Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   15 ,  No.   1 ,  Febr uary   20 25 , pp.  940 ~ 948   IS S N:  20 88 - 8708 , DO I:  10 .11 591/ij ece.v 15 i 1 . pp 940 - 948           940       Journ al h om e page :  http: // ij ece.i aesc or e.c om   T o m a t o   p l a n t  d i s e a s e   p r e d i c t i o n   s y s t e m   w i t h   a   n e w   f r a m e w o r k   S S M A N   u s i n g   a d v a n c e d   d e e p   l e a r n i n g   t ec hn i ques       Sa r avanan   M ad deri   Siv alingam 1 , L ak sh mi  D e vi Bada bagni 2   1 Dep artm en t of  Co m p u ter  Sci en ce a n d  E n g in eering ,  Sav eeth a Scho o l of  En g in eering ,   Sav eeth a I n stitu te of  Medi cal and  T echn ical  Scien ces, Ch en n ai,  I n d ia   2 Sav eeth a Scho o l of E n g in eering ,  Sa v eeth a I n stitu te of  Medical and  T echn ical Sciences,   Sri  Pad m av ati  Mahila  Visv av id y alay am ,  Tir u p ath i,  Ind ia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   J un  10, 2 024   Re vised  A ug 13, 2 024   Accepte d  Aug 20,  2024       Agric ult ur e  p la y s  a  p ivot a l  ro le  i n  India 's   e cono my,   and   the  t imely  d etec t ion  of  pl ant  inf ec t io ns  is  essenti a l   to   safe gu ard   cro ps   and   pr eve nt   fur t her   spre ad   of  disea ses.   Th e   conve n ti ona l  ap proa ch  invol ves  ma nua l  inspe ct i on  of  pl ant  le av es  to  ide n ti f y  the  s pec i fic  ty pe  of  d isea se ,   a  ta sk  typ ic a ll y  carrie d  ou t  by   far me rs  or  p la n t  pat ho logi sts.  In  pre vious  stu die s,  you  only   look  once  (YO LO)  and  fa ster  reg ion - base d  convol ut iona l   neur al  net work   (R - CNN ),   ma ch ine  learni n g  al gor it hms   we re  appl i ed  to  d a ta sets  for   d e tecting  objects  on  tom a to  l ea v e s  which  include s  a  total  of   imag es  2403  and  go t   accuracie s  of  86   and   82   p erc en t.  In   th is  p ape r,  a  d ee p   co nvolut ional   neur al  net work  (DCN N)  mode l  proposed  with  a   new  fra me work   sepa ra te,  shift ,   and  m erg e  base d  AlexNe t5 0  al gori t hm  (SS MA N)  is  used  to  pre dict  th e  di sea se  a t  an   ea rl ie r   stag e  wi t h  higher  ac cu racy.  Among   var io us  pre - tr ai ned   d ee p   models,  AlexNe t  em erg e s  as  the   top   per forme r,  a chi ev in g  the   h ighe st  accura cy   in  disea se  c la ss ifica t ion.   SS MA N  ca n  addr ess  anom a li es  in   im ag es   by  em ployi ng   a   c las s  dec omposi ti o n  appr o ac h   to   scruti ni ze  cl ass   b oundar ie s.   AlexNe t  exh ibi t s  a  nota bl e  a cc u rac y  of  98 . 30%  in  succ essfully  i dent ifyi ng   tom at o   l ea f  d ise ase s  from  im ag e s,  with  pr e - tr ai n ed  new  fr amework,  superior   to  th e  or igi na l  AlexNe t  arc h it e ct ure   as  we ll  a s  tra di ti ona l  cl a ss ifi ca ti on   me thods wi th  ot her   a lgori th ms.   Ke yw or d s :   Accurac y   A gri cultu re     Cl assifi cat ion   Conv olu ti onal   neural  netw ork   Deep l ear ning   Tom at o   This   is an  open   acc ess arti cl e   un der  the  CC  BY - SA   l ic ense .     Corres pond in g  Aut h or :   Sara van a n Ma dd e ri Si valinga m   Dep a rtme nt   of  Com pu te r  Scie nce a nd E ng i ne erin g,   Saveet ha  Sc hool  of E ng i neer i ng, S a veetha  I ns ti tute o f  M e dical  and T echn ic al  S ci en ces   Tha nd al am   –   602 1 05, C he nnai , Ind ia   Emai l:   saran e na du@ gm ai l.co m       1.   INTROD U CTION   Id e ntify i ng   pl ant  diseases  i s  par a mou nt  to  guara ntee  the  culti vatio n  of  he al thy  agr ic ultur al   pro du ct io n.  M it igati ng   t he  de trime ntal  ef fec ts  of  s uc h  dise ases  is  ess enti al ,  especial ly   c on si der i ng  the   wi de  arr a y  of  f ood  from  popula r   plants  s uc h  a s   tomato   an d  onio n.   Far mers   encou nter  c hal le ng es   in  acc urat el y  recog nizing  s ympto ms  of  pla nt  diseases,   pa rtic ularly   w he n  deali ng   with   s ub tl e  mani festat ion s.   T om at oe s  not   on l y  f ulfill   dai ly  nutrit io nal  r equ i reme nts  but  al so   ha ve  a  high  ec onom ic   value  a nd  pl ay  a  si gn ific a nt  ro le   in   man y  local   an d  natio nal  eco nomies.  D eep  l earn i ng   has  a ppli cat ion s  in  va rio us   fiel ds   of  arti fici al   intel l igence,   par ti cula rly  c omp uter  visio n,  w her e  it   has  achieve d  s ucce ss  in  plant  le a ves  reg i on  of  i nterest  detect ion  [ 1] .  The  dee p  le ar ni ng   models  use d  the   c onvolu ti on al   ne ural   ne twork   (C NN)   model  t o  s hape  the  data  incl ud i ng   you  on l y  lo ok  on ce   ( YOLO )  and  faster   re gio n - based  co nv olu ti onal   ne ura l  netw ork  (R - CNN ) ,  for  detect ing   tomatoes   a nd  i mpro ving   dete ct ion   acc uracy   [ 2] .  Dee p  le ar ning  models  i n  To mato   de te ct ion  an d  co mp a re  th e   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C omp E ng     IS S N:   20 88 - 8708       Toma t o pla nt di sease pre dicti on system  wi th  a new fra mew ork  SSMAN  …   ( Sa r av anan M adde ri Siv alinga m )   941   stren gth s  a nd  li mit at ion s  of  diff e re nt  arc hitec tures.  H owe ver,  the  la bor - intensive  an d  ineff ic ie nt  nat ur e  of  man ual  ha rv e s ti ng   prese nts  a  sign ific a nt  c halle ng e   to  th e  tomato  farm ing   in dustr y  [ 3] .  The   ha rv e sti ng  proce dure  is   c os tl y,  raisi ng   the  final  c os t  t o  t he  c onsume r,   a nd  sl ow,  de la yin g  the   product's  delive r y  t o  the   mar ket  an d  l oweri ng   it s  nutr it ion al   an d  aest hetic   value .  T oma toe s  a re  now  f re qu e ntly  c ulti vated  in   s uc cessi ve  crops.  S om e   i mporta nt  relat ed  st ud ie s   in di cat e  that  to ma toes  a re  a ff li ct ed  by  a bout   30  dif fer e nt  t ypes  of   fun gal  infecti ons.  I n  Chi na,   t om at o  in fecti ons  hav e   bec om e  a  majo r  pro bl em,  res ulti ng  in  a  10%  decr e ase  in  ou t pu t.   Co mp l et e  crop  fail ure  has  bee n  re ported   in  reg i on s   w he re  the se  diseases   ha ve  had  a  sig ni ficant   influ e nce  [4] .   Du e   to  t he  va g ue   sig ns   of  tomato   in fecti ons  in   their   earl y  sta ge s,  farm ers  s om et imes   fail   to  diag nose  an d  t reat  these  il lne sses.  O ften ,  thi s  error   mea ns   that  the  best  ti me  to  pr e ven t  and   c ontr ol  dis ease  is  missed.  The  s pr a ying  of   e nor mous  am ou nts  of  f ungicides  pr ov e d  to   be  inef fectua l  as  tomato  il lnesse s   worse ned.  A no ther  set   of   farmers  fin ds   it   di ff ic ult  to  deter mine  w het her   t heir  to matoes  are  co ntaminat ed  an d  is  unable   to   de te rmin e   the  e xt ent  of  the   il lnesses  [5] .   