和V换算。

(2)结合现场勘察结果，对矫正后的无人机遥感影像进行目视解译，并结合1.2%琼脂糖凝胶电泳PCR结果，确定试验区内多个典型黄龙病植株个例及正常植株个例。

(3)对部分黄龙病植株和正常植株个例进行可见光和HSV光谱特征分析，确定黄龙病植株黄化颜色特征，筛选出适合代入SVM分类模型的变量。

(4)将筛选出的可见光和HSV变量作为自变量，叶片是否具备黄龙病黄化特征(是为2，不是为1)为因变量代入SVM模型进行模拟，构建基于无人机可见光通道和SVM模型的柑橘黄龙病黄化识别模型。

(5)通过叶片斑驳特征识别方法对正常叶片、典型黄龙病斑驳叶片和非黄龙病黄化叶片进行分析，筛选出黄龙病斑驳特征自变量代入SVM模型，构建基于无人机可见光通道和SVM模型的黄龙病斑驳特征识别模型。

(6)将试验区域内所有植株的可见光和HSV数据代入训练好的柑橘黄龙病黄化识别模型进行识别。对具备黄龙病黄化特征的植株进行黄化叶片提取，再通过黄龙病斑驳特征识别模型进行叶片斑驳特征识别，具有黄龙病斑驳特征叶片所在的植株判断为黄龙病个体。

2 结果与分析

2.1 黄龙病植株与正常植株的可见光光谱特征

通过植被指数(VEG)对源头农场试验区域内植株进行掩膜提取，并选取典型正常植株和黄龙病植株个例2个样本，对样本的无人机影像分别进行红、绿和蓝单通道输出，得到植株样本的单通道反射率图像，分别对2个样本图像进行反射率平均值统计，结果(图2)发现黄龙病植株在红、绿和蓝3个波段的反射率均高于正常植株，在图像上亮度更高。其中，绿光波段反射率差异最明显，红光波段其次，蓝光波段反射率差异最小。

图2 柑橘正常植株和黄龙病植株个体的红、绿、蓝单可见光通道对比Fig.2 Red, green and blue single channel comparison between normal citrus strains and Huanglongbing-infected strains

为了更好地反映正常样本与黄龙病样本的光谱分布差异，以反射率值为横坐标，以像元个数为纵坐标构建折线统计图(图3)，统计2个样本的红、绿和蓝3个可见光通道反射率上的像元个数分布。从图3可看出，对于红光波段，正常个体的反射率值主要集中在30.00～80.00附近，而黄龙病个体的反射率值主要集中在150.00～256.00附近，其中波峰位于180.00附近；对于绿光波段，正常个体的反射率值主要集中在60.00～120.00附近，其中波峰位于90.00附近，而黄龙病个体的反射率值主要集中在190.00～256.00附近，波峰位于230.00附近；对于绿光波段，正常个体的反射率值主要集中在40.00～90.00附近，波峰位于60附近，而黄龙病个体的反射率值主要集中在60.00～160.00附近，波峰位于100.00附近，当像元值小于60.00时，黄龙病个体和正常个体的像元个数差异不明显，但随着反射率值的增大，正常个体的像元个数明显减少，而黄龙病个体的像元个数仍明显增加。黄龙病个体在红、绿和蓝3个通道的高值区域出现频次明显高于正常个体，其红、绿和蓝的平均反射率值分别为162.38、190.16和115.36，说明黄龙病个体和正常个体在红、绿和蓝3个通道的光谱分布均存在明显差异，可尝试根据这3个通道反射率值差异判断黄龙病叶片。

2.2 黄龙病植株与正常植株的HSV特征分析

分别计算2个样本的红、绿和蓝3个可见光通道图像的H、S和V，得到H、S和V图像，对图像进行单通道输出，分别统计H、S和V的平均值，结果(图4)发现黄龙病叶片的H小于正常个体(正常叶片的H为90°～100°，黄龙病叶片的H为70°～90°)，从数值上看，黄龙病叶片更接近黄色，正常叶片更接近绿色，因此，从图像上可明显看出黄龙病叶片与正常叶片在H上的区别；在S方面，黄龙病叶片与正常叶片的数值差异不明显；在V方面，由于黄龙病叶片的反射率值较高，因此其V明显大于正常叶片。综上所述，可根据H和V的差异可鉴别黄龙病叶片。

