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。
