首页 > 分享 > Recognition of Huanglongbing symptom based on deep convolutional neural network

Recognition of Huanglongbing symptom based on deep convolutional neural network

花匠小妙招
2024-11-10 02:25

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。

DAI Zehan , ZHENG Zheng, HUANG Lishu, LAI Yunyan, BAO Minli, XU Meirong, DENG Xiaoling

Abstract: 【Objective】 To explore the capability of deploying deep learning to the detection of Huanglongbing (HLB) symptom inCitrus spp., and evaluate the classification accuracies of the classifiers.【Method】 Two-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.【Result】 The 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.【Conclusion】 Classifier based on deep learning and transfer learning has high accuracy for recognizing HLB symptom leaves.

Key words: Citrus Huanglongbing symptom recognition convolutional neural network transfer learning

柑橘 Citrus spp. 感染黄龙病(Huanglongbing，HLB)后会表现出复杂的症状，在果实上的症状包括青果、红鼻子果；在叶部的症状包括斑驳、均匀黄化、叶脉黄化、缺锌状花叶等，在根部可观察到根部腐烂[1]。这些复杂的症状常见于同一棵树上，且在田间常与其他病害症状并发，极大地增加了黄龙病诊断的难度。因此，开发一种快速、可靠的检测方法是柑橘黄龙病早期检测的迫切需求。

目前对柑橘黄龙病的诊断、病程分级在一定程度上依赖于肉眼观察。但专业人员需要投入一定时间的专业训练，且人为判断具有主观性、误差较大、标准不易统一等问题。相反地，人工智能具有客观、重复性高、判断逻辑数量化等优点，在上述病理问题的研究上引入人工智能可使得定性问题更准确，定量问题更精确。目前已有多项基于计算机视觉的柑橘黄龙病症状识别研究。这些研究大多依托传统的机器学习算法(如支持向量机[2-5]，神经网络[3-4]决策树[4]，k临近算法[4-6]等)，基于可见光[2, 4-5]或近红外光谱[4-6]技术，在识别黄龙病发病叶片、遥感识别树冠方面取得较好的效果。但这些研究存在一些问题，如部分研究只探究了健康和发病柑橘叶片2个类别图像的区分，脱离实际田间症状复杂多样的应用场景，部分研究的试验材料没有PCR确定黄龙病的存在，研究中用到的发病素材的可靠性难以确定。

由于在个别特定视觉识别任务上具有接近甚至超越人类的表现[7]，近几年来深度学习被广泛应用于图像识别和分型研究中。在医学领域，深度卷积神经网络(Convolutional neural network, CNN)已被应用于300余项研究中，涉及神经、眼、肺、心脏等脏器或部位的分类、预测、分割、图像配准等研究内容[8]。其中，对人类的皮肤癌症状[9]、骨龄预测[10]、帕金森颅内成像识别[11]识别器的预测水平与经验丰富的临床医生持平。在农业研究上，CNN被应用于梨、桃子、苹果、葡萄、番茄等多种作物的机器损伤鉴定[12-13]、病害鉴定[14-16]以及表型划分[13]，并展现出优异的区分效果。这些研究表明，深度学习在病理图像和序列研究上有着优异的表现，能作为一种有力的技术手段。目前，基于深度学习的黄龙病相关研究报道仅有2项[17-18]。Choi等[17]基于CNN构建了针对黄龙病、健康、锈蜘蛛为害状、风害的柑橘果实自动鉴别系统，对4种类型果实图像分别能实现89.7%、100%、94.7%和88.9%的识别率。Mohanty等[18]基于CNN构建了针对包括柑橘黄龙病在内的26种植物病害图像的识别器，整体识别准确率达到了99.35%。由于黄龙病症状的复杂性，上述研究均非针对黄龙病叶片症状的系统研究，而是对叶片症状人为识别为目前黄龙病早期诊断的主要识别手段。因此，探究深度学习在黄龙病叶片症状的识别表现具有一定研究价值。

