Sales

Multilayer Konvolusi Neural Network untuk Klasifikasi Mango Daun Terjangkit Penyakit antraknosa

Description
Multilayer Konvolusi Neural Network untuk Klasifikasi Mango Daun Terjangkit Penyakit antraknosa
Categories
Published
of 9
3
Categories
Published
All materials on our website are shared by users. If you have any questions about copyright issues, please report us to resolve them. We are always happy to assist you.
Similar Documents
Share
Transcript
  Menerima 12 Maret 2019, diterima 21 Maret 2019, tanggal publikasi 27 Maret 2019, tanggal versi saat ini April 13, 2019. Digital Object Identifier 10,1109 / ACCESS.2019.2907383  Multilayer Konvolusi Neural Network untuk Klasifikasi Mango Daun Terjangkit Penyakit antraknosa UDAY PRATAP SINGH 1,  Siddharth SINGH CHOUHAN 2, (  Student Anggota, IEEE), SUKIRTY JAIN 3,  DAN SANJEEV UDAY PRATAP SINGH 1,  Siddharth SINGH CHOUHAN 2, (  Student Anggota, IEEE), SUKIRTY JAIN 3,  DAN SANJEEV UDAY PRATAP SINGH 1,  Siddharth SINGH CHOUHAN 2, (  Student Anggota, IEEE), SUKIRTY JAIN 3,  DAN SANJEEV UDAY PRATAP SINGH 1,  Siddharth SINGH CHOUHAN 2, (  Student Anggota, IEEE), SUKIRTY JAIN 3,  DAN SANJEEV UDAY PRATAP SINGH 1,  Siddharth SINGH CHOUHAN 2, (  Student Anggota, IEEE), SUKIRTY JAIN 3,  DAN SANJEEV UDAY PRATAP SINGH 1,  Siddharth SINGH CHOUHAN 2, (  Student Anggota, IEEE), SUKIRTY JAIN 3,  DAN SANJEEV UDAY PRATAP SINGH 1,  Siddharth SINGH CHOUHAN 2, (  Student Anggota, IEEE), SUKIRTY JAIN 3,  DAN SANJEEV JAIN 2, (  Anggota, IEEE)JAIN 2, (  Anggota, IEEE)JAIN 2, (  Anggota, IEEE) 1  Sekolah Matematika, Shri Mata Vaishno Devi University, Katra 182.320, India 1  Sekolah Matematika, Shri Mata Vaishno Devi University, Katra 182.320, India 2  Fakultas Ilmu Komputer dan Teknik, Shri Mata Vaishno Devi University, Katra 182.320, India 2  Fakultas Ilmu Komputer dan Teknik, Shri Mata Vaishno Devi University, Katra 182.320, India 3  Departemen Ilmu Komputer dan Teknik, Maulana Azad Institut Teknologi Nasional, Bhopal 462.003, India Sesuai penulis: Uday Pratap Singh ( 3  Departemen Ilmu Komputer dan Teknik, Maulana Azad Institut Teknologi Nasional, Bhopal 462.003, India Sesuai penulis: Uday Pratap Singh ( usinghiitg@gmail.com ) dan Sanjeev Jain ( dr_sanjeevjain@yahoo.com ) ABSTRAK penyakit jamur tidak hanya pengaruh kepentingan ekonomi dari tanaman dan produk, tetapi juga mereda menonjol ekologi ABSTRAK penyakit jamur tidak hanya pengaruh kepentingan ekonomi dari tanaman dan produk, tetapi juga mereda menonjol ekologi mereka. Mangga pohon, secara khusus buah-buahan dan daun sangat dipengaruhi oleh penyakit jamur bernama  Antraknosa.  Tujuan mereka. Mangga pohon, secara khusus buah-buahan dan daun sangat dipengaruhi oleh penyakit jamur bernama  Antraknosa.  Tujuan mereka. Mangga pohon, secara khusus buah-buahan dan daun sangat dipengaruhi oleh penyakit jamur bernama  Antraknosa.  Tujuan utama dari makalah ini adalah untuk mengembangkan metode yang tepat dan efektif untuk diagnosis penyakit dan gejalanya, karena itu yang mendukung sistem yang cocok untuk solusi awal dan biaya-efektif masalah ini. Selama beberapa tahun terakhir, karena kemampuan kinerja yang lebih tinggi mereka dalam hal perhitungan dan akurasi, visi komputer, dan metodologi pembelajaran yang mendalam telah mendapatkan popularitas di penyakit jamur berbagai macam klasifikasi. Oleh karena itu, untuk makalah ini, multilayer neural network convolutional (MCNN) diusulkan untuk fi kasi klasifikasi dari mangga daun terinfeksi oleh penyakit jamur antraknosa. Tulisan ini divalidasi