DOI: https://doi.org/10.3389/fpls.2025.1569821
PMID: https://pubmed.ncbi.nlm.nih.gov/40842522
تاريخ النشر: 2025-08-06
المؤلف: S. Sundhar وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم ورقة البحث نموذجًا هجينًا يجمع بين شبكة الانتباه البيانية (GAT) وشبكة الالتفاف البيانية (GCN) لاكتشاف أمراض الأوراق، مما يعالج الحاجة الملحة لمراقبة الأمراض بدقة وكفاءة في الزراعة. يستفيد النموذج من قدرات استخراج الميزات المكانية لـ GCN وآليات الانتباه لـ GAT لتعزيز دقة التصنيف. باستخدام تقسيم السوبر بكسل لاستخراج الميزات وزيادة الحواف لتحسين التعميم، أظهر النموذج الهجين أداءً متفوقًا عبر ثلاثة مجموعات بيانات: أوراق التفاح، وأوراق البطاطس، وأوراق قصب السكر. حقق دقة واسترجاع ودرجات F1 بلغت 0.9974، 0.9974، و0.9974 لأوراق التفاح، و0.9811، 0.9811، و0.9811 لأوراق البطاطس، و0.9124، 0.9104، و0.9101 لأوراق قصب السكر، على التوالي.
بالمقارنة، أظهرت نماذج GCN وGAT المستقلة مقاييس أداء أقل بكثير عبر جميع مجموعات البيانات، مما يبرز فعالية النهج الهجين. سجل نموذج GCN درجة F1 بلغت 0.9436 لأوراق التفاح، بينما حقق نموذج GAT درجة F1 بلغت 0.9517، وكلاهما لم يصل إلى نتائج النموذج الهجين. تؤكد النتائج على قدرة النموذج الهجين على تحقيق توازن بين استخراج الميزات المكانية وأولوية الميزات، مما يجعله حلاً قويًا لتصنيف أمراض الأوراق. قد تركز الأبحاث المستقبلية على تعزيز الكفاءة الحسابية لهذا النموذج لنشره في تطبيقات الزراعة في الوقت الحقيقي، مما قد يحول أنظمة اكتشاف الأمراض ويساهم في تحسين أمان المحاصيل.
مقدمة
تسلط المقدمة الضوء على الأهمية الحاسمة لاكتشاف أمراض النباتات في الزراعة، حيث تؤثر بشكل كبير على إنتاجية المحاصيل ويمكن أن تؤدي إلى خسائر بيولوجية واقتصادية كبيرة، مما يساهم في الجوع العالمي (Oerke، 2006). تعتبر طرق الكشف التقليدية، التي تعتمد بشكل أساسي على الفحوصات اليدوية، غالبًا غير فعالة وذات طابع شخصي، مما يستدعي تطوير استراتيجيات أكثر فعالية. توفر الأعراض المرئية للأمراض، مثل تغير اللون والانكماش، خاصة في أمراض الأوراق مثل الصدأ، فرصًا للتعرف من خلال التقنيات المتقدمة. لقد ظهرت تكامل التعلم الآلي (ML) ورؤية الكمبيوتر كحل واعد، مما يمكّن من التحليل السريع لصور الأوراق والتدخلات في الوقت المناسب (Jafar et al.، 2024).
تقترح هذه الورقة نموذجًا هجينًا يجمع بين الشبكات الالتفافية البيانية (GCN) والشبكات الانتباهية البيانية (GAT) لتصنيف متعدد الفئات لأمراض الأوراق، مما يعالج القيود المفروضة على الطرق الحالية التي تركز عادةً على التصنيف الثنائي. من خلال الاستفادة من تعلم الميزات المكانية لـ GCN وأولوية الميزات الديناميكية لـ GAT، يلتقط النموذج بفعالية كل من الفروق الهيكلية والسياقية لأعراض الأمراض. يستخدم النهج تقسيم الصور القائم على السوبر بكسل لتعزيز تحديد مواقع الأمراض ويشمل زيادة الحواف وتهيئة الوزن المحسّنة لتحسين المتانة. تم تقييم أداء النموذج عبر ثلاث مجموعات بيانات متنوعة – مرض أوراق قصب السكر، مرض أوراق التفاح، ومرض أوراق البطاطس – مما يظهر قابليته للتكيف وفعاليته في سيناريوهات الزراعة الواقعية.
طرق
في هذا القسم، يناقش المؤلفون منهجية التعلم الآلي (ML)، وهو فرع من الذكاء الاصطناعي تم تصوره لأول مرة بواسطة صموئيل في عام 1959. يمكّن التعلم الآلي الآلات من التعلم من البيانات، مما يسهل التنبؤات أو القرارات دون الحاجة إلى برمجة صريحة. يتضمن جوهر التعلم الآلي تطوير خوارزميات تعزز أدائها بمرور الوقت من خلال تقليل دالة الخسارة، المشتقة من تجربة الآلة مع البيانات. تعتبر هذه العملية التحسينية التكرارية أساسية لفعالية تطبيقات التعلم الآلي.
