摘要：炭疽病在柑橘園普遍發(fā)生、危害嚴(yán)重，為提高果園環(huán)境條件下病害識(shí)別的及時(shí)性和準(zhǔn)確率，保障果品產(chǎn)量和品質(zhì)，對(duì)果園環(huán)境條件下病害圖像的ROI融合特征進(jìn)行識(shí)別。收集果樹不同發(fā)病部位、病害不同發(fā)病階段的9種類型的柑橘炭疽病害圖像作為模型訓(xùn)練的數(shù)據(jù)集；在病害ROI特征提取檢測(cè)模塊中對(duì)圖像顏色、紋理特征及其融合特征進(jìn)行提取，以獲得更多的病害特征信息，并形成SVM分類器；使用訓(xùn)練好的SVM分類器進(jìn)行待測(cè)病害圖片的檢測(cè)識(shí)別。將光譜特征與紋理特征融合送入訓(xùn)練好的SVM分類器，病害識(shí)別準(zhǔn)確率平均可達(dá)94%，病害識(shí)別平均用時(shí)0.005 s。該方法對(duì)復(fù)雜自然環(huán)境下柑橘炭疽病的檢測(cè)識(shí)別具有較高的精準(zhǔn)度和較強(qiáng)的魯棒性，對(duì)柑橘疾病的防控具有重要意義。

關(guān)鍵詞：炭疽?。簧疃葘W(xué)習(xí)；目標(biāo)檢測(cè)；分類識(shí)別；病害診斷；SVM

doi：10.13304/j.nykjdb.2024.0120

中圖分類號(hào)：S126 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1008‐0864（2024）09‐0083‐10

柑橘是全球主要果樹種類之一，也是重要的經(jīng)濟(jì)作物[1‐2]，在我國(guó)湖南、四川、廣東、云南等地區(qū)大規(guī)模栽培。據(jù)統(tǒng)計(jì)，我國(guó)柑橘種植規(guī)模超280萬hm2，產(chǎn)量超過5 000萬t，種植面積和產(chǎn)量居世界首位[3-5]。柑橘是我國(guó)重要的出口水果，也是促進(jìn)我國(guó)農(nóng)業(yè)發(fā)展、實(shí)現(xiàn)鄉(xiāng)村振興等的重要引擎。炭疽病是柑橘園發(fā)生普遍、危害嚴(yán)重的病害，也是造成柑橘減產(chǎn)和經(jīng)濟(jì)損失的主要原因之一。柑橘炭疽?。–itrus anthracnose）俗稱爆皮病，主要危害葉片、枝梢及果實(shí)，也可危害花、果梗、主干和苗木，造成葉枯、梢枯、落花、落果、果實(shí)腐爛，嚴(yán)重時(shí)造成死樹毀園，柑橘炭疽病每年造成的損失率為8.32%[6]。調(diào)查顯示，2022 年黔東南州果園有0.32萬hm2發(fā)生柑橘炭疽病，造成果品實(shí)際損失456.57 t；2022 年廣西柑橘炭疽病的發(fā)生面積為18.94 萬hm2，造成果品實(shí)際損失1.67 萬t[8]，嚴(yán)重影響了柑橘產(chǎn)量和品質(zhì)，導(dǎo)致當(dāng)?shù)剌^大經(jīng)濟(jì)損失[7‐8]。炭疽病的精準(zhǔn)識(shí)別與高效防控有助于提高柑橘產(chǎn)量和品質(zhì)，促進(jìn)柑橘產(chǎn)業(yè)可持續(xù)發(fā)展。