pada dataset real-time ditangkap di Shri Mata Vaishno Devi University, Katra, J & K, India terdiri dari 1070 gambar daun pohon mangga. dataset yang berisi gambar daun Shri Mata Vaishno Devi University, Katra, J & K, India terdiri dari 1070 gambar daun pohon mangga. dataset yang berisi gambar daun yang sehat dan yang terinfeksi. Hasil membayangkan klasi akurasi fi kasi lebih tinggi model MCNN yang diusulkan jika dibandingkan dengan negara-of-the-art pendekatan lain. SYARAT INDEX  jaringan convolutional saraf, gambar klasifikasi, patologi tanaman, pertanian presisi. SYARAT INDEX  jaringan convolutional saraf, gambar klasifikasi, patologi tanaman, pertanian presisi. I. PENDAHULUAN penyakit jamur sangat umum di daun tanaman. Penyakit dalam tanaman penyebab menjatuhkan kualitas dan kuantitas produksi pertanian [1]. The penyakit tanaman mempengaruhi kualitas daun, buah, batang, sayuran, dan produk mereka. Ini sangat berdampak pada produktivitas dan dengan demikian merefleksikan biaya tersebut. Laporan Organisasi Pangan dan Pertanian (FAO) memperkirakan bahwa populasi dunia akan mencapai 9,1 miliar pada tahun 2050, sehingga membutuhkan sekitar 70% pertumbuhan dalam produksi pangan untuk pasokan [2]. Faktor kunci yang mempengaruhi tanaman dan produk-produknya yang diklasifikasikan ke dalam dua kategori 1. Penyakit 2. Disorder. Penyakit adalah faktor biotik yang baik disebabkan oleh jamur, bakteri atau ganggang sedangkan, gangguan merupakan faktor abiotik yang disebabkan oleh suhu, curah hujan, nutrisi defisiensi, kelembaban dll [3].  Associate editor koordinasi review naskah ini dan menyetujui untuk publikasi adalah Eduardo Rosa-Molinar. Cara konvensional manajemen penyakit melibatkan petani dan patologi tanaman. Diagnosis dan penggunaan pestisida lebih sering dilakukan di ladang. Proses ini memakan waktu, menantang, dan sebagian besar hasil waktu dalam diagnosis yang salah dengan latihan tidak cocok dari [4] pestisida. Dengan munculnya Computer Vision (CV), Machine Learning (ML), dan resmi teknologi Arti fi Intelligence (AI), kemajuan telah dicapai dalam mengembangkan automatedmodels memberdayakan, akurat dan tepat waktu identifikasi tanaman daun penyakit. Dalam dekade terakhir, AI dan ML teknologi telah mencapai suatu kepentingan yang luar biasa dengan ketersediaan sejumlah prosesor komputasi kinerja tinggi dan perangkat. Selama beberapa tahun terakhir, telah diakui bahwa Jauh Learning (DL) telah didominasi digunakan dalam pertanian [5]. Konsep ini penting dalam membuat upaya untuk mengembangkan, mengendalikan, memelihara, dan meningkatkan produksi pertanian. Ini adalah untuk inti dari metodologi pertanian pintar yang dikenal untuk adaptasi teknologi baru, algoritma, dan perangkat di pertanian [5], [6]. VOLUME 7, 2019 2169-3536 2019 IEEE. Terjemahan dan pertambangan konten diijinkan untuk penelitian akademis saja.penggunaan pribadi juga diizinkan, namun publikasi / redistribusi membutuhkan IEEE izin. Lihat http://www.ieee.org/publications_standards/publications/rights/index.html untuk informasi lebih lanjut. 