图3 柑橘正常植株及黄龙病植株个体红、绿和蓝可见光通道光谱分布统计Fig.3 Spectral distribution statistics of red, green and blue visible light channels in normal citrus strains and Huanglongbing-infected strains

2.3 柑橘黄龙病植株、正常植株与非黄龙病黄化植株的斑驳特征分析

剪取黄龙病植株和正常植株样本叶片各100份(取自不同区域的不同植株)进行斑驳特征分析。为了方便比较，以缺锌黄化样本叶片100份进行对比。通过1.2%琼脂糖凝胶电泳PCR检测，确认黄龙病植株的叶片均为黄龙病叶片，经锌含量检测和PCR检测，确认缺锌植株叶片为非黄龙病黄化样本。统计三类叶片样本在R波段上的Drl和Dub，得到的结果作散点图(图5)。由图5-A可看出，黄龙病叶片的Drl在11.5～57.5，普遍高于正常叶片和非黄龙病黄化叶片，因此很容易与正常叶片和黄龙病叶片区分，而缺锌叶片的Drl在11.8～17.3，与黄龙病斑驳特征较明显的叶片虽有较明显区别，但与左、右部分反射率差异较小的黄龙病叶片仅通过Drl不易区分，需通过比较以下Dub来进一步区分。

黄龙病叶片的Dub在10.6～29.5(图5-B)，普遍高于正常叶片和非黄龙病黄化叶片，而缺锌叶片的Dub在-46.13～-1.06，均小于0。因此，通过Dub可较好地鉴别缺锌、缺钙、缺镁和缺钾等叶尖黄化病害，也可较好地区分缺氮、缺硫和衰退病等叶片均匀黄化病害。

图4 柑橘正常个体和黄龙病个体的H、S和V单通道对比Fig.4 H, S, V single channel comparison between normal citrus strains and Huanglongbing-infected strains

图5 柑橘叶片样本在R波段上的Drl和DubFig.5 Drl and Dub of citrus leaf samples on R-band

2.4 基于无人机可见光通道和SVM模型的柑橘黄龙病个体识别试验

试验区域内有非黄龙病个体22株，黄龙病个体6株，该28株样本均经过1.2%琼脂糖凝胶电泳PCR鉴定。黄龙病个体分别用A、B、C、D、E和F表示(图7-A)。其中，C和F病株黄化特征较明显，D、B和E其次，A病株黄化特征最不明显。将所有植株通过基于无人机可见光通道和SVM模型的柑橘黄龙病黄化识别方法进行识别，结果如图7-B所示。

从图7还可看出，6株黄龙病植株上的黄化叶片均被模型较好地识别，根据斑驳特征识别结果(表1)，6个样本植株均识别出具有黄龙病斑驳特征的叶片，因此判定为黄龙病个体；其余植株也被识别出极少数的黄化叶片，但不具备黄龙病斑驳特征，判定为非黄龙病个体。最终的判定结果为：22株非黄龙病个体，6株黄龙病个体，识别准确率为100%。

图6 柑橘叶片样本的剖线反射率波形特征Fig.6 Waveform characteristics of citrus leaf samples on profile line reflectivity

图7 柑橘黄龙病个体识别试验结果Fig.7 Citrus Huanglongbing individual identification test experiment

表1 柑橘黄龙病叶片斑驳特征识别结果

2.5 普适性验证结果

为验证模型的普适性，需对试验区域外柑橘种植区进行普适性验证试验(以中心果场和四明村果园作为验证区)。

中心果场验证区面积约4.3 hm2，有植株个体4383株。其中，经PCR鉴定确诊的黄龙病个体共计38株，其余为非黄龙病个体。对该区域进行基于无人机可见光通道和SVM模型的柑橘黄龙病个体识别，若模型识别结果与实测结果一致，则认为是正确判断，若模型识别结果为黄龙病个体，实测结果为非黄龙病个体，则认为是误判，若模型识别结果为非黄龙病个体，实测结果为黄龙病个体，则认为是漏判。试验结果(图8)表明，4345株非黄龙病个体中，正确判断4341株，误判4株，准确率为99.91%，这是由于试验区部分植株已挂果，在光照充足时，果实和黄龙病叶片的光谱特征差异很小，仅通过黄化模型进行识别会造成错误判断；在加入斑驳特征识别后，4个误判个例全部被剔除，识别准确率为100.00%；在38株黄龙病个体中，正确判断34株，漏判4株(图8)，准确率为89.47%。出现漏判的主要原因是其中1株黄龙病个体为黄龙病初发阶段，另外3株黄龙病个体已经过治疗，这4株柑橘的外观均不具备黄龙病特征，叶片的光谱特征及斑驳特征与正常个体基本相同，因而无论是黄化识别模型还是斑驳特征识别模型均识别成非黄龙病个体，出现漏判(图9)。

