Abstract Features are the vital factor for image classification in the field of machine learning. The advancement of deep convolutional neural network (CNN) shows the way for identification of rice diseases using deep features with the expectation of high returns. This paper introduced 5932 on-field images of four types of rice leaf diseases, namely bacterial blight, blast, brown spot and tungro. In addition, the performance evaluation of 11 CNN models in transfer learning approach and deep feature plus support vector machine (SVM) was carried out. The simulation results show the deep feature plus SVM perform better classification compared to transfer learning counterpart. Also, the performance of small CNN models such as mobilenetv2 and shufflenet was examined. The performance evaluation was carried out in terms of accuracy, sensitivity, specificity, false positive rate (FPR), F1 Score and training time. Again, the statistical analysis was performed to choose the better classification model. The deep feature of ResNet50 plus SVM performs better with F1 score of 0.9838. The fc6 layer of vgg16, vgg19 and AlexNet have better contribution towards classification compared to fc7 and fc8. Further, the F1 score of CNN classification models was compared with other traditional image classification models such as bag-of-feature, local binary patterns (LBP) plus SVM, histogram of oriented gradients (HOG) plus SVM and Gray Level Co-occurrence Matrix (GLCM) plus SVM.

中文翻译：

---

基于深度特征的水稻叶片病害识别基于支持向量机

摘要 特征是机器学习领域图像分类的重要因素。深度卷积神经网络 (CNN) 的进步展示了使用深度特征识别水稻病害并期望高回报的方法。本文介绍了水稻白叶枯病、稻瘟病、褐斑病和冬虫病四种病害的5932幅田间图像。此外，还对 11 个 CNN 模型在迁移学习方法和深度特征加支持向量机 (SVM) 方面进行了性能评估。仿真结果表明，与迁移学习对应物相比，深度特征加 SVM 执行更好的分类。此外，还检查了诸如 mobilenetv2 和 shufflenet 等小型 CNN 模型的性能。性能评估从准确性、灵敏度、特异性、假阳性率 (FPR)、F1 分数和训练时间。再次进行统计分析以选择更好的分类模型。ResNet50 加上 SVM 的深度特征表现更好，F1 得分为 0.9838。与 fc7 和 fc8 相比，vgg16、vgg19 和 AlexNet 的 fc6 层对分类有更好的贡献。此外，CNN 分类模型的 F1 分数与其他传统图像分类模型进行了比较，例如特征袋、局部二值模式 (LBP) 加 SVM、定向梯度直方图 (HOG) 加 SVM 和灰度共生矩阵(GLCM) 加上 SVM。与 fc7 和 fc8 相比，vgg16、vgg19 和 AlexNet 的 fc6 层对分类有更好的贡献。此外，CNN 分类模型的 F1 分数与其他传统图像分类模型进行了比较，例如特征袋、局部二值模式 (LBP) 加 SVM、定向梯度直方图 (HOG) 加 SVM 和灰度共生矩阵(GLCM) 加上 SVM。与 fc7 和 fc8 相比，vgg16、vgg19 和 AlexNet 的 fc6 层对分类有更好的贡献。此外，CNN 分类模型的 F1 分数与其他传统图像分类模型进行了比较，例如特征袋、局部二值模式 (LBP) 加 SVM、定向梯度直方图 (HOG) 加 SVM 和灰度共生矩阵(GLCM) 加上 SVM。