本研究拟通过系统收集大量病叶，结合症状分型探究深度学习在柑橘黄龙病叶片症状识别上的可行性；并结合评估和方法论上的优化提升识别器的表现。我们比较了MobileNetV1(https://arxiv.org/abs/1704.04861v1)和InceptionV3(https://arxiv.org/abs/1512.00567) 2种神经网络结构的识别器的识别性能，并探讨了症状分型对识别准确率提升的必要性，最后将识别器转移到智能手机，并初步探索识别器在田间的识别表现。

1 材料与方法 1.1 柑橘叶片采集

本研究使用的叶片材料采自广东省惠州市博罗县杨村镇水龙村柑橘黄龙病绿色防控与栽培新模式研发示范基地、华南农业大学柑橘黄龙病研究室的109号网室及长岗山网室。所采集的柑橘品种包括沙田柚Citrus maxima、甜橙Citrus sinesis、柠檬Citrus limon、酸桔Citrus sunki。从田间或网室收集具有黄龙病典型症状的叶片、不具有明显黄化症状的健康叶片以及非黄龙病引起叶脉黄化和均匀黄化叶片。用于采集图像的叶片要求为叶片完全展开、叶型完整的单身复叶，包含叶尖、叶缘、小叶，以及无明显的螨害、虫害等机械损伤痕迹。

1.2 植物总DNA提取及病原PCR检测

使用HP-Plant DNA Kit试剂盒(Omega Bio-TekInc)提取叶片总DNA。对所有提取的叶片总DNA进行qPCR检测，以确定黄龙病病原菌Candidatus Liberibacter asiaticus (CLas)的存在。CLas检测使用的引物为HLBf/HLBasr[19]。总体积20 µL的反应体系：ddH2O 7 µL，Bestar® SybrGreen qPCR mastermix 10 µL，正、反向引物(10 mol/L)各1 µL，模板DNA(<1 g/L)1 µL。

在Bio-Rad CFX 96仪器(Bio-Rad Laboratories)上进行实时荧光定量PCR反应。反应条件：预变性阶段95 ℃，3 min；循环反应阶段95 ℃，10 s；60 ℃，30 s，40个循环。使用Biorad CFX 96仪器自带软件Bio-Rad CFX Manager(v1.6.541)生成扩增曲线、溶解曲线及对应的检测结果。

1.3 图像的收集及预处理

在严格控制条件下进行图像的收集。拍摄时采用华为荣耀9智能手机的摄像功能对柑橘叶片进行拍摄。具体硬件参数：双摄像头像素分别为1 200和2 000，光圈f/2.2，镜头焦距27 mm，相位检测自动对焦，2倍无损变焦。摄影参数：选择专业模式，关闭自动闪光和自动白平衡，感光度取200~250，快门时间1/20~1/15 s；将单叶置于黑色摄影布上进行拍摄。将拍摄好的图像进行预处理，调节裁剪不必要的背景，使图像只保留完整的叶片及附近区域，统一调整像素密度为72 PPI。

1.4 图像的训练集及测试集结构

根据症状和PCR检测结果，将样品图像分为健康(共233幅)、黄龙病−斑驳(共514幅)、黄龙病−缺锌状(共120幅)、黄龙病−叶脉黄化(共115幅)、黄龙病−均匀黄化(共131幅)、非黄龙病−缺锌状(共123幅)、非黄龙病−叶脉黄化(共254幅)、非黄龙病−均匀黄化(共177幅)共8个分组(图1)，作为构建八类识别器的图像素材。另外将4个黄龙病分组合并为黄龙病组，与健康图像作为构建二类识别器的素材。将各分组图像分为训练集和测试集2个组。训练集的图像用于训练神经网络，测试集的图像用于测试训练完成的神经网络的识别效果。训练集与测试集的图像分别为没有数据重叠的不同图像集合。使用同一套测试集图像对不同模型进行比较。

图 1 本研究收集的8种类别柑橘叶片图像示例 Fig. 1 Examples of eight classes of citrus leaves used in this study 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 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