柑橘炭疽病危害部位較多，病程不同階段癥狀表現(xiàn)不一，與褐斑病、褐腐病等病害癥狀相似，生產(chǎn)上難以及時(shí)、快速、準(zhǔn)確識(shí)別。柑橘炭疽病的診斷對(duì)象包括葉片、果實(shí)、枝干，對(duì)柑橘炭疽病的檢測(cè)識(shí)別和準(zhǔn)確診斷是保證產(chǎn)量和品質(zhì)的重要措施。依賴專家系統(tǒng)和病害圖像分類識(shí)別等傳統(tǒng)方法進(jìn)行病害識(shí)別耗時(shí)、費(fèi)力，并且主觀性強(qiáng)[9‐10]。利用圖像識(shí)別模式自動(dòng)對(duì)果樹病害進(jìn)行識(shí)別，檢測(cè)效率和識(shí)別準(zhǔn)確度高，同時(shí)降低了模型對(duì)專家知識(shí)的依賴[11]?；趫D像識(shí)別病害的方法已經(jīng)被應(yīng)用于大豆、小麥、番茄、芒果、桃等植物中[12‐13]，圖像感興趣區(qū)域（region of interest，ROl）是指在圖像中定義的矩形區(qū)域或掩膜，作為感興趣區(qū)域，可以限制關(guān)注的范圍，減少圖像處理的計(jì)算量，提高處理效率，并有助于從復(fù)雜的背景中提取出目標(biāo)，便于后續(xù)的分析和處理。越來越多的研究者也更加關(guān)注基于ROI的目標(biāo)識(shí)別方法，張德健[14]針對(duì)農(nóng)作物病害識(shí)別中病害圖像信息復(fù)雜等問題引入HSV顏色空間，在提取圖像顏色時(shí)加快了運(yùn)算速度；張建敏等[15]針對(duì)柑橘葉面病害監(jiān)測(cè)改進(jìn)HSV顏色直方圖空間算法，顯著提高了柑橘在各種病害環(huán)境下病斑圖像識(shí)別的準(zhǔn)確率。衛(wèi)雅娜等[16]利用深度學(xué)習(xí)、圖像處理、算法改進(jìn)等技術(shù)，提高病害識(shí)別準(zhǔn)確率，達(dá)到95.63%。大田農(nóng)作物環(huán)境較簡(jiǎn)單，而果園環(huán)境復(fù)雜，病害發(fā)生部位的結(jié)構(gòu)與特征完全不同。Yoshida等[17]利用圖像顏色和點(diǎn)云特征識(shí)別番茄串采摘點(diǎn)，單幀圖像耗時(shí)1 s，難以滿足生產(chǎn)智能化要求。多特征融合比單特征識(shí)別方法魯棒性更強(qiáng)[18]，將局部光譜特征和ROI光譜特征連接起來得到的合光譜特征，病害識(shí)別準(zhǔn)確率更高。Xuan等[19]在研究小麥白粉病時(shí)，提取了ROI的光譜特征，并提取了病害的紋理特征，使用融合后的特征識(shí)別準(zhǔn)確率為91.4%。張春艷[20]通過支持向量機(jī)（support vector machine，SVW）對(duì)番茄病害圖像進(jìn)行識(shí)別，將圖像的顏色特征、邊緣特征以及混合特征混合提取，對(duì)病害的識(shí)別達(dá)到較好的效果。SON[21]設(shè)計(jì)了一種ROI感知特征提取方法，從病害斑點(diǎn)和葉子區(qū)域提取信息和紋理特征，提高葉病檢測(cè)的識(shí)別能力。秦彩杰等[22]在研究作物病蟲害自動(dòng)識(shí)別技術(shù)過程中，對(duì)病蟲害圖像進(jìn)行增強(qiáng)處理，并采用顏色和紋理作為特征向量識(shí)別病斑，提高了作物病害識(shí)別率，最高識(shí)別準(zhǔn)確率達(dá)到98.1%。利用圖像識(shí)別柑橘炭疽病的研究較少，大多集中在黑斑病、潰瘍病、黃龍病、瘡痂病的識(shí)別診斷上。宋中山等[23]提出基于二值化的Faster R-CNN的柑橘病蟲害識(shí)別模型，總識(shí)別率為87.52%，需要的樣本量較大，識(shí)別率有待提高。自然環(huán)境下柑橘炭疽病識(shí)別中，柑橘病害病斑小、病害空間特征分布不同以及與其他病害特征存在相近的情況[24]，制約圖像識(shí)別準(zhǔn)確率。針對(duì)以上問題，本文提出一種利用圖像ROI融合特征識(shí)別技術(shù)，在現(xiàn)有圖像識(shí)別方法及系統(tǒng)的基礎(chǔ)上提取局部光譜特征和紋理特征，結(jié)合病害癥狀發(fā)生不同部位和發(fā)展進(jìn)程進(jìn)行方法創(chuàng)新，不僅能夠使病害識(shí)別實(shí)現(xiàn)自動(dòng)且高效檢測(cè)，還能夠獲取更多病害發(fā)生階段、發(fā)展程度等信息，為植保防治提供更多有價(jià)值的決策依據(jù)。