As   a  r esult,  the y  hea vily  rely   on   th e  us e   of  f ungic ides  to   pr e ve nt   an d  co ntr ol  disease .  Re gr et ta bl y,   c on ti nue d  us e   of  the se  met hods  res ults  in   an   ov e r us e  of  f un gicides,   end a ngeri ng   both  human  hea lt h  and   t he  en vi ronme nt  [6] .  Ther e  has  bee n  a  rise  in  inte rest  in  tomat o  disease  researc h  i n  r e cent   yea rs  due   to  the   gr ow i ng  need  f or  pr ompt  an d  e ff i ci ent  tomat o  di sease  identifi cat ion ,  detect ion,  an d  thera py   a ppli cat ion s.  Acc ur at el y  dif fer e ntiat ing   the  uniq ue  trai ts  of   var i ous  diseases  is  diff ic ult   wh e n  usi ng  e xi sti ng   le a rn i ng  m od el s   direct ly  on  t om at o   di sease  de te ct ion   ta s ks .   T his   r est rict ion  f requen tl y   resu lt s i n  a siza ble num be r of   error s  or  om iss ion s .    As  a  res ult,  bo t h  the  aca de mic  and   a gr i cultural  c om m un it ie s  now  c onfro nt  simi la r  issues  in   integrati ng  with  some   existi ng  le arn i ng   methods  with  avai l able  old   know le dg e  base  an d  pr e dict  at   early  sta ge   with  higher   pe rformance   li ke   accu racy  th rough  j oin t  “ data   m od el   knowle dg e ”   a ppro ac he s  [ 7] .  T his  res earch   intends  to  c ombine   dee p  le arn i ng   models   with  disease  relat ed  tomat o  le aves  in form at ion   to  overc om e  t he  unbalance d  di stribu ti on  of  disease  sa mp l es  an d  the   la ck  of   cl ea r  ar ti c ulati on .  Ta ki ng   i nto   acc ount  t he   com plexity  of   tomato   diseas e  data  a nd  ma king  us e  of  e xisti ng  inf orm at ion ,  t he  st udy  f oc us es  on  t om at o  diseases  t hat  a rise  in  c omple x  backd rops  [ 8] .  T her e   are   504  a rtic le s  in   G oogle  Sc hola r  a nd  10 0  a rtic le s  on  IEEE  from  20 18   t o  2024.  T he   researc h  unve il s  a  novel  de ep - le ar ning  fr a mew ork  e ng i ne ered   t o  cat eg or iz e  a   wide   sp ect rum   of  plant  dise ases.  De par ti ng  from   co nve ntion al   mac hin e  le ar ning   pa rad i gm s   that  man date   man ual  featu r e   extracti on  an d  data  feed i ng,  the  pro pose d  m od el   ca pital iz es  on   c onvoluti on al   neural  net works  to  sig nificantl y  au gme nt  it s   performa nce.   Within  t he  domain   of  deep  le arn in g  mod el s,  two  f unda mental   op e rati ons  are   cond ucted .  I ni ti al ly,  an  arti f ic ia l  neu ral  ne twork  is  de ployed  t o  ide ntif y  patte r ns   within  a n  input  ima ge.  S ub s eq ue ntly,   the  model   aut onomo us l y  rend ers  decisi ons.   As   a  res ult,  de ep  le a rn i ng  models   dem onstrat e  e nh a nce d  e ff ic a cy  in   ima ge  c la ssific at ion   ta sk s  c ompa red  to  tra diti on al   l earn i ng  al gorit hm s .   Util iz ing   a  de ep - le ar ni ng   neural  netw or k  f or   ima ge  cl assifi cat ion   yields  nota ble   eff ect ive ness.   This  innov at ive   a ppro ac h  outpe rfo rms  tradit io nal   meth ods,   s uc h  as   ma nual   in sp ect io n  of  in di vid ual   pla nt  l eaves,   by d el ive rin g f ast er and mo re  accurate  res ults.   Farme rs  hav e  t he  op portu nity   to  util iz ing   th e  smartp hone   cameras  t o  det ect   diff e ren t  pl ant  diseases   and  ta ke  proa ct ive  meas ures   to   c urb   their   s pr ea d  by   int egr at in g  with   oth e r  i nterfac e   a pp li cat ions.   M a ny  exp e rts strive t o  bolst er  to mato   le aves , by  un iqu e  featur e  sel ect ion  of  plant  diseases th rou gh the c ombine d  us e   of   c onve ntio na l  methods  a nd   neural  net work - base d  te ch niques.  Fi gure  1  s hows  th e  proc ess  of   dee p  le a rn i ng   models  f or   i m age  cl assifi cat ion.  T his  f ram ewor k  ser ves  as  the  f oundat ion   for  the  pr opos e d  m odel ,   wh ic h  le ver a ges  th e  s epar at e,  sh i ft, a nd me rg e  pre - t raine d  le ar ning  model.           Figure  1. Ge ne ral proce ss  of  “ deep le ar ning  model f or ima ge  cl assifi cat io n ”   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec   &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   940 - 948   942   Figure  1  ta ke n  as  base   f or  pro posed   f ra mew ork  se pa r at e,  sh ift,   an d  mer ge  base d  Alex Net5 0  (S S MAN )  to  com bin e  with   Alex Net5 0,   a   deep   le a rn i ng  m od el   or   al gorithm .  Sect ion   2  delineat es  the   method ology   of   th e  tomat o  dataset ,  offe r ing   in sig hts  in to  it s  structu re   and   ac quisi ti on.  I n  s ect io n  3,   the  pro po se d  a l gor it hm   is  e xpounded   up on,  pro vi din g  a  detai le d  acc ount  of  it s  impleme ntati on,  the   intric ac ie s  of  the  S S M   mode l,  an d  an   e xha us ti ve   anal ys is   of   the   d at aset .   Mo ving   to   s e ct ion   4,  a   th oroug h  e xami nat ion  of  the  res ults  wi th  pe rformanc e  par a mete rs  wer e  discu ss ed   f or   plant  di sease  detect ion s  a re  pr ese nted.  Con cl ud i ng the  stu dy,  s ect io n 5 e ncapsulat es  our fin dings a nd  offer s  conclu sive r e mar ks .       2.   RESEA R CH MET HO D   In  the  existi ng   sy ste m,  man ua l  insp ect io n  methods   an d  a   fe w   cl assifi ca ti on   meth od s   i nv e sti gating  ind iv i du al   plant  le a ves   or  c lusters,   no t   de li ver in g  faster   an d  m ore  ac cur at e   res ults.   T her e fore,   thi s  pap e r   fo ll ows   the   de ep  le a rn i ng  te c hn i qu e   as   a   ba se  to   s olv e   the   earl y  pr e dicti on  of  to mato   pl ant  disease .  F or  thi s   CNN  model  us e d.   I n  Fi gur e  1  it   shows  the  ba sic   str uc ture  of   C NN  model.  I n  th is  CNNs  sta rt  with   conv olu ti onal  layers  t hat appl y  filt ers or ker nels to  the i nput image.  Filt ers  tra ver se t he i nput,  ei ther b y sl iding  or   c onvolvi ng,   to  ide ntify   fe at ur es  li ke  e dges,  te xtures,  or   patte r ns .  Ea ch  c onvoluti on   process  pro duces  a   featur e  ma p  th at   acce ntu at es  sp eci fic  detai ls  of   t he  in pu t.  Pooli ng   la yer s   fo ll ow  “ c onvoluti onal   la yers ”   fo r   dimensi onal it y  reducti on  of   t he  in put.  T he  tradit ion al   methods  us e d  f or  CNN  i nclu de  max  poolin g,   wh ic h  sel ect s  the  hi ghest   valu e   in   a  s pecified   re gion,   an d  ave r age  poolin g  c al culat es  the   a ver a ge   val ue  i n  t hat  reg i on.  P ooli ng  decr ea ses  c omp utati on al   l oa d  a nd  e nhanc es  the   net wor k' s  abili ty  t o  ha nd le   in pu t   va riat ion s.   