基于無人機可見光通道及支持向量機模型的柑橘黃龍病個體識別方法

林奕桐，梁 健，劉書田，賈書剛，玉建成，侯彥林

(1.南寧市氣象局，南寧 530022；2.南寧師范大學(xué)，南寧 530022；3.廣西海佩智能科技有限公司，南寧 530022)

【研究意義】柑橘是全球種植面積最大和總產(chǎn)量最高的水果之一[1]。廣西的柑橘產(chǎn)量位居全國第一[2-3]。黃龍病是柑橘產(chǎn)業(yè)的毀滅性病害[4-5]，從20世紀80年代中期開始，柑橘黃龍病已在我國廣東、廣西、福建、海南和臺灣等地的柑橘產(chǎn)區(qū)廣泛蔓延[6]，我國栽培柑橘的19個省(區(qū))中，已有11個遭受危害[7]。感染黃龍病的柑橘植株出現(xiàn)癥狀時，果樹長勢快速衰退，樹葉斑駁、黃化，植株矮小，果實著色不正常，呈現(xiàn)“紅鼻子果”，導(dǎo)致品質(zhì)變差[8]。黃龍病傳染能力強，能迅速感染其他柑橘植株，對柑橘產(chǎn)業(yè)造成嚴重影響。柑橘黃龍病主要通過木虱傳播，屬于短距離傳染疾病[9-12]?？焖?、及早發(fā)現(xiàn)病株是防治黃龍病的前提，盡早挖除病株并對傳播病菌的害蟲加以防治是防治柑橘黃龍病的最有效方法[13]。無人機遙感具有靈活機動、高效快速、精細準確和作業(yè)成本低等特點[14-15]，與衛(wèi)星遙感相比，無人機遙感分辨率更高，不受云雨影響，而與人工觀測相比效率更高，且不受地形影響。目前無人機識別黃龍病主要采用能較好識別黃龍病個體的高光譜探測技術(shù)，但成本較高?？梢姽馓綔y價格低廉，幾乎所有無人機均具備搭載可見光傳感器的能力。因此，探究基于無人機可見光通道的柑橘黃龍病識別方法，對利用低成本技術(shù)實現(xiàn)柑橘黃龍病識別具有重要意義?！厩叭搜芯窟M展】無人機技術(shù)已普遍應(yīng)用于農(nóng)業(yè)遙感信息獲取、農(nóng)業(yè)定量遙感、土壤水含量遙感反演、作物長勢監(jiān)測與產(chǎn)量估算及農(nóng)業(yè)災(zāi)害遙感監(jiān)測等[16-18]。在農(nóng)作物病蟲害監(jiān)測方面，Backoulou等[19]、Xavier等[20]從作物的不同形態(tài)學(xué)特征出發(fā)，利用多光譜傳感器獲取病蟲害脅迫區(qū)域的多光譜影像，通過提取光譜信息建立分類模型，分別成功識別了小麥蚜蟲和棉花枯萎病的脅迫區(qū)域。Sanseechan等[21]利用甘蔗病害葉片影像的光譜反射率值構(gòu)建相關(guān)植被指數(shù)，根據(jù)植被指數(shù)差異比實現(xiàn)對甘蔗白葉病的識別。王震等[22]通過小型多旋翼無人機采集可見光影像分析水稻白穗病樣本的Haar-like特征，并通過Adaboost算法較準確地識別出水稻白穗病個體。也有學(xué)者利用多光譜遙感圖像提取光譜信息，構(gòu)建與作物病蟲害癥狀密切相關(guān)的敏感植被指數(shù)，從而建立基于敏感植被指數(shù)的病蟲害識別模型，成功對葡萄、棉花和水稻等作物病蟲害的發(fā)生情況進行有效監(jiān)測[23-25]。在柑橘黃龍病無人機遙感監(jiān)測與識別方面，Li等[26]通過無人機采集美國佛羅里達州柑橘園的高光譜影像，先采用支持向量機(SVM)模型提取柑橘樹冠輪廓，再構(gòu)建閾值模型對影像近紅外通道和紅邊位置進行分析，在2007年的實驗中，由于驗證樣本的高度定位存在誤差，平均識別準確率僅37.8%，在2010年的實驗中，平均識別準確率達63.6%。蘭玉彬等[13]利用高光譜傳感器獲取廣東省惠州市柑橘黃龍病綠色防控與新栽培模式研發(fā)示范基地的遙感影像，并結(jié)合k近鄰和SVM模型進行建模分類與識別，結(jié)果發(fā)現(xiàn)柑橘黃龍病的識別準確率為94.70%，誤判率為3.36%。已有研究指出，通過無人機高光譜影像可較好地識別黃龍病個體，但無人機搭載的高光譜成像儀價格高，很難大范圍推廣應(yīng)用[27]?！颈狙芯壳腥朦c】目前，柑橘黃龍病個體的無人機影像識別模型大多基于高光譜通道構(gòu)建，單純通過可見光通道識別黃龍病個體的研究鮮見報道?！緮M解決的關(guān)鍵問題】構(gòu)建2套基于SVM的識別模型，通過柑橘黃龍病黃化識別模型確定具備黃龍病黃化特征的植株，再通過黃龍病斑駁特征識別模型對黃化植株的葉片進行斑駁特征分析確認黃龍病植株，對模型進行1次個體識別試驗和2次普適性驗證試驗，為柑橘生產(chǎn)上快速、高效發(fā)現(xiàn)柑橘黃龍病病株提供參考依據(jù)。