1 材料與方法

1.1 數(shù)據(jù)收集

通過兩種渠道獲得自然環(huán)境下柑橘炭疽的原始圖像自建數(shù)據(jù)庫：一是通過中國(guó)知網(wǎng)、百度百科、各類病蟲害公開數(shù)據(jù)庫；二是于2023年柑橘生長(zhǎng)季在云南省玉溪市新平彝族傣族自治縣柑橘園區(qū)使用手機(jī)拍照。圖像為彩色圖像，格式為JPG，經(jīng)刪除重復(fù)、逆光、模糊等對(duì)模型訓(xùn)練無益的圖像，建立本研究數(shù)據(jù)集，總計(jì)405幅圖像。依據(jù)柑橘炭疽病可侵染果樹果實(shí)、枝條、葉片3個(gè)部位的特征分3 大類，進(jìn)而依據(jù)發(fā)病初期、發(fā)病中期、發(fā)病后期3個(gè)病斑發(fā)展階段特征將每大類細(xì)分3小類，共計(jì)9小類。每小類病害45幅，每類按照5∶4劃分訓(xùn)練集和測(cè)試集。

1.2 整體設(shè)計(jì)

本研究利用圖像識(shí)別技術(shù)，依據(jù)果樹病害發(fā)生部位、發(fā)展階段癥狀特征進(jìn)行柑橘炭疽病檢測(cè)，整體設(shè)計(jì)如圖2所示，分為模型訓(xùn)練和病害圖像檢測(cè)兩部分。模型訓(xùn)練即從大量病害圖像數(shù)據(jù)庫中進(jìn)行病害ROI特征數(shù)據(jù)分析和標(biāo)注，利用自動(dòng)識(shí)別算法學(xué)習(xí)病害特征和嚴(yán)重程度的映射關(guān)系，通過不斷優(yōu)化、調(diào)整，訓(xùn)練得到圖像識(shí)別分類器SVM；病害圖像檢測(cè)即將待測(cè)病害圖像輸入系統(tǒng)，經(jīng)過調(diào)整、去噪等預(yù)處理，利用訓(xùn)練好的模型在給定的圖像中，快速、準(zhǔn)確地識(shí)別出病害的存在、位置和范圍。本研究整體使用Python 語言、PyCharm工具進(jìn)行編程處理。

1.3 檢測(cè)并提取病害圖像ROI

柑橘炭疽病害圖像容易受到環(huán)境、光照和遮擋等自然因素的影響，給區(qū)域分割帶來較大挑戰(zhàn)，采用基于ORB 和SIFT 局部關(guān)鍵特征點(diǎn)的病害ROI快速自動(dòng)檢測(cè)方法，對(duì)圖像顏色、紋理特征及其融合特征進(jìn)行提取，具體流程如圖3所示。

1.3.1 提取特征點(diǎn)

從病害圖庫中輸入病害圖像，生成金字塔影像，在金字塔影像上提取病害圖像ORB 特征點(diǎn)，該算法具有尺度不變性[25]；然后根據(jù)特征點(diǎn)數(shù)目與給定閾值比較的結(jié)果決定是否提取SIFT特征點(diǎn)。

1.3.2 計(jì)算病害區(qū)域坐標(biāo)點(diǎn)

對(duì)所提取特征點(diǎn)按水平和垂直方向排序，通過計(jì)算K 個(gè)近鄰點(diǎn)的均值確定病害區(qū)域的坐標(biāo)。K-近鄰算法基于歐幾里得具體度量找到輸入樣本在訓(xùn)練集中的K 個(gè)最近鄰居的屬性來預(yù)測(cè)輸入樣本的屬性。

式中，c 為歐幾里得距離，

1.3.3 生成病害ROI圖像

根據(jù)病害區(qū)域的絕對(duì)坐標(biāo)點(diǎn)獲得病害圖像ROI的相對(duì)坐標(biāo)點(diǎn)，再根據(jù)相對(duì)坐標(biāo)點(diǎn)確定的矩形框區(qū)域作為病害圖像的ROI。

1.4 提取病害ROI 特征

本文采用基于HSV 顏色空間的顏色直方圖法描述病害顏色特征，采用基于UPLBP算子的紋理直方圖法來描述病害局部紋理特征[26]，流程如圖4所示。

1.4.1 顏色特征提取

將ROI 的RGB 圖像轉(zhuǎn)化到HSV顏色空間，降低顏色特征維數(shù)卻不丟失顏色信息，同時(shí)消除病害在自然光下的亮度影響[15，27]；對(duì)HSV圖像分別按H、S、V通道劃分為若干個(gè)顏色區(qū)間進(jìn)行量化，將H分成30級(jí)，S、V分別分成10級(jí)，共50個(gè)區(qū)間，并計(jì)算小區(qū)間直方圖；將小區(qū)間直方圖歸一化，并將3個(gè)顏色通道的直方圖合并成一維特征行向量。

