Розробка densenet з блоком стискання та збудження для класифікації хвороб томатів

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2025.323176

Ключові слова:

класифікація томатів, хвороба листя томатів, DenseNet-SEGR, стискання та збудження, швидкість росту, глибоке навчання

Анотація

Це дослідження зосереджено на класифікації хвороб листя томатів за допомогою оптимізованої архітектури глибокого навчання. Це дослідження пропонує вдосконалену архітектуру під назвою DenseNet-SEGR, яка об’єднує новий блок стискання та збудження (СЗ) із налаштованою швидкістю зростання 48 для покращення вибору функцій і точності класифікації. На відміну від стандартних методів, ця модель замінює глобальне усереднене об’єднання методом стиснення на основі інтеграла, що забезпечує більш безперервне та точне представлення ознак. Використання блоків СЗ динамічно перекалібрує важливість таких характеристик, як текстура, колір і візерунки тканин, тим самим підвищуючи чутливість до симптомів захворювання. Модель було навчено з використанням набору даних PlantVillage, який включає 12 246 зображень, що охоплюють 10 категорій хвороб листя томатів, таких як бактеріальна плямистість, ранній фітофтороз, фітофтороз, вірус мозаїки та здорове листя. Для посилення узагальнення та покращення стійкості до змін навколишнього середовища використовувалися різні методи збільшення, включаючи обертання, масштабування та налаштування контрасту. Крім того, пакетна нормалізація та адаптивне планування швидкості навчання були інтегровані для підвищення стабільності моделі та запобігання переобладнанню. В результаті архітектура DenseNet-SEGR здатна досягти точності класифікації 98,22 %, перевершуючи DenseNet-121, DenseNet-201 і MobileNetV2. Цей результат пояснюється інтеграцією адаптивних механізмів уваги, складними стратегіями збільшення даних і оптимізованою архітектурою. Результати можуть бути ефективно застосовані в реальному точному землеробстві, особливо в крайових або мобільних системах виявлення хвороб для раннього втручання та захисту врожаю