43.721  UP Singh et al .:   MCNN untuk Klasifikasi Mango Daun Terjangkit Penyakit antraknosaUP Singh et al .:   MCNN untuk Klasifikasi Mango Daun Terjangkit Penyakit antraknosaUP Singh et al .:   MCNN untuk Klasifikasi Mango Daun Terjangkit Penyakit antraknosa DL adalah kelas khusus ML algoritma yang memiliki beberapa lapisan untuk mengubah data mentah menjadi informasi. Akhirnya, telah diterapkan untuk menyelesaikan beberapa tugas yang kompleks seperti gambar klasifikasi, analisis pola, ekstraksi fitur, dan transformasi [6], [7]. Penulis telah menggunakan konsep ini dalam berbagai penelitian seperti, Chen  et al. di [8] menggunakan konsep ini dalam berbagai penelitian seperti, Chen  et al. di [8] menggunakan konsep ini dalam berbagai penelitian seperti, Chen  et al. di [8] telah mengusulkan metode baru menggunakan pembelajaran yang mendalam untuk menghitung apel dan jeruk dari gambar real-time. Metode otomatis berdasarkan Konvolusional Neural Network (CNN) telah diusulkan oleh Dias  et berdasarkan Konvolusional Neural Network (CNN) telah diusulkan oleh Dias  et al. di [9] untuk segmentasi semantik bunga-bunga apel fl. Penulis telah al. di [9] untuk segmentasi semantik bunga-bunga apel fl. Penulis telah divalidasi kinerja pekerjaan yang diusulkan dibandingkan dengan tanaman lain, membuktikan supremasi metode yang diusulkan untuk menghitung  jumlah bunga-bunga dari tanaman. Ubbens  et al.  jumlah bunga-bunga dari tanaman. Ubbens  et al. di [10] telah disajikan kerangka baru untuk fenotip tanaman imagebased, untuk tujuan ini, penulis telah menggunakan CNN untuk menghitung daun tanaman. Ketergantungan memiliki dataset yang besar untuk bekerja dengan pembelajaran yang mendalam telah diatasi dengan menggunakan berkualitas tinggi tanaman sintetis 3D. Dalam [11] Lottes  et al. telah menggunakan tinggi tanaman sintetis 3D. Dalam [11] Lottes  et al. telah menggunakan tinggi tanaman sintetis 3D. Dalam [11] Lottes  et al. telah menggunakan Sepenuhnya Konvolusional Neural Network (FCNN) dengan informasi berurutan untuk deteksi dan klasifikasi tanaman kuat dan gulma dari lapangan. Suh  et al. di [12] telah menghadirkan tiga varian AlexNet untuk fi kasi klasifikasi Suh  et al. di [12] telah menghadirkan tiga varian AlexNet untuk fi kasi klasifikasi Suh  et al. di [12] telah menghadirkan tiga varian AlexNet untuk fi kasi klasifikasi gulma dari gambar tanaman. Untuk tujuan ini, gula bit dan relawan kentang gambar telah dipertimbangkan dan hasilnya menunjukkan efektivitas kerja. Dalam era penelitian, sejumlah arsitektur pembelajaran yang mendalam telah diusulkan oleh berbagai penulis. Di antaranya, CNN adalah salah satu model pembelajaran yang mendalam yang paling populer digunakan. CNN terinspirasi oleh sistem saraf dan visi biologis. Ini adalah pembelajaran klasifikasi Model fi kasi dalam tanpa pengawasan memiliki tinggi klasifikasi dan akurasi pengenalan. Model ini memiliki struktur yang kompleks karena merupakan sejumlah besar lapisan pengolahan informasi. Arsitektur multiplayer ini berbeda dari yang konvensional Arti fi cial Neural Networks (ANN ini) [2]. Mereka memiliki kemampuan fitur belajar dari dataset pelatihan. model CNN membutuhkan sangat sedikit neuron bila dibandingkan dengan JST tradisional tetapi, mereka membutuhkan jumlah yang sangat besar data untuk pelatihan mereka [5], [13].Oleh karena itu, dalam pekerjaan ini kita mengusulkan Multilayer Konvolusional Neural Network (MCNN) untuk klasifikasi dari Mango daun terinfeksi oleh penyakit jamur bernama  Antraknosa.  Kinerja model divalidasi terinfeksi oleh penyakit jamur bernama  Antraknosa.  Kinerja model divalidasi terinfeksi oleh penyakit jamur bernama  Antraknosa.  