AdjLeafGNN：一种用于精确农业中邻近叶片病害传播概率建模的混合深度学习与图神经网络框架

为何监测病叶至关重要

最初只在少数叶片上出现的小斑点性病害，可能悄然削减收成并威胁粮食供应。农民越来越多地使用相机和人工智能来识别病株，但大多数工具仍然单独查看每片叶子。本文介绍了 AdjLeafGNN，一种新系统，不仅识别叶片上的病害类型，还估计该病害传播到相邻叶片的可能性，帮助种植者更早、更精准地采取行动。

超越单片叶子的视角

当前大多数作物计算机视觉系统依赖强大的图像模型，从单张叶片照片中对病害进行分类。在受控测试中这些方法表现良好，但它们忽视了田间病害的真实行为——感染常通过接触、昆虫或风从一片叶子扩散到另一片。作者认为，要正确理解植物健康，模型必须同时捕捉每片叶子的外观以及它与周围其他叶片的关系。

用于植物健康的双重大脑

AdjLeafGNN 结合了两类人工智能技术。首先，一个称为 LDDNet 的深度图像模块扫描每张叶片照片，在多种尺度和形状上学习不同病害的特征，同时注意力机制帮助它聚焦于重要的斑点和斑块。这会为每片叶子生成一个紧凑的指纹，捕捉其健康状态。这些指纹不是最终结论；相反，它们成为更大图景的构建块，用以推断病害如何在多片叶间移动。

将叶片转化为网络

在第二阶段，系统将每个叶片指纹视为网络中的一个节点。外观相似的叶片会被连接，形成反映哪些叶片可能实际相互传染的图。随后，图神经网络沿这些连接传递信息，使每片叶子在做出最终判断前能够“参考”其邻居。基于这种增强的视角，模型同时输出两类结果：每片叶子的最可能病害类型，以及病害从或到其附近叶片传播的概率。

将方法付诸检验

研究人员在 PlantVillage 数据集上训练并评估了 AdjLeafGNN，该数据集是一个知名的包含数万张健康与病害叶片图像的集合，涵盖番茄、马铃薯、苹果和葡萄等作物。在精心控制的训练设置下，他们的混合模型优于多个强大的深度学习基线，包括流行的图像网络如 ResNet 和 EfficientNet。其病害分类的准确率和 F1 分数约为 99%，并且还能可靠地预测叶片间可能的病害传播——这通过类医学风险评估指标的高分得到体现。

对智能农业的意义

对非专业读者来说，关键结果是 AdjLeafGNN 能在一次运行中既识别叶片病害，又估计病害下一步可能扩散到何处。这种双重洞见可以帮助农民或农业机器人不仅标记病株，还能识别高风险的附近叶片并在症状完全显现前进行处理。尽管该系统主要在受控图像上测试，而非杂乱的田间场景，但它为实现实时、具有空间感知的作物监测铺平了道路，有望支持更精确的农药使用并更好地保护产量。

引用: 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

关键词: 植物病害检测, 叶片图像分析, 图神经网络, 精准农业, 病害传播预测