Біографії авторів

Pandi Barita Nauli Simangunsong, Universitas Sumatera Utara

Doctoral Program of Computer Science, Doctoral Student

Department of Computer Science

Poltak Sihombing, Universitas Sumatera Utara

Doctor of Philosophy (PhD) in Computer Science, Main Supervisor

Department of Computer Science

Syahril Efendi, Universitas Sumatera Utara

Doctor of Philosophy (PhD) in Mathematics, Co-Supervisor

Department of Computer Science

Fahmi Fahmi, Universitas Sumatera Utara

PhD in Biomedical Engineering, Co-Supervisor

Department of Electrical Engineering

Department of Computer Science

Посилання

  1. Bakr, M., Abdel-Gaber, S., Nasr, M., Hazman, M. (2022). Tomato disease detection model based on densenet and transfer learning. Applied Computer Science, 18 (2), 56–70. https://doi.org/10.35784/acs-2022-13
  2. Ahmed, S., Hasan, Md. B., Ahmed, T., Sony, Md. R. K., Kabir, Md. H. (2022). Less is More: Lighter and Faster Deep Neural Architecture for Tomato Leaf Disease Classification. IEEE Access, 10, 68868–68884. https://doi.org/10.1109/access.2022.3187203
  3. Khan, I., Sohail, S. S., Madsen, D. Ø., Khare, B. K. (2024). Deep transfer learning for fine-grained maize leaf disease classification. Journal of Agriculture and Food Research, 16, 101148. https://doi.org/10.1016/j.jafr.2024.101148
  4. Arulananth, T. S., Prakash, S. W., Ayyasamy, R. K., Kavitha, V. P., Kuppusamy, P. G., Chinnasamy, P. (2024). Classification of Paediatric Pneumonia Using Modified DenseNet-121 Deep-Learning Model. IEEE Access, 12, 35716–35727. https://doi.org/10.1109/access.2024.3371151
  5. Zhu, H., Wang, L., Shen, N., Wu, Y., Feng, S., Xu, Y. et al. (2023). MS-HNN: Multi-Scale Hierarchical Neural Network With Squeeze and Excitation Block for Neonatal Sleep Staging Using a Single-Channel EEG. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 31, 2195–2204. https://doi.org/10.1109/tnsre.2023.3266876
  6. Yuan, Z., Li, X., Hao, Z., Tang, Z., Yao, X., Wu, T. (2024). Intelligent prediction of Alzheimer’s disease via improved multifeature squeeze-and-excitation-dilated residual network. Scientific Reports, 14 (1). https://doi.org/10.1038/s41598-024-62712-w
  7. Zhu, C., Wang, L., Zhao, W., Lian, H. (2024). Image classification based on tensor network DenseNet model. Applied Intelligence, 54 (8), 6624–6636. https://doi.org/10.1007/s10489-024-05472-4
  8. Cui, X., Yu, Z., Li, J., Jiang, B., Li, S., Liu, J. (2023). Research on RFID Localization Algorithm of Refrigerator Foods Based on Improved DenseNet Model. IEEE Networking Letters, 5 (2), 135–139. https://doi.org/10.1109/lnet.2023.3258458
  9. Mugume, E., Tumwesigye, A., Muhangi, A. (2021). A spatio-temporal sleep mode approach to improve energy efficiency in small cell DenseNets. SAIEE Africa Research Journal, 112 (3), 134–141. https://doi.org/10.23919/saiee.2021.9513627
  10. Lu, T., Han, B., Chen, L., Yu, F., Xue, C. (2021). A generic intelligent tomato classification system for practical applications using DenseNet-201 with transfer learning. Scientific Reports, 11 (1). https://doi.org/10.1038/s41598-021-95218-w
  11. Asker, M. E., Güngör, M. (2024). A hybrid approach consisting of 3D depthwise separable convolution and depthwise squeeze-and-excitation network for hyperspectral image classification. Earth Science Informatics, 17 (6), 5795–5821. https://doi.org/10.1007/s12145-024-01469-2
  12. Roy, K., Chaudhuri, S. S., Frnda, J., Bandopadhyay, S., Ray, I. J., Banerjee, S., Nedoma, J. (2023). Detection of Tomato Leaf Diseases for Agro-Based Industries Using Novel PCA DeepNet. IEEE Access, 11, 14983–15001. https://doi.org/10.1109/access.2023.3244499
  13. Zhang, Y., Zhang, X., Li, Z., Li, X., Wang, Z. (2024). Hierarchical intelligent lithology recognition for thin section images using enhanced DenseNet. Earth Science Informatics, 18 (1). https://doi.org/10.1007/s12145-024-01663-2
  14. Bouni, M., Hssina, B., Douzi, K., Douzi, S. (2024). Synergistic use of handcrafted and deep learning features for tomato leaf disease classification. Scientific Reports, 14 (1). https://doi.org/10.1038/s41598-024-71225-5
  15. Umar, M., Altaf, S., Ahmad, S., Mahmoud, H., Mohamed, A. S. N., Ayub, R. (2024). Precision Agriculture Through Deep Learning: Tomato Plant Multiple Diseases Recognition With CNN and Improved YOLOv7. IEEE Access, 12, 49167–49183. https://doi.org/10.1109/access.2024.3383154
  16. Cheng, Y.-H., Kuo, C.-N., Lin, Y.-D. (2024). An Artificial IoT-Enabled Smart Production Line for 360° Visual Defect Detection and Classification of Cherry Tomatoes. IEEE Internet of Things Journal, 11 (10), 18082–18098. https://doi.org/10.1109/jiot.2024.3360715
  17. Liu, H., Liu, S., Wen, C., Wong, W. E. (2022). TBEM: Testing-Based GPU-Memory Consumption Estimation for Deep Learning. IEEE Access, 10, 39674–39680. https://doi.org/10.1109/access.2022.3164510
  18. Mao, Y., Kim, J., Podina, L., Kohandel, M. (2025). Dilated SE-DenseNet for brain tumor MRI classification. Scientific Reports, 15 (1). https://doi.org/10.1038/s41598-025-86752-y
  19. Devassy, B. R., Antony, J. K. (2023). Histopathological image classification using CNN with squeeze and excitation networks based on hybrid squeezing. Signal, Image and Video Processing, 17 (7), 3613–3621. https://doi.org/10.1007/s11760-023-02587-y
  20. Al-Waeli, M., Shahmohammadi, N., Tavakoli, S., Dizadji, A., Kvarnheden, A. (2024). Infection of tomato in Iraq with tomato leaf curl Palampur virus and multiple variants of tomato yellow leaf curl virus. Journal of Plant Pathology, 106 (3), 1283–1294. https://doi.org/10.1007/s42161-024-01682-4
  21. Romero-Rodríguez, B., Petek, M., Jiao, C., Križnik, M., Zagorščak, M., Fei, Z. et al. (2023). Transcriptional and epigenetic changes during tomato yellow leaf curl virus infection in tomato. BMC Plant Biology, 23 (1). https://doi.org/10.1186/s12870-023-04534-y
  22. Khan, M., Hossni, Y. (2025). A comparative analysis of LSTM models aided with attention and squeeze and excitation blocks for activity recognition. Scientific Reports, 15 (1). https://doi.org/10.1038/s41598-025-88378-6
  23. Zhou, L.-Q., Sun, P., Li, D., Piao, J.-C. (2022). A Novel Object Detection Method in City Aerial Image Based on Deformable Convolutional Networks. IEEE Access, 10, 31455–31465. https://doi.org/10.1109/access.2022.3156953
  24. Xu, J., Pan, S., Sun, P. Z. H., Hyeong Park, S., Guo, K. (2023). Human-Factors-in-Driving-Loop: Driver Identification and Verification via a Deep Learning Approach using Psychological Behavioral Data. IEEE Transactions on Intelligent Transportation Systems, 24 (3), 3383–3394. https://doi.org/10.1109/tits.2022.3225782
  25. Sun, M., Yu, M., Lv, P., Li, A., Wang, H., Zhang, X. et al. (2021). Man-Made Threat Event Recognition Based on Distributed Optical Fiber Vibration Sensing and SE-WaveNet. IEEE Transactions on Instrumentation and Measurement, 70, 1–11. https://doi.org/10.1109/tim.2021.3081178
  26. Al Jbaar, M. A., Dawwd, S. A. (2023). SIMD implementation of deep CNNs for myopia detection on a single-board computer system. Eastern-European Journal of Enterprise Technologies, 5 (9 (125)), 98–108. https://doi.org/10.15587/1729-4061.2023.289007
Розробка densenet з блоком стискання та збудження для класифікації хвороб томатів

##submission.downloads##

Опубліковано

2025-04-22

Як цитувати

Simangunsong, P. B. N., Sihombing, P., Efendi, S., & Fahmi, F. (2025). Розробка densenet з блоком стискання та збудження для класифікації хвороб томатів. Eastern-European Journal of Enterprise Technologies, 2(2 (134), 28–38. https://doi.org/10.15587/1729-4061.2025.323176

Номер

Том 2 № 2 (134) (2025): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2025 Pandi Barita Nauli Simangunsong, Poltak Sihombing, Syahril Efendi, Fahmi Fahmi

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.