基于 GAT-GCN 混合模型提升叶片病害分类效果
计算机视觉与模式识别
2025-04-08 v1 人工智能
摘要
农业在全球经济中发挥着关键作用，为数十亿人提供生计并确保粮食安全。随着创新农业实践的普及，作物病害的风险不断增加，凸显出对高效、低干预病害识别方法的紧迫需求。本研究提出一种结合图注意力网络 (GAT) 和图卷积网络 (GCN) 的混合模型，用于叶片病害分类。GCN 已被广泛用于从图结构数据中进行学习，而 GAT 通过引入注意力机制来聚焦于最重要的邻居。该方法整合了超像素分割技术，以实现高效的特征提取，将图像划分为具有意义的均匀区域，从而更好地捕获局部特征。作者采用边缘增强技术以增强模型的鲁棒性。通过应用权重初始化技术进行训练优化。该混合模型在苹果叶片病害分类中实现了精确率为 0.9822、召回率为 0.9818 和 F1 分数为 0.9818，在土豆叶片病害分类中实现了精确率为 0.9746、召回率为 0.9744 和 F1 分数为 0.9743，在糖蔗叶片病害分类中实现了精确率为 0.8801、召回率为 0.8801 和 F1 分数为 0.8799。这些结果表明了该模型的鲁棒性和性能，表明其有潜力通过精准有效的病害检测支持可持续农业实践。本工作是一步小步，旨在减少作物损失，从而支持零粮食饥饿和陆地生物多样性保护的可持续目标。
引用
@article{arxiv.2504.04764,
title = {Enhancing Leaf Disease Classification Using GAT-GCN Hybrid Model},
author = {Shyam Sundhar and Riya Sharma and Priyansh Maheshwari and Suvidha Rupesh Kumar and T. Sunil Kumar},
journal= {arXiv preprint arXiv:2504.04764},
year = {2025}
}