1.4.2 紋理特征提取

對(duì)圖像進(jìn)行預(yù)處理，將原始病害彩色圖像灰度化處理，降低光照影響，減少病害目標(biāo)區(qū)域圖像特征提取時(shí)的計(jì)算量，從而提高病害識(shí)別算法的總體速度。采用中值濾波進(jìn)行降噪，用病害灰度圖像像素點(diǎn)的某個(gè)鄰域的灰度中間值來表示該鄰域內(nèi)其他每個(gè)像素點(diǎn)的灰度值，使得該點(diǎn)鄰近的像素灰度值反映真實(shí)值，再進(jìn)行直方圖均衡化操作，增強(qiáng)圖像對(duì)比度；計(jì)算LBP特征，先采用原始LBP算子在3×3窗口鄰域內(nèi)計(jì)算原始LBP值；然后用UPLBP算子進(jìn)行等價(jià)LBP編碼，得到ROI的紋理特征圖；計(jì)算ROI紋理特征圖的直方圖，將UPLBP特征圖分成8×8子塊（64塊），計(jì)算每個(gè)子塊區(qū)域的直方圖，并按分塊的空間順序排列成一行，形成UPLBP直方圖特征行向量T。

1.4.3 融合特征并訓(xùn)練得到SVM 分類器

分別提取訓(xùn)練集中柑橘果實(shí)、枝條、葉片部位早期、中期、后期病害圖像ROI的HSV顏色直方圖特征與UPLBP紋理直方圖特征并融合成特征向量，組成病害圖像特征庫。采用徑向基核函數(shù)（radia basicfunction，RBF）得到非線性支持向量機(jī)SVM，可用于待測(cè)病害圖像的檢測(cè)識(shí)別。

1.5 模型驗(yàn)證

輸入待測(cè)圖像并進(jìn)行預(yù)處理，檢測(cè)并提取待測(cè)病害圖像ROI，在圖像色譜特征識(shí)別基礎(chǔ)上增加紋理特征提取，采用雙線池化技術(shù)增強(qiáng)模型的提取和檢測(cè)能力，獲取待測(cè)病害圖像ROI的HSV顏色直方圖特征與UPLBP紋理直方圖特征，并融合成特征向量，送入訓(xùn)練好的SVM分類器進(jìn)行病害識(shí)別檢測(cè)，輸出柑橘炭疽病圖像檢測(cè)結(jié)果，發(fā)病部位以及病情發(fā)展階段的匹配結(jié)果。檢測(cè)驗(yàn)證模型如圖5所示。

2 結(jié)果與分析

2.1 特征提取可視化分析

將病害圖像ROI 的顏色信息轉(zhuǎn)化到HSV 空間模型中進(jìn)行可視化，圖像上不同位置的嚴(yán)重程度對(duì)比更加明顯，能夠更直觀地觀察病害有無和發(fā)展進(jìn)程，效果如圖6所示。對(duì)病害圖像進(jìn)行降噪、中值濾波等處理，消除陽光對(duì)病害特征的影響，提取病害紋理特征，處理得到的病害圖像與檢測(cè)識(shí)別要求下的圖像展現(xiàn)出較強(qiáng)的符合性。

從圖6 分析得出，通過融合特征提取圖像ROI 能夠更清晰展現(xiàn)病害的紋理特征和顏色特征，提取后的病害圖像符合圖像識(shí)別要求。

2.2 病害識(shí)別模型損失值和準(zhǔn)確率分析

對(duì)柑橘炭疽病害識(shí)別模型進(jìn)行訓(xùn)練，使用Hinge Loss 損失函數(shù)計(jì)算損失值，統(tǒng)計(jì)每次訓(xùn)練分類正確的樣本數(shù)占樣本總數(shù)的比例，訓(xùn)練結(jié)果如圖7所示。從模型損失值和準(zhǔn)確率變化關(guān)系可以看出，模型函數(shù)隨迭代次數(shù)的變化呈曲線變化，損失值隨著迭代次數(shù)的增加而減小，逐步趨于平滑，震蕩較小，表明模型較為穩(wěn)定；而模型函數(shù)準(zhǔn)確率隨著迭代次數(shù)的增加而增加，在接近40個(gè)迭代次數(shù)時(shí)逐漸穩(wěn)定，表明隨著訓(xùn)練輪次的增加，模型基本達(dá)到了比較好的效果。訓(xùn)練得到召回率97.78%，F(xiàn)1值0.933 5，達(dá)到了目標(biāo)要求。

