Pneumonia is one of the major illnesses in children and aged humans due to the Infection in the lungs. Early analysis of pneumonia is necessary to prepare for a possible treatment procedure to regulate and cure the disease. This research aspires to develop a Deep-Learning System (DLS) to diagnose the lung abnormality using chest X-ray (radiograph) images. The proposed work is implemented using; (i) Conventional chest radiographs and (ii) Chest radiograph treated with a threshold filter. The initial experimental evaluation is carried out using the traditional DLS, such as AlexNet, VGG16, VGG19 and ResNet50 with a SoftMax classifier. The results confirmed that, VGG19 provides better classification accuracy (86.97%) compared to other methods. Later, a customized VGG19 network is proposed using the Ensemble Feature Scheme (EFS), which combines the handcrafted features attained with CWT, DWT and GLCM with the Deep-Features (DF) achieved using Transfer-Learning (TL) practice. The performance of customized VGG19 is tested using different classifiers, such as SVM-linear, SVM-RBF, KNN classifier, Random-Forest (RF) and Decision-Tree (DT). The result confirms that VGG19 with RF classifier offers better accuracy (95.70%). When the similar experiment is repeated using threshold filter treated chest radiographs, the VGG19 with RF classifier offered superior classification accuracy (97.94%). This result confirms that, proposed DLS will work well on the benchmark images and in the future, it can be considered to diagnose clinical grade chest radiographs.

由于肺部感染，肺炎是儿童和老年人的主要疾病之一。对肺炎进行早期分析是必要的，以准备可能的治疗方法来调节和治愈该疾病。这项研究旨在开发一种深度学习系统（DLS），以使用胸部X射线（射线照相）图像诊断肺部异常。拟议工作是通过以下方式实施的：（i）常规胸部X光片，以及（ii）用阈值滤镜治疗的胸部X光片。初始实验评估是使用传统的DLS进行的，例如带有SoftMax分类器的AlexNet，VGG16，VGG19和ResNet50。结果证实，与其他方法相比，VGG19提供了更好的分类准确性（86.97％）。后来，使用集成功能方案（EFS）提出了定制的VGG19网络，结合了CWT，DWT和GLCM的手工制作功能以及通过学习转移（TL）练习获得的深度功能（DF）。使用不同的分类器（例如SVM-linear，SVM-RBF，KNN分类器，Random-Forest（RF）和Decision-Tree（DT））测试了定制VGG19的性能。结果证实，带有RF分类器的VGG19具有更好的准确性（95.70％）。当使用阈值滤波器处理的胸部X射线照片重复进行类似的实验时，带有RF分类器的VGG19提供了卓越的分类准确性（97.94％）。该结果证实，提出的DLS将在基准图像上很好地工作，并且在将来，它可以被认为是诊断临床级胸部X光片。使用不同的分类器（例如SVM-linear，SVM-RBF，KNN分类器，Random-Forest（RF）和Decision-Tree（DT））测试了定制VGG19的性能。结果证实，带有RF分类器的VGG19具有更好的准确性（95.70％）。当使用阈值滤波器处理的胸部X射线照片重复进行类似的实验时，带有RF分类器的VGG19提供了卓越的分类准确性（97.94％）。该结果证实，提出的DLS将在基准图像上很好地工作，并且在将来，它可以被认为是诊断临床级胸部X光片。使用不同的分类器（例如SVM-linear，SVM-RBF，KNN分类器，Random-Forest（RF）和Decision-Tree（DT））测试了定制VGG19的性能。结果证实，带有RF分类器的VGG19具有更好的准确性（95.70％）。当使用阈值滤波器处理的胸部X射线照片重复进行类似的实验时，带有RF分类器的VGG19提供了卓越的分类准确性（97.94％）。该结果证实，提出的DLS将在基准图像上很好地工作，并且在将来，它可以被认为是诊断临床级胸部X光片。当使用阈值滤波器处理的胸部X射线照片重复进行类似的实验时，带有RF分类器的VGG19提供了卓越的分类准确性（97.94％）。该结果证实，提出的DLS将在基准图像上很好地工作，并且在将来，它可以被认为是诊断临床级胸部X光片。使用阈值滤波器处理的胸部X射线照片重复进行类似的实验时，带有RF分类器的VGG19提供了卓越的分类准确性（97.94％）。该结果证实，提出的DLS将在基准图像上很好地工作，并且在将来，它可以被认为是诊断临床级胸部X光片。