1 材料與方法

1.1 研究區(qū)域概況

研究區(qū)域為廣西桂林市平樂縣源頭農(nóng)場(以下簡稱源頭農(nóng)場)、湖南省永州市江華瑤族自治縣大路輔鎮(zhèn)鵝塘村中國南方柑橘黃龍病防治研究中心果場(以下簡稱中心果場)和廣西南寧市武鳴區(qū)四明村果園(以下簡稱四明村果園)。其中，在源頭農(nóng)場開展基于無人機可見光通道和SVM模型的柑橘黃龍病個體識別試驗，在中心果場和四明村果園開展普適性驗證試驗。

源頭農(nóng)場地處110°56′36″～110°57′4″E，24°29′25″～24°29′44″N，海拔185～198 m。該區(qū)域?qū)賮啛釒Ъ撅L(fēng)氣候區(qū)，冬短夏長，氣候溫和，日照充足，雨量充沛，主要種植品種為溫州蜜柑。中心果場地處111°34′6″～111°34′21″E，24°58′48″～24°59′2″N，海拔330～350 m。該區(qū)域?qū)儆趤啛釒Ъ撅L(fēng)氣候區(qū)，具有氣候溫和、雨量充沛、冬寒期短、夏無酷暑、無霜期長、濕度大、晨霧多和風(fēng)速小等氣候特點，主要種植品種為沃柑。四明村果園地處108°11′56′′～108°11′59′′E， 23°24′30′′～23°24′33′′N，海拔132～141 m。該區(qū)域?qū)賮啛釒Ъ撅L(fēng)氣候，光熱充足，雨量充沛，夏季炎熱多雨，春秋季易旱，冬季溫暖少雨，主要種植品種為皇帝柑。

1.2 數(shù)據(jù)來源

原始數(shù)據(jù)包括無人機遙感數(shù)據(jù)和GPS數(shù)據(jù)。無人機數(shù)據(jù)通過大疆經(jīng)緯M210型無人機在研究區(qū)域上空定向巡航拍攝獲得，GPS數(shù)據(jù)通過Garmin手持GPS逐點記錄獲取。