The  outp uts  f r om   t he  c onvol ution al   an d  po oling  la ye rs  a r e  flat te ne d  int o  a  one - dime ns i on al   vect or ,   w hich  is  then  i nput  into   the  f ully  c onne ct ed  la yers.  I n  f ully  c onnect ed  la ye rs,   eac h  neur on   is  li nk ed  to  e ve ry   ne uro n  in   the  nex t   la ye r.  Th ese  la yer s   l earn  high - le vel   feat ur es   a nd  ge ner at e   predict ion s   by   co m bin in g  t hese   fea t ur es .  CNNs  un derg o  trai ning  us in g  la bele d  dataset s.  Th r oughout  this  process ,  the  netw ork  it erati vely  adj us ts  it s   internal   pa ram et ers,   w hich  i nclu de  weig ht s  an d  biases ,   to  mi nimize   t he  discre pa nc y  betwee n  pre dicte d  ou t pu ts  and t he  provide d  la bels.   Durin g  t rai ning,  a   loss   f un ct i on  is  ap plied  t o  mea sure  the   disp a rity  betw een  pr e dicte d  ou t pu ts  an d  true   la bels,   a nd  a n  op ti miza ti on  al gorith m,   s uch  as   st ochast ic   gradie nt  desce nt,  is   em ployed   t o  it era ti vel y  update  the  net work ' s  pa rame te rs.   T his  it erati ve  adjustme n t  of   par a mete r s  ena bles  CN Ns  to  a uton omo us ly   extract  hierar c hical   featu res  f rom  in put  ima ges.   This  i nher ent  capa bili ty  po sit io ns   t hem   as  po werfu l  t ools  f or  var i ou s   ima ge - relat ed   ta sks,  i nclu ding   obje ct   dete ct ion ,   ima ge   cl assifi cat io n,  an d  se gme ntati on .  Sim ultane ously,  a  CN N  m odel   was  trai ne d  f or   a  to mato  pla nt  image s  dataset   colle ct ed  from  t he  And hr a   Pr a desh  r egi on,  total in g  2 , 403  image s,   in   this   80%   we re   al lo cat ed  for  t raini ng  data,  w hile  the  remaini ng  20%  wer e  sel ect ed  for  te sti ng  dat a.  This   ex per i mental   co nfi gurati on  was  i mp le me nted  at   the  M achi ne  Learn i ng   Lab or at or y  within   the   A rtific ia l  I ntell igence  Dep a rtme nt  at   Saveetha   Sc ho ol  of  E ng i neer i ng,  pa rt  of   Sa ve et ha   In sti tute  of   Me dical   an d  Te chn ic al   Scie nc es,  locat e d  in   Chen nai,  Ta mil   Nadu.  Th e  subse qu e nt  s ect ion  ou tl ines  the  pr opos e d  S S M  m od el .       3.   PROP OSE D SSM A N MO DEL WITH  DE EP L EAR NI NG   The  propose d  method ology   e mp lo ys   t he  sep arate ,  SS MAN   model  of  dee p  CNN  for  cl ass ifying  plant   diseases  with  higher   accu rac y.   Fig ur e   2  pr esents  a   detai le d  dep ic ti on  of  the   Ale xN et   deep  le ar ning  model ,   sh owin g  how  t he  va rio us   la ye rs  are  i ntegrat ed  be f or e  a nd   after  the  know le dg e  tra nsfo r mati on   process .  T hi s   fig ur e  highli ghts  the  strat e gi c  placement  and   util iz at ion  of   the se  co mpon e nts  to  i ncr ease  t he  or der   of   performa nce  i n  ov e rall   ef fici ency   a nd  fun ct ion al it y  of   t he  m odel .  In   t his  m odel ,  w e   util iz ed  an   A le xN et   model  pre - t rained  on  Ima ge Net   dataset .   T he  cl ass  dec omp os it ion  la ye r  di vid es   a  set   of   im ages   in  di ff e ren t  n  su bc la sses,  w it h  each  s ubcl ass  bein g  processe d  in de pende ntly.   T he  cl ass  c ompo sit io n  c ompone nt   su bse que ntly  r ecom bin es  t he se  subcl asses  t o  f orm  the  fin al   set   of   res ult s  with  cl assifi e d  syst em  f o r  ori gin al   image  dataset   [ 8] – [ 10] .   In  the   Ale xN et   arc hitec ture,  i t   i s  note d  that  ei gh t  la yer s   c onta in  tr ai na ble  par a mete rs.  It   i s  obser ve d  that  amo ng  the se  la yer s ,  fi ve  util iz e  a  com bin at ion  of  c onvoluti onal   ope ra ti on s  a nd  ma x  poolin g,   w hile  the  remaini ng  thr e e  co ns ist   of  f ully  c onnecte d  la yer s .  It   i s   al so   me ntio ne d  that  recti fie d  li nea r  un it   ( Re LU )  act ivati on   is   a pp li ed   to   al l  la yer s   e xcep t  t he  outp ut  la ye r.   N otably,  du e  to  t h e  de pth  of  t he  Alex N et 50  arch it ect ure,  t he   auth ors  intr oduce d  pa dd i ng  to  mit igate   th e  sign i ficant  r edu ct io n  i n  th e  siz e  of  the  f eat ure   maps .  It   I s  sta te d  that   the   in pu t   to   this   m odel   c omprises   images   siz ed   a t  227 × 227 × 3.  The   arc hitec tu re  of  Alex Net5 0  re port e dly  inclu de s  co nvol utio na l  la yer s   al on g  with   ma x - poolin g  la ye rs.  If  yo u   a re   unf amil ia r   with  cal c ulati ng   the   out pu t  si ze  of  a  c onvol ution al   la yer  of   the  Alex Net5 0  arc hitec ture,  the  first  c onvoluti on a l   la yer  ap plies  96  filt ers   siz ed   at   11 × 11  with   a  stri de  o f  4.  The   act ivati on   f unct ion  e mp l oy e d  in   this   la yer  is  Re LU.   Subse quently , th e  r e sul ti ng  f eat ur e  m ap  is si ze d  at   55 × 55 × 96.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C omp E ng     IS S N:   20 88 - 8708       Toma t o pla nt di sease pre dicti on system  wi th  a new fra mew ork  SSMAN  …   ( Sa r av anan M adde ri Siv alinga m )   943    = ( (  −     ) /     ) + 1   (1)           Figure  2. Ale xNet ,  deep le ar ni ng   proces s m odel       It   i s  me ntio ne d  that   in  t he  s ub s eq ue nt  ste p,  the   num ber  of  filt ers  deter mines  t he  c ha nn el s   in  t he   ou t pu t  featur e   map.   Fo ll ow ing   this ,  the  f irst  max poolin g  la ye r  is  introd uced,  siz ed   at   3 × 3  siz e  of   2.   Con se quently ,   the  res ulti ng  feature   ma p  is  ob ta ine d  with  dim e ns io ns  of   27 × 27 × 96.  Fo ll owin g  t ha t,  the   seco nd  co nvol ution  op e rati on  is  a ppli ed,  w it h  a  reducti on   in  filt er  siz e  t o  5 × 5,  c onsist ing  of  256  filt e rs.   The   stride   is  set   to   1,  wit h  a   paddi ng  of  2.  F ollo wing  t he   ap plica ti on  of   the   s econd   c onvolu ti on  operati on,   Re L U   act ivati on   fun ct ion   is  on ce   again   util iz ed.   C onseq ue nt ly,  the  outp ut  siz e  obta ined   is  27 × 27 × 256.   Subseque ntly,  a  max - po oling  la yer   of  siz e  3 × 3  with  a  stri de  of  2  is  a pp l ie d,   res ulti ng   i n  a  featu re  ma p  with   dimensi ons  of  13 × 13 × 25 6.  N ext,  t he  t hird  c on voluti on  ope rati on  is  c ondu ct ed,   e mp l oy i ng  384  filt ers   siz ed  at   3 × 3  with  a  str ide  of  1  an d  pa dd i ng  of  1.   T he  Re L U  act iv at ion   f unct ion  is  app li ed   onc e  more,  yieldi ng   an  ou t pu t  featur e  map  with  dim ensio ns   of   13 × 13 × 384.  F ollow i ng   t he  thir d  co nvol ution   op e rati on,  the  fourt h  conv olu ti on  op erati on  is  e xec uted,  util iz ing   384  filt ers  siz e d  at   3 × 3,  with   a  stri de  of  1  a nd  pa ddin g  al s o  set   to  1.   