I
AE
S In
t
er
na
t
io
na
l J
o
urna
l o
f
Art
if
icia
l In
t
ellig
ence
(
I
J
-
AI
)
Vo
l.
14
,
No
.
4
,
A
u
g
u
s
t 2
0
2
5
,
p
p
.
2
7
0
1
~
2
7
1
2
I
SS
N:
2
2
5
2
-
8938
,
DOI
: 1
0
.
1
1
5
9
1
/i
j
ai.
v
14
.i
4
.
p
p
2
7
0
1
-
2
7
1
2
2701
J
o
ur
na
l ho
m
ep
a
g
e
:
h
ttp
:
//ij
a
i
.
ia
esco
r
e.
co
m
I
m
a
g
ery ba
sed pl
a
nt
disea
se de
tectio
n using
conv
ent
io
na
l neural
netw
o
rk
s a
nd t
ra
nsfer learni
ng
Ali
M
ha
ned
,
Sa
l
m
a
M
o
ua
t
a
s
s
i
m
,
M
o
un
ia
E
l H
a
j
i,
J
a
m
a
l
B
enhra
L
a
b
o
r
a
t
o
r
y
o
f
A
d
v
a
n
c
e
d
R
e
se
a
r
c
h
i
n
I
n
d
u
st
r
i
a
l
a
n
d
L
o
g
i
st
i
c
E
n
g
i
n
e
e
r
i
n
g
,
D
e
p
a
r
t
me
n
t
I
n
d
u
s
t
r
i
a
l
En
g
i
n
e
e
r
i
n
g
a
n
d
L
o
g
i
st
i
c
s
,
N
a
t
i
o
n
a
l
S
c
h
o
o
l
o
f
El
e
c
t
r
i
c
a
l
a
n
d
M
e
c
h
a
n
i
c
a
l
En
g
i
n
e
e
r
i
n
g
,
U
n
i
v
e
r
si
t
y
H
a
ssan
I
I
,
C
a
sa
b
l
a
n
c
a
,
M
o
r
o
c
c
o
Art
icle
I
nfo
AB
ST
RAC
T
A
r
ticle
his
to
r
y:
R
ec
eiv
ed
Sep
1
0
,
2
0
2
4
R
ev
i
s
ed
Ma
r
1
6
,
2
0
2
5
A
cc
ep
ted
J
u
n
8
,
2
0
2
5
En
su
ri
n
g
th
e
su
sta
in
a
b
il
i
ty
o
f
g
lo
b
a
l
f
o
o
d
p
r
o
d
u
c
ti
o
n
re
q
u
ires
e
ff
ic
ien
t
p
lan
t
d
ise
a
se
d
e
tec
ti
o
n
,
c
h
a
ll
e
n
g
e
c
o
n
v
e
n
ti
o
n
a
l
m
e
th
o
d
s
stru
g
g
le
to
a
d
d
re
ss
p
ro
m
p
tl
y
.
T
h
is
stu
d
y
e
x
p
lo
re
s
a
d
v
a
n
c
e
d
tec
h
n
iq
u
e
s,
i
n
c
lu
d
in
g
c
o
n
v
o
lu
ti
o
n
a
l
n
e
u
ra
l
n
e
tw
o
rk
s
(CNN
s)
a
n
d
tran
sf
e
r
le
a
rn
in
g
m
o
d
e
ls
(Re
sN
e
t
a
n
d
V
G
G
),
to
im
p
ro
v
e
p
lan
t
d
ise
a
se
id
e
n
ti
f
ica
ti
o
n
a
c
c
u
ra
c
y
.
Us
in
g
a
p
lan
t
d
ise
a
se
d
a
tas
e
t
w
it
h
6
5
c
las
se
s
o
f
h
e
a
lt
h
y
a
n
d
d
i
se
a
se
d
lea
v
e
s,
th
e
re
se
a
rc
h
e
v
a
lu
a
tes
th
e
se
m
o
d
e
ls'
e
ff
e
c
ti
v
e
n
e
ss
in
a
u
to
m
a
ti
n
g
d
ise
a
se
re
c
o
g
n
it
io
n
.
P
re
p
ro
c
e
ss
in
g
tec
h
n
iq
u
e
s,
su
c
h
a
s
siz
e
n
o
rm
a
li
z
a
ti
o
n
a
n
d
d
a
ta
a
u
g
m
e
n
tatio
n
,
a
re
e
m
p
lo
y
e
d
to
e
n
h
a
n
c
e
m
o
d
e
l
re
li
a
b
il
it
y
,
a
n
d
th
e
d
a
tas
e
t
is
d
iv
id
e
d
in
t
o
train
i
n
g
,
tes
ti
n
g
,
a
n
d
v
a
li
d
a
ti
o
n
se
ts.
T
h
e
CNN
m
o
d
e
l
a
c
h
iev
e
d
a
c
c
u
ra
c
ies
o
f
9
5
.
4
5
a
n
d
9
4
.
5
2
%
f
o
r
1
2
8
×
1
2
8
a
n
d
2
5
6
×
2
5
6
im
a
g
e
si
z
e
s,
re
s
p
e
c
ti
v
e
l
y
.
Re
sN
e
t5
0
p
ro
v
e
d
t
h
e
b
e
st
p
e
rf
o
rm
e
r,
re
a
c
h
in
g
9
8
.
3
8
a
n
d
9
8
.
6
3
%
a
c
c
u
ra
c
y
,
w
h
il
e
V
GG
1
6
a
c
h
iev
e
d
9
7
.
9
9
a
n
d
9
8
.
3
4
%
.
T
h
e
se
re
su
lt
s
h
ig
h
li
g
h
t
R
e
sN
e
t5
0
'
s
su
p
e
rio
r
a
b
il
it
y
to
c
a
p
tu
re
i
n
tri
c
a
te
fe
a
tu
re
s,
m
a
k
in
g
it
a
ro
b
u
st
to
o
l
f
o
r
p
re
c
isio
n
a
g
ricu
lt
u
re
.
T
h
is
re
se
a
rc
h
p
ro
v
id
e
s
p
ra
c
ti
c
a
l
so
lu
t
io
n
s
f
o
r
e
a
rl
y
a
n
d
a
c
c
u
ra
te
d
ise
a
se
id
e
n
ti
f
ica
ti
o
n
,
h
e
lp
i
n
g
to
im
p
ro
v
e
c
ro
p
m
a
n
a
g
e
m
e
n
t
a
n
d
f
o
o
d
se
c
u
rit
y
.
K
ey
w
o
r
d
s
:
C
o
n
v
o
lu
tio
n
al
n
e
u
r
al
n
e
t
w
o
r
k
s
Dis
ea
s
e
cla
s
s
i
f
icatio
n
P
lan
t d
is
ea
s
e
d
etec
tio
n
R
es
N
et
T
r
an
s
f
er
lear
n
in
g
VGG
T
h
is i
s
a
n
o
p
e
n
a
c
c
e
ss
a
rticle
u
n
d
e
r th
e
CC B
Y
-
SA
li
c
e
n
se
.
C
o
r
r
e
s
p
o
nd
ing
A
uth
o
r
:
A
li
M
h
a
n
ed
L
ab
o
r
ato
r
y
o
f
A
d
v
a
n
ce
d
R
ese
ar
ch
in
I
n
d
u
s
tr
ial
a
n
d
L
o
g
is
tic
E
n
g
i
n
ee
r
in
g
Dep
ar
t
m
en
t I
n
d
u
s
tr
ial
E
n
g
i
n
e
er
in
g
a
n
d
L
o
g
is
tic
s
Natio
n
al
Sc
h
o
o
l o
f
E
lectr
ical
an
d
Me
ch
a
n
ical
E
n
g
i
n
ee
r
in
g
,
Un
i
v
er
s
it
y
Has
s
an
I
I
C
asab
lan
ca
,
Mo
r
o
cc
o
E
m
ail
: a
li.
m
h
an
ed
.
d
o
c2
1
@
en
s
e
m
.
ac
.
m
a
1.
I
NT
RO
D
UCT
I
O
N
P
lan
t
p
ests
an
d
d
is
ea
s
es
p
o
s
e
s
ig
n
i
f
ica
n
t
th
r
ea
t
s
to
g
lo
b
al
f
o
o
d
s
ec
u
r
it
y
,
w
i
th
u
p
to
4
0
%
o
f
cr
o
p
p
r
o
d
u
ctio
n
lo
s
t
an
n
u
al
l
y
d
u
e
t
o
th
ese
f
ac
to
r
s
[
1
]
.
T
h
e
Fo
o
d
an
d
Ag
r
ic
u
lt
u
r
e
Or
g
a
n
izatio
n
(
FA
O)
r
ep
o
r
ts
th
a
t
u
p
to
4
0
%
o
f
g
lo
b
al
cr
o
p
p
r
o
d
u
ctio
n
is
lo
s
t
an
n
u
all
y
d
u
e
to
w
ee
d
s
,
p
est
s
,
an
d
d
is
ea
s
es,
a
n
d
th
ese
lo
s
s
es
co
u
ld
w
o
r
s
e
n
w
it
h
o
u
t
p
r
o
p
er
p
est
an
d
d
is
ea
s
e
m
a
n
ag
e
m
e
n
t
[
2
]
.
W
ith
in
th
e
ag
r
ic
u
lt
u
r
al
s
ec
to
r
,
o
n
e
m
aj
o
r
f
ac
to
r
co
n
tr
ib
u
ti
n
g
to
ec
o
n
o
m
ic
lo
s
s
es
is
p
lan
t
d
is
ea
s
e,
r
ec
o
g
n
ize
d
as
a
r
is
k
d
u
e
to
its
ch
a
llen
g
in
g
ea
r
l
y
d
etec
tio
n
an
d
id
en
tific
atio
n
.
A
s
it
a
f
f
e
cts
cr
o
p
y
ield
,
th
e
s
u
s
tai
n
ab
i
lit
y
o
f
t
h
e
ag
r
o
-
ec
o
n
o
m
ic
s
e
cto
r
is
j
e
o
p
ar
d
ized
,
u
lti
m
atel
y
p
o
s
i
n
g
a
th
r
ea
t
to
th
e
f
o
o
d
s
ec
u
r
it
y
o
f
a
g
i
v
e
n
r
eg
io
n
.
E
ar
l
y
d
is
ea
s
e
d
etec
tio
n
i
s
cr
u
cial
f
o
r
f
ar
m
er
s
to
co
n
tr
o
l
th
e
s
p
r
ea
d
an
d
im
p
ac
t
o
n
cr
o
p
y
ield
.
P
r
ev
en
tio
n
an
d
tr
ea
t
m
en
t
m
et
h
o
d
s
v
ar
y
b
ased
o
n
cr
o
p
ty
p
es
an
d
s
u
s
ce
p
tib
ilit
y
to
s
p
ec
i
f
ic
d
is
ea
s
es
[
3
]
.
A
n
a
l
y
zi
n
g
d
is
ea
s
e
ch
ar
ac
ter
is
tics
,
s
y
m
p
to
m
s
,
a
n
d
s
e
v
er
it
y
is
ess
e
n
tial
f
o
r
ad
d
r
ess
in
g
f
u
n
d
a
m
en
tal
q
u
esti
o
n
s
i
n
p
lan
t
s
tr
e
s
s
b
io
lo
g
y
.
T
im
el
y
d
is
ea
s
e
a
n
al
y
s
i
s
in
f
o
r
m
at
io
n
en
ab
les r
ap
id
m
a
n
ag
e
m
e
n
t d
e
cisi
o
n
s
,
en
h
a
n
ci
n
g
t
h
e
o
v
er
all
o
p
er
atio
n
an
d
h
ea
lt
h
o
f
p
la
n
tat
io
n
s
.
T
r
ad
itio
n
all
y
,
p
lan
t
d
is
ea
s
es
ar
e
id
en
ti
f
ied
th
r
o
u
g
h
v
is
u
al
s
y
m
p
to
m
i
n
ter
p
r
etatio
n
an
d
s
u
b
s
eq
u
e
n
t
lab
o
r
a
to
r
y
ass
e
s
s
m
en
ts
[
4
]
.
H
o
w
ev
er
,
th
e
s
e
m
et
h
o
d
s
r
eq
u
ir
e
ex
p
er
tis
e
in
p
lan
t
p
ath
o
lo
g
y
a
n
d
co
n
s
id
er
ab
le
tim
e
f
o
r
d
iag
n
o
s
i
s
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
2
5
2
-
8938
I
n
t J
A
r
ti
f
I
n
tell
,
Vo
l.
14
,
No
.
4
,
A
u
g
u
s
t 2
0
2
5
:
2
7
0
1
-
2712
2702
R
ec
o
g
n
izi
n
g
th
e
s
e
li
m
itatio
n
s
,
m
o
d
er
n
tech
n
o
lo
g
ie
s
s
u
c
h
a
s
m
ac
h
i
n
e
v
is
io
n
a
n
d
r
e
m
o
te
s
en
s
in
g
h
av
e
b
ee
n
d
ev
elo
p
ed
to
d
etec
t
an
d
id
e
n
ti
f
y
p
lan
t
d
is
ea
s
e
s
,
o
f
f
er
i
n
g
i
m
p
r
o
v
ed
r
eliab
ilit
y
,
p
r
ec
is
i
o
n
,
an
d
ac
c
u
r
ac
y
.
A
d
v
an
ce
m
e
n
ts
i
n
i
m
ag
e
a
n
al
y
s
i
s
,
p
ar
ticu
lar
l
y
th
r
o
u
g
h
d
ata
lear
n
in
g
tec
h
n
iq
u
es
li
k
e
co
n
v
o
l
u
tio
n
a
l
n
e
u
r
al
n
et
w
o
r
k
s
(
C
NNs
)
,
h
a
v
e
r
ev
o
lu
tio
n
ized
d
is
ea
s
e
id
en
t
if
icatio
n
.
Nu
m
er
o
u
s
s
t
u
d
ies
h
a
v
e
b
ee
n
co
n
d
u
cted
o
n
th
e
au
to
m
at
ic
id
e
n
ti
f
icatio
n
o
f
p
lan
t
d
i
s
ea
s
e
s
,
p
av
i
n
g
t
h
e
wa
y
f
o
r
t
h
e
d
ev
elo
p
m
en
t
o
f
au
to
m
at
ic
i
m
a
g
i
n
g
tech
n
iq
u
es
f
o
r
p
lan
t
d
is
ea
s
e
d
iag
n
o
s
is
,
cla
s
s
i
f
icatio
n
,
p
lan
t
r
ec
o
g
n
itio
n
,
f
r
u
it
co
u
n
ti
n
g
,
a
n
d
w
ee
d
d
etec
tio
n
.