中心果場的觀測時段為2019年12月4日12：10—12：40，飛行高度20 m。天氣情況為少云，云量1～2，氣溫約11 ℃，相對濕度38%～45%，風(fēng)速3～5 m/s。源頭農(nóng)場的觀測時段為2020年9月8日13：00—13：40，飛行高度20 m。天氣情況為少云，云量2～3，氣溫31.5 ℃，相對濕度72%～77%，風(fēng)速1～4 m/s。四明村果園的觀測時段為2022年1月19日14：30—14：50，飛行高度10 m。天氣情況為晴，云量0～1，氣溫16 ℃，相對濕度48%～56%，風(fēng)速2～5 m/s。

1.3 研究方法及原理

1.3.1 HSV顏色模型 無人機在可見光范圍內(nèi)僅能探測到紅(R)、綠(G)和藍(B)3個通道，為了從更多維度找尋黃龍病葉片與正常葉片的光譜差異，本研究引入HSV顏色模型，并參考Smith[28]的方法計算模型中的顏色參數(shù)色調(diào)(H)、飽和度(S)和明度(V)(HSV即為H、S和V的統(tǒng)稱)。其中，色調(diào)表示顏色類別，以0～360 °表示，紅色為0 °，黃色為60°，綠色為120°。

1.3.2 葉片斑駁特征識別方法 柑橘果樹感染黃龍病后，在葉片轉(zhuǎn)綠后局部褪綠，形成霧狀斑駁黃化，斑駁位置和形狀不規(guī)則，左右不對稱，且無清晰邊界，多數(shù)斑駁起源于葉脈、葉基部或葉邊緣[29]。因此，可通過黃化斑駁葉片的剖線反射率波形特征及葉片左、右部分平均反射率之差(Drl)和上、下部分平均反射率之差(Dub)等因子來描述黃龍病的斑駁特征。

探索黃龍病斑駁特征首先需將目標葉片的輪廓從無人機影像中提取出來，并識別葉片的主葉脈和葉尖位置。鑒于柑橘果樹的葉片較密集，本研究直接利用基于卷積神經(jīng)網(wǎng)絡(luò)的語義分割法[30]提取葉片輪廓。葉片主葉脈和葉尖位置識別采用葉片特殊點提取算法[30]，對于葉片的邊緣點M[x(t)，y(t)]，其對應(yīng)的曲率參數(shù)函數(shù)為：

式中，K(t)表示葉片的邊緣曲率，x′(t)表示葉片邊緣線當前坐標點的橫坐標值，x″(t)表示葉片邊緣線下一個坐標點的橫坐標值，y′(t)表示葉片邊緣線當前坐標點的縱坐標值，y″(t)表示葉片邊緣線下一個坐標點的縱坐標值。

從圖1可看出，對主葉脈節(jié)點進行線性回歸，可得到主葉脈方向回歸線a；作一條直線與主葉脈方向回歸線平行，并與葉邊緣相切，得到平行于主葉脈方向線的葉邊緣切線b；在ab線中間作一條直線與主葉脈方向線平行，且使其到a和b距離相等，可得到葉片剖線c。統(tǒng)計剖線c上從葉柄到葉尖的像元值，可得到葉片的剖線反射率散點分布圖，通過分析剖線反射率散點分布圖，可得到葉片的剖線反射率波形特征。