A dd it io na ll y,   the  act ivati on   functi on  is  app li ed  su c h  a s  Re LU,   is  ap pl ie d.   Subse que ntly,  the  outp ut   size   remains  unal te red   a t  13 × 13 × 384.   Fo ll owin g  this,  the  fina l  convo l ution   l ayer,  co mprisi ng   256  filt ers  siz ed  a t   3 × 3,  is  intr oduc ed.   B oth   the  stride  an d  paddin g  are  set   t o  on e ,  an d  th e  Re LU  act ivati on   f un ct io n  is  app li ed .   Con se quently , t he  res ulti ng   fe at ur e ma p mai ntains a s ha pe   of   13 × 13 × 256. Obser ving the  arch it ect ure th us  f a r,   it   i s  eviden t  th at   the  numb e r  of   filt ers  incre ases  as  we  del ve  dee per.  T his  pro gr essi ve  increase  facil it at es  the  extracti on  of m or e  intricat e fe at ur es a s  we  a dvance  th rou gh  arch it ect ure .    Fu rt hermo re,   it   i s  w or t h  no ti ng  that  t he  filt er  siz e  is  decr ea sing  pro gressi vely.  T his  im pl ie s  that  the  init ia l  filt ers  w ere  la r ge r,  an d  as  we   pr ogres s,  the   filt er  siz e  re duces,   co nse quently   le adi ng  to   a   re du ct i on  in   the  s ha pe  of  th e  feat ur e   ma ps.  F ollo wing  t his  obse rvat i on,  the  thi rd  ma x - poolin g  la yer,  siz ed  at   3 × 3  w it h  a   stride  of  2,  is  app li ed .  T his  op e rati on  yield s  a  featur e  ma p  with  dime ns ion s  of  6 × 6 × 25 6.   S ubseq ue ntly,  the   first  dr opout  la yer   is   intr oduc ed  with  a  rate  of   0.5,  co ntin ua ti on   of   t his  f ul ly  co nn ect e d  l ayer  is  implem ented,   util iz ing   the  R eLU  act ivati on   functi on.  T he  ou t pu t  siz e  is  s et   at   40 96  ima ges.   S ubse qu e ntly,  a no t her   dro pout  la yer   is  a p plie d  wit h  a  rate  of  0.5 .  T his  is  s ucceede d  by  a   seco nd   f ully  “ connecte d  la ye r ”   co mprisi ng  4 , 096  neur on s ,  wit h  Re LU  act ivat ion   fu c ntio n.   Con cl ud i ng   t he   arch it ect ure,   the  fi nal  la ye r  co ns ist s  of  1 , 000  neur on s , corr e s pondin g  to the 1 , 000  cl asses i n  the  datas et . T his last  f ully c onnected la yer   util iz es the  So f tMax   act ivati on   fun ct ion .  T he  a rc hitec ture  of  th e  Alex Net  m odel   co mprise s   a  total   of  62 .3   mil li on   le ar nab le   par a mete rs  dis tribu te d  acr oss  8  la yer s .  T he  in put  to  t he  m odel   co nsi sts  of  RGB   images .  It  f eat ur es   5  c onvoluti on   la ye rs  acc om pan ie d  by  a   c ombinati on  of   ma x - poolin g  la yer s.   T his  a r chite ct ur e   co m pr ise s    “ 3 - fu ll y  co nne ct ed  la ye rs ” ,  each  util iz ing   the  Re LU   ac ti vation  f unct ion.  A ddit ion al ly,  it   integ rates  two   Dropo ut  la yer s .  T he  outp ut  la yer  util iz es  the   S of t M ax   act iv at ion   f un ct io n.  The   total   par a mete r  c ounts   f or  thi s   config ur at io n a moun ts  to 6 2.3  mil li on .   Alex Net  sta nds  as   a   gro undbrea king   CN N   re now ne d  f or  it s  pro wess   in  im age   re co gnit ion  a nd   cl assifi cat ion .   Its  tri umph  in   the  2012   Ima ge Net  la r ge   sca le   vi s ual  recog niti on  c halle nge  ma rk e d  a   pi vo ta l   mo me nt  in   th e  ad van ce men t  of   dee p  le ar ning  [ 11] .  T he   arch it ect ure   of  Ale xN et ,   char act e rized  by  it s  pioneeri ng  im plementat io n  of  c onvoluti ona l  la yer s   an d  Re LU,  est ablish ed  a   co r ner st one  for  c onte m porary   deep   le a rn i ng   models.  Its  im pact  has  bee n  instrumenta l  in   pro pelli ng   a dvance men ts  i n  com pu te r  visi on   a nd   patte rn  rec ogni ti on   a pp li cat ion s .  The   a dopt ion   of  Re L U   as  a n  act ivati on  f unct io n  nota bly  e xp e dit ed  t he   trai ning  proce ss,  en ha ncin g  it s  sp eed  by   ne arly  six f old   [ 12] .  Additi ona ll y,   integ rati on  of   dro pout  la yer s   eff ect ivel y  mit igate d  over fitt i ng  c on ce rns,  bolst erin g  t he  model' s  gen e ra li zat ion   capa bi li ti es.  M oreo ve r,   t he   model  underg oe s  trai ni ng  us i ng  the   Ima ge N et   dataset ,  w hich  c omprises   ne arly  14  mil li on  ima ges  distri bu te d  acro s s  on e   th ousa nd  cl asses.   The   le af   ima ge  dataset   wa s  util iz ed  t o  fine - t un e   a  pre - trai ned  CN N  model   or i gin al ly  trai ned  on  Ima ge Net,  em ployin g  s hallow   tu ni ng   [13 ] .   A ddit ion al ly,  we  can  denote  th e  cl ass   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec   &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   940 - 948   944   cat egory  L   as  a   vect or  of  le ng t h  n,  w he re  eac h  el eme nt  c orr esp onds  to  t he  cl ass  la bel  of  t he  res pecti ve  i mage.   Her e , k r e prese nts the  num ber o f  cl asses  [ 14] .   To  br ea k  dow n  the   dataset ,   this  stu dy  em pl oy e d  k - mea ns   cl us te rin g.   Eac h  patte rn  withi n  the   ne w   cl ass  cat egor y  L  receive d  a   c la ss  la bel  ba se d  on  the  near e st  centr oid ,   det ermine d  by  th e  square d  E ucl idean   distance  (S E D)  [1 5] .  Ce ntro i ds  are  la be le d  as   cj .  Be cause  of   the  rest rict ed  avail abili ty  of  t rainin g  dataset s,  the   stochastic   gr a dient  desce nt  (S G D )  met hod  may   disp la y  su bst antia l  flu ct uations  in  t he   le arn i ng  f un ct ion .   Conv olu ti onal   neural  netw ork s  are   e mp l oy e d  i n  t his  stu dy  f or  the   cat e gorizat ion  of   dif f eren t   pla nt  dis eases   [16] .  At  the   onset ,  t he  c onvoluti onal   la ye r   of  t he  m odel   extracts   in for mati on  f rom  t he  i nput  ima ge s.  T he  conv olu ti on  la yer  ap plies  m ul ti ple  filt ers  to   an  i mage ,  ge ner at in g  a   feat ur e   ma p  to   ext ract  uniq ue  fe at ur es.   Af te r   the   c onvoluti on  la yer s ,   po oling  la ye r s  are   us ed .  Th ese  la ye rs  re duce  t he  num be r   of  par amet e r s  an d  dow ns cal e  the   image .  C om m on l y  us e d  pool ing  te ch niques   inclu de  max   poolin g,  ave ra ge  poolin g,  an d  s um   poolin g  [17] – [ 19] .     ( ) =  [ 0 , ]   (2)     These m odel s ex hi bit  high p r edict ive  pe rformance due  to  t heir  e xtensi ve  trai ning o n  vis ua l  data.  I n  this study,   the YOL O  a nd  R - CN N mo del s ad a pted  w it h  “ trans fer  lea rn i ng ”   trai ni ng techn i qu e   [ 20] .     2.1 .   A bout  d atase t   This  researc h  study  us e d   2,403  t om at o  plant  ph oto s   an d  the se  ima ge s  we re  cl assifi ed  int o  fou r   cat egories:   ‘ le af  blig ht’,   ‘ black  r ot’,   ‘esca  ( black  mea sle s) ’,   a nd   ‘h eal th y  (isario ps is  le a f  spot) ’ .  