Kinerja model divalidasi pada gambar yang diperoleh dalam kondisi nyata. Gambar yang preprocessed dengan bantuan histogram pemerataan yang menyeimbangkan ketetapan di antara gambar yang diambil dalam kondisi nyata. Gambar-gambar ini diubah ukurannya untuk ukuran gambar standar menggunakan metode tanaman pusat persegi. Kemudian, berdasarkan MCNN terner dikelompokkan cationmodel dilatih dan diuji untuk mendeteksi theMango daun berpenyakit mempertimbangkan berikut poin utama: 1. Dengan pengobatan otomatis dan diagnosis awal penyakit dan tingkat keparahannya, efektif, dan tepat waktu dapat diambil di muka. 2. ini juga dapat membantu dalam mengidentifikasi siklus alam dan kehidupan penyakit, sehingga membantu untuk belajar kerentanan di antara mereka. 3. Oleh karena itu pekerjaan ini mengusulkan sebuah model pembelajaran yang mendalam bernama MCNN untuk fi kasi klasifikasi daun terinfeksi oleh antraknosa mendalam bernama MCNN untuk fi kasi klasifikasi daun terinfeksi oleh antraknosa penyakit. 4. Untuk pekerjaan ini, kondisi riil yang sehat dan yang terinfeksi gambar cuti dikumpulkan untuk Mango pohon menderita penyakit jamur. Selanjutnya, efektivitas model divalidasi pada database dikumpulkan dan standar bila dibandingkan dengan negara-of-the-art pendekatan lain. 5. Metode yang diusulkan otomatis, komputasi yang efisien, dan hemat biaya, yang dapat membantu dalam mempertahankan pentingnya pohon mangga dan hasil yang baik secara ekologis dan ekonomis. Sisa dari artikel diikuti dengan pengenalan pada bagian I diatur sebagai di bagian II terkait dengan pekerjaan yang berhubungan dengan CNN digunakan dalam penyakit tanaman studi yang diberikan, diikuti oleh pekerjaan yang diusulkan dalam bagian III, bagian IV menyajikan metode dan bahan, hasil yang diberikan dalam bagian V, sedangkan bagian VI menyimpulkan artikel diikuti dengan referensi. II. PEKERJAAN YANG BERHUBUNGAN iqbal et al. di [1] telah menyajikan sejumlah studi untuk identifikasi dan iqbal et al. di [1] telah menyajikan sejumlah studi untuk identifikasi dan iqbal et al. di [1] telah menyajikan sejumlah studi untuk identifikasi dan klasifikasi dari tanaman jeruk daun penyakit. Dalam ulasan ini bekerja, penulis telah membahas hampir semua metodologi yang terkait dengan mendeteksi penyakit, termasuk konsep pengolahan gambar, teknik, tantangan, keuntungan, dan kerugian lain-lain Golhani  et al. di [2] memiliki tantangan, keuntungan, dan kerugian lain-lain Golhani  et al. di [2] memiliki tantangan, keuntungan, dan kerugian lain-lain Golhani  et al. di [2] memiliki berbagai penelitian hadir pendekatan jaringan syaraf digunakan untuk identifikasi dan klasifikasi penyakit dari gambar cuti tanaman. Karya ini memperkenalkan berbagai model, jenis, mekanisme, dan ers fi klasifikasi yang digunakan dan selanjutnya mereka telah menyajikan berbagai konsep pencitraan sehubungan dengan gambar itt. Empat penyakit mentimun bernama antraknosa, bulai, embun tepung, dan bercak daun sasaran yang diklasifikasikan dari daun dalam pekerjaan yang diusulkan oleh Ma  et al. di diklasifikasikan dari daun dalam pekerjaan yang diusulkan oleh Ma  et al. di diklasifikasikan dari daun dalam pekerjaan yang diusulkan oleh Ma  et al. di [4] semua gambar yang diperoleh dalam real-time dan telah diklasifikasikan menggunakan theDeepConvolutional Neural Network (DCNN). Ferentinos di [5] telah mengusulkan VGG jaringan saraf convolutional untuk identifikasi dan klasifikasi dari daun tanaman. Metode yang diusulkan dikelompokkan es gambar yang diberikan antara sehat dan sakit. Hasil divalidasi pada dataset yang besar menunjukkan akurasi pendekatan pembelajaran yang mendalam. Terlalu  et al. mendalam. Terlalu  et al. di [6] telah menggunakan empat arsitektur jaringan yang berbeda dalam convolutional termasuk VGG 16, Inception V4, ResNet dan DenseNets untuk fi kasi klasifikasi penyakit dari sebuah