2.3 病害識(shí)別檢測(cè)結(jié)果分析

對(duì)該柑橘炭疽病檢測(cè)方法進(jìn)行驗(yàn)證，檢測(cè)結(jié)果（表1）表明，本方法對(duì)柑橘炭疽病檢測(cè)的識(shí)別準(zhǔn)確率最高達(dá)100%，最低為90%，平均可達(dá)93.89%。其中果實(shí)部位病害初期和中期的平均識(shí)別率為95%，后期的識(shí)別率達(dá)到100%；枝條部位病害初期和中期的評(píng)價(jià)識(shí)別率為90%，后期的識(shí)別率為95%；葉片部位病害初期平均識(shí)別率為90%，中期和后期的識(shí)別率為95%；病害不同進(jìn)程的平均識(shí)別率順序?yàn)楹笃趃t;中期gt;早期。ROI檢測(cè)平均用時(shí)0.016 s，特征提取平均用時(shí)0.076 s，病害識(shí)別平均用時(shí)0.005 s，總體平均用時(shí)0.097 s。

2.4 病害識(shí)別檢測(cè)方法對(duì)比分析

本文在單一病害特征基礎(chǔ)上，融合病害顏色特征和紋理特征進(jìn)行圖像ROI識(shí)別，結(jié)合不同發(fā)病部位進(jìn)行柑橘炭疽病害檢測(cè)，為探究此方法優(yōu)劣，在初始參數(shù)均相同的情況下，采用無感興趣區(qū)域無特征融合、有感興趣區(qū)域無特征融合、無感興趣區(qū)域有特征融合、有感興趣區(qū)域有特征融合4種模型進(jìn)行訓(xùn)練。如圖8所示，無感興趣區(qū)域無特征融合在果實(shí)部位的識(shí)別準(zhǔn)確率最高85%，枝條中期的識(shí)別準(zhǔn)確率最低70%，平均準(zhǔn)確率為79%；有感興趣區(qū)域無特征融合在果實(shí)、葉片上的識(shí)別準(zhǔn)確率最高達(dá)到95%，枝條初期識(shí)別準(zhǔn)確率最低為80%，平均準(zhǔn)確率為91%；無感興趣區(qū)域有特征融合在果實(shí)后期和葉片中期的識(shí)別準(zhǔn)確率最高為95%，在枝條上最低準(zhǔn)確率為80%，平均準(zhǔn)確率為88%；有感興趣區(qū)域有特征融合在果實(shí)后期識(shí)別準(zhǔn)確率最高為10%，最低為90%，平均識(shí)別準(zhǔn)確率為94%。4 個(gè)模型的識(shí)別平均精確率順序?yàn)椋河懈信d趣區(qū)域有特征融合gt;有感興趣區(qū)域無特征融合gt;無感興趣區(qū)域有特征融合gt;無感興趣區(qū)域無特征融合。

由結(jié)果可以看出，與單一顏色特征提取識(shí)別相比，本文將顏色特征和紋理特征進(jìn)行融合，在提高檢測(cè)效率的同時(shí)，在柑橘炭疽病害特征檢索中效果顯著，對(duì)病害的識(shí)別更準(zhǔn)確，對(duì)柑橘炭疽病防治、預(yù)警、測(cè)報(bào)更有意義。本文采用的病害進(jìn)程特征識(shí)別能夠更細(xì)致的體現(xiàn)病害顏色、斑塊變化過程，更能體現(xiàn)圖像間的區(qū)別，提高了檢索性能。

3 討論

柑橘炭疽病類型較多，侵染不同部位，病害特征表現(xiàn)不一，不同階段病害形態(tài)、顏色等變化迅速，且與其他病害之間低層視覺特征差異不大，造成柑橘炭疽病識(shí)別較為困難。農(nóng)業(yè)信息化技術(shù)極大地提高了果樹病害診斷的便捷性、時(shí)效性，已有研究探討了特征識(shí)別算法、深度學(xué)習(xí)算法等在病害診斷領(lǐng)域的實(shí)踐應(yīng)用，取得了良好的識(shí)別診斷效果。然而，隨著計(jì)算機(jī)視覺技術(shù)的突飛猛進(jìn)，以及與病害防控智慧決策的深入融合，對(duì)病害圖像特征提取與分析的準(zhǔn)確性、可靠性、及時(shí)性提出了更高的要求。