T he  da ta set   consi sts  of   42 3  images  s howi ng   healt hy  le a ves,   1 , 180  ima ges  of   le a ves  i nf ect e d  with  bl ack  r ot,  1,383  i mages  of  le aves   af fec te d  by   esca,  an d  1,076  i mage s  of  le a ves  a ffec te d  by  le af  bl igh t  [ 21] – [ 23] .  T he  data  em pl oy e d  in  this  s tudy  is  so urce d  f rom  r ur al   far m   fi el ds   an d  is  acce ssible  at   “ https:/ /ww w.k agg le .c om / data set s/e mmare x/p la ntd ise ase ” ,   known   as   the   Plant  Vill age  c ollec ti on ,   this   dataset   com pr ise s  over  55,000 ima ges  cate gorized  in to 38  cl asse s,  c ov e rin g 1 4 dist inct plant  sp eci es.   Figure s   3( a )  a nd  3 (b)  il lustr at es  sample  da ta   from  var i ous  cl asses  [ 24] ,  in   this  Fi gure  3(a)   has   “ Samp le   i mag es  of  healt hy  tomato ” ,  “ gr a pe ” ,  an d  “ straw berry  le aves ”   a nd  Fig ure  3(b)  has   sam ple  im ages  of   diseased   le a ve s.  Dee p  le a rn i ng  m odel s  re quire  e xte ns ive   dataset s  to   f unct ion  ef fecti vely .   Be fore   impleme nting   enh a ncem ents  li ke  ro ta ti on,  z oomin g,   a nd  s hiftin g,   the   im ages  ar e  resize d  to  224 × 224  pix el s   us in g  Ker as'  I mage  data  ge ne rator   [ 25] .  T he   augme ntati on   te ch nique  se r ves  tw o  pr ima r y  pu rposes:  e xpan ding  the  dataset   a nd  addressi ng   ov erf it ti ng   durin g  trai ning.  T he  dataset   is  div i de d  int o  trai ni ng  an d  validat io n  set s  in  a n  80:2 0  rat io  for  e xperim entat ion .   S pe ci fical ly,  t he  vali dation  set   co nt ai ns   481  ima ge s,  w hile  the   tr ai nin g  set  co m pr ise s   1,922 ima ges .             (a)         (b)     Figure  3 .  S am pl e d at a f rom  va rio us  classe s  ( a )  “ sam ple ima ge s of  healt hy to mato ” ,  “ grape ” , and  “ straw be r ry  le aves ”   a nd ( b)  sam ple image s of  diseased  leaves     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C omp E ng     IS S N:   20 88 - 8708       Toma t o pla nt di sease pre dicti on system  wi th  a new fra mew ork  SSMAN  …   ( Sa r av anan M adde ri Siv alinga m )   945   T a b l e   1.   T o m a t o   p l a n t   d i s e a s e   d a t a s e t   s u mm e r y   Categ o ry   Clas s   Tr ain in g   s am p les   Testin g   s am p les   Tomato ( Health y )   1   646   162   Tomato ( Late  Blig h t)   2   631   158   Tomato ( Yello w_ Leaf _ Cu rl_Viru s)   3   645   161       2.2 .   Pr oposed  pre - tra ine d SSM AN  fr ame wo r k for  leaf  disease cl as sifi cat i on   The  Alex Net  arch it ect ure,   des pite  bein g  a  strai gh t f orward  a nd  eff ic ie nt  m od el   for  sce ne   cl assifi cat ion ,   has  li mit at ions .  It   str uggles   with  t he  “ non - tran sp a ren c y  of  inter mediat e  la ye rs ”   an d  faces  chall enges  i n  ha nd li ng   m ulti - scal e  themat ic   s cenes  i n  cl assi f ic at ion   ta s ks   [26] .  T his p r oces s  entai ls  e mp l oyin g  the  pr e - trai ne d  Ale xN et   a rc hi te ct ur e,  wh ic h  ori gin at es   f rom  trai ni ng  AlexN et   on  e xte ns ive   nat ur al   i mage   dataset s  [27 ] .   Be nef it ing  fro m  a nalo gous  s emanti c  sce ne   inf or mati on ,  t he   use s   Ale xN et   arc hi te ct ur e   a chieves   swift  a nd  sat isf act ory  resu lt s   f or  sce ne  ima ge s  [ 28] .   T o  acc ommo date  t he  mu lt i - scal e  c omplexit y  of  pa rtic ula r   semanti c  sce ne s,  the  Alex Net  arc hitec tu re  inc orp or at e s  the  se manti c  scene  mod ule  (SS M ) ,   a   pote nt    mu lt i - scal e  po oling  operati on.  Im pro ving  th e  represe ntati on  of   i nterme di at e  la yer   in f ormat ion   within   the  pre - trai ned   Alex N et   arch it ect ur e   no t  on l y  bo ost s  cl assifi cat ion   pe rforma nce   by   st rengthe ni ng   the  rob us t ness  of   netw ork  weig ht s  but  al so  en h ances  tr ans pa r ency  th rou ghout  inter mediat e   la yer s .  Util iz i ng  the   be nef it s   of  the   SSM  strat e gy  and  with  t he   obje ct ive  of  e nhancin g  re gion  of  intere st  cl as sific at ion  pe rformance   th r ough  th e   Alex Net  arc hitec ture,   the  f ollow i ng frame w ork  S S M A N m od el   pro posed   a nd prese nted  i n  Fi gure  4.           Figure  4. Pro pose d  SS MA N  model arc hitec ture       This  m od el   i ntegr at es  the   SS M   strat e gy   i nto   the  deep   le a r ning  Ale xN et   arch it ect ure  as   a  means  t o   achieve   imp roved  pe rfo rma nc e.  It  is   ex pla ined  t hat  the   su pe r visio n  la yer s   are   integ r at ed  as  i nterm ediat e  la yer s  within   deep  le ar ning  Alex Net  arc hitec ture  [29 ] .  F ur t her m ore,  t he y  sta te d  t hat  the  SS M   m odel   is  com bin e d  with   the  Alex Net  a rch it ect ure,  gra nting   t he  pre - t raine d  Ale xN e t  arch it ect ur e  t he  abili ty  to  ha nd le   mu lt i - scal e  in f ormat ion   ef fec ti vely.   I n  a   co mprehe ns ive   a ssessme nt,  it   was  no te d  that   the  SS MAN   model,  dep ic te d i n Fi gure  4, e nab le s i mpro ve d  sce ne  classi ficat ion   performa nce e ven w it h l imi te d  sa mp le  ima ge ry.       4.   RESU LT S  AND DI SCUS S ION   Tom at o  plant  l eaves  dataset   i s  util iz ed  t o  tr ai n  the   pro pos ed  S S M A N  fr a mew ork,  an d  i ts  res ults  are   con t rasted  with  th os e  of   pro minent  pr e - trai ned   m od el s  li ke   YO L O   a nd  R - CNN   [ 30] .  The  em ploye d  Alex Net   model  co ns ist s   of  pair s  of  c onvo l ution  an d  poolin g  la yer s . Co nv olu ti on  la yer s   are r es ponsi ble  f or  f il te ring  an d  extracti ng  feat ur es   f rom  the  i nput  ima ge,   w hile  poolin g  la yer s   re du ce   the   netw ork's  c ompu ta ti on  a nd  de cre ase   the  in pu t  i ma ge  siz e.   Th e  Alex Net  m od e l  is  trai ne d  over  10  ep oc hs ,   util iz ing   t he  Ad a m  op ti miz er  a nd  cat egorical   cross - ent rop y  as  t he  ch os e n  lo ss  functi on.  Se ns i ti vity  ind ic at es   the  accu racy  with  w hich   the   model  identifie s  plan ts  with  a  dise ase,  w hile  s pe ci fici ty  ref le ct s  it s  abili ty  to   pr e dict  plants   with ou t  t he  di sease   accuratel y.  T h e s e   r e s u l t s   s h o w   t h a t   a   m u l t i - c l a s s i f i c a t i o n   o c c u r s   w h i l e   u s i n g   t o m a t o   l e a v e   d a t a s e t .   T o   e v a l u a t e   t h e i r   m o d e l ,   t h e y   u t i l i z e d   a   m u l t i - c l a s s   c o n f u s i o n   m a t r i x .   