1.5 神经网络结构的选取和症状识别器的构建

神经网络的构建采用迁移学习的方式进行训练，所用的模型结构为MobileNetV1(https://arxiv.org/abs/1704.04861v1)和InceptionV3(https://arxiv.org/abs/1512.00567)。这2个神经网络模型均为Google Brain团队(Google Inc.)开发的开源神经网络。其中MobileNetV1为专门面向智能手机设计的网络结构，其特点为轻便、响应延迟小，选取该结构是为了考虑转移模型到智能手机上应用的需要。InceptionV3相对于MobileNetV1有着更多的网络层数，其理论识别准确率比MobileNetV1高。利用开源学习框架Tensorflow(https://arxiv.org/abs/1603.04467)对模型进行训练，训练模型用的编程脚本参考Tensorflow for poet2流程(https://codelabs.developers.google.com/codelabs/tensorflow-for-poets)，训练迭代次数为10 000。

1.6 对症状识别器预测性能的评估

利用测试集的图片对训练好的模型进行准确性评估。本研究使用基于准确率、平均F1分值、黄龙病识别率以及非黄龙病识别率准确性这几个统计量对模型作准确性评估。平均F1分值为分类问题中评估识别器识别表现的一个统计量，其计算过程综合了查准率和召回率，取值范围为0~1，值越大说明模型的整体识别表现越好。真阳性率、假阳性率、真阴性率、假阴性率的计算均参考Fawcett的方法[20]，其他统计量和相关的计算公式如下：

${text{平均}}{{F}}1{text{分值}} = frac{{2 times {text{查准率}} times {text{召回率}}}}{{{text{查准率}} + {text{召回率}}}}{text{，}}$

${text{查准率}} = {text{真阳性}}/left( {{text{真阳性}} + {text{假阳性}}} right){text{，}}$

${text{召回率}} = {text{真阳性}}/left( {{text{真阳性}} + {text{假阴性}}} right){text{，}}$

${text{准确率}} = frac{{{text{真阳性}} + {text{真阴性}}}}{{{text{真阳性}} + {text{真阴性}} + {text{假阳性}} + {text{假阴性}}}}{text{，}}$

${text{黄龙病识别率}} = frac{begin{array}{l}{text{指定类别图像被识别为任意}}{text{一种黄龙病图像类型的总数}}end{array}}{{{text{该类图像总数}}}} {text{，}}$

${text{非黄龙病识别率}} = frac{begin{array}{l}{text{指定类别图像被识别为任意}} {text{一种非黄龙病图像类型的总数}}end{array}}{{{text{该类图像总数}}}}{text{。}}$

1.7 识别器优化重建及田间识别测试

田间拍摄图像素材：从广东省惠州市杨村镇柑橘黄龙病和溃疡病综合防控技术研究与示范果园采集了各类柑橘黄龙病图像共3 531幅及健康图像共3 989幅。所拍摄图像均为挂在树上的完好叶片。取样植株均经PCR检测确定是否感染了病原菌CLas。

根据上一步识别器评估的结果选择识别性能最优的识别器，将构建好的识别器通过Android Studio v3.4.1编译成App，再进一步转移至搭载Android操作系统的智能手机。编程脚本参考TensorFlow for Poets 2 TFMobile(https://codelabs.developers.google.com/codelabs/tensorflow-for-poets-2)。所用TensorFlow版本为1.70识别App，在智能手机华为6 Plus(2014年产；处理器：4x1.8 GHz Cortex-A15；内存3.0 GB)以及华为荣耀9(2017年产；处理器：4x2.4 GHz Cortex-A73 & 4x1.8 GHz Cortex-A53；内存4.0 GB)均安装成功并能正常运行，但后续的数据收集均在硬件性能更优、操作系统版本更高的华为荣耀9上进行。在智能手机安装好程序后，对发病植株上的病叶进行检测，同时取下同一块叶片在黑色摄影布上拍摄图像，从而比较复杂背景和简单背景成像的识别率。此外，将智能手机识别叶片时的图像在计算机上用同样的模型进行验证。为简化数据，在这一步只记录所有黄龙病/非黄龙病图像的总体识别率，不呈现所有子分类的识别结果。

2 结果与分析

通过训练集图像构建了共4个识别器，分别为基于MobileNetV1网络结构的八类识别器(MobileNetV1 eight-class classifier，M-8-C)和二类识别器(MobileNetV1 two-class classifier，M-2-C)以及基于InceptionV3网络结构的八类识别器(InceptionV3 eight-class classifier，I-8-C)和二类识别器(InceptionV3 two-class classifier，I-2-C)。