gambar. Gambar diambil dari dataset plantVillage terdiri dari 38 kelas yang sakit dan 14 kelas yang sehat. Jaringan DenseNets mencapai klasifikasi akurasi yang lebih tinggi dan waktu komputasi yang lebih rendah bila dibandingkan dengan arsitektur lain. Barbedo [13] telah menyajikan studi tentang pembelajaran jauh di dalam patologi tanaman. Penulis dalam pekerjaan ini telah disajikan 43.722 VOLUME 7, 2019  UP Singh et al .:   MCNN untuk Klasifikasi Mango Daun Terjangkit Penyakit antraknosaUP Singh et al .:   MCNN untuk Klasifikasi Mango Daun Terjangkit Penyakit antraknosaUP Singh et al .:   MCNN untuk Klasifikasi Mango Daun Terjangkit Penyakit antraknosa TABEL 1. Ringkasan pekerjaan sastra. TABEL 1. Ringkasan pekerjaan sastra. berbagai masalah dan parameter yang mempengaruhi e fi siensi jaringan.  Akhirnya, hasil veri fi ed kinerja jaringan saraf convolutional pada gambar yang diambil dari repositori Digipathos. Kamilaris dan Prenafeta- Boldu di [14] yang diambil dari repositori Digipathos. Kamilaris dan Prenafeta- Boldu di [14] yang diambil dari repositori Digipathos. Kamilaris dan Prenafeta- Boldu di [14] berbagai studi telah memperkenalkan dari pembelajaran mendalam yang diadopsi di bidang pertanian. Penelitian ini kompromi yang berbeda metode, pencitraan dan visi komputer teori, masalah terkait, aplikasi, dan metrik evaluasi dll Ukuran dan berbagai gambar dalam database merupakan aspek penting ketika bekerja dengan konsep-konsep pembelajaran yang mendalam. Oleh karena itu, Barbedo di [15] memiliki berbagai masalah hadir dan tantangan dalam fi kasi klasifikasi penyakit tanaman. Penulis telah diselidiki pekerjaan ini dengan dua belas tanaman yang berbeda memiliki atribut yang berbeda dan dengan penyakit yang berbeda. kaur et al. di [16] telah menyajikan studi tentang konsep visi komputer kaur et al. di [16] telah menyajikan studi tentang konsep visi komputer kaur et al. di [16] telah menyajikan studi tentang konsep visi komputer dan metode yang diadopsi untuk deteksi dan klasifikasi dari daun tanaman. Keuntungan dan kerugian dari beberapa studi telah dibahas secara terpisah. Dalam [17] Picon  et al. telah menggunakan DCNN untuk fi kasi terpisah. Dalam [17] Picon  et al. telah menggunakan DCNN untuk fi kasi terpisah. Dalam [17] Picon  et al. telah menggunakan DCNN untuk fi kasi klasifikasi dari tiga penyakit jamur yang ditemukan di pabrik gandum. Gambar dalam pekerjaan yang diusulkan dikumpulkan dalam lingkungan real-time di dua lokasi selama sekitar tiga tahun berturut-turut. GoogLeNet dan jaringan Cifar10 telah disajikan oleh Zhang  et al. di [18] untuk klasifikasi dan jaringan Cifar10 telah disajikan oleh Zhang  et al. di [18] untuk klasifikasi dan jaringan Cifar10 telah disajikan oleh Zhang  et al. di [18] untuk klasifikasi penyakit dari gambar daun jagung. Model yang diusulkan mencapai akurasi yang lebih tinggi bila dibandingkan dengan jaringan lain seperti VGG dan AlexNet untuk mengklasifikasikan sembilan jenis daun  jagung. Dalam [19] Lu  et al. telah mengusulkan DCNN untuk fi kasi klasifikasi  jagung. Dalam [19] Lu  et al. telah mengusulkan DCNN untuk fi kasi klasifikasi  jagung. Dalam [19] Lu  et al. telah mengusulkan DCNN untuk fi kasi klasifikasi dari sepuluh jenis penyakit cuti beras dari gudang sekitar lima ratus gambar yang mengandung gambar yang sehat dan yang terinfeksi. Penulis telah mengadopsi 10 kali lipat strategi validasi silang untuk mencapai hasil fi kasi klasifikasi yang lebih tinggi. Gandhi  et al. [   20] telah bekerja dengan Networks klasifikasi yang