基于混合视觉图神经网络的咖啡植株病虫害早期检测与防护研究

《Scientific Reports》：Hybrid vision GNNs based early detection and protection against pest diseases in coffee plants

为解决咖啡种植中病虫害检测难题，研究人员开展基于混合视觉图神经网络（HV - GNN）的咖啡植株病虫害早期检测研究。结果显示 HV - GNN 检测准确率达 93.6625%，超其他领先模型，有助于保护咖啡农场、提高农业产量。

　　咖啡，作为全球重要的农产品，在众多国家的经济体系中占据着举足轻重的地位。然而，咖啡种植过程却面临着诸多挑战，其中病虫害的侵袭尤为严重。像咖啡果小蠹（Coffee Berry Borer，CBB）、粉蚧（Mealybugs）、介壳虫（Scales）和潜叶蛾（Leaf Miners）等害虫，它们对咖啡植株的危害极大，不仅会大幅降低咖啡的产量，还会严重影响咖啡豆的品质。传统的病虫害检测方法，往往需要专业的知识和繁琐的分析过程，既耗费时间又消耗大量人力，难以满足实际生产中及时、准确检测的需求。在这样的背景下，为了有效应对咖啡种植中的病虫害问题，来自印度圣约瑟夫工程学院电子与通信工程系、萨韦塔工程学院计算机科学与工程系以及帕尼马拉工程学院计算机科学与工程系的研究人员，开展了一项基于混合视觉图神经网络（Hybrid Vision Graph Neural Networks，HV - GNN）的研究。这项研究成果发表在《Scientific Reports》上，为咖啡植株病虫害的早期检测与防护提供了新的思路和方法。

研究人员在研究过程中，主要运用了以下几种关键技术方法：首先是数据预处理和增强技术，通过对图像进行缩放、裁剪、归一化、旋转、翻转、颜色抖动和随机裁剪等操作，提升数据质量，增强模型对不同图像的适应性；其次利用卷积神经网络（Convolutional Neural Network，CNN）进行特征提取，让模型学习图像中的各种特征；然后构建图结构，将图像中的像素、补丁或感兴趣区域作为节点，基于空间邻近性、语义关系等因素构建边；最后借助图神经网络（Graph Neural Network，GNN）进行图处理和特征变换，通过消息传递机制学习节点间的关系。研究使用的数据集一部分来自印度卡纳塔克邦科高附近的 Mercara Gold Estate 咖啡种植园实地采集，涵盖了咖啡植株开花、结果等不同阶段的图像，另一部分则来源于在线平台如 Plant Village、Kaggle 以及研究文章。

研究结果主要从以下几个方面展开：

• 评估设置和数据集：研究人员在配备 i5 - 8600k 处理器、GeForce 1050 Ti 4GB 显卡、16GB 内存等设备的电脑上，使用 Python 3.6.5 和 Keras 2.7 框架对 HV - GNN 模型进行模拟。输入图像尺寸在 32×32×3 至 256×256×3 之间进行测试，发现 224×224×3 的图像尺寸下模型表现最佳。数据集包含 2850 张图像，按照 80% 训练、20% 测试的比例划分，通过高分辨率相机采集实地图像，并结合在线平台和研究文章中的图像数据，利用云计算进行图像相关处理和分析。
• 使用 HV - GNN 进行性能评估：通过准确率（Accuracy）、精确率（Precision）、召回率（Recall）和 F1 分数等指标对模型性能进行评估。结果显示，模型总体准确率达到 93.6625%，在检测不同害虫时也有不同表现，如检测 CBB 的 F1 分数为 89.56，召回率为 81.625，精确率为 88.27，准确率为 81.18 等。这些指标表明 HV - GNN 在检测咖啡植株病虫害方面具有较高的可靠性。
• 与其他深度模型比较：将 HV - GNN 与 CNN、SVM、RF、VGG16 等模型对比，分析真阳性率（True Positive Rate，TPR）、假阳性率（False Positive Rate，FPR）等指标。结果发现 HV - GNN 在识别病虫害时，能更准确地检测出患病样本，同时减少对健康样本的误判，在整体性能上优于其他模型。

研究结论和讨论部分指出，HV - GNN 系统结合了卷积过程进行特征提取和图处理进行关系推理，在病虫害检测方面展现出了强大的能力。该模型能有效模拟患病植株的不规则结构和空间连接，在多项评估参数上超越传统方法，这表明它在精准农业的实时病虫害监测中具有巨大的应用潜力。不过，该模型也存在一些局限性，例如计算复杂度较高，对训练数据的标注依赖较大，在面对不熟悉的害虫种类、复杂环境变化时泛化能力可能受限。针对这些问题，研究人员提出可以通过增强数据泛化能力、提高计算效率和增强模型透明度等方式进行改进。总的来说，这项研究为咖啡种植中的病虫害检测提供了一种更准确、有效的方法，有望为咖啡种植产业带来更高的经济效益，同时推动可持续农业的发展，对农业领域的病虫害监测和防控研究具有重要的参考价值。