2.1 对八类识别器的准确性评估

对2种八类识别器的准确性评估结果见表1和表2。总体而言，只考虑对所有图像类型的识别表现，M-8-C比I-8-C具有更高的识别表现。如M-8-C对所有图像类型的准确率和平均F1分值分别为93.7%和88.4%(表1)，而I-8-C的对应指标分别为88.0%和77.9%(表2)。另外，M-8-C的真阳性率和真阴性率均为78.3%，高于I-8-C(均为65.3%)，M-8-C的假阴性率和假阳性率分别为21.8%和3.0%，低于I-8-C(34.3%和5.0%)。

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

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

此外，只考虑黄龙病大类和非黄龙病大类的整体识别表现，同样为M-8-C优于I-8-C。M-8-C对所有黄龙病分类图像的黄龙病识别率与所有非黄龙病分类图像的非黄龙病识别率分别为92.5%和90.0%，这2项均优于I-8-C对应的识别率(85.5%和85.5%)。此外，除黄龙病−缺锌状图像以外，M-8-C对各类型图像的识别表现均优于或相仿于I-8-C。M-8-C在对各类图像的真阳性率、真阴性率方面均高于I-8-C，而对各类图像的假阳性率、假阴性率均小于或持平于I-8-C。综合各种指标，M-8-C的整体识别表现优于I-8-C。

进一步对细分症状分析发现，八类识别器对黄龙病/非黄龙病引起的均匀黄化和叶脉黄化区分度较低。如M-8-C识别黄龙病和非黄龙病引起的叶脉黄化的真阳性率分别为74.0%和84.0%(表1)。追溯每幅叶脉黄化类图片的识别结果发现，M-8-C的假阳性检测结果中，黄龙病−叶脉黄化图像大多被误判为非黄龙病−叶脉黄化图像，反之亦然。在均匀黄化类图像的识别表现也观察到类似的现象，M-8-C识别黄龙病和非黄龙病均匀黄化的真阳性率分别为44.0%和64.0%(表1)，对黄龙病−均匀黄化的假阳性结果多为非黄龙病−均匀黄化图像。I-8-C对应的黄龙病和非黄龙病的均匀黄化真阳性率更低，仅为14.0%和62.0%(表2)。这说明构建的识别器不能很好地分辨黄龙病和非黄龙病引起的叶脉黄化及均匀黄化，这一点同样跟人眼的识别相似。

2.2 对二类识别器的准确性评估

对2种二类识别器的准确性评估结果见表3和表4。为了与八类识别器比较，避免数据集的差异，采用了同样的测试集图像。由于二类识别器解决的为二分类问题，因此只统计识别器对所有图像、黄龙病所有图像、非黄龙病所有图像的识别数据，不统计对细分图像类型的识别数据。此外，由于本研究使用的准确率计算公式应用于二分类问题将得出相同的数值(表3、表4)，因此不纳入本研究的结果分析和讨论中。

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

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

2种二类识别器对所有图像的准确识别率较低，两者的平均F1分值仅为52.5%和56.3%。出现此种情况的原因是2种识别器对非黄龙病图像的识别表现较低。虽然M-2-C和I-2-C对所有黄龙病图像的黄龙病识别率均较高(96.0%和84.0%)，但M-2-C和I-2-C对非黄龙病图像误判为黄龙病图像的识别率高达78.0%和66.0%，表明存在着大量图像被错误识别为黄龙病的情况。以上结果表明，2种二类识别器均不能有效识别非黄龙病症状图像。

与八类识别器相比，二类识别器无论是对所有图像整体识别表现，还是对黄龙病图像、非黄龙病的正确识别的能力均较低。这表明八类识别器的识别表现优于二类识别器，基于症状细分构建的识别器能有效提高识别表现。

2.3 识别器的重建及田间识别测试

根据上一步分类器的评估结果，剔除黄龙病/非黄龙病引起的均匀黄化图像重新训练了基于MobileNetV1结构的识别器。由于评估的实际环境为复杂的田间条件，光线、背景、叶型残缺的因素使得成像条件比原来的图像拍摄条件复杂，因此在本次测试加入大量田间拍摄的图像。新加入的图像为黄龙病−斑驳图像共3 531幅和健康类图像共3 980幅，最终的训练集结构为包括黄龙病−斑驳、黄龙病−斑驳(田间拍摄)、黄龙病−缺锌状、黄龙病−叶脉黄化、健康、健康(田间拍摄)、非黄龙病−缺锌状、非黄龙病−叶脉黄化的8类图像。将重构的模型命名为M-8f-C，与之前构建的模型作区分。