本研究采取分類建立檢索圖庫的方法收集數(shù)據(jù)，提高病害識(shí)別精準(zhǔn)度，通過對(duì)病害圖像按照發(fā)病部位和病斑發(fā)展階段進(jìn)行分類建庫，使模型訓(xùn)練更有效率，單個(gè)類別樣本需求的圖片數(shù)量降低，病斑特征提取的準(zhǔn)確度提高，檢測(cè)結(jié)果的信息含量更豐富。利用提取病害圖像ROI進(jìn)行快速檢測(cè)的方法，對(duì)病害圖像先提取OPB特征點(diǎn)，當(dāng)其特征點(diǎn)數(shù)目小于給定閾值時(shí)提取SIFT特征點(diǎn)，再對(duì)所提特征點(diǎn)的坐標(biāo)值按水平和垂直方向排序，并通過計(jì)算K 個(gè)近鄰點(diǎn)的均值來確定病害區(qū)域的坐標(biāo)并提取ROI，原理簡(jiǎn)單、易實(shí)現(xiàn)且實(shí)時(shí)性好。在特征提取與識(shí)別方面，融合病害ROI的HSV顏色直方圖和UPLBP紋理直方圖構(gòu)成總特征向量，訓(xùn)練以RBF為核的SVM分類器，對(duì)解決小樣本多分類的非線性問題效果良好，病害識(shí)別準(zhǔn)確率較高。在初始參數(shù)均相同的情況下，對(duì)本研究有感興趣區(qū)域有特征融合方法與無感興趣區(qū)域無特征融合、有感興趣區(qū)域無特征融合、無感興趣區(qū)域有特征融合方法進(jìn)行比較訓(xùn)練，本方法表現(xiàn)出了更高的識(shí)別準(zhǔn)確率。從識(shí)別效果來看，病害識(shí)別準(zhǔn)確率處于90%～100%，平均準(zhǔn)確率可達(dá)94%，ROI檢測(cè)、特征提取、病害識(shí)別總體平均用時(shí)0.097 s，實(shí)現(xiàn)了高效的智能識(shí)別。

本研究構(gòu)建了基于非線性SVM的柑橘炭疽病病害圖像識(shí)別診斷方法，實(shí)現(xiàn)了對(duì)柑橘炭疽病不同發(fā)病部位、不同發(fā)病階段的快速診斷和有效識(shí)別，為果園柑橘炭疽病的監(jiān)測(cè)跟蹤和及時(shí)防控提供了參考依據(jù)。未來，還需提高檢測(cè)方法對(duì)果園復(fù)雜背景下的病害圖像具有較好魯棒性，實(shí)現(xiàn)模型輕量化部署與檢測(cè)，并集成到軟件系統(tǒng)試點(diǎn)應(yīng)用，通過不斷積累優(yōu)化，進(jìn)一步為柑橘病害防控發(fā)揮作用。

參考文獻(xiàn)

［1］ 祁春節(jié)，顧雨檬，曾彥.我國(guó)柑橘產(chǎn)業(yè)經(jīng)濟(jì)研究進(jìn)展[J].華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，40（1）：58-69.

QI C J， GU Y M， ZENG Y. Progress of citrus industry economyin China [J]. J. Huazhong Agric. Univ.， 2021， 40（1）： 58-69.

［2］ 李建明，何蓮，孔玄慶，等.苯醚甲環(huán)唑和吡唑醚菌酯對(duì)柑橘炭疽病菌的聯(lián)合毒力及防效[J].現(xiàn)代農(nóng)藥，2022，21（5）：60-64.

LI J M， HE L， KONG X Q， et al .. Co-toxicity and field controlefficacy of difenoconazole and pyraclostrobin against citrusanthracnose [J]. Modern Agrochem.， 2022， 21（5）： 60-64.

［3］ 潘一凡，劉永忠，黃鈺軒，等.我國(guó)柑橘栽培管理技術(shù)現(xiàn)狀調(diào)查和發(fā)展思考[J].華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2023，42（4）：140-149.

PAN Y F， LIU Y Z， HUANG Y X， et al .. Investigation anddevelopment thinking on the cultivation situation and managementtechniques of citrus in China [J]. J. Huazhong Agric. Univ.，2023，42（4）： 140-149.

