基于深度学习的柑橘叶片黄龙病与锌缺乏症视觉诊断：迈向可持续与精准果园管理

《Frontiers in Plant Science》：Deep learning–based visual diagnosis of Huanglongbing and zinc deficiency in citrus leaves for sustainable and precision orchard management

　　

柑橘绿化病，即黄龙病（Huanglongbing, HLB），对全球柑橘生产构成重大威胁，然而其视觉症状常与锌（zinc, Zn）缺乏症重叠，从而增加了准确诊断和病害管理的复杂性。本研究提出了一种经生物学验证的、基于图像的深度学习方法，用于区分柑橘叶片中的HLB、Zn缺乏症及其共现情况。研究人员从商业果园共采集2,500片叶片，并使用高分辨率平板扫描仪成像。五位独立专家观察者将每片叶片目视分为四类：健康、HLB、Zn缺乏症以及HLB与Zn缺乏症复合。所有样本均经聚合酶链式反应（PCR）分析以确认HLB感染。专家评估与PCR结果的比较显示了显著的观察者间差异，专家总体诊断准确率为80.5%，凸显了基于症状的目视诊断所固有的局限性。研究人员采用一种整合了PCR验证HLB与专家定义Zn缺乏症表型证据的混合标记策略，构建了一个包含1,600片叶片的类平衡数据集。在该数据集上训练的多标签卷积神经网络（CNN）在经PCR验证的验证集上表现出强大的诊断性能，健康、HLB和Zn缺乏症的F₁分数分别为0.928、0.936和0.929，宏观F₁分数为0.931，精确匹配准确率为0.876。误分类主要局限于生理相关类别，这与症状表达重叠一致。这些结果表明，基于分子验证的真实标签训练的深度学习模型可以优于目视诊断，并可作为柑橘病害管理的可扩展决策支持工具。通过实现对HLB感染与营养缺乏症之间更准确的区分，该方法可以减少果园中不必要或错误的化学药剂施用，从而支持更精准的作物管理实践，并促进可持续农业和环境友好型植物保护。

**论文解读**

**研究背景与问题**

柑橘黄龙病（Huanglongbing, HLB），又名柑橘绿化病，由韧皮部限制性细菌候选 Liberibacter asiaticus（Candidatus Liberibacter asiaticus, CLas）引起，是威胁全球柑橘生产的最具破坏性的病害。HLB导致严重减产、果实品质下降、植株过早死亡，甚至果园荒废。目前尚无治愈性处理方法，因此早期准确检测是病害管理策略的核心。然而，在商业果园中，管理决策常依赖叶片症状的目视评估。典型HLB症状包括斑驳状褪绿、不对称黄化、不规则脉色异常及叶片叶绿素分布不均，这些症状与锌（zinc, Zn）缺乏症等微量元素缺乏症状高度相似，而Zn缺乏在柑橘种植土壤中普遍存在。当HLB感染与Zn缺乏同时发生时，症状表达更为复杂，产生复合表型，给人工判读和自动化诊断系统均带来挑战。误诊后果严重：将HLB误判为营养失调会导致果农施用叶面肥而非采取病树清除或加强媒介昆虫控制等防疫措施，从而加速病原传播并增加生产成本；反之，将营养缺乏误判为HLB则可能导致不必要的砍树，造成经济损失。尽管准确诊断至关重要，但目视检查本质上是主观的，症状随品种、树龄、环境以及病程而变化，且CLas在韧皮部内分布不均，导致叶片内和叶片间的症状具有空间异质性。聚合酶链式反应（PCR）检测虽为HLB检测的金标准，但成本高、劳动密集，不适用于大规模果园监测。因此，亟需一种快速、可扩展且具备生物学可靠性的辅助诊断工具。深度学习已在植物病害图像诊断中广泛应用，但现有模型多针对单一条件或视觉差异明显的症状，而实际柑橘诊断常需区分视觉表达重叠的生物性与非生物性胁迫。此外，仅基于视觉标签的数据集可能将人类诊断不确定性传递给模型。因此，需要一种支持共现标签且整合生物学可靠参考信息的诊断框架。

**研究内容与结论**

本研究开发了一种受控的、PCR支持的图像诊断框架，用于区分柑橘叶片中的HLB、Zn缺乏症状及其共现情况。研究人员从泰国清莱省商业柑橘园采集叶片样本，采用标准化高分辨率平板扫描协议成像。HLB状态通过靶向CLas的实时PCR确认，Zn缺乏症状则依据高置信度专家评估的特征性叶部症状确定。随后构建了包含健康、HLB、Zn缺乏症及HLB+Zn缺乏症复合的类平衡多标签数据集。在评估多种CNN架构后，基于验证性能和推理效率选择了EfficientNet-B3进行详细分析。模型性能通过标签级F₁分数、平均精度（AP）、精确匹配准确率、混淆矩阵分析和梯度加权类激活映射（Grad-CAM）可视化进行评估。结果表明，经分子验证的真实标签训练的深度学习模型，其诊断性能优于人类专家目视诊断，能够有效区分视觉重叠的病理性和营养性胁迫症状，为柑橘病害管理提供了可扩展的决策支持工具。该框架通过减少HLB与营养缺乏症之间的误判，有助于减少果园中不必要或错误的化学药剂施用，从而支持更精准的作物管理实践，促进可持续农业。