为了估计图像数量对提升准确率的影响，探究了训练集图像数量和测试准确率的关系(图2)。结果表明，随着训练集图像数量的增加，平均F1分值逐渐升高，在达到约400幅之后F1分值维持在95%以上。这表明400幅训练集图像就足够使模型准确率达到最大化。因此在本步骤重构模型使用的图像数量是足够的。

图 2 训练集图片数与平均F1分值动态关系图 Fig. 2 Dynamic relationship of the number of mages in training set and mean F1 score

M-8f-C识别田间叶片的结果汇总为表5。在智能手机上，M-8f-C对在树上叶片的识别效果比在摄影布上的识别效果好。对树上拍摄的黄龙病和非黄龙病叶片图像的平均F1分值分别为87.2%和82.4%，而在摄影布上拍摄的平均F1分值则分别为68.0%和77.6%，而准确率同样为在树上拍摄的比摄影布上的高。将智能手机拍摄的图像转移到计算机上进行验证的结果表明，在计算机测试的图像识别准确率有所提升。如在计算机上对黑布背景的健康叶和病叶的平均F1分值分别为91.6%和93.1%，在智能手机上对应的平均F1分值分别为77.6%和68.0%，表明同一识别器在计算机上的识别表现明显提高。考虑到构建M-8f-C的训练集图像的种类较多，而图像识别与硬件计算力密切相关，推测这是因为计算机有着更高的计算力所致。此外，在计算机对摄影布背景的黄龙病、非黄龙病叶片图像的准确率(92.4%、92.4%)和平均F1分值(93.1% 、91.6%)高于在树上拍摄图像背景的准确率(88.3%、88.3%)和平均F1分值(86.4%、89.8%)，这一点与在智能手机上识别结果相反。

表 5 识别器的田间测试结果 Table 5 Field test result of classifier

总体而言，识别器在智能手机对树上拍摄的叶片图像有着最优的识别表现，对黄龙病和非黄龙病图像的准确率以及平均F1分值均达到80%以上。识别器在计算机上对摄影布为背景拍摄图像的识别表现较好，对黄龙病和非黄龙病图像实现的准确率以及平均F1分值均达90%以上，但同时对树上为背景拍摄图像的准确率以及平均F1分值也能达到85%以上。

3 讨论与结论

目前对柑橘黄龙病的相关研究多基于传统的机器学习算法，在深度学习上的研究处于起步阶段。基于深度学习对黄龙病症状进行系统深入的探讨有着重要的研究价值和必要性。本研究初步探索了深度学习在构建柑橘黄龙病的症状识别上的应用，以Tensorflow开源学习框架作为操作平台，基于大量高质量的黄龙病和健康图片成功构建了具有较优识别表现的4种识别器。其中M-8-C对各类图像识别的准确率、平均F1分值分别达到了93.7%、88.4%，充分说明利用深度学习开发黄龙病识别器是可行的，且能够达到较高的准确识别率。

前人对柑橘黄龙病相关的深度学习研究报道中，Choi等[17]的研究为针对果实分型的研究，旨在探究黄龙病病果、健康果以及风害、螨害的鉴别，未涉及黄龙病叶片症状的探讨，Mohanty等[18]的研究侧重于多种病害的叶片症状的鉴别，涉及13种作物共26种病害类别，并非专门针对柑橘黄龙病的研究。与之相比，本研究对症状进行了系统分型，增设健康对照，并结合PCR检测降低叶片被人为误判的可能性。因此本研究为利用深度学习识别叶片图像较为系统的研究。以上研究使用CNN构建识别器，最优模型的总体识别准确率均达到了90%以上，本研究构建的CNN模型的识别准确率为93.7%，达到了相仿的水平。此外，本研究的总体识别准确率与上述2项基于传统机器学习的近似研究的准确率(92.0%、91.9%)持平[2, 21]。