lebih tinggi. Gandhi  et al. [   20] telah bekerja dengan Networks klasifikasi yang lebih tinggi. Gandhi  et al. [   20] telah bekerja dengan Networks generatif Adversarial (Gans) dan CNN untuk pengidentifikasian penyakit dari gambar daun tanaman menggunakan aplikasi mobile. AlexNet dan kemudian  jaringan pembelajaran SqueezeNet mendalam telah digunakan oleh Durmus  et  jaringan pembelajaran SqueezeNet mendalam telah digunakan oleh Durmus  et al. di [21] untuk fi kasi klasifikasi penyakit daun tanaman. Foto-foto tersebut al. di [21] untuk fi kasi klasifikasi penyakit daun tanaman. Foto-foto tersebut diambil dari database plantVillage untuk gambar daun tanaman tomat dalam sepuluh kelas yang berbeda. CNNs telah diusulkan oleh Jain  et al. di [22] untuk sepuluh kelas yang berbeda. CNNs telah diusulkan oleh Jain  et al. di [22] untuk sepuluh kelas yang berbeda. CNNs telah diusulkan oleh Jain  et al. di [22] untuk real-time klasifikasi penyakit dari gambar cuti tanaman. Metode yang diusulkan dibangun pada lingkungan berbasis cloud untuk melakukan tugas ini. Gambar-gambar dari daun tanaman dikumpulkan di real-time untuk klasifikasi. Tabel 1 merangkum berbagai temuan. AKU AKU AKU. USULAN KERJA The fl flowchart dari pekerjaan yang diusulkan kami ditunjukkan pada Gambar. 1. Terinspirasi oleh arsitektur AlexNet, sebuah Multilayer Konvolusional Neural Network diusulkan dalam pekerjaan ini untuk klasifikasi dari theMango daun infectedwith penyakit jamur bernama VOLUME 7, 2019 43.723  UP Singh et al .:   MCNN untuk Klasifikasi Mango Daun Terjangkit Penyakit antraknosaUP Singh et al .:   MCNN untuk Klasifikasi Mango Daun Terjangkit Penyakit antraknosaUP Singh et al .:   MCNN untuk Klasifikasi Mango Daun Terjangkit Penyakit antraknosa GAMBAR 1. Flowchart untuk pekerjaan yang diusulkan. GAMBAR 1. Flowchart untuk pekerjaan yang diusulkan.  Antraknosa.  Prosedur metode yang diusulkan diungkapkan oleh algoritma  Antraknosa.  Prosedur metode yang diusulkan diungkapkan oleh algoritma diberikan dalam Tabel 2. MEJA 2.  Algoritma untuk pekerjaan yang diusulkan. MEJA 2.  Algoritma untuk pekerjaan yang diusulkan. IV. MATERIAL DAN METODE  A. dataset  Dalam pekerjaan yang diusulkan, dua repositori database yang telah digunakan, yang pertama adalah real-time Mango meninggalkan dataset dan yang lainnya adalah dataset plantVillage [29] daun repositori memiliki beberapa tanaman. Sebanyak 2.200 gambar yang digunakan dalam pekerjaan ini yaitu 1070 gambar yang gambar diri yang diperoleh ditangkap di lingkungan real-time dan tersisa 1130 gambar diambil dari dataset plantVillage. Gambar-gambar ini dikategorikan antara empat kelas yaitu Mango meninggalkan gambar dengan penyakit, tanpa penyakit, beberapa tanaman meninggalkan gambar dengan penyakit, dan tanpa penyakit. Berdasarkan kategori gambar-gambar ini diberi label untuk kelas masing-masing. Gambar. 2 menunjukkan kumpulan data sampel terdiri dari dua gambar daun mangga yang diambil dalam kondisi nyata dan dua gambar yang diambil dari dataset plantVillage. Tabel 3 menunjukkan rincian gambar. GAMBAR 2. Sampel gambar. GAMBAR 2. Sampel gambar. TABEL 3. Rincian kategori gambar. TABEL 3. Rincian kategori gambar. B. preprocessing IMAGES  Pada mulanya, gambar pelatihan dan pengujian yang preprocessed untuk peningkatan kontras dan rescaling mereka ke 128 × 128 ukuran pixel. Dua metode peningkatan kontras dan rescaling mereka ke 128 × 128 ukuran pixel. Dua metode peningkatan kontras dan rescaling mereka ke 128 × 128 ukuran pixel. Dua metode yang berbeda yaitu histogram