圖1 葉片剖線示意圖Fig.1 Schematic diagram of leaf section line

1.3.3 SVM模型 SVM模型是基于一定的統(tǒng)計學(xué)分類方法，通過引進適當?shù)膿p失函數(shù)以求得最好推廣能力的數(shù)學(xué)模型[32]。判斷柑橘葉片是否具備黃龍病黃化特征或斑駁特征是典型的“是”或“否”的二分類問題，而SVM是一類按監(jiān)督學(xué)習(xí)方式對數(shù)據(jù)進行二分類的廣義線性分類器[33]，可很好地解決黃龍病植株與正常植株的二分類問題。其原理為：給定l個樣本數(shù)據(jù){xk，yk}，其中，xk∈Rn為n維樣本輸入，yk∈R為樣本輸出，而函數(shù)逼近問題的實質(zhì)就是要找出一個函數(shù)f，使得該函數(shù)經(jīng)過樣本訓(xùn)練后，對于除樣本外的x，通過f能找出對應(yīng)的y。再利用非線性映射法則φ(x)將訓(xùn)練數(shù)據(jù)集非線性地映射到一個高維特征空間(Hilbert空間)，得到使輸入空間中的非線性函數(shù)估計問題轉(zhuǎn)化為高維特征空間中的線性函數(shù)估計問題。SVM模型的算法參考林奕桐等[32]的方法進行運算。

1.3.4 基于無人機可見光通道及SVM模型的柑橘黃龍病個體識別方法 (1)對無人機遙感影像進行拼接裁剪、幾何校正、輻射校正、植株提取，并對無人機可見光通道進行H、S和V換算。

(2)結(jié)合現(xiàn)場勘察結(jié)果，對矯正后的無人機遙感影像進行目視解譯，并結(jié)合1.2%瓊脂糖凝膠電泳PCR結(jié)果，確定試驗區(qū)內(nèi)多個典型黃龍病植株個例及正常植株個例。

(3)對部分黃龍病植株和正常植株個例進行可見光和HSV光譜特征分析，確定黃龍病植株黃化顏色特征，篩選出適合代入SVM分類模型的變量。

(4)將篩選出的可見光和HSV變量作為自變量，葉片是否具備黃龍病黃化特征(是為2，不是為1)為因變量代入SVM模型進行模擬，構(gòu)建基于無人機可見光通道和SVM模型的柑橘黃龍病黃化識別模型。

(5)通過葉片斑駁特征識別方法對正常葉片、典型黃龍病斑駁葉片和非黃龍病黃化葉片進行分析，篩選出黃龍病斑駁特征自變量代入SVM模型，構(gòu)建基于無人機可見光通道和SVM模型的黃龍病斑駁特征識別模型。

(6)將試驗區(qū)域內(nèi)所有植株的可見光和HSV數(shù)據(jù)代入訓(xùn)練好的柑橘黃龍病黃化識別模型進行識別。對具備黃龍病黃化特征的植株進行黃化葉片提取，再通過黃龍病斑駁特征識別模型進行葉片斑駁特征識別，具有黃龍病斑駁特征葉片所在的植株判斷為黃龍病個體。

2 結(jié)果與分析

2.1 黃龍病植株與正常植株的可見光光譜特征

通過植被指數(shù)(VEG)對源頭農(nóng)場試驗區(qū)域內(nèi)植株進行掩膜提取，并選取典型正常植株和黃龍病植株個例2個樣本，對樣本的無人機影像分別進行紅、綠和藍單通道輸出，得到植株樣本的單通道反射率圖像，分別對2個樣本圖像進行反射率平均值統(tǒng)計，結(jié)果(圖2)發(fā)現(xiàn)黃龍病植株在紅、綠和藍3個波段的反射率均高于正常植株，在圖像上亮度更高。其中，綠光波段反射率差異最明顯，紅光波段其次，藍光波段反射率差異最小。

圖2 柑橘正常植株和黃龍病植株個體的紅、綠、藍單可見光通道對比Fig.2 Red, green and blue single channel comparison between normal citrus strains and Huanglongbing-infected strains

