Huanglongbing (HLB) es una enfermedad cítrica altamente contagiosa y devastadora que causa enormes pérdidas económicas a la industria cítrica. Debido a que no se puede curar, la detección oportuna del estado de infección por HLB de las plantas y la eliminación de los árboles enfermos son formas efectivas de reducir las pérdidas. Sin embargo, los síntomas complejos de HLB, como el HLB sintomático único o la deficiencia de zinc + HLB positivo, no pueden ser identificados por un único método de imagen de reflexión en la actualidad. En este estudio, se desarrolló un sistema de visión con un módulo integrado de adquisición de imágenes de reflexión-transmisión, un módulo de interacción humano-computadora y un módulo de alimentación eléctrica para la detección rápida de HLB en el campo. En el modo de imagen de reflexión, se utilizó luz polarizada de 660 nm como fuente de iluminación para mejorar el contraste de los síntomas de HLB en las imágenes, basándose en las diferencias en la absorción de luz de banda estrecha por los componentes dentro de las hojas. En el modo de imagen de transmisión, se obtuvieron imágenes de polarización en cuatro direcciones, y las imágenes del ángulo de polarización se calcularon utilizando el vector de Stokes para detectar la actividad óptica del almidón. Se utilizó un modelo de clasificación paso a paso con cuatro pasos para la identificación de seis clases de muestras (saludables, sintomáticas de HLB, deficiencia de zinc, deficiencia de zinc + HLB positivo, deficiencia de magnesio y deficiencia de boro). Los resultados mostraron que el modelo tuvo una precisión del 96.92% para la categoría completa de muestras y del 98.08% para la identificación de múltiples tipos de HLB (sintomáticas de HLB y deficiencia de zinc + HLB positivo). Además, el modelo de clasificación tuvo un buen reconocimiento de muestras de deficiencia de zinc y deficiencia de zinc + HLB positivo, con un 92.86%.