metode pemerataan untuk peningkatan kontras dan metode tanaman central square digunakan untuk tujuan ini untuk seluruh set database. Kontras gambar ditingkatkan dengan menetapkan nilai intensitas seragam ke pixel menggunakan histogram dari suatu gambar dengan bantuan metode histogram ekualisasi diberikan oleh eq. ( 1 ) [26]. Selanjutnya, gambar metode histogram ekualisasi diberikan oleh eq. ( 1 ) [26]. Selanjutnya, gambar metode histogram ekualisasi diberikan oleh eq. ( 1 ) [26]. Selanjutnya, gambar rescaled menggunakan metode tanaman central square diberikan oleh eq. (2). H (P (   x, y)  H (P (   x, y)  )= bulat  = bulat  (  f   cdf  (  f   cdf  (  f   cdf  (  p (   x, y)  (  p (   x, y)  (  p (   x, y)  )- f   cdf min  - f   cdf min  - f   cdf min  - f   cdf min  ( R × C)   - f   cdf ( R × C)   - f   cdf ( R × C)   - f   cdf ( R × C)   - f   cdf ( R × C)   - f   cdf ( R × C)   - f   cdf ( R × C)   - f   cdf × L - 1× L - 1× L - 1× L - 1)(1)dimana, f   cdf =   frekuensi kumulatif dari tingkat abu-abu,dimana, f   cdf =   frekuensi kumulatif dari tingkat abu-abu,dimana, f   cdf =   frekuensi kumulatif dari tingkat abu-abu,dimana, f   cdf =   frekuensi kumulatif dari tingkat abu-abu, f   cdf min =   nilai minimum fungsi distribusi kumulatif, f   cdf  f   cdf min =   nilai minimum fungsi distribusi kumulatif, f   cdf  f   cdf min =   nilai minimum fungsi distribusi kumulatif, f   cdf  f   cdf min =   nilai minimum fungsi distribusi kumulatif, f   cdf  f   cdf min =   nilai minimum fungsi distribusi kumulatif, f   cdf  f   cdf min =   nilai minimum fungsi distribusi kumulatif, f   cdf  (  P (   x, y)  (  P (   x, y)  (  P (   x, y)  )= intensitas pixel saat ini, R dan= intensitas pixel saat ini, R dan= intensitas pixel saat ini, R dan= intensitas pixel saat ini, R dan C =   produk jumlah piksel dalam baris dan kolom dan C =   produk jumlah piksel dalam baris dan kolom dan L =   jumlah intensitas. L =   jumlah intensitas. def centeredCrop (img, new_height, new_width)  (2) 43.724 VOLUME 7, 2019  UP Singh et al .:   MCNN untuk Klasifikasi Mango Daun Terjangkit Penyakit antraknosaUP Singh et al .:   MCNN untuk Klasifikasi Mango Daun Terjangkit Penyakit antraknosaUP Singh et al .:   MCNN untuk Klasifikasi Mango Daun Terjangkit Penyakit antraknosa C. convolutional NEURAL NETWORK  Dengan kemajuan dalam perangkat yang efisien komputasi seperti Graphics Processing Unit (GPU), pembelajaran terkait aplikasi yang mendalam telah mencapai perkembangan eksponensial. Konsep pembelajaran dalam dimotivasi oleh konvensional arti fi jaringan saraf resmi. Model pembelajaran yang mendalam ditumpuk dengan jumlah preprocessing lapisan di mana informasi yang diekstrak dari input mentah ke fi nal tugas-spesifik output. model DL telah sangat muncul setelah gambar klasifikasi akurasi dari CNN lebih ILSVRC dataset pada 2012 yang diusulkan oleh  Krizhevsky et al. [   23]. Sejak itu aplikasi pembelajaran yang diusulkan oleh  Krizhevsky et al. [   23]. Sejak itu aplikasi pembelajaran yang diusulkan oleh  Krizhevsky et al. [   23]. Sejak itu aplikasi pembelajaran yang mendalam telah ditemukan dalam jumlah aplikasi untuk gambar klasifikasi, pengenalan pola, pengenalan suara, deteksi obyek, dll [24], [25]. Sebuah jaringan saraf convolutional adalah model pembelajaran yang mendalam digunakan untuk memecahkan pengenalan pola yang kompleks dan klasifikasi masalah kation fi dengan sejumlah besar database. Model ini majorly terdiri dari empat lapisan yang berbeda yaitu konvolusi, max-pooling, sepenuhnya-terhubung, dan