Engineering Technology & Applied Science Research·10月2日 · 周五论文智慧农业 / 农业物联网阅读 3
A Graph Attention–Mamba Framework Utilizing Chinese Pangolin Optimization for Cross-Domain Plant Disease Recognition and Severity Estimation
S. Suresha · I. Manimozhi
论文解读
71接近精选线
速览
提出图注意力-Mamba框架并用中华穿山甲算法优化，实现跨域植物病害识别与严重度估计。
方法
图注意力网络建模局部症状，Mamba捕获长程依赖，CPO调参，PlantVill
发现
PlantVillage准确率99.12%，PlantDoc 95.37%，严重度MAE 0.091
机会点
可探索轻量化部署与田间多作物跨域泛化，结合时序数据实现病害动态预警。
影响力12
信息增量21
专业深度17
信源权威13
时效性8
提出图注意力与Mamba结合的可解释病害识别与严重度估计框架，跨域验证数据扎实，但属单篇学术论文，产业影响有限。
原文摘要
植物病害的准确诊断与严重程度评估是精准农业和作物管理的前提。现有方法往往难以在跨域条件下同时建模症状关系、长程上下文依赖和病害严重程度估计。本文提出了一种由中华穿山甲算法优化的可解释图注意力-Mamba框架(GAM-CPO)，用于植物病害识别与严重程度估计的同步实现。该框架由用于建模局部症状关系的图注意力网络(GANs)、用于捕获长程上下文依赖的Mamba状态空间学习以及用于自适应参数调优的中华穿山甲优化算法(CPO)组成。模型在PlantVillage数据集上进行训练，并通过PlantDoc数据集进行跨域验证。所提框架在PlantVillage上达到了99.12%的准确率、99.01%的F1分数和0.995的AUC，在PlantDoc上达到了95.37%的准确率和94.93%的F1分数。在严重程度估计方面，模型获得了0.091的MAE、0.147的RMSE和0.946的Kappa分数。Grad-CAM可视化进一步验证了所提框架的可解释性。结果表明，GAM-CPO是一种准确、稳健且高效的植物病害智能诊断与严重程度评估解决方案。