B e f o r e   e r r o r   c o r r e c t i o n ,   e a c h   i n p u t   i m a g e   c o u l d   b e   c l a s s i f i e d   i n t o   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec   &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   940 - 948   946   o n e   o f   t h e   ‘ n o n - o v e r l a p p i n g   c l a s s e s ’ .   T h e r e f o r e ,   t h e   ‘ c o n f u s i o n   m a t r i x ’   f o r   a   s p e c i f i c   c l a s s   i   i s   a s   s h o w n   i n   T a b l e   2 .   T h e   p e r f o r m a n c e   p ar a m e t e r s   f o r   m u l ti c l a s s   c l a s s i f i c a t ion  a r e  g iv en  i n  T ab l e  3.       T a b l e   2.   T o m a t o   p l a n t   d i s e a se   c l a s s i f i c a ti o n   a n d   r e l a t e d   c o n f u s i o n   m a t r i x   r e s u l t s   S. N o .   P er f o r m a n c e   m e t r i c s   F o r m u l a   1   A c c u ra cy   ( T r u e   P o s i t i v e + T r u e   N e g a ti v e )   /   ( T r u e   P o s i t i v e + T r u e   N e g a t i v e + F a l s e   P o s i t i v e + F a l s e   N e g a t iv e )   2   S e n s i t i v i t y   ( T r u e   P o s i t i v e )   /   ( T r u e   P o s i t i v e + F a l s e   N e g a t i v e )   3   S p e c i f i c i t y   ( T r u e   N e g a ti v e )   /   ( T r u e   N e g a t i v e + F a l s e   P o s i t i v e )   4   F 1   s c o r e   2   *   [( S e n s i t i v i t y   *   S p e c i f i c i t y)   /   ( S e n s i ti v i t y + S p ec i f i c i t y )]   Tr u e Pos itiv e ( TP) : Co rr ectly  cl ass ifyin g  a  p lan t as dis eased  when  it  actu all y  has  a  d iseas e.   Tr u e Negativ e  ( T N ):  Co rr e ctly  classif y in g  a  p lan t as health y  when  it  is in d eed h ealth y .   False Po sitiv e ( FP ) : I n co rr ect ly  classi fyin g  a  h ealth y  plan t as dis eased .   False Neg ativ e  (F N):  Inco r rectly cl a ss ifyin g  a  d iseas ed  plan t as health y .       T a b l e   3.   P l a n t   d i s e a s e   c l a s s i f i c a tio n   p e r f o r m a n c e   p ar a m e t e r s   f o r   m u l ti c l a s s   c l a s s i f i c a t ion   Sl.  No   Perf o r m an ce  m et ri cs   1.   TP i = ∑  = 1   2.   TN i = ∑ ∑  , = = 1 = 1   3.   TP i   = ∑  ;     ≠ 1 =   4.   TN i = ∑  , ≠ 1 = 1       F u r t h e r m o r e ,   F i g u r e   4   p r o v i d e s   d e t a i l e d   i n f o r m a t i o n   o n   t h e   t r a i n i n g   a n d   t e s t i n g   a c c u r a c y ,   a s   w e l l   a s   t h e   l o s s   o b t a i n e d   b y   t h e   A l e x N e t   a l g o r i t h m .   T o   i l l u s t r a t e   t h e   r o b u s t n e s s   o f   S S M A N ,   t h e   r e s e a r c h e r s   u t i l i z e d   a   v a r i e t y   o f   I m a g e N e t   w i t h   m a c h i n e   l e a r n i n g   b a s e d   C N N   m o d e l s ,   s u c h   a s   Y O L O   a n d   R - C N N ,   d u r i n g   t h e   t r a n s f e r   l e a r n i n g   p h a s e   i n   A l e x N e t .   T h e   o u t c o m e s   a r e   p r e s e n t e d   i n   T a b l e   4 .   F i g u r e   5   h a s   t h e   g r a p h i c a l   r e p r e s e n t a t i o n   f o r   p e r f o r m a n c e   c o m p a r a t i v e   s t u d y   b e t w e e n   p r o p o s e d   S S M A N   a n d   e x i s t i n g   m a c h i n e   l e a r n i n g   a l g o r i t h m s .   I n   t h i s   w e   c a n   s e e   t h a t   S S M A N   p e r f o r m s   b e t t e r   i n   a c c u r a c y ,   s e n s i t i v i t y ,   s p e c i f i c i t y   a n d   F 1 - s c o r e   p a r a m e t e r s   t h a n   o t h e r   m a c h i n e   l e a r n i n g   a l g o r i t h m s .   A c c o r d i n g   t o   F i g u r e   6 ,   t h e   S S M A N   f r a m e w o r k ,   w h i c h   i n c o r p o r a t e s   t h e   A l e x N e t   a l g o r i t h m ,   a c h i e v e d   t h e   h i g h   a c c u r a c y   o f   9 8 . 3 0 % ,   w i t h   a   s e n s i t i v i t y   o f   9 7 . 5 6 %   a n d   a   s p e c i f i c i t y   o f   9 6 . 7 1 % .       T a b l e   4.   Co mpa rison  betwee n  p rop os ed  SSMAN a nd e xis ti ng   YO L O   an d  R - C NN m od el s and r el at e d resu lt s   Deep learnin g   m o d el   Lear n in g   a ccura cy   Lear n in g   s en sitiv ity   Lear n in g   s p ecificit y   Lear n in g  F1 - s co re   YOLO   9 7 .33   9 6 .33   9 5 .33   9 6 .07   R - CNN   9 6 .22   9 6 .11   9 5 .01   9 5 .55   SSMAN   9 8 .30   9 7 .56   9 6 .71   9 7 .13           F i g u r e   5 .   Re su l ts   o f   a cc u ra c y   a n d   l o ss   f o r   t r a i n i ng   a nd   t e s t i ng   d a t a     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C omp E ng     IS S N:   20 88 - 8708       Toma t o pla nt di sease pre dicti on system  wi th  a new fra mew ork  SSMAN  …   ( Sa r av anan M adde ri Siv alinga m )   947       F i g u r e   6 .   C o m p ar i s o n   of   p e r f o r m a n c e   o f   “ p r o p o s e d   S S M A N   M od e l ”   w i t h   e x i s ti ng   ( YO L O   a n d   R - C N N   m o d e l)       5.   CONCL US I O N   The  st udy  int rod uces  SSM AN,  a  deep   l earn i ng   a rc hitec ture  that  ut il iz es  a  la yer - base d   cl ass   decomp os it io n  te ch nique  t o  cl assify   the   for  t om at o  le ave  dataset .   T o  validat e  t he   SSM AN  m odel ,  we  employe d  var i ou s   pr e - trai ne d  CN N  m odel s  su c h  as   Y OL O   an d  R - CN N.   SSMA N  util iz i ng  Alex Net  at ta ine d  the  hi gh est   ac cur ac y  of   98. 30%.  Durin g  te sti ng ,  perfor mance  est imat ion   metri cs  in cl ud in g  “ acc ur acy ” ,  “ pr eci sio n ” ,  “ r ecal l ” ,  an d  “ F1 - sc ore ”   wer e   empl oyed   f or  the  model  e va luati on .   T his  disco very   facil it at es   early   detect io n  of   pla nt  dise ases,  t her e by   reducin g  cr op   loss   a nd  t he   sp rea d  of  dise ases.  Ulti mate ly ,  t he  model' s  dep l oyment  on po rtab le  d evices  aims  to  e nh a nce  ef f ic ie ncy   further .       REFERE NCE S   [1]   J.  Liu  an d   X.  W a n g ,  “ Tomato  d isea se  o b ject  d etectio n   m eth o d   co m b in in g   p rior  k n o wled g e   atten tio n   m echan ism  an d   m u ltiscale   features, ”   Fro n tier s in  P la n t Scien ce ,  v o l.  1 4 ,  2 0 2 3 ,  d o i:  1 0 .33 8 9 /fpls .20 2 3 .12 5 5 1 1 9 .   [2]   A.  Ka m ran   et   a l. ,  “ Ins ig h ts  in to   th e   g en etic   v ariabilit y   an d   ev o lu tio n ary  d y n am ics  o f   to m ato   sp o tted   wilt   o rtho to sp o v irus   in   Ch in a, ”   BMC G en o mics ,  v o l.  2 5 ,  n o .  1 ,  2 0 2 4 ,  d o i: 10 .1 1 8 6 /s1 2 8 6 4 - 0 2 3 - 0 9 9 5 1 - 9.   [3]   M.   Jeg u iri m   an d   A.  Zorp as,  “ To m ato   p rocess in g   b y - p rod u cts:  su sta in ab le  ap p licatio n s, ”   To ma to   Pr o ce ss in g   b y - Pro d u cts :   S u sta in a b le A p p lica tio n s ,  p p .  1 – 4 2 4 ,  2 0 2 2 ,  d o i: 1 0 .10 1 6 /C2 0 1 9 - 0 - 0 4 7 0 1 - 2.   [4]   T.   B.   