為了更好地反映正常樣本與黃龍病樣本的光譜分布差異，以反射率值為橫坐標，以像元個數(shù)為縱坐標構(gòu)建折線統(tǒng)計圖(圖3)，統(tǒng)計2個樣本的紅、綠和藍3個可見光通道反射率上的像元個數(shù)分布。從圖3可看出，對于紅光波段，正常個體的反射率值主要集中在30.00～80.00附近，而黃龍病個體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；對于綠光波段，正常個體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，而黃龍病個體的反射率值主要集中在190.00～256.00附近，波峰位于230.00附近；對于綠光波段，正常個體的反射率值主要集中在40.00～90.00附近，波峰位于60附近，而黃龍病個體的反射率值主要集中在60.00～160.00附近，波峰位于100.00附近，當像元值小于60.00時，黃龍病個體和正常個體的像元個數(shù)差異不明顯，但隨著反射率值的增大，正常個體的像元個數(shù)明顯減少，而黃龍病個體的像元個數(shù)仍明顯增加。黃龍病個體在紅、綠和藍3個通道的高值區(qū)域出現(xiàn)頻次明顯高于正常個體，其紅、綠和藍的平均反射率值分別為162.38、190.16和115.36，說明黃龍病個體和正常個體在紅、綠和藍3個通道的光譜分布均存在明顯差異，可嘗試根據(jù)這3個通道反射率值差異判斷黃龍病葉片。

2.2 黃龍病植株與正常植株的HSV特征分析

分別計算2個樣本的紅、綠和藍3個可見光通道圖像的H、S和V，得到H、S和V圖像，對圖像進行單通道輸出，分別統(tǒng)計H、S和V的平均值，結(jié)果(圖4)發(fā)現(xiàn)黃龍病葉片的H小于正常個體(正常葉片的H為90°～100°，黃龍病葉片的H為70°～90°)，從數(shù)值上看，黃龍病葉片更接近黃色，正常葉片更接近綠色，因此，從圖像上可明顯看出黃龍病葉片與正常葉片在H上的區(qū)別；在S方面，黃龍病葉片與正常葉片的數(shù)值差異不明顯；在V方面，由于黃龍病葉片的反射率值較高，因此其V明顯大于正常葉片。綜上所述，可根據(jù)H和V的差異可鑒別黃龍病葉片。

圖3 柑橘正常植株及黃龍病植株個體紅、綠和藍可見光通道光譜分布統(tǒng)計Fig.3 Spectral distribution statistics of red, green and blue visible light channels in normal citrus strains and Huanglongbing-infected strains

2.3 柑橘黃龍病植株、正常植株與非黃龍病黃化植株的斑駁特征分析

剪取黃龍病植株和正常植株樣本葉片各100份(取自不同區(qū)域的不同植株)進行斑駁特征分析。為了方便比較，以缺鋅黃化樣本葉片100份進行對比。通過1.2%瓊脂糖凝膠電泳PCR檢測，確認黃龍病植株的葉片均為黃龍病葉片，經(jīng)鋅含量檢測和PCR檢測，確認缺鋅植株葉片為非黃龍病黃化樣本。統(tǒng)計三類葉片樣本在R波段上的Drl和Dub，得到的結(jié)果作散點圖(圖5)。由圖5-A可看出，黃龍病葉片的Drl在11.5～57.5，普遍高于正常葉片和非黃龍病黃化葉片，因此很容易與正常葉片和黃龍病葉片區(qū)分，而缺鋅葉片的Drl在11.8～17.3，與黃龍病斑駁特征較明顯的葉片雖有較明顯區(qū)別，但與左、右部分反射率差異較小的黃龍病葉片僅通過Drl不易區(qū)分，需通過比較以下Dub來進一步區(qū)分。

黃龍病葉片的Dub在10.6～29.5(圖5-B)，普遍高于正常葉片和非黃龍病黃化葉片，而缺鋅葉片的Dub在-46.13～-1.06，均小于0。因此，通過Dub可較好地鑒別缺鋅、缺鈣、缺鎂和缺鉀等葉尖黃化病害，也可較好地區(qū)分缺氮、缺硫和衰退病等葉片均勻黃化病害。

圖4 柑橘正常個體和黃龍病個體的H、S和V單通道對比Fig.4 H, S, V single channel comparison between normal citrus strains and Huanglongbing-infected strains