T
h
ese
tech
n
o
lo
g
ies
h
a
v
e
t
h
e
p
o
ten
tial
to
as
s
is
t
f
ar
m
er
s
in
ad
o
p
tin
g
b
etter
f
ar
m
i
n
g
tec
h
n
iq
u
es,
i
m
p
le
m
en
t
in
g
g
o
o
d
ag
r
icu
lt
u
r
al
p
r
ac
tices,
an
d
u
lti
m
a
tel
y
e
n
h
an
ci
n
g
f
o
o
d
s
ec
u
r
it
y
[
5
]
.
C
NNs
ar
e
w
id
el
y
u
s
ed
i
n
v
ar
i
o
u
s
f
ield
s
d
u
e
to
t
h
eir
ab
ilit
y
t
o
au
to
m
atica
l
l
y
e
x
tr
ac
t
es
s
e
n
ti
al
f
ea
t
u
r
es
f
r
o
m
d
ata
[
6
]
.
T
h
is
f
ea
tu
r
e
e
x
tr
ac
tio
n
ca
p
ab
ilit
y
i
s
cr
u
cial
i
n
tas
k
s
l
ik
e
i
m
a
g
e
r
ec
o
g
n
itio
n
,
w
h
er
e
C
NNs
ca
n
l
ea
r
n
h
ier
ar
ch
ical
lo
ca
l
a
n
d
g
l
o
b
al
f
ea
tu
r
es
w
it
h
o
u
t
th
e
n
ee
d
f
o
r
m
a
n
u
a
l
f
ea
tu
r
e
e
x
tr
ac
tio
n
[
7
]
.
A
d
d
itio
n
a
ll
y
,
C
NNs
ar
e
k
n
o
w
n
f
o
r
t
h
eir
ad
ap
tab
ilit
y
in
ex
tr
ac
tin
g
r
a
w
s
i
g
n
al
f
ea
tu
r
es,
lead
in
g
to
h
i
g
h
clas
s
i
f
icatio
n
ac
cu
r
ac
y
[
8
]
.
R
esNet5
0
an
d
VGG1
6
ar
e
s
p
ec
if
ic
ar
ch
itect
u
r
es
w
it
h
i
n
t
h
e
r
ea
l
m
o
f
C
N
Ns
th
a
t
o
f
f
er
d
is
ti
n
ct
ad
v
an
ta
g
es.
R
e
s
Net5
0
ca
n
ac
h
iev
e
i
m
p
r
es
s
i
v
e
d
ep
th
s
o
f
u
p
t
o
1
5
2
lay
er
s
w
h
ile
m
a
in
ta
in
i
n
g
lo
w
er
co
m
p
le
x
it
y
co
m
p
ar
ed
to
VGG
n
ets
[
9
]
.
On
t
h
e
o
th
er
h
an
d
,
VG
G1
6
,
k
n
o
w
n
f
o
r
its
f
i
n
e
-
g
r
ai
n
ed
co
n
v
o
lu
tio
n
o
p
er
atio
n
,
ex
ce
ls
i
n
clas
s
i
f
icatio
n
p
r
o
b
l
e
m
s
[
1
0
]
.
Mo
r
eo
v
er
,
C
NNs,
in
clu
d
i
n
g
R
es
Net5
0
an
d
VGG1
6
,
h
av
e
b
ee
n
s
u
cc
e
s
s
f
u
ll
y
u
t
ilized
in
v
ar
io
u
s
ap
p
licatio
n
s
s
u
ch
a
s
i
m
a
g
e
r
ec
o
g
n
itio
n
,
an
o
m
al
y
d
etec
tio
n
,
an
d
ev
e
n
i
n
f
ield
s
lik
e
f
i
n
an
ce
f
o
r
ex
c
h
an
g
e
r
at
e
f
o
r
ec
asti
n
g
[
1
1
]
.
T
h
ese
n
et
w
o
r
k
s
h
a
v
e
s
h
o
w
n
s
u
p
er
io
r
p
er
f
o
r
m
an
ce
in
ta
s
k
s
lik
e
i
m
ag
e
clas
s
i
f
icatio
n
a
n
d
s
eg
m
en
tat
io
n
,
w
it
h
m
o
d
els
l
ik
e
V
GG1
6
b
ein
g
u
s
ed
as
f
e
atu
r
e
ex
tr
ac
to
r
s
in
co
n
j
u
n
ctio
n
w
i
th
o
t
h
er
ar
ch
ite
ctu
r
es
f
o
r
task
s
lik
e
f
ati
g
u
e
cr
ac
k
in
i
tiatio
n
s
ite
d
etec
tio
n
[
1
2
]
.
V
a
r
i
o
u
s
s
tu
d
ie
s
h
av
e
d
e
lv
e
d
in
t
o
a
d
v
an
ce
d
a
p
p
r
o
a
ch
e
s
f
o
r
p
l
a
n
t
d
is
e
as
e
d
et
e
c
ti
o
n
th
r
o
u
g
h
C
NN
s
,
K
u
m
a
r
e
t
a
l
.
[
1
3
]
p
r
o
p
o
s
e
d
a
d
e
e
p
l
e
a
r
n
i
n
g
-
b
as
e
d
im
ag
e
r
e
c
o
g
n
i
ti
o
n
s
y
s
t
em
,
ex
p
l
o
r
in
g
f
a
s
t
er
R
-
C
NN
,
R
-
C
N
N
,
a
n
d
SS
D
a
r
ch
i
te
c
tu
r
es
.
T
h
e
r
e
s
u
l
tin
g
s
y
s
t
em
ef
f
i
c
i
en
t
ly
d
et
e
c
te
d
d
i
v
e
r
s
e
d
i
s
e
as
es
,
b
o
a
s
ti
n
g
a
v
a
li
d
a
t
i
o
n
a
c
cu
r
a
cy
o
f
9
4
.
6
%
.
Sim
i
l
a
r
ly
,
I
s
l
am
[
1
4
]
u
t
i
l
iz
e
d
a
C
N
N
m
o
d
el
,
a
ch
i
ev
in
g
a
9
4
.
2
9
%
ac
cu
r
a
cy
in
d
e
te
c
t
in
g
p
l
an
t
d
is
e
as
e
s
,
p
a
r
t
i
cu
l
a
r
ly
b
e
n
e
f
i
t
in
g
c
u
l
t
iv
at
o
r
s
in
en
h
an
c
in
g
c
r
o
p
p
r
o
d
u
c
ti
o
n
.
Sh
a
r
m
a
e
t
a
l
.
[
1
5
]
in
v
e
s
t
ig
a
te
d
im
ag
e
s
eg
m
en
t
a
ti
o
n
f
o
r
C
N
N
m
o
d
els
,
o
u
t
p
e
r
f
o
r
m
in
g
f
u
ll
-
im
ag
e
m
o
d
e
ls
,
an
d
a
ch
i
ev
in
g
9
8
.
6
%
a
c
c
u
r
ac
y
o
n
u
n
s
ee
n
d
a
t
a
.
F
e
r
en
t
in
o
s
[
1
6
]
de
v
e
l
o
p
e
d
C
N
N
m
o
d
e
ls
,
a
t
t
a
in
i
n
g
an
im
p
r
e
s
s
iv
e
9
9
.
5
3
%
s
u
c
ce
s
s
r
a
t
e
i
n
p
l
an
t
d
i
s
e
ase
d
e
t
e
c
t
i
o
n
a
n
d
d
i
ag
n
o
s
is
.
A
g
ar
w
al
et
a
l
.
[
1
7
]
p
r
o
p
o
s
e
d
an
e
f
f
i
c
i
en
t
C
N
N
m
o
d
e
l
f
o
r
t
o
m
a
t
o
c
r
o
p
d
is
e
as
e
i
d
e
n
tif
i
c
at
i
o
n
,
s
u
r
p
a
s
s
in
g
t
r
a
d
it
i
o
n
al
m
e
th
o
d
s
w
it
h
a
n
o
t
a
b
l
e
9
8
.
4
%
a
c
c
u
r
a
cy
.
B
a
r
a
n
w
al
e
t
a
l
.
[
1
8
]
s
h
o
w
c
as
e
d
C
N
N
ef
f
e
ct
iv
en
es
s
,
a
ch
i
ev
i
n
g
9
8
.
5
4
%
a
c
c
u
r
a
cy
in
a
p
p
l
e
le
a
v
es
d
i
s
ea
s
e
d
e
t
ec
t
i
o
n
.
S
ag
ar
a
n
d
J
a
c
o
b
[
1
9
]
ex
p
lo
r
ed
tr
an
s
f
er
lear
n
i
n
g
,
ac
h
iev
i
n
g
9
8
.
2
%
ac
cu
r
ac
y
i
n
clas
s
if
y
i
n
g
an
d
d
etec
tin
g
d
is
ea
s
e
s
ac
r
o
s
s
3
8
d
if
f
er
en
t
class
es.
C
h
e
n
et
a
l
.
[
2
0
]
d
em
o
n
s
tr
ated
d
ee
p
tr
an
s
f
er
lear
n
i
n
g
's
r
o
b
u
s
t
n
ess
,
r
ea
c
h
in
g
a
m
in
i
m
u
m
v
alid
atio
n
ac
cu
r
ac
y
o
f
9
1
.
8
3
%.
Stu
d
ies
also
ev
alu
ated
d
if
f
er
en
t
d
ee
p
ar
ch
itectu
r
es
f
o
r
p
lan
t
leav
e
s
d
is
ea
s
e
d
etec
tio
n
.
Op
ti
m
al
r
esu
lts
w
er
e
o
b
tain
ed
u
s
in
g
th
e
Go
o
g
leNe
t
ar
ch
itec
tu
r
e,
w
it
h
R
e
s
Net5
0
an
d
R
es
Net1
0
1
p
er
f
o
r
m
i
n
g
ex
ce
p
tio
n
all
y
w
ell.
B
ar
b
ed
o
[
2
1
]
in
v
esti
g
ated
t
h
e
i
m
p
ac
t
o
f
d
ataset
s
ize
an
d
v
ar
iet
y
o
n
d
ee
p
lear
n
in
g
a
n
d
tr
an
s
f
er
lear
n
i
n
g
f
o
r
p
lan
t
d
is
ea
s
e
class
i
f
icatio
n
,
e
m
p
h
a
s
izi
n
g
th
eir
cr
u
cial
r
o
le
in
m
o
d
el
ef
f
ec
ti
v
en
e
s
s
.
L
astl
y
,
Fan
et
a
l
.
[
2
2
]
p
r
o
p
o
s
ed
a
f
ea
tu
r
e
-
f
u
s
io
n
m
et
h
o
d
f
o
r
id
en
ti
f
y
in
g
ap
p
le
tr
ee
d
is
ea
s
ed
leav
es,
ac
h
ie
v
i
n
g
a
r
ec
o
g
n
itio
n
ac
cu
r
ac
y
o
f
9
9
.
8
3
%
af
ter
d
ata
au
g
m
en
ta
tio
n
.
T
h
ese
s
tu
d
ies
co
llec
tiv
el
y
h
i
g
h
l
ig
h
t
t
h
e
d
iv
er
s
e
ap
p
licatio
n
s
an
d
s
u
cc
es
s
es o
f
C
NNs
i
n
ad
v
a
n
ci
n
g
p
la
n
t d
is
e
ase
d
etec
tio
n
.
P
r
ev
io
u
s
r
esear
c
h
h
as
e
x
p
lo
r
ed
th
e
d
e
v
elo
p
m
e
n
t
o
f
a
lo
w
-
co
s
t
s
m
ar
t
ir
r
ig
a
tio
n
s
y
s
te
m
in
te
g
r
atin
g
in
ter
n
e
t
o
f
th
i
n
g
s
(
I
o
T
)
tech
n
o
lo
g
y
a
n
d
f
u
zz
y
lo
g
ic,
d
e
m
o
n
s
t
r
atin
g
it
s
ef
f
ec
ti
v
e
n
es
s
in
o
p
tim
izi
n
g
w
a
ter
u
s
a
g
e
f
o
r
ag
r
ic
u
ltu
r
al
ap
p
licatio
n
s
[
2
3
]
.
T
h
e
in
teg
r
atio
n
o
f
I
o
T
an
d
f
u
zz
y
lo
g
ic
i
n
ir
r
i
g
atio
n
r
ep
r
esen
t
s
an
ad
v
an
ce
d
ap
p
r
o
ac
h
th
at
en
h
a
n
ce
s
e
f
f
ici
en
c
y
a
n
d
s
u
s
tain
ab
il
it
y
in
w
a
ter
m
a
n
ag
e
m
e
n
t.
F
u
r
th
er
m
o
r
e,
h
is
to
r
ical
w
ea
th
er
d
ata
h
as
b
ee
n
lev
er
a
g
ed
to
f
o
r
ec
ast
r
ef
er
en
ce
cr
o
p
ev
ap
o
tr
an
s
p
ir
atio
n
,
e
n
ab
li
n
g
p
r
ec
is
e
esti
m
atio
n
o
f
w
ater
r
eq
u
ir
e
m
en
ts
at
d
i
f
f
er
e
n
t
g
r
o
w
t
h
s
tag
e
s
t
h
r
o
u
g
h
n
eu
r
al
n
et
w
o
r
k
s
,
p
ar
ticu
lar
l
y
lo
n
g
s
h
o
r
t
-
ter
m
m
e
m
o
r
y
(
L
ST
M)
tech
n
iq
u
es
w
i
th
i
n
r
ec
u
r
r
en
t
n
eu
r
al
n
et
w
o
r
k
s
(
R
NN)
[
2
4
]
.
A
d
d
itio
n
all
y
,
i
n
v
e
s
tig
a
tio
n
s
in
to
t
h
e
i
m
p
ac
t
o
f
co
m
p
o
s
t
ap
p
licatio
n
i
n
s
alt
-
af
f
ec
ted
s
o
ils
w
it
h
i
n
au
to
m
ated
g
r
ee
n
h
o
u
s
e
ir
r
ig
a
tio
n
s
y
s
te
m
s
h
a
v
e
p
r
o
v
id
ed
v
alu
ab
le
in
s
i
g
h
ts
i
n
t
o
s
o
il
s
alin
it
y
m
a
n
a
g
e
m
e
n
t
a
n
d
its
i
m
p
licatio
n
s
f
o
r
p
lan
t
g
r
o
w
t
h
.