Torr es  et   a l. ,  “ Cau sal   ag en ts  o f  St em p h y liu m - in d u ced  foliar   d isea ses   o f   to m ato es   a n d   o th er  So lan ace ae  h o sts   in   B razil , ”   Jo u rn a l of App lied   Micr o b io lo g y ,  v o l .  1 3 5 ,  n o .  3 ,  2 0 2 4 ,  d o i: 10 .1093 /jam b io /lx ae03 8 .   [5]   M.   L i  et  a l. ,  “ Hig h - p erf o rman ce  p la n t  p est  an d   d iseas e  d etectio n   b ased   o n   m o d el  en semble  with   in cept io n   m o d u le  an d   clu ster  alg o rithm, ”   Plan ts ,  v o l.  1 2 ,  n o .  1 ,  2 0 2 3 ,  d o i: 10 .33 9 0 /p la n ts1 2 0 1 0 2 0 0 .   [6]   V.  Bin n ar  an d   S.  S h arm a,   “ Plan t   leaf   d iseas es  d etectio n   u sin g   d eep  learnin g   alg o rithms, ”   Lec tu re  No tes  in   Elec t rica l  Eng in eerin g ,  v o l.  9 4 6 ,  p p .  2 1 7 – 2 2 8 ,  2 0 2 3 ,  d o i: 10 . 1 0 0 7 / 9 7 8 - 9 8 1 - 19 - 5868 - 7 _ 1 7 .   [7]   D.  Sh ah ,  V .   Tr iv e d i,  V.   Sh eth ,   A .  Sh ah ,  an d   U .   Ch a u h an ,  “ Res TS:   res id u al  d eep  in terpr etab le  a rchitectu re   for   p lan t  d iseas e   d etectio n , ”   Info rma tio n  P ro cess in g  i n  A g ricu ltu re ,  v o l.  9 ,  n o .  2 ,  p p .  2 1 2 – 2 2 3 ,  2 0 2 2 ,  d o i: 1 0 .1 0 1 6 /j.inp a.2021 .06. 0 0 1 .   [8]   J.  A.  Pan d ian ,  V .   D.  Ku m ar,   O.  G em an ,  M.   Hn atiu c ,  M.   Ari f ,  an d   K.   Kan ch an ad ev i,  “ Plan t  d iseas e  d etectio n   u sin g   d eep  co n v o lu ti o n al neu r al netwo rk, ”   App lied  Scien ces (Sw itzer la n d ) ,  v o l.  1 2 ,  n o .  1 4 ,  2 0 2 2 ,  d o i: 1 0 .33 9 0 /ap p 1 2 1 4 6 9 8 2 .   [9]   S.  V allab h ajo sy u la ,  V .  Sistl a,   an d   V.   K.   K.   Ko lli ,  “ Tr a n sfer  le arnin g - b ased   d eep  en semble   n eu ral  n etwo rk  for   p lan t  lea f  d iseas e   d etectio n , ”   Jo u rn a l of Plan t Disea ses  an d  P ro tectio n ,  v o l.  1 2 9 ,  n o .  3 ,  p p .  5 4 5 – 5 5 8 ,  2 0 2 2 ,  d o i: 10 .10 0 7 /s 4 1 3 4 8 - 021 - 0 0 4 6 5 - 8.   [10 ]   A.  Kh ak i m o v ,  I.   Salak h u td in o v ,  A.   Om o lik o v ,  an d   S .  Utag an o v ,  “ T rad itio n al  an d   cu r rent - p ros p ectiv e  m eth o d s  o f  ag ricultu ra l  p lan t  d iseas es  d e tectio n :  a  review, ”   IOP   Co n feren ce  S eries :  Ear th   a n d   Envir o n men ta l  S cien ce ,   v o l.  9 5 1 ,  n o .  1 ,  2 0 2 2 ,    d o i: 10 .1088 /1 7 5 5 - 1 3 1 5 / 9 5 1 / 1 /0 1 2 0 0 2 .   [11 ]   P.  Vasav i,  A .  Pu n ith a,  an d   T.   V.  N.  Rao ,  “ Cro p   leaf  d iseas e  d etectio n   an d   class ification   u sin g   m achi n e  learnin g   an d   d eep  learnin g   alg o rithms  b y   v isu al  sy m p to m s:   a   r ev iew, ”   Inter n a tio n a l   Jo u rn a l  o f  El ectri ca l  a n d   Co mp u ter  Eng in eerin g   (I JEC E) ,   v o l.  1 2 ,   n o .  2 ,  p p .  2 0 7 9 – 2 0 8 6 ,  2 0 2 2 ,  d o i: 10 .1159 1 /i jece.v1 2 i2 .pp 2 0 7 9 - 2086.   [12 ]   J.  An d rew,   J.  Eun ice,  D.  E.   Po p esc u ,  M.   K.  Ch o wd ar y ,  an d   J.  Hem an th ,  “ Deep  learnin g - b ased   leaf  d iseas e  d etectio n   in   crop s   u sin g  im ag es for a g ricultu ral  ap p licat io n s, ”   Agr o n o my ,  v o l.  1 2 ,  n o .   1 0 ,  2 0 2 2 ,  d o i: 10 .3390 /a g ron o m y 1 2 1 0 2 3 9 5 .   [13 ]   A.  Pan d ian   J,  K.   Kan ch an ad ev i,  N.  R.  Rajalak sh m i,   an d   G.ar u lk u m ar an ,  “ An   im p rov ed   d eep  resid u al  co n v o lu ti o n al  n eu ral  n etwo rk  for  p lan t  leaf  d iseas e  d etectio n , ”   Co mp u ta tio n a l  Int ellig en ce  a n d   Neu ro scien ce ,  v o l.   2 0 2 2 ,  2 0 2 2 ,    d o i: 10 .1155 /2 0 2 2 / 5 1 0 2 2 9 0 .   [14 ]   P.  D.   Kalw ad ,  S.   G.  Kan ak ar ad d i,  T.   P reeti,   S.  Ichal ak aranji,  S.   Sali m ath ,  an d   S.  N ay ak ,  “ Ap p le  lea f  d ise ase  d etectio n   an d   an aly sis   u sin g   d ee p   learnin g   tech n iq u e, ”   Lectu re  No tes   in   Netw o rks   a n d   S ystems ,  v o l.  1 9 1 ,  p p .  8 0 3 – 8 1 4 ,  2 0 2 2 ,  d o i:  1 0 .10 0 7 / 9 7 8 - 981 - 16 - 0 7 3 9 - 4 _ 7 6 .   [15 ]   R.  An ith a  an d   A.   Bazila  Ban u ,  “ L eaf  d iseas e   d etecti o n   u sin g   d eep  lea rnin g , ”   Jo u rn a l  o f   Artificia l  Intellig en ce  a n d   Ca p su le  Netw o rks ,  v o l.  4 ,  n o .  2 ,  p p .  9 9 – 1 1 0 ,  2 0 2 2 ,  d o i: 10 .3 6 5 4 8 /jaicn .20 2 2 .2.0 0 2 .   [16 ]   P.  Jo h ri,   N.   Parash ar,   U.   Sax en a,  an d   K.   Pu sh p an jali,  “ Plan t  d iseas e  d etec tio n   u sin g   d eep  learnin g   m o d el, ”   in   2 0 2 2   Inter n a ti o n a l   Co n feren ce  o n   Ma ch in e  Lea rn in g ,   Big  Da ta ,   Clo u d   a n d   Par a llel  Co mp u tin g ,  COM - IT - C ON  2 0 2 2 ,  2 0 2 2 ,  p p .  4 5 6 – 4 6 2 ,    d o i: 10 .1 1 0 9 /COM - IT - CON5 4 6 0 1 .2022 .98 5 0 6 6 7 .   [17 ]   S.  Jad h av   an d   A.  M.   Lal,   “ Multi - cl ass   p lan t  leaf  d ise ase  d etectio n   u sin g   a  d eep  co n v o lu t io n al  n eu ral  n etw o rk, ”   Inter n a tio n a l  90 92 94 96 98 100 Accu rac y Sensi ti vit y Specifi c i t y F1 Scor e In   terms  of  % Machin e  Learning  Perform ance  Metrics Yolo R-CNN SSMAN Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec   &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   940 - 948   948   Jo u rn a l of Info rmation  Sys tem Mo d elin g  an d  Desig n ,  v o l .  1 3 ,  n o .  1 ,  p p .  1 – 1 4 ,  2 0 2 2 ,  d o i: 10 .4 0 1 8 /ijismd.3 1 5 1 2 6 .   [18 ]   R.  Bo ra,   D .  Parasa r,   an d   S.   Ch arhate,   “ Plan t   leaf   d iseas e  d etectio n   u sin g   d eep  learnin g :  a   review, ”   in   2 0 2 2   IE E E  7 th   Inter n a tio n a l  co n feren ce for  Co n verg en ce in Techn o lo g y,  I2C T 20 2 2 ,  2 0 2 2 ,  p p .  3 4 – 3 7 ,  d o i:  1 0 .1109 /I2C T54 2 9 1 .20 2 2 .98 2 4 9 2 5 .   [19 ]   S.  Ash win k u m ar,   S.  Rajag o p al,  V.  Manima ran,  an d   B.  Jeg ajo th i,  “ Au to m ated   p lan t  leaf  d i seas e  d etectio n   an d   class ification   u sing   o p tim al  Mob ileN et  b ased   co n v o lu tio n al  n eu ral  n et wo rks , ”   Ma teria ls  To d a y:  Pro ceed in g s ,  v o l.  5 1 ,  p p .  4 8 0 – 4 8 7 ,  2 0 2 1 ,    d o i: 10 .1016 /j.m atp r. 2 0 2 1 .05 .5 8 4 .   [20 ]   P.  Bed i   an d   P.   Go le,  “ Plan t  d iseas e   d etectio n   u sin g   h y b rid  m o d el  b ased   o n   co n v o l u tio n al  au to en co d er  an d   co n v o lu ti o n al  n eu ral  n etwo rk, ”   Artificia l I n tellig en ce in Ag ricu ltu re ,  v o l.  5 ,  p p .  9 0 – 1 0 1 ,   2 0 2 1 ,  d o i: 10 .10 1 6 /j.aiia. 2 0 2 1 .05 .0 0 2 .   [21 ]   M.   E .  H .  Ch o wd h u ry  et  a l. ,  “ Au to m atic  an d   r eliab le   leaf  d iseas e  d etec tio n   u sing  d eep  learnin g   tech n iq u es, ”   Agr iEng in eerin g ,    v o l.  3 ,  n o .  