四明村果园验证区面积约0.07 hm2，有植株个体52株。其中，经PCR鉴定的黄龙病个体15株，非黄龙病黄化个体21株，主要包含缺锌黄化、炭疽病黄化及缺氮和缺镁黄化等，正常个体16株。对该区域进行基于无人机可见光通道和SVM模型的柑橘黄龙病个体识别，结果正确判断黄龙病个体(图10-A)14株，漏判1株(图10-B)，准确率为93.33%，正确判断非黄龙病个体36株，误判1株(图10-C)，准确率为97.30%。经实地调查，出现漏判的主要原因是该植株因疏于管理，未及时砍伐，黄龙病感染非常严重导致根系坏死，叶片因严重缺锌，掩盖了原有的黄龙病特征，叶片主要表现特征与缺锌症状高度相似(图10)。

图8 柑橘患病个体识别普适性验证结果(不含正常植株)Fig.8 Infected citrus individual identification universality verification result (excluding normal plants)

图9 中心果场的试验漏判个例Fig.9 A missing case in the experiment at fruit farm of Research Center

图10 四明村果园的试验漏判个例Fig.10 A missing case in the experiment at orchard of Siming Village

3 讨 论

本研究中，黄龙病植株在无人机影像中红、绿和蓝3个通道的反射率均高于正常个体，与Li等[26]的研究结果一致；以通过无人机可见光通道采集的红、绿、蓝、颜色参数色调(H)和明度(V)5个因子作为自变量输入SVM模型开展黄龙病黄化特征识别，可有效区分正常植株和黄化植株，从而实现大面积柑橘种植区域的黄化个体识别，进一步提升开展黄龙病斑驳特征识别的效率。

兰玉彬等[13]研究表明，现阶段采用无人机高光谱通道对柑橘非黄龙病个体识别的准确率为100.00%，对黄龙病个体识别的准确率为94.70%，均稍高于本研究中的普适性试验结果。这是由于无人机搭载的Nano-Hyperspec高光谱传感器与普通的可见光传感器相比，拥有更多的识别通道及更高的光谱分辨率。但高光谱传感器的市场价格为普通可见光传感器的30～40倍，因此，高光谱传感器及其识别方法更适用于科学研究，而本研究中采用成本更低且易于操作的可见光传感器，更适用于生产上进行柑橘黄龙病监测。

本研究在普适性试验中发现，仅采用柑橘黄龙病黄化识别模型识别时，在光照充足条件下成熟柑橘果实的可见光反射率与黄龙病叶片相似，会对模型识别造成干扰，而进一步采取叶片斑驳特征识别后，可完全排除该项干扰，能解决结果期通过可见光通道难以准确识别黄龙病植株的问题。同时，叶片斑驳特征识别可有效排除非黄龙病黄化病害对识别结果的干扰，很大程度上提高黄龙病植株识别的准确率。

在黄龙病初发时或经过治疗后，黄龙病植株的黄化特征和斑驳特征均不明显，在外观上与正常植株基本相同，这会影响模型的判断。兰玉彬等[13]通过高光谱传感器对黄龙病植株开展识别的研究也发现，感染黄龙病程度较低的植株可能会被误判为正常植株，本研究结果与其相似。可见，无论是可见光传感器还是高光谱传感器，均很难在黄龙病初发时或治疗阶段准确识别出黄龙病植株。本研究还发现，黄龙病发病非常严重的植株，其叶片的缺素特征会掩盖黄龙病特有的斑驳特征，也会影响模型的判断。因此，如何通过无人机可见光通道有效识别不具备黄龙病黄化及斑驳特征的植株，仍有待进一步探究。

4 结 论

基于无人机可见光通道和SVM模型的柑橘黄龙病个体识别方法，能有效识别柑橘种植区的黄龙病植株，且相较于高光谱识别方法成本更低，可在柑橘种植区域黄龙病防治中广泛应用。