نتائج
يقدم قسم النتائج في ورقة البحث تقييمًا شاملاً لثلاثة هياكل نموذجية – الشبكات الالتفافية البيانية (GCN)، الشبكات الانتباهية البيانية (GAT)، ونموذج GCN-GAT الهجين – عبر مجموعات بيانات متعددة لاكتشاف أمراض أوراق النباتات. تم تدريب كل نموذج لمدة 100 دورة، وتم تقييم أدائها باستخدام مقاييس قياسية مثل الدقة، والاسترجاع، ودرجة F1، والدقة. تفوق نموذج GCN-GAT الهجين باستمرار على النماذج الفردية، محققًا دقة بلغت 99.73% على مجموعة بيانات أوراق التفاح، و98.11% على مجموعة بيانات أوراق البطاطس، و91.03% على مجموعة بيانات أوراق قصب السكر، مما يدل على قوته وقدرته التعليمية المتفوقة.
في المقابل، حقق نموذج GCN دقة بلغت 92.71%، و94.77%، و64.63% على المجموعات البيانات المعنية، بينما أظهر نموذج GAT أداءً أقل، خاصةً على مجموعة بيانات قصب السكر، بدقة بلغت 48.83% فقط. أظهرت تحليل منحنيات الخسارة والدقة مزيدًا من الكفاءة للنموذج الهجين، مع أدنى قيم خسارة مسجلة عبر جميع مجموعات البيانات. كشفت مصفوفات الالتباس أن نموذج GCN-GAT قلل بشكل كبير من الأخطاء في التصنيف مقارنة بالنماذج الفردية، مما يشير إلى إمكاناته لتصنيف الأمراض بشكل فعال في بيئات زراعية متنوعة. بشكل عام، تسلط النتائج الضوء على قدرة الهيكل الهجين على تعزيز دقة الكشف والتعميم في البيئات المعقدة، مما يعالج التحديات الرئيسية التي تم تحديدها في الأبحاث السابقة.
مناقشة
تقدم الأبحاث نموذجًا جديدًا يسمى نموذج الالتفاف الانتباهي البياني (GAC) الذي يدمج الشبكات الالتفافية البيانية (GCN) والشبكات الانتباهية البيانية (GAT) لاكتشاف أمراض الأوراق بشكل دقيق. يستفيد هذا الهيكل الهجين من قدرات نمذجة الارتباط المكاني لـ GCN وآلية الانتباه لـ GAT لتعزيز دقة التصنيف والمتانة عبر ظروف بيئية متنوعة. تشمل المساهمات الرئيسية تطوير نموذج GCN-GAT، وتقنيات تقسيم قائمة على السوبر بكسل، وتهيئة الوزن المخصصة، جميعها تم تقييمها على ثلاث مجموعات بيانات متنوعة: أوراق التفاح، وأوراق البطاطس، وأوراق قصب السكر. أظهر النموذج أداءً متفوقًا مقارنةً بهياكل GCN وGAT المستقلة، محققًا دقة عالية، واسترجاع، ودرجات F1، مع تميز خاص في مجموعة بيانات التفاح بدرجة F1 بلغت 0.9974.
تشمل مجموعات البيانات المستخدمة للتقييم مجموعة من حالات الأوراق، مع خطوات معالجة مسبقة مثل تغيير حجم الصور، والتطبيع، وتقسيم السوبر بكسل لتحسين استخراج الميزات. تم تقييم أداء النموذج بدقة باستخدام مقاييس تشمل الدقة، والاسترجاع، وخسارة الانتروبيا المتقاطعة، مما يكشف عن تحسينات كبيرة في نتائج التصنيف. تؤكد النتائج على فعالية نموذج GCN-GAT الهجين في تحقيق توازن بين استخراج الميزات المكانية وأولوية الميزات، مما يجعله حلاً واعدًا لتصنيف أمراض الأوراق. قد تركز الأعمال المستقبلية على تعزيز الكفاءة الحسابية لنشرها في تطبيقات الزراعة في الوقت الحقيقي، مما قد يحول أنظمة اكتشاف الأمراض ويعزز صحة المحاصيل.
DOI: https://doi.org/10.3389/fpls.2025.1569821
PMID: https://pubmed.ncbi.nlm.nih.gov/40842522
Publication Date: 2025-08-06
Author(s): S. Sundhar et al.
Primary Topic: Smart Agriculture and AI
Overview
The research paper presents a hybrid model combining Graph Attention Network (GAT) and Graph Convolution Network (GCN) for leaf disease detection, addressing the critical need for accurate and efficient disease monitoring in agriculture. The model leverages the spatial feature extraction capabilities of GCN and the attention mechanisms of GAT to enhance classification accuracy. Utilizing superpixel segmentation for feature extraction and edge augmentation for improved generalization, the hybrid model demonstrated superior performance across three datasets: apple, potato, and sugarcane leaves. Specifically, it achieved precision, recall, and F1-scores of 0.9974, 0.9974, and 0.9974 for apple leaves, 0.9811, 0.9811, and 0.9811 for potato leaves, and 0.9124, 0.9104, and 0.9101 for sugarcane leaves, respectively.