B
y
co
m
p
ar
in
g
v
ar
io
u
s
ir
r
ig
atio
n
m
et
h
o
d
s
a
n
d
m
o
n
i
to
r
in
g
p
h
y
s
ico
-
ch
e
m
ic
al
p
ar
a
m
eter
s
,
t
h
e
s
e
s
t
u
d
ies
h
av
e
u
n
d
er
s
co
r
ed
th
e
p
o
ten
tial o
f
co
m
p
o
s
t i
n
m
iti
g
a
tin
g
th
e
ad
v
er
s
e
ef
f
ec
t
s
o
f
s
ali
n
it
y
o
n
ag
r
ic
u
lt
u
r
al
p
r
o
d
u
ctiv
i
t
y
[
2
5
]
.
B
u
ild
in
g
u
p
o
n
t
h
e
s
e
ad
v
a
n
ce
m
en
ts
i
n
p
r
ec
is
io
n
a
g
r
icu
ltu
r
e
,
r
ec
en
t
r
esear
ch
h
as
e
x
ten
d
ed
th
e
s
co
p
e
o
f
in
tel
lig
e
n
t
a
g
r
icu
ltu
r
al
s
y
s
t
e
m
s
to
w
ar
d
s
p
lan
t
d
is
ea
s
e
d
et
ec
tio
n
u
s
i
n
g
d
ee
p
lear
n
i
n
g
tec
h
n
iq
u
es.
I
n
s
p
ir
ed
b
y
th
ese
d
ev
e
lo
p
m
en
t
s
,
th
is
s
t
u
d
y
f
o
cu
s
es
o
n
e
x
p
lo
r
in
g
,
a
n
al
y
zi
n
g
,
a
n
d
co
m
p
ar
in
g
C
N
N
m
o
d
els
f
o
r
p
lan
t
d
is
ea
s
e
d
etec
tio
n
,
w
ith
a
n
e
m
p
h
asis
o
n
tr
a
n
s
f
er
lear
n
in
g
tec
h
n
iq
u
es
u
tili
zi
n
g
R
esNe
t
an
d
VGG
ar
ch
itect
u
r
es.
T
h
e
p
r
o
p
o
s
ed
ap
p
r
o
ac
h
s
ee
k
s
to
e
n
h
a
n
ce
d
is
ea
s
e
id
en
ti
f
i
ca
tio
n
ac
c
u
r
ac
y
b
y
s
y
s
te
m
ati
ca
ll
y
e
v
al
u
ati
n
g
t
h
e
p
er
f
o
r
m
a
n
ce
o
f
t
h
ese
m
o
d
els.
T
h
is
p
ap
er
is
s
tr
u
ctu
r
ed
as
f
o
l
lo
w
s
:
s
ec
tio
n
2
d
escr
ib
es
th
e
m
ater
ials
a
n
d
m
et
h
o
d
s
e
m
p
lo
y
ed
in
th
is
r
esear
ch
,
d
etaili
n
g
th
e
p
r
o
p
o
s
ed
d
is
ea
s
e
d
etec
tio
n
f
r
a
m
e
w
o
r
k
an
d
p
r
o
v
id
i
n
g
a
co
m
p
ar
ati
v
e
a
n
al
y
s
is
o
f
th
e
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
A
r
ti
f
I
n
tell
I
SS
N:
2252
-
8938
I
ma
g
ery
b
a
s
ed
p
la
n
t d
is
ea
s
e
d
etec
tio
n
u
s
in
g
co
n
ve
n
tio
n
a
l n
e
u
r
a
l n
etw
o
r
ks a
n
d
tr
a
n
s
fer
…
(
A
li Mh
a
n
ed
)
2703
s
elec
ted
m
o
d
els.
Sectio
n
3
p
r
esen
t
s
th
e
r
e
s
u
lt
s
o
b
tain
ed
f
r
o
m
s
y
s
te
m
at
ic
ex
p
er
i
m
en
tat
io
n
.
Fin
all
y
,
s
ec
tio
n
4
co
n
clu
d
es t
h
e
s
t
u
d
y
w
i
th
a
s
u
m
m
ar
y
o
f
k
e
y
f
i
n
d
in
g
s
a
n
d
f
u
t
u
r
e
r
esear
ch
d
ir
ec
tio
n
s
.
2.
M
AT
E
RIAL
S AN
D
M
E
T
H
O
D
I
n
th
e
p
r
o
p
o
s
ed
ap
p
r
o
ac
h
illu
s
tr
ated
in
Fi
g
u
r
e
1
,
a
p
lan
t
leaf
d
is
ea
s
e
d
atab
ase
(
d
etails
in
T
ab
le
1
)
is
u
tili
ze
d
.
T
h
e
p
r
o
ce
s
s
b
eg
in
s
b
y
r
en
a
m
i
n
g
th
e
i
m
ag
e
s
in
t
h
e
d
atab
ase
s
o
th
at
ea
ch
i
m
ag
e
co
r
r
esp
o
n
d
s
to
its
r
esp
ec
tiv
e
class
n
a
m
e.
Ne
x
t,
th
e
i
m
a
g
es
u
n
d
er
g
o
s
ize
n
o
r
m
aliza
tio
n
an
d
au
g
m
en
ta
tio
n
te
ch
n
iq
u
es
to
en
h
an
ce
th
e
d
ata
s
et.
T
h
e
a
u
g
m
e
n
ted
d
ataset
is
t
h
en
s
p
lit
i
n
to
tr
ai
n
in
g
,
v
alid
atio
n
,
a
n
d
tes
t
s
et
s
.
T
h
e
tr
ai
n
in
g
an
d
v
alid
atio
n
s
et
s
ar
e
u
s
ed
to
tr
ai
n
an
d
v
alid
ate
th
r
ee
m
o
d
els:
C
NN,
R
esNe
t5
0
,
an
d
V
GG1
6
.
A
f
ter
tr
ain
in
g
,
t
h
e
m
o
d
el
s
ar
e
ev
alu
ated
u
s
in
g
t
h
e
test
s
et.
T
h
e
r
esu
lts
ar
e
co
m
p
ar
ed
t
o
ass
ess
th
e
p
er
f
o
r
m
a
n
ce
o
f
ea
ch
m
o
d
el
in
class
i
f
y
in
g
p
lan
t
leaf
d
is
ea
s
e
s
.
T
h
i
s
m
et
h
o
d
p
r
o
v
id
es
a
s
tr
u
ctu
r
ed
an
d
t
h
o
r
o
u
g
h
an
al
y
s
is
o
f
t
h
e
m
o
d
els
'
ef
f
ec
tiv
e
n
e
s
s
.
Fig
u
r
e
1
.
P
r
o
p
o
s
ed
a
p
p
r
o
ac
h
f
o
r
im
a
g
er
y
-
b
ased
p
lan
t d
is
ea
s
e
d
etec
tio
n
:
co
m
p
ar
is
o
n
b
et
w
e
en
C
NN
s
,
VGG1
6
,
an
d
R
esNe
t5
0
T
ab
le
1
s
u
m
m
ar
izes
t
h
e
d
ata
s
et
u
s
ed
i
n
th
is
ap
p
r
o
ac
h
,
s
h
o
w
i
n
g
t
h
e
d
is
tr
ib
u
tio
n
o
f
p
la
n
t
s
p
ec
ies,
d
is
ea
s
e
class
e
s
,
an
d
th
e
n
u
m
b
er
o
f
im
a
g
es
i
n
ea
ch
ca
te
g
o
r
y
.
T
h
e
to
tal
n
u
m
b
er
o
f
i
m
a
g
es
in
th
e
d
ataset
i
s
6
2
,
5
7
7
im
a
g
es.
I
t
i
n
clu
d
es
a
v
ar
iet
y
o
f
p
lan
t
s
p
ec
ies,
s
u
c
h
a
s
w
h
ea
t,
co
r
n
,
r
ice
a
n
d
p
o
tato
,
w
ith
b
o
th
h
ea
lt
h
y
an
d
d
is
ea
s
ed
s
a
m
p
le
s
.
T
h
e
d
ataset
co
v
er
s
v
ar
io
u
s
d
i
s
ea
s
e
co
n
d
itio
n
s
,
li
k
e
w
h
ea
t
r
u
s
t
,
co
r
n
lea
f
b
li
g
h
t,
r
ice
b
last
,
an
d
p
o
tato
b
lig
h
t,
p
r
o
v
id
in
g
a
d
i
v
er
s
e
a
n
d
co
m
p
r
eh
en
s
i
v
e
b
asi
s
f
o
r
tr
ain
i
n
g
an
d
ev
al
u
ati
n
g
th
e
class
i
f
icatio
n
m
o
d
els.
2
.
1
.
Da
t
a
pre
-
pro
ce
s
s
ing
T
h
e
aim
o
f
i
m
ag
e
p
r
e
-
p
r
o
ce
s
s
in
g
is
to
p
r
ev
e
n
t
th
e
e
x
tr
ac
tio
n
o
f
c
h
ar
ac
ter
is
tic
p
ar
a
m
e
ter
s
ag
ain
s
t
t
h
e
in
f
lu
e
n
ce
o
f
b
ac
k
g
r
o
u
n
d
,
leaf
s
ize
a
n
d
s
h
ap
e,
li
g
h
t
co
n
d
iti
o
n
s
,
a
n
d
ca
m
er
a
v
ar
iatio
n
s
i
n
d
is
ea
s
e
d
ia
g
n
o
s
i
s
[
2
6
]
.
I
n
th
e
d
ata
p
r
e
-
p
r
o
ce
s
s
i
n
g
s
tep
,
ea
ch
i
m
a
g
e
i
n
th
e
d
ataset
u
n
d
er
g
o
es
a
s
er
ies
o
f
es
s
en
t
ial
tr
an
s
f
o
r
m
atio
n
s
.
T
h
e
f
ir
s
t
s
te
p
in
v
o
lv
es
clas
s
lab
eli
n
g
,
wh
er
e
ea
ch
i
m
ag
e
is
as
s
i
g
n
ed
to
a
s
p
ec
i
f
ic
clas
s
co
r
r
esp
o
n
d
in
g
to
t
h
e
p
la
n
t
s
p
ec
ies
a
n
d
h
ea
lt
h
co
n
d
itio
n
it
r
ep
r
esen
ts
.
T
h
e
i
m
a
g
e
lab
eli
n
g
is
s
tr
u
ct
u
r
ed
s
u
c
h
th
at
ea
ch
i
m
a
g
e
is
n
a
m
ed
as
"
class
_
n
a
m
e+
(
i)
,
"
p
r
o
v
id
in
g
a
clea
r
id
en
tif
ier
f
o
r
b
o
th
th
e
c
lass
an
d
t
h
e
i
m
a
g
e
in
d
ex
.
S
u
b
s
eq
u
e
n
tl
y
,
i
m
ag
e
h
eig
h
t
a
n
d
w
id
th
n
o
r
m
aliza
t
i
o
n
ar
e
ap
p
lied
to
en
s
u
r
e
u
n
i
f
o
r
m
it
y
ac
r
o
s
s
t
h
e
d
ataset.
I
m
a
g
es
ar
e
r
esized
to
t
w
o
d
i
s
ti
n
ct
d
i
m
en
s
io
n
s
,
1
2
8
×
1
2
8
an
d
2
5
6
×
2
5
6
p
ix
els.
T
h
is
ch
o
ice
al
lo
w
s
f
o
r
th
e
ex
p
lo
r
atio
n
o
f
m
o
d
el
p
er
f
o
r
m
a
n
ce
w
it
h
in
p
u
ts
o
f
v
ar
y
in
g
s
izes,
p
r
o
v
id
in
g
i
n
s
i
g
h
ts
in
to
th
e
n
et
w
o
r
k
's
ab
ilit
y
to
ad
ap
t
to
d
if
f
er
en
t
r
eso
lu
tio
n
s
.
Su
c
h
a
n
ap
p
r
o
ac
h
h
elp
s
a
s
s
e
s
s
th
e
m
o
d
el
's
r
o
b
u
s
t
n
es
s
a
n
d
g
en
er
aliza
tio
n
ac
r
o
s
s
a
r
a
n
g
e
o
f
i
n
p
u
t
d
i
m
e
n
s
io
n
s
,
co
n
tr
ib
u
t
in
g
to
a
m
o
r
e
co
m
p
r
e
h
en
s
iv
e
u
n
d
er
s
ta
n
d
in
g
o
f
i
ts
ca
p
ab
ilit
ies.
T
o
f
u
r
t
h
er
e
n
h
a
n
ce
m
o
d
el
g
en
er
aliza
t
io
n
a
n
d
r
o
b
u
s
tn
e
s
s
,
d
ata
au
g
m
en
tat
io
n
tec
h
n
iq
u
es
ar
e
i
m
p
le
m
en
ted
.
T
h
ese
in
cl
u
d
e
r
o
tatio
n
(
r
o
tatio
n
_
r
an
g
e=
3
0
)
,
w
id
t
h
s
h
i
f
t
(
w
id
th
_
s
h
i
f
t_
r
an
g
e=
0
.
2
)
,
h
eig
h
t
s
h
i
f
t
(
h
eig
h
t_
s
h
i
f
t_
r
an
g
e=
0
.
2
)
,
zo
o
m
,
h
o
r
izo
n
tal
f
lip
(
h
o
r
i
zo
n
tal_
f
lip
=T
r
u
e)
,
an
d
v
er
tical
f
lip
.
T
h
ese
au
g
m
e
n
tatio
n
s
i
n
tr
o
d
u
ce
v
ar
ia
b
ilit
y
i
n
to
th
e
tr
ai
n
i
n
g
s
et,
ef
f
e
ctiv
el
y
ex
p
a
n
d
in
g
its
d
i
v
er
s
it
y
an
d
i
m
p
r
o
v
i
n
g
t
h
e
m
o
d
el
's
ab
ilit
y
to
h
a
n
d
le
d
if
f
er
en
t
o
r
ien
tat
io
n
s
,
s
h
if
ts
,
a
n
d
s
ca
les
d
u
r
in
g
tr
ain
i
n
g
.
A
d
d
it
io
n
all
y
,
a
r
escali
n
g
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
2
5
2
-
8938
I
n
t J
A
r
ti
f
I
n
tell
,
Vo
l.
14
,
No
.
4
,
A
u
g
u
s
t 2
0
2
5
:
2
7
0
1
-
2712
2704
f
ac
to
r
o
f
1
/2
5
5
is
ap
p
lied
to
n
o
r
m
alize
p
i
x
el
v
al
u
es.
