AdjLeafGNN: hybrydowe ramy uczenia głębokiego i grafowych sieci neuronowych do probabilistycznego modelowania rozprzestrzeniania się chorób między sąsiednimi liśćmi w rolnictwie precyzyjnym

Dlaczego obserwacja chorych liści ma znaczenie

Choroby roślin, które zaczynają się jako małe plamy na kilku liściach, mogą po cichu obniżać plony i zagrażać bezpieczeństwu żywnościowemu. Rolnicy coraz częściej korzystają z kamer i sztucznej inteligencji do wykrywania chorych roślin, lecz większość narzędzi nadal analizuje każdy liść osobno. W artykule przedstawiono AdjLeafGNN — nowy system, który nie tylko rozpoznaje, jaka choroba występuje na liściu, lecz także ocenia prawdopodobieństwo jej rozprzestrzenienia się na pobliskie liście, pomagając producentom działać wcześniej i bardziej precyzyjnie.

Patrzeć poza pojedynczy liść

Większość obecnych systemów widzenia komputerowego dla upraw opiera się na zaawansowanych modelach obrazowych, które klasyfikują choroby na podstawie fotografii pojedynczych liści. Dają one dobre wyniki w kontrolowanych testach, jednak pomijają zachowanie chorób w rzeczywistych polach, gdzie infekcje często przemieszczają się z liścia na liść przez kontakt, owady czy wiatr. Autorzy podkreślają, że aby właściwie rozumieć zdrowie roślin, model musi uchwycić zarówno wygląd każdego liścia, jak i jego relacje z innymi liśćmi w otoczeniu.

Dwuetapowy „mózg” dla zdrowia roślin

AdjLeafGNN łączy dwa rodzaje sztucznej inteligencji. Najpierw moduł obrazowy LDDNet analizuje każde zdjęcie liścia, ucząc się, jak wyglądają różne choroby w różnych skali i kształtach, a mechanizm uwagi pomaga skupić się na plamach i wykwitach, które mają największe znaczenie. To generuje kompaktowy odcisk palca dla każdego liścia, odzwierciedlający jego stan zdrowia. Te odciski nie są jednak ostateczną odpowiedzią; stanowią budulec dla szerszego obrazu możliwego rozprzestrzeniania się choroby między wieloma liśćmi.

Przekształcanie liści w sieć

W drugim etapie system traktuje każdy odcisk liścia jako węzeł w sieci. Liście o podobnym wyglądzie są łączone, tworząc graf odzwierciedlający, które z nich mogą realistycznie przekazywać infekcję między sobą. Grafowa sieć neuronowa przekazuje następnie informacje wzdłuż tych połączeń, pozwalając każdemu liściowi „skonsultować się” z sąsiadami przed podjęciem ostatecznej decyzji. Z tego wzbogaconego widoku model generuje dwa jednoczesne wyniki: najbardziej prawdopodobny typ choroby na każdym liściu oraz prawdopodobieństwo, że choroba rozprzestrzeni się z lub na pobliskie liście.

Testowanie podejścia

Badacze trenowali i oceniali AdjLeafGNN na zbiorze PlantVillage — dobrze znanej kolekcji dziesiątek tysięcy zdjęć zdrowych i chorych liści upraw takich jak pomidor, ziemniak, jabłoń czy winorośl. Przy starannie kontrolowanym schemacie treningowym ich hybrydowy model przewyższył kilka silnych bazowych modeli uczenia głębokiego, w tym popularne sieci obrazowe jak ResNet i EfficientNet. Osiągnął około 99 procent dokładności i miary F1 w klasyfikacji chorób, a także z dużą niezawodnością przewidywał prawdopodobne rozprzestrzenianie się chorób między liśćmi, co potwierdziły wysokie wyniki w standardowych metrykach ryzyka w stylu medycznym.

Co to oznacza dla inteligentnego rolnictwa

Dla osoby niebędącej specjalistą kluczowy wniosek jest taki, że AdjLeafGNN potrafi jednocześnie nazwać chorobę liścia i oszacować, gdzie może ona pójść dalej, w jednym przebiegu analizy. Ta podwójna informacja może pomóc rolnikom lub robotom rolniczym nie tylko oznaczać chore rośliny, lecz także identyfikować pobliskie liście o wysokim ryzyku i leczyć je zanim objawy się w pełni rozwiną. Chociaż system testowano głównie na kontrolowanych zdjęciach, a nie na chaotycznych scenach polowych, oferuje on drogę do monitoringu upraw w czasie rzeczywistym z uwzględnieniem przestrzeni, co mogłoby wspierać bardziej precyzyjne stosowanie pestycydów i lepszą ochronę plonów.

Cytowanie: Surekha, B., Subha Mastan Rao, T. AdjLeafGNN: a hybrid deep learning and graph neural network framework for probabilistic modeling of adjacent leaf disease spread in precision agriculture. Sci Rep 16, 15629 (2026). https://doi.org/10.1038/s41598-026-45061-8

Słowa kluczowe: wykrywanie chorób roślin, analiza obrazów liści, grafowa sieć neuronowa, rolnictwo precyzyjne, predykcja rozprzestrzeniania się chorób