Hamiltonian Full Node Coverage Graph Attention Network with Fuzzy C-Means Superpixel Graph Learning for Banana Leaf Disease Classification

Technische Samenvatting: Hamiltonian Full Node Coverage Graph Attention Network met Fuzzy C-Means Superpixel Graph Learning voor de classificatie van bananenbladziekten

Probleemstelling
De classificatie van bananenbladziekten (waaronder Cordana bladvlek, Fusarium verwelking en Sigatoka) is cruciaal voor de landbouwproductie, maar staat voor aanzienlijke uitdagingen door traditionele deep learning-benaderingen. Standaard Convolutionele Neurale Netwerken (CNN's) behandelen afbeeldingen als reguliere Euclidische rasters, waardoor ze er niet in slagen de complexe ruimtelijke ordening en connectiviteit tussen verspreide laesiegebieden op een blad vast te leggen. Bovendien missen CNN's vaak interpreteerbaarheid, waarbij ze fungeren als "black boxes" die het klinisch vertrouwen en de validatie door agronomen belemmeren. Bestaande graafgebaseerde methoden vertrouwen vaak op lokale aggregatie, waarbij ze langetermijnstructurele afhankelijkheden verwaarlozen, en maken vaak gebruik van harde clustering voor segmentatie, wat de onzekerheid en onregelmatige grenzen van zieke gebieden niet adequaat kan verwerken.

Methodologie
De auteurs stellen een nieuw framework voor genaamd Hamiltonian Full Node Coverage Graph Attention Network (HFNC-GAT), geïntegreerd met Fuzzy C-Means (FCM) superpixel graph learning. De methodologie verloopt via de volgende fasen:

1. Preprocessing en Segmentatie:

   • Bananenbladafbeeldingen worden geschaald naar 128×128 pixels en genormaliseerd.
   • Fuzzy C-Means (FCM) clustering wordt toegepast om de afbeelding te segmenteren in superpixels. In tegenstelling tot harde clustering wijst FCM een lidmaatschapsgraad toe aan elke pixel, wat een representatie mogelijk maakt van onzekere en onregelmatige ziektegrenzen.
   • Elke superpixel wordt gekarakteriseerd door gemiddelde RGB-waarden, textuurattributen en fuzzy lidmaatschapsscores.

2. Graafconstructie:

   • Elke superpixel wordt behandeld als een node (knooppunt) in een graaf $G=(V, E)$.
   • Edges (verbindingen) worden op twee manieren gevestigd:
     • Ruimtelijke Adjacentie: Het verbinden van naburige superpixels om de lokale structuur te behouden.
     • Hamiltoniaans Pad: Een benaderend Hamiltoniaans pad wordt geconstrueerd om elke node in de graaf twee keer te bezoeken. Dit creëert langetermijnverbindingen, wat zorgt voor volledige node-dekking en de globale structurele afhankelijkheden waarborgt die standaard lokale graafmethoden missen.
   • Node-kenmerken omvatten gemiddelde RGB, textuurstatistieken en FCM-lidmaatschapswaarden.

3. Graph Attention Network (GAT) Architectuur:

   • De graaf wordt verwerkt door een twee-laagse GAT-architectuur.
   • De eerste laag maakt gebruik van 4 attention heads met een verborgen dimensie van 64 om diverse kenmerkrepresentaties te leren.
   • De tweede laag gebruikt 1 attention head om node-embeddings te verfijnen.
   • Attention Mechanisme: Adaptieve gewichten worden toegewezen aan naburige nodes, waardoor het model zich kan richten op discriminerende kenmerken zoals laesieranden en texturen.
   • Global Mean Pooling: Aggregeert node-representaties tot één enkele graaf-niveau embedding.
   • Classificatie: Een volledig verbonden laag met Softmax geeft de ziekteklasse uit (Gezond, Cordana, Panama, Geel/Zwart Sigatoka).