T
h
i
s
s
tep
en
s
u
r
es
th
at
t
h
e
i
n
p
u
t
d
ata
f
alls
w
i
th
i
n
a
s
u
itab
le
r
an
g
e
f
o
r
o
p
tim
al
m
o
d
el
p
er
f
o
r
m
a
n
ce
,
p
r
ev
e
n
t
in
g
p
o
ten
tial
n
u
m
er
ical
in
s
t
ab
ilit
y
.
Af
ter
th
e
co
m
p
r
e
h
en
s
iv
e
p
r
e
-
p
r
o
ce
s
s
i
n
g
s
tep
s
,
t
h
e
d
ataset
is
d
i
v
id
ed
in
to
tr
ain
in
g
,
v
alid
atio
n
,
a
n
d
te
s
t
s
u
b
s
et
s
,
w
it
h
a
n
80
-
10
-
1
0
s
p
lit,
r
esp
ec
tiv
el
y
.
T
h
is
p
ar
titi
o
n
i
n
g
s
tr
ate
g
y
allo
w
s
f
o
r
p
r
o
p
er
ev
alu
atio
n
o
f
t
h
e
m
o
d
el
'
s
p
er
f
o
r
m
a
n
ce
o
n
u
n
s
ee
n
d
ata,
aid
in
g
i
n
th
e
a
s
s
es
s
m
en
t
o
f
its
ab
ilit
y
to
g
en
er
alize
b
e
y
o
n
d
th
e
tr
ain
i
n
g
s
et.
T
h
e
r
esu
lti
n
g
d
ata
p
r
o
ce
s
s
in
g
p
ip
elin
e
co
n
tr
ib
u
tes
to
th
e
cr
ea
t
io
n
o
f
a
w
e
ll
-
p
r
ep
ar
ed
d
ataset,
o
p
tim
iz
in
g
th
e
p
er
f
o
r
m
a
n
ce
o
f
C
NN
s
f
o
r
ac
cu
r
ate
p
lan
t d
is
ea
s
e
id
en
ti
f
icati
o
n
.
T
ab
le
1
.
Data
s
et
d
is
tr
ib
u
tio
n
:
s
p
ec
ies,
class
e
s
an
d
n
u
m
b
er
o
f
i
m
ag
e
s
S
p
e
c
i
e
s
C
l
a
sse
s
N
b
r
.
o
f
i
mag
e
s
S
p
e
c
i
e
s
C
l
a
sse
s
N
b
r
.
o
f
i
mag
e
s
A
l
st
o
n
i
a
S
c
h
o
l
a
r
i
s
D
i
se
a
se
d
2
5
4
P
e
a
c
h
B
a
c
t
e
r
i
a
l
sp
o
t
2
2
9
7
H
e
a
l
t
h
y
1
7
9
H
e
a
l
t
h
y
3
6
0
A
p
p
l
e
Ap
p
l
e
sca
b
6
3
0
P
e
p
p
e
r
b
e
l
l
B
a
c
t
e
r
i
a
l
sp
o
t
9
9
7
B
l
a
c
k
r
o
t
6
2
1
H
e
a
l
t
h
y
1
,
4
7
8
C
e
d
a
r
a
p
p
l
e
r
u
st
2
7
5
P
o
me
g
r
a
n
a
t
e
D
i
se
a
se
d
2
7
2
H
e
a
l
t
h
y
1
,
6
4
5
H
e
a
l
t
h
y
2
8
7
A
r
j
u
n
D
i
se
a
se
d
2
3
2
P
o
n
g
a
mi
a
P
i
n
n
a
t
a
D
i
se
a
se
d
2
7
6
H
e
a
l
t
h
y
2
2
0
H
e
a
l
t
h
y
3
2
2
B
l
u
e
b
e
r
r
y
H
e
a
l
t
h
y
1
,
5
0
2
P
o
t
a
t
o
Ea
r
l
y
b
l
i
g
h
t
1
,
0
0
0
C
h
e
r
r
y
C
h
e
r
r
y
(
i
n
c
l
u
d
i
n
g
so
u
r
)
h
e
a
l
t
h
y
1
,
0
5
2
H
e
a
l
t
h
y
1
5
2
C
h
e
r
r
y
(
i
n
c
l
u
d
i
n
g
so
u
r
)
p
o
w
d
e
r
y
mi
l
d
e
w
8
5
4
L
a
t
e
b
l
i
g
h
t
1
,
0
0
0
C
h
i
n
a
r
D
i
se
a
se
d
1
2
0
H
e
a
l
t
h
y
3
7
1
H
e
a
l
t
h
y
1
0
3
Rice
B
r
o
w
n
sp
o
t
6
1
3
C
o
r
n
C
e
r
c
o
sp
o
r
a
l
e
a
f
sp
o
t
g
r
a
y
l
e
a
f
sp
o
t
5
1
3
H
e
a
l
t
h
y
1
,
4
8
8
C
o
mm
o
n
r
u
st
1
,
1
9
2
L
e
a
f
b
l
a
st
9
7
7
G
r
a
y
l
e
a
f
sp
o
t
5
1
3
N
e
c
k
b
l
a
s
t
1
,
0
0
0
H
e
a
l
t
h
y
1
,
1
6
2
S
o
y
b
e
a
n
H
e
a
l
t
h
y
5
,
0
9
0
N
o
r
t
h
e
r
n
l
e
a
f
b
l
i
g
h
t
9
8
5
S
q
u
a
sh
P
o
w
d
e
r
y
mi
l
d
e
w
1
,
8
5
3
G
u
a
v
a
D
i
se
a
se
d
1
4
2
S
t
r
a
w
b
e
r
r
y
H
e
a
l
t
h
y
4
5
6
H
e
a
l
t
h
y
2
7
7
L
e
a
f
sco
r
ch
1
,
1
0
9
G
r
a
p
e
Esc
a
(
b
l
a
c
k
me
a
sl
e
s)
1
,
3
8
3
T
o
mat
o
B
a
c
t
e
r
i
a
l
sp
o
t
2
,
1
2
7
H
e
a
l
t
h
y
4
2
3
Ea
r
l
y
b
l
i
g
h
t
1
,
0
0
0
L
e
a
f
b
l
i
g
h
t
(
i
s
a
r
i
o
p
s
i
s l
e
a
f
sp
o
t
)
8
8
9
H
e
a
l
t
h
y
1
,
5
9
1
Jamu
n
D
i
se
a
se
d
3
4
5
L
a
t
e
b
l
i
g
h
t
1
,
9
0
9
H
e
a
l
t
h
y
2
7
9
L
e
a
f
mo
l
d
9
5
2
Jat
r
o
p
h
a
D
i
se
a
se
d
1
2
4
S
e
p
t
o
r
i
a
l
e
a
f
sp
o
t
1
7
7
1
H
e
a
l
t
h
y
1
3
3
S
p
i
d
e
r
mi
t
e
s T
w
o
sp
o
t
t
e
d
s
p
i
d
e
r
mi
t
e
1
6
7
6
L
e
m
o
n
D
i
se
a
se
d
77
T
a
r
g
e
t
sp
o
t
1
4
0
4
H
e
a
l
t
h
y
1
5
9
M
o
sai
c
v
i
r
u
s
3
7
3
M
a
n
g
o
D
i
se
a
se
d
2
6
5
Y
e
l
l
o
w
l
e
a
f
c
u
r
l
v
i
r
u
s
3
2
0
9
H
e
a
l
t
h
y
1
7
0
W
h
e
a
t
B
r
o
w
n
r
u
st
9
0
2
O
r
a
n
g
e
H
u
a
n
g
l
o
n
g
b
i
n
g
(
c
i
t
r
u
s
g
r
e
e
n
i
n
g
)
5
5
0
7
H
e
a
l
t
h
y
1
1
1
6
Y
e
l
l
o
w
r
u
st
9
2
4
2
.
2
.
Co
nv
o
lutio
na
l neura
l net
w
o
rk
s
T
h
e
C
NN
s
ta
n
d
s
a
s
a
p
io
n
ee
r
i
n
g
ar
c
h
itect
u
r
e
i
n
t
h
e
r
ea
l
m
o
f
co
m
p
u
ter
v
is
io
n
an
d
i
m
a
g
e
p
r
o
ce
s
s
in
g
.
R
en
o
w
n
ed
f
o
r
its
ab
ilit
y
to
au
to
m
atica
ll
y
lear
n
h
ier
ar
ch
ical
r
e
p
r
esen
tatio
n
s
,
C
NNs
h
av
e
b
ec
o
m
e
i
n
s
tr
u
m
en
tal
in
d
iv
er
s
e
ap
p
licatio
n
s
,
in
c
lu
d
in
g
p
lan
t
d
is
ea
s
e
d
etec
tio
n
.
T
h
e
co
n
v
o
lu
tio
n
al
la
y
er
s
o
f
a
C
NN
ar
e
ad
ep
t
at
ca
p
tu
r
in
g
in
tr
icate
p
atter
n
s
w
it
h
i
n
p
lan
t
lea
f
i
m
a
g
es,
all
o
w
i
n
g
t
h
e
m
o
d
el
to
d
is
ce
r
n
s
u
b
tle
v
is
u
al
cu
e
s
in
d
icati
v
e
o
f
v
ar
io
u
s
d
is
ea
s
es
as
s
h
o
w
n
i
n
Fi
g
u
r
e
2
.
B
y
lear
n
in
g
an
d
ex
tr
ac
t
in
g
f
ea
t
u
r
es
h
i
er
ar
ch
icall
y
,
C
N
Ns
p
r
o
v
id
e
a
p
o
w
er
f
u
l
to
o
l
f
o
r
au
to
m
ated
id
en
t
if
ica
tio
n
o
f
p
lan
t
h
ea
l
th
i
s
s
u
es,
co
n
tr
ib
u
t
i
n
g
s
ig
n
i
f
ica
n
tl
y
to
p
r
ec
is
io
n
ag
r
icu
l
tu
r
e
an
d
s
u
s
t
ain
ab
le
cr
o
p
m
an
a
g
e
m
en
t.
W
ith
i
n
o
u
r
p
lan
t
d
is
ea
s
e
d
etec
ti
o
n
f
r
a
m
e
w
o
r
k
,
t
h
e
C
NN
m
o
d
el
s
er
v
es
a
s
a
f
o
u
n
d
atio
n
al
p
illar
.
E
m
p
lo
y
i
n
g
a
s
e
q
u
en
tial
s
tr
u
c
tu
r
e,
t
h
is
m
o
d
el
h
ar
n
e
s
s
es
t
h
e
p
o
w
er
o
f
co
n
v
o
l
u
tio
n
al
la
y
er
s
w
it
h
(
3
,
3
)
f
ilter
s
an
d
r
ec
tif
ied
lin
ea
r
u
n
it
(
R
e
L
U)
ac
ti
v
ati
o
n
,
f
ac
ili
tati
n
g
t
h
e
ex
tr
ac
tio
n
o
f
n
u
a
n
ce
d
f
ea
t
u
r
es
f
r
o
m
p
lan
t
lea
f
i
m
a
g
e
s
.
W
e
ap
p
lied
a
s
tr
id
e
o
f
(
1
,
1
)
i
n
all
co
n
v
o
l
u
tio
n
a
l
la
y
er
s
.
Strid
i
n
g
r
e
f
er
s
to
t
h
e
s
tep
s
ize
ta
k
en
b
y
th
e
f
i
lter
as
it
m
o
v
es
ac
r
o
s
s
th
e
in
p
u
t
i
m
ag
e.
A
s
tr
id
e
o
f
1
en
s
u
r
es
th
at
t
h
e
f
ilter
m
o
v
es
o
n
e
p
i
x
el
at
a
ti
m
e,
m
ax
i
m
iz
in
g
t
h
e
s
p
atial
co
v
er
ag
e
o
f
th
e
i
m
ag
e.
T
h
e
p
ad
d
in
g
tech
n
iq
u
e
u
s
ed
is
'sa
m
e
'
p
ad
d
i
n
g
.
T
h
is
e
n
s
u
r
es
t
h
at
t
h
e
o
u
tp
u
t
d
i
m
e
n
s
io
n
s
o
f
t
h
e
co
n
v
o
lu
t
io
n
al
la
y
er
s
m
a
tch
th
e
i
n
p
u
t
d
i
m
en
s
io
n
s
b
y
ad
d
in
g
ze
r
o
s
to
t
h
e
b
o
r
d
er
s
o
f
th
e
in
p
u
t
.
I
t
p
r
ev
e
n
t
s
t
h
e
i
m
a
g
e
f
r
o
m
s
h
r
in
k
i
n
g
a
f
ter
ea
ch
co
n
v
o
lu
t
io
n
o
p
er
atio
n
,
m
ai
n
tai
n
in
g
r
eso
l
u
tio
n
.
A
u
g
m
en
ted
b
y
b
atch
n
o
r
m
aliza
ti
o
n
an
d
m
ax
-
p
o
o
lin
g
la
y
er
s
,
th
e
C
NN
m
o
d
el
ex
ce
ls
in
h
ier
ar
ch
ical
p
atter
n
r
ec
o
g
n
itio
n
.
Fu
r
t
h
er
r
ef
i
n
e
m
e
n
t
in
clu
d
es
a
g
lo
b
al
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
A
r
ti
f
I
n
tell
I
SS
N:
2252
-
8938
I
ma
g
ery
b
a
s
ed
p
la
n
t d
is
ea
s
e
d
etec
tio
n
u
s
in
g
co
n
ve
n
tio
n
a
l n
e
u
r
a
l n
etw
o
r
ks a
n
d
tr
a
n
s
fer
…
(
A
li Mh
a
n
ed
)
2705
av
er
ag
e
p
o
o
lin
g
la
y
er
f
o
r
s
p
at
ial
r
ed
u
ctio
n
a
n
d
d
en
s
e
la
y
er
s
w
ith
1
,
0
2
4
u
n
its
an
d
R
e
L
U
a
ctiv
atio
n
f
o
r
r
o
b
u
s
t
f
ea
t
u
r
e
r
ep
r
esen
tatio
n
.
E
m
p
lo
y
in
g
d
r
o
p
o
u
t
w
it
h
a
0
.
3
r
ate
m
iti
g
ate
s
o
v
er
f
itt
in
g
,
cu
l
m
i
n
at
in
g
i
n
a
f
i
n
al
d
en
s
e
la
y
er
w
ith
So
f
tMa
x
ac
tiv
at
io
n
f
o
r
p
r
ec
is
e
m
u
lti
-
clas
s
class
if
icatio
n
.
Op
ti
m
ized
t
h
r
o
u
g
h
th
e
A
d
a
m
o
p
ti
m
izer
w
it
h
a
lear
n
in
g
r
ate
o
f
0
.