基于MobileNetV1结构的识别器的识别表现性能优于InceptionV3结构的模型。MobileNetV1是以在智能手机上应用为目的开发的模型，特点是轻量化、网络层数少，以减少计算资源为首要目的。InceptionV3相对于MobileNetV1有着更多的神经元层数，理论上其学习能力和识别性能应当更高(https://arxiv.org/abs/1704.04861v1，https://arxiv.org/abs/1512.00567.)，但本研究的实际结果为MobileNetV1的识别表现优于InceptonV3。有研究表明CNN模型往往针对复杂问题设计，隐含层较多、参数量大，在模型拟合能力远远高于问题复杂程度时，容易产生过拟合的问题[22-23]。因此模型容量和复杂度与黄龙病叶片识别任务不相适可能是InceptionV3识别表现更低的原因。因此，在本研究的控制条件下，MobileNetV1更适于黄龙病症状的识别。在未来的研究中可以对网络结构的调整、参数的优化，借鉴或使用其他神经网络来进行进一步探究。

八类识别器的识别表现优于二类识别器，这表明症状细分对提高黄龙病识别率有着重要作用，同时也从侧面支持了人为分型的正确性和必要性。目前对黄龙病症状的鉴别及病程分级尚无一套公认的标准，对症状的鉴别主要依靠有经验的技术人员对其进行症状描述和分型。八类识别器对细分症状的成功鉴别说明从计算机视觉的角度症状分型是可行的，这为以后以相关技术为基础构建统一标准提供了理论依据。

识别器对黄龙病和非黄龙病造成的均匀黄化和叶脉黄化症状的识别效果较差，这一点和人眼识别能力相仿。在病原尚未确认前，黄龙病曾被怀疑是水害因素引起[24-25]，原因是水害会引发受害柑橘出现极其相似的均匀黄化症状，直到有研究通过实验排除了水害引发黄龙病的可能[1]。此外，环割、天牛蛀蚀、根系受害同样会导致整株柑橘出现均匀黄化、叶脉黄化的现象[26]，这些因素引起的黄化即使是专业人员亦无法单凭肉眼区分。考虑到人眼识别的可见光谱范围较窄，而本研究涉及的图像同样为可见光成像，因此推测人眼和模型识别应具有相似的局限性。在使用识别器对均匀黄化和叶脉黄化进行病因辨别时应结合其他技术或方法来判断，如PCR检测、观察同一病株上的典型症状等，在未来可依托可见光光谱成像作进一步研究。

识别器能够快速布置至智能手机上，且在大田环境下的识别应用取得优秀的效果，表明本研究采用的研究方法具有一定的应用价值。在计算机上使用M-8f-C模型对同一批图像的识别表现有所提升，推测这是由于M-8f-C需要更多的计算资源，而手机计算力的不足所致。因此，在未来的研究中需要从智能手机App的优化并进一步提高硬件计算力等方面进行探究。

本研究的结果表明迁移学习是一种构建病害识别器的有力工具。迁移学习是一种结合已训练模型和新素材快速构建和布置新识别器的深度学习技术。CNN行使判断功能的神经元层位于最后一层，迁移学习通过利用新的图像素材重塑这一层，从而使CNN适用于新的识别任务[13]。旧模型对新素材的适用性在于物体的颜色和纹理具有通用性。以MobileNetV1为例，它是以ImageNet数据库(https://arxiv.org/abs/1409.0575)构建的模型，该数据库包括多种花卉在内的1 000多种图像。本研究的数据证明了此模型在植物病害识别上的适用性。相对于传统的机器学习，深度学习结合迁移学习有着不可比拟的优势，如不需要耗费大量的人力和时间资源从头训练模型，仅需掌握必要的编程知识即可使用迁移学习训练模型，这降低了开展相关研究的技术门槛，使得广大的农业学科研究人员都能采用。

综上，本研究的结果表明深度学习和迁移学习是一种能够用于黄龙病症状识别的有力研究手段，结合症状分型、训练集结构调整等优化能实现较高的识别效果。结合深度学习和迁移学习能作为柑橘病害图像研究的新工具，为促进后续黄龙病早期诊断、自动化识别、症状分型等工作提供新的思路和理论依据。