AdjLeafGNN: гибридная архитектура глубокого обучения и графовых нейронных сетей для вероятностного моделирования распространения болезней соседних листьев в точном земледелии

Почему важно наблюдать больные листья

Болезни растений, начинающиеся с небольших пятен на нескольких листьях, могут незаметно сократить урожай и поставить под угрозу продовольственную безопасность. Фермеры все чаще используют камеры и искусственный интеллект для обнаружения больных растений, но большинство инструментов по-прежнему рассматривают каждый лист изолированно. В этой работе представлен AdjLeafGNN — новая система, которая не только распознает, какое заболевание на листе, но и оценивает вероятность его распространения на соседние листья, помогая аграриям действовать раньше и точнее.

Взгляд за пределы одного листа

Большинство современных систем компьютерного зрения для посевов опираются на мощные модели изображений, которые классифицируют заболевания по фотографиям отдельных листьев. Они хорошо работают в контролируемых тестах, но игнорируют поведение реальных болезней в полях, где инфекции часто переходят от листа к листу при контакте, с помощью насекомых или ветром. Авторы утверждают, что для полноценного понимания состояния растений модель должна учитывать как внешний вид каждого листа, так и его отношения с другими листьями вокруг.

Двухчастный «мозг» для здоровья растений

AdjLeafGNN объединяет два типа искусственного интеллекта. Сначала модуль глубокого анализа изображений под названием LDDNet просматривает каждую фотографию листа, изучая, как выглядят разные заболевания на разных масштабах и формах, а механизм внимания помогает сосредоточиться на пятнах и поражениях, которые имеют наибольшее значение. Это порождает компактный «отпечаток» для каждого листа, фиксирующий его состояние. Эти отпечатки не являются окончательным ответом; наоборот, они служат строительными блоками для более широкой картины возможного распространения болезни по множеству листьев.

Преобразование листьев в сеть

На втором этапе система рассматривает каждый отпечаток листа как узел в сети. Листья, похожие по внешнему виду, связываются между собой, формируя граф, который отражает, какие из них реалистичнее всего могут передать инфекцию друг другу. Графовая нейронная сеть затем передаёт информацию по этим связям, позволяя каждому листу «советоваться» с соседями перед принятием окончательного решения. Из этого обогащённого взгляда модель одновременно выдаёт два результата: наиболее вероятный тип заболевания для каждого листа и вероятность того, что болезнь распространится от него или к нему со стороны соседних листьев.

Проверка подхода на практике

Исследователи обучали и оценивали AdjLeafGNN на PlantVillage — хорошо известной коллекции из десятков тысяч изображений здоровых и поражённых листьев таких культур, как томат, картофель, яблоня и виноград. В тщательно контролируемой обучающей среде их гибридная модель превзошла несколько сильных базовых моделей глубокого обучения, включая популярные сети изображений, такие как ResNet и EfficientNet. Она достигла около 99 процентов точности и F1-метрики для классификации заболеваний, а также с высокой надёжностью прогнозировала вероятное распространение болезни между листьями, что подтверждено высокими показателями по стандартным метрикам риска в медицинском стиле.

Что это означает для умного земледелия

Для неспециалиста ключевой результат в том, что AdjLeafGNN за один проход может одновременно назвать заболевание листа и оценить, куда оно может распространиться дальше. Это двойное понимание может помочь фермерам или аграрным роботам не только помечать больные растения, но и выявлять ближайшие листья с высоким риском и обрабатывать их до появления явных симптомов. Хотя систему главным образом тестировали на контролируемых изображениях, а не на запутанных полевых сценах, она открывает путь к мониторингу посевов в реальном времени с учётом пространственной информации, что может поддержать более точное применение пестицидов и лучшую защиту урожая.

Цитирование: 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

Ключевые слова: обнаружение болезней растений, анализ изображений листьев, графовая нейронная сеть, точное земледелие, прогноз распространения болезней