0
0
0
1
,
th
e
C
NN
m
o
d
el
s
tan
d
s
a
s
a
cr
u
cial
co
m
p
o
n
e
n
t
in
o
u
r
p
u
r
s
u
it
o
f
a
u
to
m
ated
p
lan
t d
is
ea
s
e
id
en
ti
f
icatio
n
.
Fig
u
r
e
2
.
C
NN
b
asic a
r
ch
itect
u
r
e
2
.
3
.
Resid
ua
l net
w
o
rk
R
esNet
[
9
]
r
ep
r
esen
ts
a
g
r
o
u
n
d
b
r
ea
k
in
g
ad
v
a
n
ce
m
en
t
i
n
d
ee
p
lear
n
in
g
,
s
p
ec
i
f
icall
y
d
esig
n
ed
to
ad
d
r
ess
ch
allen
g
es
a
s
s
o
ciate
d
w
it
h
tr
ain
i
n
g
v
er
y
d
ee
p
n
eu
r
al
n
et
w
o
r
k
s
.
R
esNet
's
u
n
iq
u
e
f
ea
tu
r
e,
t
h
e
in
tr
o
d
u
ctio
n
o
f
r
esid
u
al
co
n
n
ec
tio
n
s
Fi
g
u
r
e
3
,
en
ab
les
th
e
m
o
d
el
to
s
k
ip
ce
r
tain
la
y
e
r
s
d
u
r
in
g
tr
ai
n
i
n
g
,
f
ac
ilit
at
in
g
th
e
lear
n
i
n
g
o
f
m
o
r
e
n
u
an
ce
d
r
ep
r
ese
n
tatio
n
s
.
I
n
th
e
co
n
te
x
t
o
f
p
la
n
t
d
i
s
ea
s
e
d
etec
tio
n
,
R
e
s
Net
's
ab
ilit
y
to
h
a
n
d
le
d
ee
p
ar
ch
it
ec
tu
r
es
p
r
o
v
es
p
iv
o
tal.
T
h
e
m
o
d
el
e
x
ce
ls
i
n
ca
p
t
u
r
in
g
s
u
b
tle
an
d
co
m
p
le
x
p
atter
n
s
w
it
h
i
n
p
lan
t
i
m
a
g
es
,
allo
w
i
n
g
f
o
r
ac
cu
r
ate
d
is
e
ase
id
en
ti
f
icatio
n
.
T
h
e
r
esil
ien
ce
o
f
R
e
s
Net
i
s
p
ar
ticu
lar
l
y
b
e
n
e
f
icial
w
h
e
n
d
ea
lin
g
w
it
h
th
e
d
iv
er
s
e
an
d
in
tr
icate
v
i
s
u
a
l
m
an
if
e
s
tatio
n
s
o
f
p
la
n
t
d
is
ea
s
es.
I
n
o
u
r
ex
p
lo
r
atio
n
o
f
a
u
to
m
ati
n
g
p
lan
t
d
is
ea
s
e
d
etec
tio
n
,
R
es
N
et
m
o
d
el
e
m
er
g
es
a
s
a
p
i
v
o
tal
p
la
y
er
.
B
u
ilt
u
p
o
n
a
p
r
e
-
tr
ain
ed
R
e
s
Net5
0
b
ase,
th
is
ar
ch
itect
u
r
e
e
m
b
r
ac
e
s
r
es
id
u
al
lear
n
i
n
g
p
r
in
cip
le
s
,
f
ac
il
itatin
g
t
h
e
tr
ai
n
in
g
o
f
d
ee
p
n
e
u
r
al
n
e
t
w
o
r
k
s
.
Glo
b
al
av
er
ag
e
p
o
o
lin
g
,
co
u
p
led
w
it
h
d
e
n
s
e
la
y
er
s
f
ea
tu
r
i
n
g
1
,
0
2
4
u
n
its
an
d
R
e
L
U
ac
tiv
atio
n
,
en
s
u
r
es
e
f
f
ec
ti
v
e
f
ea
t
u
r
e
ex
tr
ac
tio
n
.
W
it
h
a
d
r
o
p
o
u
t
r
ate
o
f
0
.
5
s
tr
ate
g
icall
y
i
m
p
le
m
en
ted
,
t
h
e
R
esNet
m
o
d
el
g
u
ar
d
s
a
g
ai
n
s
t
o
v
er
f
itt
in
g
.
T
h
e
f
i
n
al
d
e
n
s
e
l
a
y
er
,
en
d
o
w
ed
w
i
th
So
f
tMa
x
ac
tiv
atio
n
,
en
ab
le
s
th
e
clas
s
if
icatio
n
o
f
p
lan
t
leav
es
in
to
d
iv
er
s
e
d
is
ea
s
e
ca
te
g
o
r
ies.
Fin
e
-
t
u
n
in
g
o
f
u
p
p
er
la
y
er
s
,
co
u
p
led
w
it
h
th
e
A
d
a
m
o
p
ti
m
izer
s
e
t
at
a
lear
n
in
g
r
ate
o
f
0
.
0
0
0
1
,
em
p
o
w
er
s
th
e
R
esNe
t
m
o
d
el
to
d
y
n
a
m
icall
y
ad
ap
t
to
th
e
in
tr
icac
ies o
f
o
u
r
p
lan
t d
ataset
,
r
en
d
er
in
g
it
i
n
d
is
p
en
s
ab
le
in
o
u
r
p
u
r
s
u
it o
f
ac
cu
r
ate
d
is
ea
s
e
id
en
tific
atio
n
.
Fig
u
r
e
3
.
R
esNet5
0
b
asic a
r
ch
itectu
r
e
2
.
4
.
Vis
ua
l g
eo
m
et
ry
g
ro
up
16
Dev
elo
p
ed
b
y
t
h
e
VGG
at
Ox
f
o
r
d
Un
i
v
er
s
it
y
,
V
GG1
6
[
2
7
]
is
a
d
ee
p
C
NN.
I
ts
ar
ch
itect
u
r
e
in
co
r
p
o
r
ates
a
s
m
all
3
×
3
co
n
v
o
l
u
tio
n
f
i
lter
to
en
h
an
ce
a
cc
u
r
ac
y
.
W
it
h
1
6
co
n
v
o
lu
tio
n
la
y
er
s
Fi
g
u
r
e
4
,
VGG1
6
u
n
d
er
g
o
es
ex
ten
s
i
v
e
tr
ain
i
n
g
o
n
t
h
e
I
m
ag
eNe
t
d
at
aset
[
2
8
]
,
d
em
o
n
s
tr
ati
n
g
s
u
p
er
io
r
ac
cu
r
ac
y
w
h
en
u
tili
ze
d
f
o
r
tr
ain
i
n
g
m
o
d
el
s
w
i
th
a
li
m
ited
n
u
m
b
er
o
f
i
m
a
g
es.
T
h
e
m
o
d
el
f
ea
t
u
r
es
a
to
tal
o
f
5
2
×
2
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
2
5
2
-
8938
I
n
t J
A
r
ti
f
I
n
tell
,
Vo
l.
14
,
No
.
4
,
A
u
g
u
s
t 2
0
2
5
:
2
7
0
1
-
2712
2706
Ma
x
p
o
o
lin
g
la
y
er
s
a
n
d
co
n
cl
u
d
es
w
i
th
3
f
u
ll
y
co
n
n
ec
ted
la
y
er
s
.
I
n
t
h
e
r
ea
l
m
o
f
ag
r
ic
u
lt
u
r
e,
VGG'
s
ab
ilit
y
to
s
y
s
te
m
a
ticall
y
lear
n
h
ier
ar
ch
ic
al
f
ea
t
u
r
es
f
r
o
m
i
m
a
g
e
s
o
f
p
la
n
t
lea
v
es
p
r
o
v
es
i
n
v
a
lu
ab
le.
B
y
co
m
p
r
eh
e
n
s
i
v
el
y
u
n
d
er
s
ta
n
d
in
g
th
e
v
is
u
al
c
h
ar
ac
ter
is
tics
a
s
s
o
ciate
d
w
i
th
v
ar
io
u
s
d
is
ea
s
es,
th
e
VGG
m
o
d
el
co
n
tr
ib
u
te
s
s
ig
n
i
f
ica
n
tl
y
to
th
e
au
to
m
ate
d
id
en
tif
icatio
n
an
d
clas
s
i
f
ic
atio
n
o
f
p
lan
t
h
ea
lt
h
is
s
u
e
s
.
I
ts
v
er
s
atili
t
y
a
n
d
r
o
b
u
s
tn
es
s
m
a
k
e
it
a
v
al
u
ab
le
ass
et
i
n
t
h
e
p
u
r
s
u
i
t
o
f
s
u
s
ta
in
ab
le
an
d
tec
h
n
o
lo
g
y
-
d
r
iv
e
n
a
g
r
icu
l
tu
r
e
p
r
ac
tices
.
VGG
m
o
d
el,
r
o
o
ted
in
th
e
VGG1
6
ar
ch
itectu
r
e,
s
tan
d
s
as
a
co
r
n
er
s
to
n
e
in
o
u
r
co
m
p
r
eh
en
s
i
v
e
s
t
u
d
y
o
f
p
lan
t
d
is
ea
s
e
d
etec
tio
n
.
Di
s
ti
n
g
u
i
s
h
ed
b
y
co
n
v
o
lu
tio
n
al
la
y
er
s
w
i
th
(
3
,
3
)
f
ilter
s
an
d
g
lo
b
al
av
er
ag
e
p
o
o
lin
g
,
t
h
i
s
m
o
d
el
ex
ce
l
s
i
n
ca
p
t
u
r
in
g
in
tr
icate
p
atter
n
s
w
it
h
i
n
p
la
n
t
lea
f
i
m
a
g
es.
Den
s
e
la
y
er
s
,
in
co
r
p
o
r
atin
g
1
,
0
2
4
u
n
it
s
an
d
R
e
L
U
ac
tiv
a
tio
n
,
a
m
p
li
f
y
th
e
m
o
d
el
'
s
ca
p
ab
ilit
y
f
o
r
ef
f
ec
ti
v
e
f
ea
t
u
r
e
r
ep
r
esen
tatio
n
.
A
d
r
o
p
o
u
t
r
ate
o
f
0
.
5
is
s
tr
ateg
icall
y
ap
p
lied
f
o
r
r
eg
u
lar
iza
tio
n
,
e
n
s
u
r
in
g
g
e
n
e
r
aliza
tio
n
.
T
h
e
f
i
n
al
d
en
s
e
la
y
er
,
ch
ar
ac
ter
ized
b
y
So
f
tMa
x
ac
ti
v
atio
n
,
f
ac
ilit
ate
s
m
u
lti
-
cla
s
s
c
lass
if
ica
tio
n
w
it
h
p
r
ec
is
io
n
.
Fi
n
e
-
tu
n
i
n
g
i
n
v
o
l
v
es
a
ll
la
y
er
s
o
f
t
h
e
p
r
e
-
tr
ain
ed
VGG1
6
b
ase,
an
d
o
p
tim
izatio
n
i
s
ac
h
ie
v
ed
th
r
o
u
g
h
t
h
e
A
d
a
m
o
p
ti
m
izer
w
it
h
a
lear
n
in
g
r
ate
o
f
0
.
0
0
0
1
.
T
h
e
VGG
m
o
d
el
en
ca
p
s
u
lates
a
p
r
o
f
o
u
n
d
u
n
d
er
s
ta
n
d
in
g
o
f
p
la
n
t
d
is
ea
s
es,
co
n
tr
ib
u
ti
n
g
s
i
g
n
if
ican
t
l
y
to
o
u
r
r
esear
ch
in
au
to
m
ati
n
g
p
lan
t d
is
ea
s
e
id
en
ti
f
icatio
n
.
Fig
u
r
e
4
.
VGG1
6
b
asic a
r
ch
itectu
r
e
Ou
r
m
et
h
o
d
o
lo
g
y
in
v
o
lv
e
s
t
h
e
m
et
icu
lo
u
s
d
esi
g
n
an
d
i
m
p
le
m
en
tatio
n
o
f
th
r
ee
d
is
ti
n
ct
d
ee
p
lear
n
i
n
g
m
o
d
el
s
-
C
NN
s
,
R
e
s
Net,
an
d
VGG
tailo
r
ed
f
o
r
th
e
p
r
ec
is
e
task
o
f
p
la
n
t
d
is
ea
s
e
d
ete
ctio
n
.
T
h
e
m
o
d
els
'
ar
ch
itect
u
r
es
w
er
e
ca
r
ef
u
ll
y
co
n
f
i
g
u
r
ed
w
it
h
co
n
s
id
er
atio
n
g
i
v
e
n
to
s
p
ec
if
ic
p
ar
a
m
eter
s
,
en
s
u
r
in
g
o
p
ti
m
a
l
p
er
f
o
r
m
a
n
ce
a
n
d
r
o
b
u
s
t
n
ess
T
ab
le
2
.
T
h
ese
m
o
d
els,
ar
m
e
d
w
it
h
ca
r
ef
u
ll
y
s
elec
ted
p
ar
a
m
eter
s
,
u
n
d
er
w
e
n
t
s
y
s
te
m
a
tic
tr
ain
i
n
g
an
d
v
alid
a
tio
n
o
n
th
e
P
lan
tV
illa
g
e
d
atas
et,
allo
w
i
n
g
f
o
r
a
co
m
p
r
eh
e
n
s
iv
e
as
s
es
s
m
e
n
t
o
f
th
eir
ef
f
icac
y
i
n
au
to
m
ati
n
g
p
l
an
t d
is
ea
s
e
d
etec
tio
n
.
T
ab
le
2
.
C
NN,
R
esNet
,
an
d
V
GG
ar
ch
itect
u
r
es
M
o
d
e
l
C
N
N
R
e
s
N
et
VGG
B
a
se
a
r
c
h
i
t
e
c
t
u
r
e
S
e
q
u
e
n
t
i
a
l
R
e
sN
e
t
5
0
b
a
se
(
p
r
e
-
t
r
a
i
n
e
d
)
V
G
G
1
6
b
a
se
(
p
r
e
-
t
r
a
i
n
e
d
)
C
o
n
v
l
a
y
e
r
s
C
o
n
v
(
3
2
,
(
3
,
3
)
,
R
e
L
U
)
,
B
N
,
M
a
x
P
o
o
l
C
o
n
v
(
6
4
,
(
3
,
3
)
,
R
e
L
U
)
,
B
N
,
M
a
x
P
o
o
l
C
o
n
v
(
1
2
8
,
(
3
,
3
)
,
R
e
L
U
)
,
B
N
,
M
a
x
P
o
o
l
-
P
o
o
l
i
n
g
M
a
x
P
o
o
l
G
l
o
b
a
l
A
v
g
G
l
o
b
a
l
A
v
g
D
e
n
se
l
a
y
e
r
s
(
1
0
2
4
,
R
e
L
U
)
(
1
0
2
4
,
R
e
L
U
)
(
1
0
2
4
,
R
e
L
U
)
D
r
o
p
o
u
t
0
.