**主要关键技术方法**

本研究的样本来自泰国清莱省商业柑橘园，主要栽培品种为柑橘（Citrus reticulata）。共采集2,500片成熟叶片，使用佳能Canon Scan LiDE 400平板扫描仪在600 dpi光学分辨率下成像。HLB感染通过实时PCR靶向16S rDNA基因确认，DNA提取采用改良CTAB法。Zn缺乏症状由五位专家依据特征性叶部症状结合电感耦合等离子体发射光谱法（ICP-OES）测定的叶片锌浓度来综合确定。模型架构为多标签EfficientNet-B3，训练采用随机初始化权重、随机梯度下降（SGD）优化器与二元交叉熵损失函数，输入图像经HSV阈值分割和形态学滤波预处理后调整为512×320像素。

**研究结果**

**3.1 专家目视预分类**

五位独立专家对2,500片叶片进行目视分类。健康叶片的专家高度共识率为100%，HLB为93.12%，Zn缺乏症为93.9%，而HLB与Zn缺乏复合类的专家高度共识率最低，为84.5%。存在2–2–1无多数共识的模糊样本在症状类别中均有出现，且在复合类中比例最高。结果表明，专家目视评估对健康叶片高度可靠，但当生物性和非生物性胁迫症状重叠时，诊断不确定性显著增加。

**3.2 PCR验证与专家标记准确率**

PCR验证显示，专家诊断准确率与共识水平密切相关。完全共识（5–0）样本的PCR一致率为92.0%，4–1组为76.1%，3–2组降至55.0%，3–1–1和无共识（2–2–1）组则低于50%。专家总体目视分类准确率约为80.5%。只有获得高置信度专家共识（5–0或4–1）且与PCR结果一致的样本才被纳入训练集，不一致样本被排除并保留用于独立分析。

**3.3 EfficientNet-B3在验证集上的分类性能**

在由1,600片叶片（每类400片）构成的类平衡数据集中，以80:20比例划分训练集和验证集。EfficientNet-B3在验证集上对健康、HLB和Zn缺乏症的F₁分数分别为0.928、0.936和0.929，AP值分别为0.992、0.985和0.973。模型取得了0.931的宏观F₁分数和0.876的精确匹配准确率。各标签的最佳F₁阈值存在差异（健康为0.60，HLB为0.44，Zn缺乏症为0.39），表明采用类别特定阈值优于全局统一阈值。模型平均推理时间约为每张图像3毫秒。

**3.4 基于混淆矩阵的错误结构分析**

混淆矩阵分析显示，健康样本正确分类率为0.97，仅0.03被误判为HLB。HLB样本正确率为0.91，误判主要流向HLB+Zn缺乏复合类（0.04）。Zn缺乏症样本正确率为0.80，0.20被误判为复合类。HLB+Zn复合样本正确率为0.78，多数错误指向HLB（0.12）和Zn缺乏症（0.08）类。误差主要沿生理相关类别边界分布，这与重叠症状表达一致。

**3.5 病理学挑战条件下的性能与模型可解释性**

仅在包含HLB、Zn缺乏症或两者复合的病理样本子集中评估时，精确匹配准确率降至0.8296，反映了多重胁迫共存时重叠或边缘视觉模式的解析难度增大。Zn缺乏症样本在该子集中的正确分类率为86.7%，误判主要指向复合类。Grad-CAM可视化显示，模型预测主要由叶表面局部区域驱动，尤其是叶脉附近和内部纹理区域，背景激活可忽略不计，表明模型关注的是症状相关组织区域。

**讨论与结论**

讨论部分指出，专家预分类结果凸显了在重叠生物性与非生物性胁迫条件下目视诊断的内在困难，PCR一致性随症状复杂性增加而下降，这为采用PCR支持的多标签学习框架提供了有力依据。标准化的平板扫描协议减少了照明、背景、视角等环境变异，使模型能够聚焦于生物学有意义的视觉特征。与传统的单标签分类方法相比，多标签框架明确允许重叠症状的独立学习，避免强制排他性，更贴合生物学现实。标签级指标与精确匹配准确率之间的差异反映了多标签分类在视觉相关条件下的固有难度。Grad-CAM分析进一步支持模型决策的生物学合理性。研究结论认为，高分辨率平板扫描叶片图像结合PCR验证标签，为区分HLB、Zn缺乏症及其共现提供了可靠且可重复的基础。该受控工作流减少了环境变异，支持一致的诊断决策。但研究存在局限：图像采集在受控条件下进行，尚未验证于田间获取的图像；数据集仅限于泰国清莱省的Citrus reticulata品种。未来需在多种柑橘品种、不同地理区域及真实果园环境中验证和优化模型，以评估实际应用潜力并开发更稳健的诊断系统，支持商业果园的可持续管理。