2 ,  p p .  2 9 4 – 3 1 2 ,  2 0 2 1 ,  d o i:  10 .33 9 0 /ag rien g in eering 3 0 2 0 0 2 0 .   [22 ]   S.  M.   Siv a lin g am   an d   L.   D .  Bad a b ag n i,  “ Enco u ragin g   h y g ien e  p erm a n en ce  in   to m ato   l eaf  an d   ap p ly in g   m achi n e  le arnin g   tech n iq u es, ”   Ind o n esia n   Jo u rnal  o f  Electrica l  Eng in eerin g   a n d   Co mp u ter  S cien ce  (I J EE CS ) ,   v o l.  3 3 ,  n o .  1 ,  p p .  3 4 3 – 3 4 9 ,  2 0 2 4 ,   d o i: 10 .1159 1 /ijee cs.v 3 3 .i1 .pp 3 4 3 - 3 4 9 .   [23 ]   K.  Su d h a  Ran i  an d   B.   Priya   M ad h u ri,   “ Plan t   leaf   d ise ase  d etectio n   u sin g   m a ch in e  lea rnin g   tech n iq u es, ”   Lec tu re  No tes  o n   Da ta   Eng in eerin g  and Co mmu n ica tio n s Te ch n o lo g ies ,  v o l.  5 8 ,  p p .  5 1 1 – 5 1 8 ,  2 0 2 1 ,  d o i: 10 .10 0 7 /9 7 8 - 981 - 15 - 9 6 4 7 - 6 _ 4 0 .   [24 ]   J.   Liu  an d   X .  W an g ,  “ Plan t  d iseas es  an d   p ests   d etectio n   b ased   o n   d eep  learnin g :  a  review , ”   Plan t  Meth o d s ,  v o l.  1 7 ,  n o .  1 ,  2 0 2 1 ,   d o i: 10 .1186 /s13007 - 021 - 0 0 7 2 2 - 9.   [25 ]   V.  K.   Vish n o i,  K .   Ku m ar,   an d   B .  Ku m ar ,  “ Plan t  d is ease  d etect io n   u sin g   co m p u tatio n al  in tellig en ce  an d   i m ag e  p rocess in g , ”   Jo u rn a l of Plan t Disea ses  an d  P ro tectio n ,  v o l.  1 2 8 ,  n o .  1 ,  p p .  1 9 – 5 3 ,  2 0 2 1 ,  d o i: 10 .10 0 7 /s 4 1 3 4 8 - 0 2 0 - 0 0 3 6 8 - 0.   [26 ]   A.  Ab b as,  S .  Jain ,   M .  Go u r,   an d   S.   Van k u d o t h u ,  “ To m ato   p lan t   d iseas e   d etectio n   u sin g   tr an sfer  l earnin g   wit h   C - GA N  sy n th eti c  im ag es, ”   Co mp u te rs  an d  E lectro n ics in  A g ricu ltu re ,  v o l.  1 8 7 ,  2 0 2 1 ,  d o i: 1 0 .10 1 6 /j.compag .2021 .10 6 2 7 9 .   [27 ]   V.  Sin g h ,  N.   Sh a r m a,   an d   S .   Sin g h ,  “ A   r ev iew   o f  i m ag in g   tech n iq u es  for  p lan t   d iseas e  d etectio n , ”   Artifi ci a l  Intellig en ce   in   Agr icu ltu re ,  v o l.  4 ,  p p .  2 2 9 – 2 4 2 ,  2 0 2 0 ,  d o i: 10 .10 1 6 /j.aiia. 2 0 2 0 .10 .002.   [28 ]   M.   Ji,  L.   Zhan g ,  an d   Q.  W u ,  “ Au t o m atic  g rape  le af  d iseas es  id en tification   v ia  Un ited Mod el  b ased   o n   m u ltip le  co n v o lu ti o n a l   n eu ral  n etwo rks , ”   Info rma tio n  P ro cess in g  in Agr icu ltu r e ,   v o l.  7 ,  n o .  3 ,  pp .  4 1 8 – 4 2 6 ,  2 0 2 0 ,  d o i: 10 .10 1 6 /j.inp a.20 1 9 .1 0 .00 3 .   [29 ]   P.  Sh ar m a,   Y.   P.  S.  Ber wal,  an d   W .  Gh ai,  “ P erf o r m an ce  an aly sis   o f  d ee p   learnin g   CNN  m o d els  for  d iseas e   d etectio n   in   p lan ts  u sin g   im ag e  seg m en tatio n , ”   In fo rma tio n   Pro cess in g   in   Agr icu l tu re ,  v o l.  7 ,  n o .  4 ,  p p .  5 6 6 – 5 7 4 ,  2 0 2 0 ,     d o i: 10 .1016 /j.inp a .20 1 9 .11 .0 0 1 .   [30 ]   S.  D.   Kh irade  an d   A.  B.   Patil ,  “ Pla n t  d iseas e  d etectio n   u sin g   im ag e  p rocess in g   an d   m achi n e  learnin g   alg o rithm, ”   Jo u rn a l  o f   Xidia n  Univer sity ,  v o l.  1 4 ,  n o .  7 ,  2 0 2 0 ,  d o i: 10 .37 8 9 6 /jx u 1 4 .7/012 .       BIOGR AP HI ES OF  A UTH ORS         Saravanan   Madderi   Sivali nga m          is  profe ss or  in  the   Depa rt me nt  of  Co mput e r   Scie nc e  and  En gine er ing,  Save e tha   Schoo l  o f  E ngine er ing,  Save et ha   Insti tut e   of   Medic a l  and   Te chn ic a l  Sci en ce s,  Ch enna i ,   I ndia .   H avi ng  a   tot a l   of  25  y e ars  of  academi c  experie n ce,   inc ludi ng   2   y ea r s  of  industry   exp eri en ce  and   h e  is  an   ac co mpl ishe d  rese arc h er   and   a ca d em i c  in   the   fi el d  of  co mput er  sc ie n ce   and  engi n ee r ing .   He  has   aut hor ed  2  Books,  ed i te d  4  p ape rs,  publi shed  1 58   p ape rs  in  r efe r eed  interna ti ona l  j ourna l   and   pre s ent ed   26   papers   in   ref ereed  conf ere n ce  pro c ee dings   and   16   pa t ent s   publ ished .   He   was   a lso   giv en   21   m aj or   inv ited  cont ributions  an d/or  t ec hni cal  r e ports  abstract s  a nd/or  pap ers  r ead.  Hav ing  cl oud   founda t ion  ce rt ifi c ate  and   d at a   ana ly ti cs   IB M  Cognos  C ert i fic a te .   Sin ce  20 17  he   h as  serv e d  a t   Hara ma ya   Univer sity,  E a st   Afric a   as  a   p rofe ss or  in  th e   Scho ol  of   Comput ing   for   two  y ea rs.   D r.   Sar ava n an   is  a   m em be r  of   IE EE ,   IST E  a nd  IE T  as  we ll  as   Student  Br a nch  Coun ci l lor  of  IE EE  and   Innova ti on   Amb assador  of   Institution’s  innov at i on  Council  (IIC ),   SIM ATS.  Dr .   Sara v ana n’s  exp ertise  l ie s  in   artificia l   in te l ligence  and   cl oud - base d   t ec hno lo gie s.  He   has  be en  re cognize d  for  his  groundbr ea king   work  in  deve lop ing  a   le s s   cost  c abi ne t  d yei ng  pro ce ss   u sing  proc ess  mi ning   t ec hniqu e  for   thi s   dev el o ped  a   new   a lgor it h m   c al l ed   “ Li n kRule Miner ” .   D r.   Sara van an  le ads  a  dyn am i c   rese arc h  g roup   foc used  on  adv anc ing  art if ic i al  int ellig enc e - b ase d   produc ts.   His  la b's innovat ive   rese a rch   has  bee n   publi shed   i n  leading   pe er - re vie wed   journals.   He   al so   ha s   the  best   fa culty   and   r ese ar che r   awa rd  from   na tional   and   in te rn a ti onal  soc ie t ie s.   He  a ctivel y  me ntors  gr aduat e  studen ts  and   c oll abor at es   with   industry   p art n e rs  to  br idge  the  gap  be twee n  ac ad em i a and  pr ac t ic a l appl i ca t io ns.  He can   be   co nta c te d  at e m ail:   sara nen adu@ g ma il.c o m.         Lak sh mi  Devi  Bad abagn i           r ec e ive d  the   B . T ec h .   degr ee   in  c omput er  s ci en ce  and   engi ne eri ng   fro m  Vaa gd evi  En gine er ing  and  T ec hnology   and   Scie nc es,   JN TU A  Univer sity ,   Ananta pur,  And hra   Prad esh  in   2 013  and   M. Te ch   degr ee  in   co mp ute r   scie n ce  and   eng ine er ing   from  PV KK   Ins ti tutions ,   JN TUA,  AP   in  2015 .   C urre ntl y  she   is   an  assistan t  pro fessor  at   th e  D epa rtment  o f   Comput er  S cienc e   and   E ngi nee ring   in  SO ET ,   Sri  Padm ava t i  Mahi la  Visw avi dyal ay a m,  Ti rup at i ,   AP .   Her  rese arc h   in t ere sts inc lud e  d i sea se  d et e ction  a nd  pre d ic t ion   in  l ea fs  usin g  machine  l e arn ing  te ch niq ues .   She   ca n   be  contac t e d  at  e ma i l  la kshmide v i580 3@gma il.c o m.     Evaluation Warning : The document was created with Spire.PDF for Python.