圖5 柑橘葉片樣本在R波段上的Drl和DubFig.5 Drl and Dub of citrus leaf samples on R-band

2.4 基于無人機可見光通道和SVM模型的柑橘黃龍病個體識別試驗

試驗區(qū)域內(nèi)有非黃龍病個體22株，黃龍病個體6株，該28株樣本均經(jīng)過1.2%瓊脂糖凝膠電泳PCR鑒定。黃龍病個體分別用A、B、C、D、E和F表示(圖7-A)。其中，C和F病株黃化特征較明顯，D、B和E其次，A病株黃化特征最不明顯。將所有植株通過基于無人機可見光通道和SVM模型的柑橘黃龍病黃化識別方法進行識別，結(jié)果如圖7-B所示。

從圖7還可看出，6株黃龍病植株上的黃化葉片均被模型較好地識別，根據(jù)斑駁特征識別結(jié)果(表1)，6個樣本植株均識別出具有黃龍病斑駁特征的葉片，因此判定為黃龍病個體；其余植株也被識別出極少數(shù)的黃化葉片，但不具備黃龍病斑駁特征，判定為非黃龍病個體。最終的判定結(jié)果為：22株非黃龍病個體，6株黃龍病個體，識別準確率為100%。

圖6 柑橘葉片樣本的剖線反射率波形特征Fig.6 Waveform characteristics of citrus leaf samples on profile line reflectivity

圖7 柑橘黃龍病個體識別試驗結(jié)果Fig.7 Citrus Huanglongbing individual identification test experiment

表1 柑橘黃龍病葉片斑駁特征識別結(jié)果

2.5 普適性驗證結(jié)果

為驗證模型的普適性，需對試驗區(qū)域外柑橘種植區(qū)進行普適性驗證試驗(以中心果場和四明村果園作為驗證區(qū))。

中心果場驗證區(qū)面積約4.3 hm2，有植株個體4383株。其中，經(jīng)PCR鑒定確診的黃龍病個體共計38株，其余為非黃龍病個體。對該區(qū)域進行基于無人機可見光通道和SVM模型的柑橘黃龍病個體識別，若模型識別結(jié)果與實測結(jié)果一致，則認為是正確判斷，若模型識別結(jié)果為黃龍病個體，實測結(jié)果為非黃龍病個體，則認為是誤判，若模型識別結(jié)果為非黃龍病個體，實測結(jié)果為黃龍病個體，則認為是漏判。試驗結(jié)果(圖8)表明，4345株非黃龍病個體中，正確判斷4341株，誤判4株，準確率為99.91%，這是由于試驗區(qū)部分植株已掛果，在光照充足時，果實和黃龍病葉片的光譜特征差異很小，僅通過黃化模型進行識別會造成錯誤判斷；在加入斑駁特征識別后，4個誤判個例全部被剔除，識別準確率為100.00%；在38株黃龍病個體中，正確判斷34株，漏判4株(圖8)，準確率為89.47%。出現(xiàn)漏判的主要原因是其中1株黃龍病個體為黃龍病初發(fā)階段，另外3株黃龍病個體已經(jīng)過治療，這4株柑橘的外觀均不具備黃龍病特征，葉片的光譜特征及斑駁特征與正常個體基本相同，因而無論是黃化識別模型還是斑駁特征識別模型均識別成非黃龍病個體，出現(xiàn)漏判(圖9)。

四明村果園驗證區(qū)面積約0.07 hm2，有植株個體52株。其中，經(jīng)PCR鑒定的黃龍病個體15株，非黃龍病黃化個體21株，主要包含缺鋅黃化、炭疽病黃化及缺氮和缺鎂黃化等，正常個體16株。對該區(qū)域進行基于無人機可見光通道和SVM模型的柑橘黃龍病個體識別，結(jié)果正確判斷黃龍病個體(圖10-A)14株，漏判1株(圖10-B)，準確率為93.33%，正確判斷非黃龍病個體36株，誤判1株(圖10-C)，準確率為97.30%。經(jīng)實地調(diào)查，出現(xiàn)漏判的主要原因是該植株因疏于管理，未及時砍伐，黃龍病感染非常嚴重導(dǎo)致根系壞死，葉片因嚴重缺鋅，掩蓋了原有的黃龍病特征，葉片主要表現(xiàn)特征與缺鋅癥狀高度相似(圖10)。

