.png){kind=icon}
返回
Efficient deep learning framework for arecanut disease detection using graph neural network and Bat algorithm
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-46535-5.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
早期准确检测植物病害仍然具有挑战性，这是由于实际田间环境的变化性（例如光照变化、复杂背景、遮挡）、不规则的病害模式（例如细微或非局部症状）、小众作物（如槟榔）标注数据的有限性，以及在非受控环境中的泛化问题。传统的手动检测方法劳动强度大且易出错，而现有的深度学习方法——主要是基于网格的CNN和Vision Transformers——通常存在对非欧几里得关系的空间建模能力有限、计算成本较高以及对田间条件鲁棒性降低的问题。本研究引入了一种新颖的深度学习框架，用于槟榔植物的自动化病害检测，结合图神经网络（GNNs）以捕捉叶图像中的长距离空间关系，并采用蝙蝠算法（BA）进行高效的超参数优化。该框架利用了一个经过筛选的平衡子集，包含1000张来自更大Kaggle数据集（原始数据集为8847张图像）的槟榔图像，这些图像是在自然农场条件下拍摄的，涵盖了九种病害类别。实验结果表明，所提出的GNN-BA（GB）模型达到了98.45%的准确率、96.90%的精确率、94.21%的召回率和95.05%的F1分数——平均比CNN-ViT（93.25%准确率）和CBAM（94.10%准确率）等基线模型高出4-5%，同时计算开销更低。该模型在多样化的环境和叶片变化中表现出鲁棒性，提供了一种可扩展、高效的解决方案，用于实时病害监测，以实现及时干预并减少槟榔种植中的作物损失。
Keyword:
Computational biology and bioinformatics
Mathematics and computing
Plant sciences
Deep learning
Graph neural networks (GNNs)
Bat algorithm (BA)
Hyperparameter optimization
Plant pathology
Arecanut disease detection
Precision agriculture
Science
Humanities and Social Sciences
multidisciplinary
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.9
论文数:
27.9W
被引数:
83.5W
机构
引用论文
Krishna, M.S.; Machado, P.; Otuka, R.I.; Yahaya, S.W.; Neves dos Santos, F.; Ihianle, I.K. Plant Leaf Disease Detection Using Deep Learning: A Multi-Dataset Approach. J 2025, 8, 4. [Google Scholar] [CrossRef]Krishna, M.S.; Machado, P.; Otuka, R.I.; Yahaya, S.W.; Neves dos Santos, F.; Ihianle, I.K. 基于深度学习的植物叶片病害检测：一种多数据集方法。J 2025, 8, 4. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Hybrid vision GNNs based early detection and protection against pest diseases in coffee plants基于混合视觉GNNs的咖啡植物病虫害早期检测和防治SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Data Decision Tree for identifying potential risks for microorganisms when used in plant protection
PREAI
分享收藏The persistent threat of emerging plant disease pandemics to global food security新出现的植物疾病大流行对全球粮食安全的持续威胁
OAAI
OAAI分享收藏Multispectral Plant Disease Detection with Vision Transformer-Convolutional Neural Network Hybrid Approaches基于视觉变换器-卷积神经网络混合方法的多光谱植物病害检测SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏Jahin, M.A.; Shahriar, S.; Mridha, M.F.; Hossen, M.J.; Dey, N. Soybean Disease Detection via Interpretable Hybrid CNN-GNN: Integrating MobileNetV2 and GraphSAGE with Cross-Modal Attention. arXiv 2025. [Google Scholar] [CrossRef]Jahin, M.A.; Shahriar, S.; Mridha, M.F.; Hossen, M.J.; Dey, N. 利用可解释的混合CNN-GNN进行大豆病害检测：集成MobileNetV2和GraphSAGE与跨模态注意力。arXiv 2025. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏Recognition of Areca Leaf Yellow Disease Based on PlanetScope Satellite Imagery基于PlanetScope卫星影像的一种有效识别方法AGRONOMY-BASELOAAI
AGRONOMY-BASELIF3.4
OAAI分享收藏分享收藏
查看更多内容