In comparison, standalone GCN and GAT models exhibited significantly lower performance metrics across all datasets, highlighting the effectiveness of the hybrid approach. The GCN model recorded an F1-score of 0.9436 for apple leaves, while the GAT model achieved an F1-score of 0.9517, both falling short of the hybrid model’s results. The findings underscore the hybrid model’s ability to balance spatial feature extraction and feature prioritization, making it a robust solution for leaf disease classification. Future research may focus on enhancing the computational efficiency of this model for deployment in real-time agricultural applications, potentially transforming disease detection systems and contributing to improved crop security.
Introduction
The introduction highlights the critical importance of detecting plant diseases in agriculture, as they significantly affect crop yield and can lead to severe biological and economic losses, contributing to global hunger (Oerke, 2006). Traditional detection methods, primarily reliant on manual inspections, are often inefficient and subjective, necessitating the development of more effective strategies. Visible symptoms of diseases, such as discoloration and shrinkage, particularly in leaf diseases like rust, provide opportunities for identification through advanced technologies. The integration of machine learning (ML) and computer vision has emerged as a promising solution, enabling rapid analysis of leaf images and timely interventions (Jafar et al., 2024).
This paper proposes a hybrid model that combines Graph Convolution Networks (GCN) and Graph Attention Networks (GAT) for multiclass classification of leaf diseases, addressing limitations of existing methods that typically focus on binary classification. By leveraging the spatial feature learning of GCN and the dynamic feature prioritization of GAT, the model effectively captures both structural and contextual nuances of disease symptoms. The approach employs superpixel-based image segmentation to enhance disease localization and incorporates edge augmentation and optimized weight initialization for improved robustness. The model’s performance is evaluated across three diverse datasets—Sugarcane Leaf Disease, Apple Leaf Disease, and Potato Leaf Disease—demonstrating its adaptability and effectiveness in real-world agricultural scenarios.
Methods
In this section, the authors discuss the methodology of Machine Learning (ML), a branch of artificial intelligence first conceptualized by Samuel in 1959. ML empowers machines to learn from data, facilitating predictions or decisions without the need for explicit programming. The core of ML involves the development of algorithms that enhance their performance over time by minimizing a loss function, which is derived from the machine’s experience with the data. This iterative improvement process is fundamental to the efficacy of ML applications.
Results
The results section of the research paper presents a comprehensive evaluation of three model architectures—Graph Convolution Networks (GCN), Graph Attention Networks (GAT), and a hybrid GCN-GAT model—across multiple datasets for plant leaf disease detection. Each model was trained for 100 epochs, and their performance was assessed using standard metrics such as Precision, Recall, F1-Score, and Accuracy. The hybrid GCN-GAT model consistently outperformed the individual models, achieving an accuracy of 99.73% on the Apple Leaf dataset, 98.11% on the Potato Leaf dataset, and 91.03% on the Sugarcane Leaf dataset, demonstrating its robustness and superior learning capability.
In contrast, the GCN model achieved accuracies of 92.71%, 94.77%, and 64.63% on the respective datasets, while the GAT model showed lower performance, particularly on the Sugarcane dataset, with an accuracy of only 48.83%. The analysis of loss and accuracy curves further illustrated the hybrid model’s efficiency, with the lowest loss values recorded across all datasets. Confusion matrices revealed that the GCN-GAT model significantly reduced misclassifications compared to the individual models, indicating its potential for effective disease classification in diverse agricultural settings. Overall, the findings highlight the hybrid architecture’s capability to enhance detection accuracy and generalization in complex environments, addressing key challenges identified in prior research.
Discussion
The research presents a novel Graph Attention Convolution (GAC) model that integrates Graph Convolution Networks (GCN) and Graph Attention Networks (GAT) for the nuanced detection of leaf diseases. This hybrid architecture leverages the spatial correlation modeling capabilities of GCN and the attention mechanism of GAT to enhance classification accuracy and robustness across varying environmental conditions. Key contributions include the development of a GCN-GAT model, superpixel-based segmentation techniques, and tailored weight initialization, all evaluated on three diverse datasets: apple, potato, and sugarcane leaves. The model demonstrated superior performance compared to standalone GCN and GAT architectures, achieving high precision, recall, and F1-scores, particularly excelling in the apple dataset with an F1-score of 0.9974.
The datasets utilized for evaluation encompass a range of leaf conditions, with preprocessing steps such as image resizing, normalization, and superpixel segmentation to optimize feature extraction. The model’s performance was rigorously assessed using metrics including accuracy, precision, recall, and cross-entropy loss, revealing significant improvements in classification outcomes. The findings underscore the effectiveness of the GCN-GAT hybrid model in balancing spatial feature extraction and feature prioritization, making it a promising solution for leaf disease classification. Future work may focus on enhancing computational efficiency for deployment in real-time agricultural applications, potentially transforming disease detection systems and promoting crop health.