lapisan keluaran ditumpuk di atas satu sama lain. Kebaruan dari arsitektur terletak pada fleksibilitasnya untuk yang con fi gurasi tergantung pada hasil tugas terkait. Ada banyak model CNN yang berbeda yang tersedia seperti AlexNet, VGG, GoogLeNet, ResNet dll model ini berbeda berdasarkan kedalaman mereka, gurations con fi, fungsi nonlinear, dan jumlah unit. Ada berbagai parameter disesuaikan seperti angka putus sekolah, tingkat pembelajaran yang digunakan dalam pengolahan kompleks untuk memecahkan klasifikasi dan masalah pengenalan pola [24], [25]. Gambar. 3 menunjukkan arsitektur dari CNN yang diusulkan bahwa kita telah digunakan untuk fi kasi klasifikasi daun mangga yang terinfeksi. Model ini terinspirasi oleh arsitektur AlexNet, yang terdiri dari enam lapisan convolutional masing-masing diikuti oleh recti fi ed Satuan Linear (ReLU), tiga lapisan max-pooling, dan dua lapisan padat atau sepenuhnya terhubung lapisan akting terakhir sebagai output layer dengan Softmax fungsi aktivasi. Sebuah fl perhatiannya bertindak sebagai lapisan tersembunyi yang digunakan untuk mengkonversi gambar dalam array 1D, sehingga meningkatkan kinerja dan membuat lebih mudah untuk menangani data. Ukuran masing-masing lapisan convolutional adalah 3 × 3 dan setiap max-pooling adalah 2 × 2, sedangkan ukuran lapisan convolutional adalah 3 × 3 dan setiap max-pooling adalah 2 × 2, sedangkan ukuran lapisan convolutional adalah 3 × 3 dan setiap max-pooling adalah 2 × 2, sedangkan ukuran lapisan convolutional adalah 3 × 3 dan setiap max-pooling adalah 2 × 2, sedangkan ukuran lapisan convolutional adalah 3 × 3 dan setiap max-pooling adalah 2 × 2, sedangkan ukuran gambar input dan peta fitur bervariasi ditampilkan dalam angka. Stochastic gradien keturunan (SGD) atau algoritma Backpropagation (BPA) digunakan untuk pelatihan dari CNN. Volume input membelit dengan volume yang berat. Tergantung pada padding dan keluar melangkah lapisan input diperluas atau menyusut. Dalam proses konvolusi lebar spasial dan tinggi berkurang, tetapi meningkatkan kedalaman. fungsi aktivasi non-linear ditambahkan ke setiap lapisan untuk pemodelan fungsi target yang lebih kompleks bervariasi dalam cara yang non-linear dengan masukan yang diberikan. ReLU mengurangi kemungkinan gradien menghilang. Ini juga memperkenalkan sparsity untuk model. Pooling membantu dalam mengurangi kebutuhan komputasi dan ukuran spasial dari fungsi aktivasi. Max pooling karena konvergensi yang lebih tinggi dan kinerja yang lebih baik lebih sering digunakan. Gambar yang turun sampel menggunakan lapisan max-pooling. Hal ini juga mengurangi kemungkinan lebih dari fi tting. lapisan padat atau sepenuhnya terhubung adalah lapisan fi nal GAMBAR 3.  Arsitektur dari CNN diusulkan. GAMBAR 3.  Arsitektur dari CNN diusulkan. bertanggung jawab untuk memprediksi kelas dari suatu gambar. Rincian lebih lanjut dari multilayer neural network konvolusional yang diusulkan diberikan sebagai: VOLUME 7, 2019 43725
Search
Similar documents
View more...
Tags
Related Search
We Need Your Support
Thank you for visiting our website and your interest in our free products and services. We are nonprofit website to share and download documents. To the running of this website, we need your help to support us.

Thanks to everyone for your continued support.

No, Thanks
SAVE OUR EARTH

We need your sign to support Project to invent "SMART AND CONTROLLABLE REFLECTIVE BALLOONS" to cover the Sun and Save Our Earth.

More details...

Sign Now!

We are very appreciated for your Prompt Action!

x