［4］ 劉冰卿，陳霞，凌金鋒，等.氯氟醚菌唑·吡唑醚菌酯對(duì)柑橘炭疽病的田間防治效果[J].熱帶農(nóng)業(yè)科學(xué)，2023，43（7）：53-56.

LIU B Q， CHEN X， LING J F， et al .. Evaluation of the fieldcontrol effect of mefentrifluconazole·pyraclostrobin againstcitrus anthracnose [J]. Chin. J. Tropical Agric.， 2023， 43（7）： 53-56.

［5］ 伊華林，劉慧宇.我國(guó)柑橘品種分布特點(diǎn)及適地適栽品種選擇探討[J].中國(guó)果樹，2022（1）：1-7.

YI H L， LIU H Y. Distribution characteristics of citrusvarieties and selection of varieties suitable for planting inChina [J]. China Fruits， 2022（1）： 1-7.

［6］ 肖曉華，周天云，劉春，等.柑橘病蟲害危害損失評(píng)估方法初探[J].農(nóng)業(yè)科學(xué)， 2018（11）：35-37.

XIAO X H， ZHOU T Y， LIU C， et al .. Primary study on theevaluation methods of citrus diseases and insect pests [J].Agric. Sci.， 2018（11）： 35-37.

［7］ 孫興旭，李威.黔東南州柑橘炭疽病和瘡痂病發(fā)生情況及防治措施[J].農(nóng)技服務(wù)，2024， 41（1）：84-87.

［8］ 辛德育，林作曉，檀志全，等.2022年廣西農(nóng)作物主要病蟲害發(fā)生實(shí)況[J].廣西植保，2023，36（3）：29-38.

［9］ 王春山，趙春江，吳華瑞，等.采用雙模態(tài)聯(lián)合表征學(xué)習(xí)方法識(shí)別作物病害[J].農(nóng)業(yè)工程學(xué)報(bào)，2021，37（11）：180-188.

WANG C S， ZHAO C J， WU H R， et al .. Recognizing cropdiseases using bimodal joint representation learning [J]. Trans.Chin. Soc. Agric. Eng.， 2021， 37（11）： 180-188.

［10］ 李云紅，張蕾濤，謝蓉蓉，等.基于AT-DenseNet網(wǎng)絡(luò)的番茄葉片病害識(shí)別方法[J].江蘇農(nóng)業(yè)科學(xué)，2023，51（21）：209-217.

LI Y H， ZHANG L T， XIE R R， et al .. An identification methodfor tomato leaf disease based on AT-DenseNet network [J].Jiangsu Agric. Sci.， 2023，51（21）： 209-217.

［11］ 劉敏，周麗.基于多尺度特征融合網(wǎng)絡(luò)的蘋果病害葉片檢測(cè)[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2023，44（8）：184-190.

LIU M， ZHOU L. Apple disease leaf detection based on multiscalefeature fusion network [J]. J. Chin. Agric. Mech.， 2023，44（8）： 184-190.

［12］ XU L X， CAO B X， ZHAO F J， et al .. Wheat leaf diseaseidentification based on deep learning algorithms [J/OL].Physiol. Mol. Plant Pathol.， 2023（123）：101940 [2024-05-22].https：//doi.org/10.1016/j.pmpp.2022.101940.

［13］ 吳建偉，黃杰，熊曉菲，等.基于AI的桃樹病害智能識(shí)別方法研究與應(yīng)用[J].中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)，2022，24（5）：111-118.

WU J W， HUANG J， XIONG X F， et al .. Research andapplication of intelligent recognition method of peach treediseases based on AI [J]. J. Agric. Sci. Technol.， 2022，24（5）：111-118.

［14］ 張德健.基于圖像識(shí)別的農(nóng)作物病害診斷技術(shù)研究[D].哈爾濱：哈爾濱工程大學(xué)，2020.

ZHANG D J. Research on crop disease diagnosis technologybased on image recognition [D]. Harbin： Harbin EngineeringUniversity， 2020.

［15］ 張建敏，于冬雪.柑橘葉面病害監(jiān)測(cè)顏色空間改進(jìn)算法研究[J].農(nóng)機(jī)化研究，2019，41（6）：38-42，47.

ZHANG J M， YU D X. Improved algorithm of color space forcitrus leaf disease monitoring [J]. J. Agric. Mech. Res.， 2019，41（6）： 38-42，47.

［16］ 衛(wèi)雅娜，王志彬，喬曉軍，等.基于注意力機(jī)制與EfficientNet的輕量化水稻病害識(shí)別方法[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2022，43（11）：172-181.

