Huanglongbing (HLB) detection in citrus trees using close-range multispectral imaging and a Convolutional Neural Network (CNN)

Huanglongbing (HLB), also known as citrus greening disease, poses a serious threat to global citrus production, particularly in Brazil, the world’s leading orange producer. Caused by the bacterium Candidatus Liberibacter and spread by psyllid vectors, HLB leads to drastic yield losses and deterioration in fruit quality. As there is no cure to this day, early detection and removal of symptomatic trees, along with vector control, are critical. However, visual diagnosis of HLB is challenging due to the similarity in symptoms to nutritional deficiencies and high variability influenced by environmental factors. Traditional detection methods are subjective and labour-intensive, highlighting the need for scalable, non-invasive, and accurate solutions. In recent years, remote sensing technologies combined with artificial inteligence have shown great potential for contributing to the automated detection of HLB-infected plants, supporting the development of more efficient and sustainable citrus production. In this research, a multispectral image database with 14 spectral bands was created from acquisitions in two plots of a commercial orange orchard in Brazil, encompassing heterogeneous backgrounds, varying lighting and diverse plant conditions. This database contains 2,978 visible-NIR proximal images with very high spatial resolution, and it is openaccess to contribute to the scientific community. This thesis investigates the use of deep learning, particularly adapted ResNet architectures, for automated HLB detection using proximal multispectral images of orange tree leaves collected under natural field conditions. ResNet architectures (ResNet18, ResNet34, ResNet50, ResNet101) were trained using different dataset configurations (Plot A, Plot B and the combined Plot A+B) and input types (multispectral and RGB). ResNet34, trained on the combined dataset (Plot A+B), achieved the highest F1-score (92.55%), while the RGB version reached 89.44%, confirming the value of spectral information. The multispectral models showed better generalization and stability, particularly in detecting symptomatic plants. Models trained on more diverse datasets consistently outperformed those trained on single-plot data, emphasizing the importance of environmental variability. Healthy class detection was generally robust across architectures and inputs, whereas HLB class performance benefited significantly from spectral richness and dataset diversity. In conclusion, adapting ResNets for multispectral data is an effective strategy for classifying HLB symptoms under real-world conditions. This approach improves detection accuracy and supports precision agriculture practices.

Resumo (português)

Huanglongbing (HLB), ou greening, representa uma séria ameaça à produção citrícola global, especialmente no Brasil, maior produtor mundial de laranjas. Causado pela bactéria Candidatus Liberibacter e disseminado por psilídeos, o HLB leva a perdas drásticas de produtividade e à deterioração da qualidade dos frutos. Como não há cura conhecida, a detecção precoce e a erradicação de plantas sintomáticas, juntamente com o controle do vetor, são medidas cruciais. No entanto, o diagnóstico visual do HLB é desafiador devido à semelhança dos sintomas com deficiências nutricionais e à alta variabilidade influenciada por fatores ambientais. Os métodos tradicionais de detecção são subjetivos e demandam muita mão de obra, o que ressalta a necessidade de soluções escaláveis, não invasivas e precisas. Nesta pesquisa, foi criado um banco de dados de imagens multiespectrais com 14 bandas a partir da aquisição em dois talhões de um pomar comercial de laranjeiras no Brasil, abrangendo plano de fundos heterogêneos, variações de iluminação e diferentes condições das plantas. Este banco de dados contém 2.978 imagens proximais visível-NIR com altíssima resolução espacial e está disponível em acesso aberto para contribuir com a comunidade científica. Esta tese investiga o uso de aprendizado profundo (deep learning), com foco especial na adaptação de arquiteturas ResNet, para a detecção automatizada de HLB a partir de imagens multiespectrais proximais de folhas de laranjeira coletadas em condições naturais de campo. As arquiteturas ResNet (ResNet18, ResNet34, ResNet50, ResNet101) foram treinadas com diferentes configurações de conjuntos de dados (Talhão A, Talhão B e combinação Talhão A+B) e tipos de entrada (multiespectral e RGB). A ResNet34 treinada com o conjunto combinado (Talhão A+B) atingiu o maior F1-score (92,55%), enquanto a versão RGB alcançou 89,44%, confirmando o valor da informação espectral. Os modelos multiespectrais demonstraram melhor generalização e estabilidade, especialmente na detecção de plantas sintomáticas. Modelos treinados com conjuntos de dados mais diversos superaram consistentemente aqueles treinados com dados de apenas um talhão, ressaltando a importância da variabilidade dos dados de treinamento. A detecção da classe saudável foi, em geral, robusta entre arquiteturas e tipos de entrada, enquanto o desempenho para a classe HLB se beneficiou significativamente da riqueza espectral e da diversidade dos dados. Conclui-se que a adaptação de arquiteturas ResNet para dados multiespectrais é uma estratégia eficaz para a classificação de sintomas de HLB em condições reais de campo. Essa abordagem melhora a acurácia da detecção e apoia práticas de agricultura de precisão.

Palavras-chave

Proximal remote sensing Greening Disease detection Residual Network - ResNet Precision agriculture Sensoriamento remoto proximal Detecção de doença Rede residual - ResNet Agricultura de precisão

Idioma

Inglês

Citação

PORTO, Letícia Rosim. Huanglongbing (HLB) detection in citrus trees using close-range multispectral imaging and a Convolutional Neural Network (CNN). Orientador: Nilton Nobuhiro Imai. 2025. 72 f. Tese (Doutorado em Ciências Cartográficas) - Faculdade de Ciências e Tecnologia, Universidade Estadual Paulista, Presidente Prudente, 2026.