基于图神经网络融合模型的作物健康监测：小麦病害精准检测新策略

【编辑推荐】针对小麦病害早期检测难题，研究人员创新性地将图神经网络(GNN)与卷积架构(CNN/ResNet/VGG16)融合，构建GNN+CNN(93%准确率)、GNN+ResNet(86%)等混合模型。该研究通过大规模小麦叶片图像数据集验证，为农业病害智能管理提供了高精度解决方案，对保障粮食安全具有重要意义。

　　

植物病害严重威胁农业生产，直接影响作物的产量与品质。为实现小麦病害的早期识别与严重度评估，研究者开创性地将图神经网络(Graph Neural Network, GNN)与多种卷积架构进行深度整合：包括GNN+卷积神经网络(Convolutional Neural Network, CNN)、GNN+残差网络(ResNet)以及GNN+视觉几何组16层模型(Visual Geometry Group 16, VGG₁₆)。通过对小麦叶片图像数据集进行系统预处理、模型训练和超参数优化，发现GNN+CNN组合表现最优（准确率达93%），显著优于GNN+ResNet(86%)和GNN+VGG₁₆(82%)。该研究证实，融合图结构学习与卷积特征提取的混合模型能有效提升作物病害识别精度，为发展智能化农业病害管理系统提供了创新技术路径。