4. Trainingsstrategie:

   • Het model maakt gebruik van een hybride verliesfunctie: $L_{total} = L_{CE} + \lambda L_{coverage}$.
   • $L_{CE}$ is de standaard cross-entropy loss.
   • $L_{coverage}$ is een regularisatieterm die het model bestraft als nodes niet worden gebruikt tijdens de forward pass, wat ervoor zorgt dat aan de Hamiltonian full node coverage constraint wordt voldaan en informatieverlies wordt voorkomen.
   • Training wordt uitgevoerd met de Adam-optimizer (leersnelheid 0.001) voor 100 epochs met early stopping op basis van validatie-accuratesse.

Kernbijdragen
Het artikel identificeert drie primaire innovaties:

1. FCM Superpixel Graph Learning: Het gebruik van Fuzzy C-Means om superpixels te genereren, incorporeert soft lidmaatschapsvectoren in node-embeddings, wat de onzekerheid en onregelmatigheid van ziektegrenzen effectief afhandelt.
2. Hamiltoniaanse Full Node Coverage: De integratie van een Hamiltoniaans pad zorgt ervoor dat elke node wordt doorlopen en verbonden. Dit garandeert een globale structurele representatie en faciliteert het leren van langetermijnafhankelijkheden, waarmee de beperking van lokaal-georiënteerde aggregatie in standaard Graph Convolutional Networks (GCN's) wordt aangepakt.
3. Coverage Loss Regularisatie: Een specifieke verliesterm wordt geïntroduceerd om ongebruikte nodes te bestraffen, waardoor het model wordt gedwongen de volledige bladstructuur te gebruiken voor kenmerkpropagatie, wat overfitting vermindert en contextueel leren verbetert.

Experimentele Resultaten
Het framework werd geëvalueerd op twee datasets: BananaLSD (Dataset I) en Banana Leaf Disease Dataset v4 (Dataset II). De voorgestelde HFNC-GAT werd vergeleken met baseline CNN's (ResNet50, DenseNet, ShuffleNet) en graafgebaseerde modellen (GCN, standaard GAT).

• Accuratesse: Op Dataset I bereikte het voorgestelde model een 96,11% trainingsaccuratesse en een 91,86% testaccuratesse, wat de standaard GAT (82,08%) en GCN (47,76%) aanzienlijk overtreft. Op Dataset II bereikte het een 94,19% training en 88,89% testaccuratesse, vergeleken met 83,74% voor GAT.
• Robuustheidsmetrieken: Het model vertoonde een hoge prestatie over meerdere metrieken, waaronder Cohen's Kappa (0,8893 op Dataset I), Matthews Correlation Coefficient (MCC), F2-score en ROC-AUC (0,9917 op Dataset I).
• Ablatie-studies: Experimenten bevestigden dat de combinatie van FCM-segmentatie, Hamiltonian connectiviteit en attention-mechanismen gezamenlijk de prestatiewinst drijft. Het verwijderen van een component resulteerde in een lagere accuratesse en verminderde interpreteerbaarheid.
• Visualisatie: De studie maakte gebruik van radar grafieken en Grad-CAM om de focus van het model op ziektespecifieke regio's te visualiseren, wat de verklaarbaarheid van de classificatiebeslissingen versterkt.

Significantie en Claims
De auteurs beweren dat het HFNC-GAT framework een robuuste, nauwkeurige en interpreteerbare oplossing biedt voor de classificatie van bananenbladziekten. Door de ruimtelijke en structurele relaties van zieke gebieden expliciet te modelleren via een graaf, overwint de methode de beperkingen van op Euclidische rasters gebaseerde CNN's. De integratie van Hamiltoniaanse paden zorgt ervoor dat de globale context niet verloren gaat, terwijl de FCM-segmentatie de inherente onzekerheid van ziektegrenzen afhandelt. De studie concludeert dat deze graafgebaseerde benadering een superieure voorspellende prestatie levert vergeleken met bestaande CNN en standaard graaf-learning baselines, wat een levensvatbaar instrument biedt voor precisielandbouw en vroegtijdig ziektebeheer. De auteurs suggereren dat dit framework de basis legt voor het uitbreiden van graafgebaseerde diagnostiek naar andere plantpathologieën met complexe ruimtelijke symptoomverdelingen.