3
0
.
5
0
.
5
O
u
t
p
u
t
a
c
t
i
v
a
t
i
o
n
D
e
n
se
(
6
5
,
S
o
f
t
M
a
x
)
D
e
n
se
(
6
5
,
S
o
f
t
M
a
x
)
D
e
n
se
(
6
5
,
S
o
f
t
M
a
x
)
F
i
n
e
-
t
u
n
i
n
g
No
Y
e
s (U
p
p
e
r
l
a
y
e
r
s
)
Y
e
s (
A
l
l
l
a
y
e
r
s
)
Op
t
i
mi
z
e
r
A
d
a
m
A
d
a
m
A
d
a
m
L
e
a
r
n
i
n
g
r
a
t
e
0
.
0
0
0
1
0
.
0
0
0
1
0
.
0
0
0
1
L
o
ss fu
n
c
t
i
o
n
c
a
t
e
g
o
r
i
c
a
l
_
c
r
o
sse
n
t
r
o
p
y
c
a
t
e
g
o
r
i
c
a
l
_
c
r
o
sse
n
t
r
o
p
y
c
a
t
e
g
o
r
i
c
a
l
_
c
r
o
sse
n
t
r
o
p
y
3.
RE
SU
L
T
S AN
D
D
I
SCU
SS
I
O
N
T
h
is
s
ec
tio
n
p
r
ese
n
t
s
t
h
e
o
u
t
co
m
e
s
o
f
tr
ain
i
n
g
a
n
d
ev
al
u
a
tin
g
t
h
r
ee
m
o
d
els
-
C
NN,
R
e
s
Net5
0
,
an
d
VGG1
6
-
o
n
p
la
n
t
d
is
ea
s
e
cla
s
s
if
icatio
n
tas
k
s
u
s
i
n
g
i
m
ag
e
s
iz
es
o
f
1
2
8
×
1
2
8
an
d
2
5
6
×
2
5
6
p
ix
els.
T
h
e
m
o
d
els
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
A
r
ti
f
I
n
tell
I
SS
N:
2252
-
8938
I
ma
g
ery
b
a
s
ed
p
la
n
t d
is
ea
s
e
d
etec
tio
n
u
s
in
g
co
n
ve
n
tio
n
a
l n
e
u
r
a
l n
etw
o
r
ks a
n
d
tr
a
n
s
fer
…
(
A
li Mh
a
n
ed
)
2707
w
er
e
tr
ai
n
ed
o
v
er
5
0
ep
o
ch
s
,
w
it
h
p
er
f
o
r
m
a
n
ce
m
etr
ic
s
i
n
clu
d
in
g
tr
ain
i
n
g
a
n
d
v
al
id
atio
n
lo
s
s
es,
a
s
w
el
l
a
s
ac
cu
r
ac
ies,
ca
r
ef
u
ll
y
m
o
n
i
to
r
ed
.
C
o
m
p
ar
ativ
e
a
n
al
y
s
es
b
e
t
w
ee
n
t
h
e
m
o
d
el
s
an
d
t
h
eir
ab
ilit
y
to
h
an
d
le
d
if
f
er
e
n
t
i
m
a
g
e
r
eso
lu
t
io
n
s
p
r
o
v
id
e
in
s
i
g
h
ts
i
n
to
t
h
eir
s
tr
en
g
t
h
s
an
d
li
m
ita
tio
n
s
f
o
r
p
r
ec
is
io
n
a
g
r
icu
l
tu
r
e
ap
p
licatio
n
s
.
T
h
e
f
o
llo
w
in
g
s
u
b
s
ec
tio
n
s
d
etail
t
h
e
p
er
f
o
r
m
a
n
ce
tr
en
d
s
an
d
k
e
y
f
in
d
i
n
g
s
f
o
r
ea
ch
m
o
d
el.
T
h
e
tr
ain
in
g
p
r
o
ce
s
s
f
o
r
th
e
C
NN
w
ith
a
n
i
n
p
u
t
s
ize
o
f
1
2
8
×
1
2
8
d
em
o
n
s
tr
ated
p
r
o
m
is
i
n
g
o
u
tco
m
es
ac
r
o
s
s
5
0
ep
o
ch
s
,
as
d
ep
icted
in
Fig
u
r
e
5
.
I
n
th
e
in
itial
ep
o
ch
,
th
e
m
o
d
el
r
eg
i
s
ter
ed
a
lo
s
s
o
f
1
.
8
4
4
5
an
d
an
ac
cu
r
ac
y
o
f
5
1
.
0
1
%,
g
r
ad
u
al
l
y
i
m
p
r
o
v
i
n
g
o
v
er
s
u
b
s
eq
u
en
t
ep
o
ch
s
.
As
tr
ain
i
n
g
a
d
v
an
ce
d
,
th
e
lo
s
s
co
n
s
is
ten
tl
y
d
ec
r
ea
s
ed
,
cu
l
m
i
n
atin
g
in
0
.
1
1
5
4
b
y
th
e
f
in
a
l
ep
o
ch
,
ac
co
m
p
a
n
ied
b
y
a
s
tead
y
r
is
e
in
ac
cu
r
ac
y
to
9
5
.
4
5
%.
T
h
e
v
alid
atio
n
s
et
m
ir
r
o
r
ed
th
is
p
atter
n
,
w
i
th
th
e
lo
s
s
d
ec
r
ea
s
i
n
g
f
r
o
m
1
.
1
2
4
5
to
0
.
2
8
9
7
,
an
d
th
e
ac
cu
r
ac
y
i
m
p
r
o
v
in
g
f
r
o
m
6
8
.
3
8
to
8
9
.
3
3
%.
No
tew
o
r
th
y
m
ea
n
v
al
u
es
f
o
r
th
is
tr
ai
n
in
g
in
clu
d
e
m
ea
n
tr
ain
i
n
g
lo
s
s
≈
0
.
1
7
4
6
an
d
m
ea
n
tr
ai
n
i
n
g
ac
cu
r
ac
y
≈
9
0
.
0
4
%,
w
h
ile
t
h
e
v
alid
atio
n
s
e
t
ex
h
ib
ited
m
e
an
v
alid
atio
n
lo
s
s
≈
0
.
2
6
9
5
an
d
m
ea
n
v
alid
atio
n
ac
cu
r
ac
y
≈
8
9
.
0
3
%.
T
h
ese
v
alu
es
u
n
d
er
s
co
r
e
th
e
ef
f
ec
ti
v
en
es
s
o
f
t
h
e
C
N
N
ar
ch
itect
u
r
e
in
d
etec
tin
g
an
d
class
i
f
y
in
g
p
lan
t
d
is
ea
s
es,
s
h
o
w
ca
s
i
n
g
its
p
r
ac
tical
ap
p
licab
ilit
y
in
p
r
ec
is
io
n
ag
r
icu
l
tu
r
e.
L
i
k
e
w
is
e,
t
h
e
C
NN
m
o
d
el
w
it
h
a
n
i
n
p
u
t
s
iz
e
o
f
2
5
6
×
2
5
6
d
is
p
lay
ed
r
o
b
u
s
t
p
er
f
o
r
m
a
n
ce
o
v
er
5
0
ep
o
ch
s
,
as
illu
s
tr
ated
in
Fi
g
u
r
e
6
.
T
h
e
in
it
ial
ep
o
ch
r
ec
o
r
d
ed
a
lo
s
s
o
f
1
.
8
4
2
5
an
d
an
ac
cu
r
ac
y
o
f
5
0
.
4
9
%,
s
tead
il
y
i
m
p
r
o
v
in
g
t
h
r
o
u
g
h
o
u
t
th
e
tr
ai
n
in
g
p
r
o
ce
s
s
.
B
y
th
e
f
i
n
al
ep
o
ch
,
t
h
e
lo
s
s
r
e
m
ar
k
ab
l
y
d
ec
r
ea
s
ed
to
0
.
1
4
0
8
,
ac
co
m
p
an
ied
b
y
a
n
a
cc
u
r
ac
y
i
n
cr
ea
s
e
to
9
4
.
5
2
%.
T
h
e
v
alid
atio
n
s
e
t
ex
h
ib
ited
a
p
ar
allel
tr
en
d
,
w
i
th
th
e
lo
s
s
d
ec
r
ea
s
i
n
g
f
r
o
m
1
.
1
5
0
9
to
0
.
1
4
3
3
an
d
th
e
ac
cu
r
ac
y
i
m
p
r
o
v
i
n
g
f
r
o
m
6
7
.
0
8
to
9
4
.
0
4
%.
No
tab
le
m
ea
n
v
alu
e
s
f
o
r
th
is
co
n
f
i
g
u
r
atio
n
in
cl
u
d
e
m
ea
n
tr
a
i
n
i
n
g
lo
s
s
≈
0
.
0
5
0
3
an
d
m
ea
n
tr
ai
n
in
g
a
cc
u
r
ac
y
≈
9
7
.
5
6
%,
w
h
ile
t
h
e
v
a
lid
atio
n
s
et
d
e
m
o
n
s
tr
ated
m
ea
n
v
alid
atio
n
lo
s
s
≈
0
.
1
2
2
7
an
d
m
ea
n
v
alid
atio
n
ac
cu
r
ac
y
≈
9
5
.
3
1
%.
T
h
e
v
alid
atio
n
ac
c
u
r
ac
y
r
ea
ch
in
g
9
4
.
0
4
%
e
m
p
h
as
izes
t
h
e
p
o
s
itiv
e
i
m
p
ac
t
o
f
a
lar
g
er
i
m
a
g
e
s
iz
e
o
n
t
h
e
C
NN
m
o
d
el
's
p
er
f
o
r
m
a
n
ce
in
p
la
n
t
d
is
ea
s
e
d
etec
tio
n
an
d
cla
s
s
i
f
ic
atio
n
.
Fig
u
r
e
5
.
C
NN
m
o
d
el
lo
s
s
a
n
d
ac
cu
r
ac
y
f
o
r
1
2
8
×
1
2
8
im
ag
e
s
Fig
u
r
e
6
.
C
NN
m
o
d
el
lo
s
s
a
n
d
ac
cu
r
ac
y
f
o
r
2
5
6
×
2
5
6
im
ag
e
s
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
2
5
2
-
8938
I
n
t J
A
r
ti
f
I
n
tell
,
Vo
l.
14
,
No
.
4
,
A
u
g
u
s
t 2
0
2
5
:
2
7
0
1
-
2712
2708
T
h
e
R
esNet5
0
m
o
d
el,
co
n
f
i
g
u
r
ed
w
it
h
a
n
i
m
ag
e
s
ize
o
f
1
2
8
×
1
2
8
p
ix
els,
ex
h
ib
ite
d
r
o
b
u
s
t
p
er
f
o
r
m
a
n
ce
ac
r
o
s
s
m
u
ltip
le
t
r
ain
in
g
ep
o
ch
s
,
a
s
ill
u
s
tr
ated
in
Fig
u
r
e
7
.
C
o
m
m
e
n
ci
n
g
w
it
h
a
n
i
n
itia
l
lo
s
s
o
f
0
.
6
2
8
an
d
an
ac
cu
r
ac
y
o
f
8
2
.
0
8
%,
th
e
v
alid
atio
n
m
etr
ic
s
w
er
e
r
ec
o
r
d
ed
at
a
l
o
s
s
o
f
0
.
7
2
1
2
an
d
an
ac
cu
r
ac
y
o
f
81.
0
5
%.
De
m
o
n
s
tr
at
in
g
co
n
ti
n
u
o
u
s
i
m
p
r
o
v
e
m
e
n
t,
t
h
e
m
o
d
el
r
ea
ch
ed
a
lo
s
s
o
f
0
.
0
3
6
6
a
n
d
an
ac
cu
r
ac
y
o
f
9
8
.
3
8
%,
w
it
h
v
al
id
atio
n
m
e
tr
ics
s
h
o
w
i
n
g
s
i
m
ilar
p
o
s
iti
v
e
tr
en
d
s
.
No
te
w
o
r
th
y
m
ea
n
v
al
u
es
f
o
r
th
i
s
co
n
f
i
g
u
r
atio
n
in
c
lu
d
e
m
ea
n
tr
ain
i
n
g
lo
s
s
≈
0
.
0
6
5
4
an
d
m
ea
n
tr
ain
in
g
a
cc
u
r
ac
y
≈
9
7
.
0
6
%,
w
h
ile
t
h
e
v
alid
atio
n
s
et
d
is
p
la
y
ed
m
ea
n
v
alid
ati
o
n
lo
s
s
≈
0
.
1
1
7
2
an
d
m
ea
n
v
alid
atio
n
ac
c
u
r
ac
y
≈
9
5
.
6
9
%.
T
h
ese
r
esu
lt
s
u
n
d
er
s
co
r
e
t
h
e
R
e
s
Net5
0
m
o
d
el'
s
e
f
f
icac
y
i
n
ca
p
tu
r
i
n
g
in
tr
icate
f
ea
t
u
r
es
f
o
r
p
lan
t
d
is
e
ase
d
etec
tio
n
a
n
d
class
i
f
icatio
n
,
p
o
s
itio
n
i
n
g
i
t
as
a
p
r
o
m
i
s
in
g
to
o
l
f
o
r
p
r
ec
is
io
n
ag
r
icu
ltu
r
e.
Up
o
n
test
in
g
t
h
e
R
es
Net5
0
m
o
d
el
w
it
h
a
n
i
n
cr
ea
s
ed
i
m
ag
e
s
iz
e
o
f
2
5
6
×2
5
6
p
ix
els,
Fi
g
u
r
e
8
d
ep
icted
n
o
tab
le
p
er
f
o
r
m
an
ce
i
m
p
r
o
v
e
m
e
n
t
s
.
Star
tin
g
w
it
h
a
lo
s
s
o
f
0
.
5
5
3
7
an
d
an
ac
cu
r
ac
y
o
f
8
4
.
0
9
%,
th
e
m
o
d
el
co
n
s
is
ten
tl
y
p
r
o
g
r
e
s
s
ed
to
ac
h
ie
v
e
an
ac
cu
r
ac
y
o
f
9
8
.
6
3
%.