圖8 柑橘患病個體識別普適性驗證結(jié)果(不含正常植株)Fig.8 Infected citrus individual identification universality verification result (excluding normal plants)

圖9 中心果場的試驗漏判個例Fig.9 A missing case in the experiment at fruit farm of Research Center

圖10 四明村果園的試驗漏判個例Fig.10 A missing case in the experiment at orchard of Siming Village

3 討 論

本研究中，黃龍病植株在無人機影像中紅、綠和藍3個通道的反射率均高于正常個體，與Li等[26]的研究結(jié)果一致；以通過無人機可見光通道采集的紅、綠、藍、顏色參數(shù)色調(diào)(H)和明度(V)5個因子作為自變量輸入SVM模型開展黃龍病黃化特征識別，可有效區(qū)分正常植株和黃化植株，從而實現(xiàn)大面積柑橘種植區(qū)域的黃化個體識別，進一步提升開展黃龍病斑駁特征識別的效率。

蘭玉彬等[13]研究表明，現(xiàn)階段采用無人機高光譜通道對柑橘非黃龍病個體識別的準確率為100.00%，對黃龍病個體識別的準確率為94.70%，均稍高于本研究中的普適性試驗結(jié)果。這是由于無人機搭載的Nano-Hyperspec高光譜傳感器與普通的可見光傳感器相比，擁有更多的識別通道及更高的光譜分辨率。但高光譜傳感器的市場價格為普通可見光傳感器的30～40倍，因此，高光譜傳感器及其識別方法更適用于科學(xué)研究，而本研究中采用成本更低且易于操作的可見光傳感器，更適用于生產(chǎn)上進行柑橘黃龍病監(jiān)測。

本研究在普適性試驗中發(fā)現(xiàn)，僅采用柑橘黃龍病黃化識別模型識別時，在光照充足條件下成熟柑橘果實的可見光反射率與黃龍病葉片相似，會對模型識別造成干擾，而進一步采取葉片斑駁特征識別后，可完全排除該項干擾，能解決結(jié)果期通過可見光通道難以準確識別黃龍病植株的問題。同時，葉片斑駁特征識別可有效排除非黃龍病黃化病害對識別結(jié)果的干擾，很大程度上提高黃龍病植株識別的準確率。

在黃龍病初發(fā)時或經(jīng)過治療后，黃龍病植株的黃化特征和斑駁特征均不明顯，在外觀上與正常植株基本相同，這會影響模型的判斷。蘭玉彬等[13]通過高光譜傳感器對黃龍病植株開展識別的研究也發(fā)現(xiàn)，感染黃龍病程度較低的植株可能會被誤判為正常植株，本研究結(jié)果與其相似?？梢姡瑹o論是可見光傳感器還是高光譜傳感器，均很難在黃龍病初發(fā)時或治療階段準確識別出黃龍病植株。本研究還發(fā)現(xiàn)，黃龍病發(fā)病非常嚴重的植株，其葉片的缺素特征會掩蓋黃龍病特有的斑駁特征，也會影響模型的判斷。因此，如何通過無人機可見光通道有效識別不具備黃龍病黃化及斑駁特征的植株，仍有待進一步探究。

4 結(jié) 論

基于無人機可見光通道和SVM模型的柑橘黃龍病個體識別方法，能有效識別柑橘種植區(qū)的黃龍病植株，且相較于高光譜識別方法成本更低，可在柑橘種植區(qū)域黃龍病防治中廣泛應(yīng)用。