WEI Y N， WANG Z B， QIAO X J， et al .. Lightweight ricedisease identification method based on attention mechanismand EfficientNet [J]. J. Chin. Agric. Mech.， 2022， 43（11）：172-181.

［17］ YOSHIDA T， FUKAO T， HASEGAWA T. Cutting pointdetection using a robot with point clouds for tomato harvesting [J].J. Rob. Mechatronics， 2020， 32（2）： 437-444.

［18］ 張勤，龐月生，李彬.基于實(shí)例分割的番茄串視覺定位與采摘姿態(tài)估算方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（10）：205-215.

ZHANG Q， PANG Y S， LI B. Visual positioning and picking poseestimation of tomato clusters based on instance segmentation [J].Trans. Chin. Soc. Agric. Mach.， 2023， 54（10）： 205-215.

［19］ XUAN G， LI Q， SHAO Y， et al .. Early diagnosis andpathogenesis monitoring of wheatpowdery mildew caused byblumeria graminis using hyperspectral imaging [J/OL].Comput. Electron. Agric.， 2022， 197： 106921 [2024-05-22].https：//doi.org/10.1016/j.compag.2022.106921.

［20］ 張春艷. 番茄病害圖像特征分析與識(shí)別[J]. 農(nóng)業(yè)與技術(shù)，2020，40（23）：40-41.

ZHANG C Y. Image feature analysis and recognition of tomatodiseases [J]. Agric. Technol.， 2020，40（23）： 40-41.

［21］ SON C H. Leaf spot attention networks based on spot featureencoding for leaf disease identification and detection [J/OL].Appl. Sci.， 2021， 11（17）： 7960 [2024-05-22]. https：//doi.org/10.3390/app11177960.

［22］ 秦彩杰，李勇.作物病蟲害自動(dòng)識(shí)別技術(shù)研究-基于視頻監(jiān)控和無人機(jī)平臺(tái)[J].農(nóng)機(jī)化研究，2021，43（10）：42-45，50.

QIN C J， LI Y. Research on automatic identification technology ofcrop diseases and insect pests —based on video monitoring andUAV platform [J]. J. Agric. Mech. Res.， 2021， 43（10）： 42-45，50.

［23］ 宋中山，汪進(jìn)，鄭祿，等.基于二值化的Faster R-CNN柑橘病蟲害識(shí)別研究[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2022，43（6）：150-158.

SONG Z S， WANG J， ZHENG L， et al .. Research on citrus pestidentification based on Binary faster R-CNN [J]. J. Chin. Agric.Mech.， 2022， 43（6）： 150-158.

［24］ 王瑞鵬，陳鋒軍，朱學(xué)巖，等.采用改進(jìn)的EfficientNet識(shí)別蘋果葉片病害[J].農(nóng)業(yè)工程學(xué)報(bào)，2023，39（18）：201-210.

WANG R P， CHEN F J， ZHU X Y， et al .. Identifying apple leafdiseases using improved EfficientNet [J]. Trans. Chin. Soc.Agric. Eng.， 2023， 39（18）： 201-210.

［25］ 耿利川，蘇松志，李紹滋.基于透視不變二值特征描述子的圖像匹配算法[J].通信學(xué)報(bào)，2015，36（4）：105-114.

GENG L C， SU S Z， LI S Z. Perspective invariant binaryfeature descriptor based image matching algorithm [J]. J.Commun.， 2015， 36（4）： 105-114.

［26］ 范振軍，李小霞.基于ROI快速檢測(cè)與融合特征的馬鈴薯病害識(shí)別[J].西南農(nóng)業(yè)學(xué)報(bào)，2019，32（3）：544-550.

FAN Z J， LI X X. Recognition of potato diseases based on fastdetection and fusion features of ROI [J]. Southwest China J.Agric. Sci.， 2019， 32（3）： 544-550.

［27］ 張錚，徐超，任淑霞，等.數(shù)字圖像處理與機(jī)器視覺：Visual C++與Matlab實(shí)現(xiàn) [M]. 第2版.北京：人民郵電出版社， 2014： 282-283.

基金項(xiàng)目：云南省科技計(jì)劃項(xiàng)目（202105AF150264）；北京市智慧農(nóng)業(yè)創(chuàng)新團(tuán)隊(duì)項(xiàng)目（BAIC10-2024）；北京市農(nóng)林科學(xué)院課題（JJP2023-04，PT2024-30）