T
h
e
v
alid
atio
n
m
etr
ics
s
u
p
p
o
r
ted
th
is
p
o
s
itiv
e
tr
en
d
,
cu
l
m
i
n
ati
n
g
in
a
f
in
a
l
ac
cu
r
ac
y
o
f
9
6
.
5
3
%.
N
o
te
w
o
r
th
y
m
ea
n
v
a
lu
es
f
o
r
th
e
lar
g
er
i
m
a
g
e
s
ize
co
n
f
i
g
u
r
atio
n
i
n
clu
d
e
m
ea
n
tr
ain
i
n
g
lo
s
s
≈
0
.
0
4
8
2
an
d
m
ea
n
tr
ain
i
n
g
ac
c
u
r
ac
y
≈
9
8
.
2
8
%,
w
h
i
le
t
h
e
v
alid
atio
n
s
et
e
x
h
ib
ited
m
ea
n
v
alid
atio
n
lo
s
s
≈
0
.
1
2
9
1
an
d
m
ea
n
v
alid
atio
n
ac
cu
r
ac
y
≈
9
5
.
8
4
%.
T
h
e
co
n
s
is
te
n
t
i
m
p
r
o
v
e
m
en
t
o
b
s
er
v
ed
s
u
g
g
est
s
th
a
t
th
e
R
e
s
Net
m
o
d
el,
w
it
h
i
ts
lar
g
er
i
m
ag
e
s
ize,
e
n
h
an
ce
s
it
s
c
ap
ab
ilit
y
to
d
is
ce
r
n
co
m
p
le
x
p
atter
n
s
i
n
p
lan
t
i
m
ag
e
s
,
m
ak
in
g
it
a
p
o
ten
tial so
lu
tio
n
f
o
r
r
ea
l
-
w
o
r
ld
ap
p
licatio
n
s
in
p
r
ec
is
io
n
a
g
r
icu
lt
u
r
e.
Fig
u
r
e
7
.
R
esNet5
0
m
o
d
el
lo
s
s
an
d
ac
cu
r
ac
y
f
o
r
1
2
8
×
1
2
8
i
m
ag
e
s
Fig
u
r
e
8
.
R
esNet5
0
m
o
d
el
lo
s
s
an
d
ac
cu
r
ac
y
f
o
r
2
5
6
×
2
5
6
i
m
ag
e
s
T
h
e
VGG1
6
m
o
d
el,
tr
ai
n
ed
o
n
a
1
2
8
×1
2
8
p
ix
el
s
i
m
a
g
e
s
ize,
e
x
h
ib
ited
co
n
s
i
s
te
n
t
i
m
p
r
o
v
e
m
en
t
th
r
o
u
g
h
o
u
t
th
e
tr
ai
n
i
n
g
ep
o
ch
s
,
as
d
ep
icted
in
Fig
u
r
e
9
.
C
o
m
m
en
ci
n
g
w
it
h
an
i
n
itial
lo
s
s
o
f
1
.
4
9
2
8
an
d
an
ac
cu
r
ac
y
o
f
5
7
.
9
8
%,
th
e
m
o
d
el
s
tead
il
y
p
r
o
g
r
ess
ed
to
an
ac
cu
r
ac
y
o
f
9
7
.
9
9
%,
w
it
h
t
h
e
tr
ai
n
in
g
lo
s
s
d
ec
r
ea
s
in
g
to
0
.
0
4
9
2
.
T
h
e
v
ali
d
atio
n
m
etr
ics
m
ir
r
o
r
ed
th
is
p
o
s
itiv
e
tr
e
n
d
,
co
n
clu
d
in
g
w
it
h
a
f
in
al
ac
c
u
r
ac
y
o
f
9
6
.
5
3
%.
No
tab
le
m
ea
n
v
al
u
es
f
o
r
t
h
is
co
n
f
i
g
u
r
atio
n
i
n
cl
u
d
e
m
ea
n
tr
ai
n
i
n
g
lo
s
s
≈
0
.
0
8
0
4
an
d
m
ea
n
tr
ain
i
n
g
ac
cu
r
ac
y
≈
9
7
.
1
1
%,
w
h
ile
t
h
e
v
alid
atio
n
s
et
d
is
p
la
y
ed
m
e
an
v
alid
atio
n
lo
s
s
≈
0
.
1
5
0
7
a
n
d
m
ea
n
v
alid
atio
n
ac
cu
r
ac
y
≈
9
4
.
4
9
%.
T
h
ese
r
esu
lts
h
ig
h
li
g
h
t
t
h
e
e
f
f
ec
ti
v
en
e
s
s
o
f
th
e
d
ee
p
ar
ch
itect
u
r
e
o
f
t
h
e
VGG1
6
m
o
d
el
i
n
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
A
r
ti
f
I
n
tell
I
SS
N:
2252
-
8938
I
ma
g
ery
b
a
s
ed
p
la
n
t d
is
ea
s
e
d
etec
tio
n
u
s
in
g
co
n
ve
n
tio
n
a
l n
e
u
r
a
l n
etw
o
r
ks a
n
d
tr
a
n
s
fer
…
(
A
li Mh
a
n
ed
)
2709
ca
p
tu
r
in
g
co
m
p
le
x
p
atter
n
s
i
n
p
lan
t
i
m
a
g
es,
m
a
k
i
n
g
i
t
a
v
al
u
ab
le
ass
et
f
o
r
p
lan
t
d
is
ea
s
e
d
etec
tio
n
a
n
d
class
i
f
icatio
n
ta
s
k
s
.
Up
o
n
te
s
tin
g
th
e
VGG1
6
m
o
d
el
w
it
h
a
n
i
n
cr
ea
s
ed
i
m
a
g
e
s
ize
o
f
2
5
6
×2
5
6
p
ix
els,
co
n
s
is
ten
t
i
m
p
r
o
v
e
m
en
t
w
as
o
b
s
er
v
ed
,
in
d
icatin
g
e
f
f
ec
t
i
v
e
lear
n
i
n
g
an
d
co
n
v
er
g
e
n
c
e,
as
illu
s
tr
ated
in
Fig
u
r
e
1
0
.
T
h
e
in
itial
lo
s
s
was
1
.
5
2
8
4
,
w
ith
a
n
ac
cu
r
ac
y
o
f
5
8
.
1
2
%,
s
tead
ily
i
m
p
r
o
v
i
n
g
to
9
8
.
3
4
%.
T
h
e
tr
ain
i
n
g
lo
s
s
d
ec
r
ea
s
ed
to
0
.
0
4
0
3
,
an
d
th
e
v
alid
atio
n
m
etr
ics
f
o
llo
w
ed
a
s
i
m
ilar
p
o
s
iti
v
e
tr
e
n
d
,
cu
l
m
i
n
ati
n
g
i
n
a
f
i
n
al
ac
c
u
r
ac
y
o
f
9
5
.
9
9
%.
No
te
w
o
r
th
y
m
ea
n
v
a
lu
e
s
f
o
r
th
e
lar
g
er
i
m
a
g
e
s
ize
co
n
f
i
g
u
r
atio
n
in
cl
u
d
e
m
ea
n
tr
ain
i
n
g
lo
s
s
≈
0
.
0
7
8
8
an
d
m
ea
n
tr
ain
i
n
g
ac
cu
r
ac
y
≈
9
5
.
4
4
%,
w
h
ile
t
h
e
v
alid
atio
n
s
et
ex
h
ib
ited
m
ea
n
v
alid
atio
n
lo
s
s
≈
0
.
1
2
9
2
an
d
m
ea
n
v
alid
atio
n
ac
cu
r
ac
y
≈
9
5
.
5
5
%.
T
h
ese
f
in
d
in
g
s
r
ein
f
o
r
ce
th
e
ca
p
ab
ilit
y
o
f
th
e
VGG
m
o
d
el,
w
it
h
it
s
d
ee
p
ar
ch
itectu
r
e,
to
ca
p
tu
r
e
in
tr
i
ca
te
f
ea
tu
r
e
s
in
p
lan
t
i
m
a
g
es,
p
o
s
itio
n
in
g
it
as
a
v
alu
ab
le
to
o
l
f
o
r
p
lan
t
d
is
ea
s
e
d
etec
tio
n
an
d
clas
s
if
icatio
n
task
s
.
T
h
e
g
r
ad
u
al
d
ec
r
ea
s
e
i
n
b
o
th
tr
ain
in
g
an
d
v
alid
atio
n
lo
s
s
e
s
s
u
g
g
est
s
r
o
b
u
s
t
lear
n
i
n
g
a
n
d
g
en
er
aliza
t
i
o
n
ca
p
ab
ilit
ies,
in
d
icatin
g
g
o
o
d
p
e
r
f
o
r
m
a
n
ce
o
n
b
o
th
s
ee
n
a
n
d
u
n
s
ee
n
d
ata.
Fig
u
r
e
9
.
VGG1
6
m
o
d
el
lo
s
s
a
n
d
ac
cu
r
ac
y
f
o
r
1
2
8
×
1
2
8
im
a
g
es
Fig
u
r
e
1
0
.
VGG1
6
m
o
d
el
lo
s
s
an
d
ac
cu
r
ac
y
f
o
r
2
5
6
×
25
6
im
ag
es
I
n
th
e
lan
d
s
ca
p
e
o
f
p
la
n
t
d
is
e
ase
d
etec
tio
n
a
n
d
clas
s
i
f
icatio
n
,
C
N
N,
VGG1
6
,
an
d
R
esNe
t
5
0
m
o
d
els
ea
ch
b
r
in
g
d
is
tin
ct
iv
e
s
tr
e
n
g
th
s
to
th
e
T
ab
le
3
.
T
h
e
C
NN
m
o
d
el
d
e
m
o
n
s
tr
ates
p
r
o
f
icie
n
c
y
,
ac
h
ie
v
i
n
g
co
m
m
e
n
d
ab
le
ac
cu
r
ac
ies
o
f
9
5
.
4
5
an
d
9
4
.
5
2
%
f
o
r
i
m
a
g
e
s
i
ze
s
o
f
1
2
8
×
1
2
8
an
d
2
5
6
×
2
5
6
p
ix
els,
r
esp
ec
ti
v
el
y
.
VGG1
6
,
k
n
o
w
n
f
o
r
it
s
d
ee
p
ar
ch
itect
u
r
e,
co
n
s
is
ten
t
l
y
d
eli
v
er
s
h
i
g
h
ac
c
u
r
ac
y
,
r
ea
c
h
in
g
9
7
.
9
9
an
d
9
8
.
3
4
%
at
th
e
s
a
m
e
i
m
a
g
e
s
izes.
Ho
w
e
v
er
,
R
esNet5
0
e
m
er
g
e
s
a
s
a
f
r
o
n
tr
u
n
n
er
,
s
h
o
w
ca
s
in
g
u
n
p
ar
alleled
p
er
f
o
r
m
a
n
ce
w
it
h
ac
c
u
r
ac
y
r
ates
o
f
9
8
.
3
8
an
d
9
8
.
6
3
%
f
o
r
1
2
8
×
1
2
8
a
n
d
2
5
6
×
2
5
6
im
a
g
e
s
izes,
r
es
p
ec
tiv
el
y
.
No
tab
l
y
,
R
esNet5
0
ac
h
iev
e
s
t
h
e
lo
w
est
f
i
n
al
lo
s
s
es,
u
n
d
er
s
co
r
i
n
g
its
ca
p
ab
ilit
y
to
ca
p
tu
r
e
i
n
tr
icate
f
ea
t
u
r
es
e
f
f
ec
tiv
el
y
.
W
h
ile
all
t
h
r
ee
m
o
d
el
s
d
e
m
o
n
s
tr
ate
e
f
f
icac
y
,
R
e
s
Net5
0
's
e
x
ce
p
tio
n
al
ac
c
u
r
ac
y
,
lo
w
lo
s
s
,
an
d
ad
ap
tab
ilit
y
to
v
ar
y
i
n
g
i
m
a
g
e
s
izes
m
ak
e
i
t
a
co
m
p
elli
n
g
ch
o
ice
f
o
r
p
lan
t
d
is
ea
s
e
d
etec
tio
n
an
d
c
lass
i
f
icatio
n
tas
k
s
,
p
o
s
itio
n
in
g
i
t
as
a
p
o
ten
tial
co
r
n
er
s
to
n
e
f
o
r
p
r
ec
is
io
n
a
g
r
icu
lt
u
r
e
ap
p
licatio
n
s
.
T
h
e
c
h
o
ice
b
et
w
ee
n
t
h
es
e
m
o
d
el
s
u
lti
m
atel
y
h
in
g
e
s
o
n
s
p
ec
if
ic
r
eq
u
ir
e
m
en
t
s
,
co
m
p
u
ta
tio
n
al
r
eso
u
r
ce
s
,
an
d
t
h
e
n
u
a
n
ce
d
d
em
a
n
d
s
o
f
t
h
e
tar
g
et
ap
p
licatio
n
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
2
5
2
-
8938
I
n
t J
A
r
ti
f
I
n
tell
,
Vo
l.
14
,
No
.
4
,
A
u
g
u
s
t 2
0
2
5
:
2
7
0
1
-
2712
2710
T
ab
le
3
.
P
er
f
o
r
m
a
n
ce
co
m
p
ar
i
s
o
n
o
f
C
NN,
R
e
s
Net5
0
,
an
d
VGG1
6
m
o
d
els
o
n
p
la
n
t d
is
ea
s
e
d
etec
tio
n
ac
r
o
s
s
128
×
1
2
8
an
d
2
5
6
×
2
5
6
im
a
g
e
s
izes
M
o
d
e
l
I
mag
e
si
z
e
F
i
n
a
l
t
r
a
i
n
i
n
g
l
o
ss
F
i
n
a
l
t
r
a
i
n
i
n
g
a
c
c
u
r
a
c
y
(
%)
F
i
n
a
l
v
a
l
i
d
a
t
i
o
n
l
o
ss
F
i
n
a
l
v
a
l
i
d
a
t
i
o
n
a
c
c
u
r
a
c
y
(
%)
M
e
a
n
t
r
a
i
n
i
n
g
l
o
ss
M
e
a
n
t
r
a
i
n
i
n
g
a
c
c
u
r
a
c
y
(
%)
M
e
a
n
v
a
l
i
d
a
t
i
o
n
l
o
ss
M
e
a
n
v
a
l
i
d
a
t
i
o
n
a
c
c
u
r
a
c
y
(
%)
C
N
N
1
2
8
×
1
2
8
0
.
1
1
5
4
9
5
.
4
5
0
.
2
8
9
7
8
9
.
3
3
0
.
1
7
4
6
9
0
.
