Logotipo do repositório

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

dc.contributor.advisorImai, Nilton Nobuhiro
dc.contributor.authorPorto, Letícia Rosim
dc.contributor.coadvisorTommaselli, Antonio Maria Garcia
dc.contributor.committeeMemberImai, Nilton Nobuhiro
dc.contributor.committeeMemberGalo, Maria de Lourdes Bueno Trindade
dc.contributor.committeeMemberBarbedo, Jayme Garcia Arnal
dc.contributor.committeeMemberSilva, Rouverson Pereira da
dc.contributor.committeeMemberPrimiano, Isabela Vescove
dc.contributor.institutionUniversidade Estadual Paulista (Unesp)pt
dc.contributor.institutionFrench National Research Institute for Agriculture, Food and the Environment (INRAE)
dc.date.accessioned2026-07-03T20:35:17Z
dc.date.issued2025-06-25
dc.description.abstractHuanglongbing (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.en
dc.description.abstractHuanglongbing (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.pt
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)pt
dc.description.sponsorshipIdCAPES: 001pt
dc.identifier.capes33004129043P0
dc.identifier.citationPORTO, 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.pt
dc.identifier.lattes2985771102505330
dc.identifier.lattes2626660642466716
dc.identifier.lattes5493428631948910
dc.identifier.lattes2985771102505330
dc.identifier.lattes0894715226925471
dc.identifier.lattes8183357481929077
dc.identifier.orcid0000-0003-0516-0567
dc.identifier.orcid0000-0001-5429-1593
dc.identifier.orcid0000-0003-0483-1103
dc.identifier.orcid0000-0003-0516-0567
dc.identifier.orcid0000-0002-1726-3152
dc.identifier.orcid0000-0001-8852-2548
dc.identifier.urihttps://hdl.handle.net/11449/327183
dc.language.isoeng
dc.publisherUniversidade Estadual Paulista (Unesp)
dc.rights.accessRightsAcesso restritopt
dc.subjectProximal remote sensingen
dc.subjectGreeningen
dc.subjectDisease detectionen
dc.subjectResidual Network - ResNeten
dc.subjectPrecision agricultureen
dc.subjectSensoriamento remoto proximalpt
dc.subjectDetecção de doençapt
dc.subjectRede residual - ResNetpt
dc.subjectAgricultura de precisãopt
dc.titleHuanglongbing (HLB) detection in citrus trees using close-range multispectral imaging and a Convolutional Neural Network (CNN)pt
dc.title.alternativeDetecção de Huanglongbing (HLB) em citros por sensoriamento remoto proximal multiespectral e uma Rede Neural Convolucional (CNN)"pt
dc.typeTese de doutoradopt
dcterms.impactEsta pesquisa visa contribuir para o avanço da agricultura sustentável, promovendo o uso do sensoriamento remoto proximal e da inteligência artificial para a detecção de doenças em campo como a Huanglongbing (HLB) em citros. Ao melhorar a detecção, reduz-se o uso de pesticidas, promovendo segurança alimentar e sustentabilidade.pt
dcterms.impactThis research aims to contribute to the advancement of sustainable agriculture by promoting the use of proximal remote sensing and artificial intelligence for the detection of field diseases such as Huanglongbing (HLB) in citrus crops. By improving disease detection, pesticide use can be reduced, enhancing food security and sustainability.en
dspace.entity.typePublication
relation.isAdvisorOfPublicationf70b2c4a-45fb-4c32-9044-82f6b10baa11
relation.isAdvisorOfPublication.latestForDiscoveryf70b2c4a-45fb-4c32-9044-82f6b10baa11
relation.isAuthorOfPublicationbeeb4afb-6d2e-4c2d-ba8f-127b5b646840
relation.isAuthorOfPublication.latestForDiscoverybeeb4afb-6d2e-4c2d-ba8f-127b5b646840
relation.isCoadvisorOfPublication9e9201a3-e7b9-45d9-ad4c-7383cef4c194
relation.isCoadvisorOfPublication.latestForDiscovery9e9201a3-e7b9-45d9-ad4c-7383cef4c194
relation.isCommitteeMemberOfPublicationf70b2c4a-45fb-4c32-9044-82f6b10baa11
relation.isCommitteeMemberOfPublication8e79b963-69f8-4fc4-8509-d2b00d46a525
relation.isCommitteeMemberOfPublicatione22b19aa-0ed8-4d85-b9b4-d4f2f6091fe6
relation.isCommitteeMemberOfPublication.latestForDiscoveryf70b2c4a-45fb-4c32-9044-82f6b10baa11
relation.isCommitteeMemberOfPublication.latestForDiscovery8e79b963-69f8-4fc4-8509-d2b00d46a525
relation.isCommitteeMemberOfPublication.latestForDiscoverye22b19aa-0ed8-4d85-b9b4-d4f2f6091fe6
relation.isGradProgramOfPublication19e4aabf-3f7f-41c2-9755-68bbd25f7b98
relation.isGradProgramOfPublication.latestForDiscovery19e4aabf-3f7f-41c2-9755-68bbd25f7b98
relation.isOrgUnitOfPublicationbbcf06b3-c5f9-4a27-ac03-b690202a3b4e
relation.isOrgUnitOfPublication.latestForDiscoverybbcf06b3-c5f9-4a27-ac03-b690202a3b4e
unesp.campusUniversidade Estadual Paulista (UNESP), Faculdade de Ciências e Tecnologia, Presidente Prudentept
unesp.embargo24 mesespt
unesp.examinationboard.typeBanca públicapt
unesp.graduateProgramCiências Cartográficas - FCTpt
unesp.knowledgeAreaAquisição, análise e representação de informações espaciaispt
unesp.researchAreaCartografia e Sensoriamento Remotopt

Arquivos

Pacote original

Agora exibindo 1 - 2 de 2
Carregando...
Imagem de Miniatura
Nome:
porto_lr_dr_prud_int.pdf
Tamanho:
34,22 MB
Formato:
Adobe Portable Document Format
Carregando...
Imagem de Miniatura
Nome:
porto_lr_dr_prud_par.pdf
Tamanho:
1,4 MB
Formato:
Adobe Portable Document Format