0
4
0
.
2
6
9
5
8
9
.
0
3
C
N
N
2
5
6
×
2
5
6
0
.
1
4
0
8
9
4
.
5
2
0
.
1
4
3
3
9
4
.
0
4
0
.
0
5
0
3
9
7
.
5
6
0
.
1
2
2
7
9
5
.
3
1
R
e
sN
e
t
5
0
1
2
8
×
1
2
8
0
.
0
3
6
6
9
8
.
3
8
0
.
1
1
7
2
9
5
.
6
9
0
.
0
6
5
4
9
7
.
0
6
0
.
1
1
7
2
9
5
.
6
9
R
e
sN
e
t
5
0
2
5
6
×
2
5
6
0
.
0
4
8
2
9
8
.
6
3
0
.
1
2
9
1
9
6
.
5
3
0
.
0
4
8
2
9
8
.
2
8
0
.
1
2
9
1
9
5
.
8
4
V
G
G
1
6
1
2
8
×
1
2
8
0
.
0
4
9
2
9
7
.
9
9
0
.
1
5
0
7
9
4
.
4
9
0
.
0
8
0
4
9
7
.
1
1
0
.
1
5
0
7
9
4
.
4
9
V
G
G
1
6
2
5
6
×
2
5
6
0
.
0
4
0
3
9
8
.
3
4
0
.
1
2
9
2
9
5
.
5
5
0
.
0
7
8
8
9
5
.
4
4
0
.
1
2
9
2
9
5
.
5
5
I
n
No
r
th
e
r
n
M
o
r
o
cc
o
,
B
ela
tta
r
et
a
l
.
[
2
9
]
ex
p
l
o
r
e
d
m
o
d
e
ls
f
o
r
d
et
ec
tin
g
m
in
t p
lan
t
d
is
ea
s
es
an
d
f
o
u
n
d
th
at
Den
s
eNe
t2
0
1
w
as
th
e
m
o
s
t
ef
f
ec
tiv
e
,
ac
h
iev
in
g
9
4
.
1
2
%
ac
cu
r
a
cy
.
W
h
i
l
e
th
is
p
e
r
f
o
r
m
an
ce
is
s
lig
h
tly
lo
w
er
th
an
th
e
h
y
b
r
i
d
ap
p
r
o
ac
h
,
it
s
ti
ll
h
ig
h
lig
h
ts
D
en
s
e
Net
2
0
1
’
s
s
t
r
en
g
th
in
t
ac
k
lin
g
d
is
ea
s
es
af
f
ec
t
in
g
s
p
e
cif
ic
p
lan
ts
,
s
u
ch
as
m
in
t,
w
ith
in
a
lo
ca
li
ze
d
ag
r
i
cu
ltu
r
al
co
n
t
ex
t.
I
n
I
n
d
o
n
esi
a,
A
u
f
ar
an
d
Kal
o
k
a
[
3
0
]
i
m
p
le
m
en
ted
Mo
b
ileNetV2
f
o
r
class
if
y
i
n
g
co
f
f
ee
lea
f
d
is
ea
s
es
a
n
d
ac
h
ie
v
ed
an
ac
cu
r
ac
y
o
f
9
9
.
9
3
%.
Mo
b
ileNetV2
’
s
li
g
h
t
w
ei
g
h
t
d
esig
n
is
p
ar
tic
u
lar
l
y
s
u
ited
f
o
r
d
ep
lo
y
m
e
n
t
o
n
m
o
b
ile
d
ev
ices,
m
a
k
in
g
it
a
v
iab
le
o
p
tio
n
f
o
r
f
ie
ld
ap
p
licatio
n
s
.
T
h
e
s
tu
d
y
also
r
ep
o
r
ted
h
ig
h
ac
c
u
r
ac
y
w
it
h
o
th
er
ar
ch
itect
u
r
es
s
u
c
h
a
s
Den
s
eNe
t1
6
9
(
9
9
.
7
4
%)
an
d
R
esNet5
0
(
9
9
.
4
1
%).
T
h
e
ch
o
ice
o
f
m
o
d
el
d
ep
en
d
s
o
n
s
p
ec
if
ic
r
eq
u
ir
e
m
en
t
s
.
R
esNet5
0
an
d
h
y
b
r
id
m
o
d
el
s
o
f
f
er
to
p
-
t
ier
ac
cu
r
ac
y
,
m
a
k
i
n
g
th
e
m
s
tr
o
n
g
ca
n
d
id
ates
f
o
r
en
v
ir
o
n
m
e
n
ts
th
a
t
p
r
io
r
itize
p
r
ec
is
io
n
o
v
er
co
m
p
u
tatio
n
al
co
s
t.
I
n
co
n
tr
ast,
E
f
f
icien
tNetB
0
an
d
Mo
b
ileN
etV2
,
w
h
i
le
s
lig
h
tl
y
less
ac
cu
r
ate,
p
r
esen
t
ad
v
a
n
ta
g
es
i
n
ter
m
s
o
f
co
m
p
u
tat
io
n
al
ef
f
ic
ien
c
y
an
d
p
o
r
tab
ilit
y
,
m
ak
in
g
t
h
e
m
s
u
i
tab
le
f
o
r
r
ea
l
-
w
o
r
ld
d
ep
lo
y
m
e
n
t.
D
en
s
eNe
t2
0
1
,
w
h
ile
n
o
t
t
h
e
h
ig
h
est
p
er
f
o
r
m
er
,
is
a
v
iab
le
o
p
tio
n
f
o
r
s
p
ec
ialized
cr
o
p
s
s
u
ch
as
m
i
n
t i
n
No
r
th
er
n
Mo
r
o
cc
o
,
p
r
o
v
id
in
g
a
n
ess
e
n
tial so
l
u
tio
n
f
o
r
lo
ca
l a
g
r
icu
lt
u
r
al
ch
alle
n
g
es.
4.
CO
NCLU
SI
O
N
I
n
co
n
cl
u
s
io
n
,
t
h
e
co
m
p
r
eh
e
n
s
i
v
e
e
v
al
u
atio
n
o
f
t
h
e
C
NN
,
R
esNe
t5
0
,
an
d
VG
G1
6
m
o
d
els
i
n
t
h
e
r
ea
l
m
o
f
p
lan
t
lea
f
d
is
ea
s
e
d
etec
tio
n
a
n
d
clas
s
i
f
icatio
n
p
r
o
v
id
es
m
ea
n
in
g
f
u
l
i
n
s
i
g
h
ts
i
n
to
t
h
eir
r
esp
ec
ti
v
e
p
er
f
o
r
m
a
n
ce
s
.
T
h
e
VGG1
6
m
o
d
el,
p
a
r
ticu
lar
l
y
w
h
en
tr
ai
n
e
d
o
n
an
in
cr
ea
s
ed
i
m
ag
e
s
ize
o
f
2
5
6
×2
5
6
p
ix
els,
n
o
t
o
n
l
y
d
e
m
o
n
s
tr
ated
co
n
s
is
ten
t
i
m
p
r
o
v
e
m
e
n
t
b
u
t
al
s
o
ac
h
iev
ed
an
i
m
p
r
es
s
i
v
e
f
i
n
al
ac
cu
r
ac
y
o
f
9
8
.
3
4
%.
T
h
is
u
n
d
er
s
co
r
es
t
h
e
m
o
d
el
's
ef
f
icac
y
in
ca
p
tu
r
i
n
g
i
n
tr
icate
f
ea
t
u
r
es
w
i
th
in
p
lan
t
i
m
a
g
e
s
,
p
o
s
itio
n
i
n
g
it
a
s
a
h
ig
h
l
y
v
alu
ab
le
to
o
l
f
o
r
p
r
ec
is
e
p
lan
t
d
is
ea
s
e
d
etec
tio
n
.
T
h
e
R
esNet5
0
m
o
d
e
l
e
x
h
ib
ited
r
o
b
u
s
t
p
er
f
o
r
m
an
ce
ac
r
o
s
s
m
u
ltip
le
tr
ain
i
n
g
ep
o
ch
s
,
r
ea
ch
i
n
g
a
r
e
m
ar
k
ab
le
ac
cu
r
ac
y
o
f
9
8
.
6
3
%
w
h
e
n
te
s
ted
w
i
th
a
n
i
m
a
g
e
s
ize
o
f
2
5
6
×2
5
6
p
ix
els.
T
h
ese
r
esu
l
ts
u
n
d
er
s
co
r
e
th
e
m
o
d
el
'
s
a
b
ilit
y
to
d
is
ce
r
n
co
m
p
lex
p
atter
n
s
,
m
a
k
i
n
g
it
a
p
r
o
m
i
s
in
g
s
o
lu
t
io
n
f
o
r
r
ea
l
-
w
o
r
ld
ap
p
licatio
n
s
i
n
p
r
ec
is
io
n
a
g
r
icu
l
tu
r
e.
T
h
e
C
NN
ar
c
h
itect
u
r
e,
esp
ec
iall
y
w
it
h
an
i
n
p
u
t
s
ize
o
f
2
5
6
×2
5
6
p
ix
els,
s
h
o
w
ca
s
ed
n
o
tab
le
e
f
f
icac
y
,
w
i
th
a
f
i
n
al
ac
c
u
r
ac
y
o
f
9
4
.
5
2
%.
T
h
is
r
ein
f
o
r
ce
s
th
e
p
o
s
iti
v
e
i
m
p
ac
t
o
f
a
lar
g
e
r
i
m
a
g
e
s
ize
o
n
t
h
e
C
NN
m
o
d
el'
s
p
er
f
o
r
m
a
n
ce
i
n
p
la
n
t
d
i
s
ea
s
e
d
etec
tio
n
an
d
class
i
f
icatio
n
.
T
h
ese
v
al
u
es,
s
u
ch
a
s
th
e
f
i
n
al
ac
cu
r
ac
ies
o
f
VGG1
6
9
8
.
3
4
%,
R
esNet5
0
9
8
.
6
3
%,
an
d
C
NN
9
4
.
5
2
%,
p
r
o
v
id
e
tan
g
ib
le
e
v
i
d
en
ce
o
f
t
h
e
m
o
d
els
'
ca
p
ab
il
ities
.
T
h
ese
f
i
n
d
in
g
s
co
n
tr
ib
u
te
s
i
g
n
i
f
ica
n
t
l
y
to
ad
v
an
ci
n
g
t
h
e
f
ie
ld
o
f
au
to
m
ated
p
lan
t
d
is
ea
s
e
d
iag
n
o
s
i
s
,
e
m
p
h
as
izin
g
t
h
e
p
o
ten
tial
f
o
r
d
ep
lo
y
in
g
t
h
es
e
m
o
d
el
s
i
n
r
ea
l
-
w
o
r
ld
p
r
ec
is
i
o
n
ag
r
ic
u
lt
u
r
e
s
ce
n
ar
io
s
W
h
i
le
th
e
r
es
u
lts
o
f
t
h
is
s
t
u
d
y
a
r
e
p
r
o
m
i
s
i
n
g
,
it
i
s
i
m
p
o
r
tan
t
to
co
n
s
id
er
th
e
p
o
ten
tial
i
m
p
a
ct
o
f
u
n
ce
r
tai
n
co
n
d
itio
n
s
t
h
at
m
a
y
ar
i
s
e
i
n
r
ea
l
-
w
o
r
ld
ag
r
ic
u
lt
u
r
al
en
v
ir
o
n
m
e
n
t
s
.
Facto
r
s
s
u
ch
a
s
v
ar
y
i
n
g
w
ea
t
h
er
co
n
d
itio
n
s
,
s
o
il
t
y
p
es,
a
n
d
u
n
ex
p
ec
ted
p
est
i
n
f
estatio
n
s
ca
n
in
tr
o
d
u
ce
u
n
ce
r
tai
n
ties
th
at
m
a
y
a
f
f
ec
t
t
h
e
p
er
f
o
r
m
a
n
ce
o
f
th
e
m
o
d
els.
F
u
t
u
r
e
r
e
s
ea
r
ch
co
u
ld
ex
p
lo
r
e
th
e
r
o
b
u
s
tn
es
s
o
f
t
h
ese
m
o
d
el
s
u
n
d
er
s
u
c
h
u
n
ce
r
tain
co
n
d
itio
n
s
,
p
o
s
s
ib
l
y
b
y
in
co
r
p
o
r
atin
g
d
ata
au
g
m
en
tat
io
n
tech
n
iq
u
es,
d
o
m
ai
n
ad
ap
tatio
n
m
et
h
o
d
s
,
o
r
en
s
e
m
b
le
lear
n
in
g
ap
p
r
o
ac
h
es.
B
y
ad
d
r
ess
in
g
t
h
ese
ch
al
len
g
es
,
f
u
tu
r
e
s
t
u
d
ies
ca
n
en
h
a
n
ce
t
h
e
r
eliab
ilit
y
a
n
d
ap
p
licab
ilit
y
o
f
d
ee
p
lear
n
i
n
g
m
o
d
els
in
d
iv
er
s
e
a
n
d
d
y
n
a
m
ic
ag
r
icu
l
tu
r
al
s
e
ttin
g
s
.
F
UNDIN
G
I
NF
O
RM
AT
I
O
N
T
h
is
w
o
r
k
w
a
s
h
eld
i
n
t
h
e
f
r
a
m
e
w
o
r
k
o
f
t
h
e
Mix
ed
M
o
r
o
cc
o
-
T
u
n
is
ia
L
ab
o
r
ato
r
y
“L
ab
o
r
ato
ir
e
Mo
r
o
cc
o
-
T
u
n
is
ia:
E
n
v
ir
o
n
n
e
m
en
t
et
Dé
v
elo
p
p
e
m
e
n
t
D
u
r
ab
le
(
E
2
D)
”.
I
t
w
as
s
u
p
p
o
r
ted
b
y
M
in
i
s
tr
y
o
f
Natio
n
al
E
d
u
ca
tio
n
,
Vo
ca
tio
n
al
T
r
ain
in
g
,
Hi
g
h
er
E
d
u
ca
tio
n
an
d
Scien
ti
f
ic
R
esear
c
h
,
Dep
ar
t
m
en
t
o
f
Hi
g
h
er
E
d
u
ca
tio
n
an
d
Scie
n
ti
f
ic
R
ese
ar
ch
,
in
Mo
r
o
cc
o
,
an
d
b
y
Mi
n
is
tr
y
o
f
H
ig
h
E
d
u
ca
tio
n
an
d
S
cien
ti
f
ic
R
e
s
ea
r
ch
in
T
u
n
is
ia.
Evaluation Warning : The document was created with Spire.PDF for Python.