An automatic identification and classification of rice diseases are very important in the domain of agriculture. Deep learning (DL) is an effective research area in the identification of agriculture pattern identification where it can effectively resolve the issues of diseases identification. In this paper, a hybrid optimization algorithm is developed to categorize the plant diseases. The pre-processing is made using Region of Interest (ROI) extraction and the input image is created by combining the Rice plant dataset, and Rice disease dataset. The segmentation is accomplished using Deep fuzzy clustering. The features, like statistical features, entropy, Convolutional Neural Network (CNN) features, Local Optimal-Oriented Pattern (LOOP), and Local Gabor XOR Pattern (LGXP) is considered for extracting the appropriate features for further processing. The data augmentation is employed to enlarge the volume of extracted features. Then, the first level classification is made by deep neuro-fuzzy network (DNFN), which is trained using Rider Henry Gas Solubility Optimization (RHGSO) that categories into healthy and unhealthy plants. The RHGSO is the integration of Rider Optimization Algorithm (ROA) and Henry gas solubility optimization (HGSO). After that, second-level classification is made by a Deep residual network (DRN) that is tuned by RHGSO. Thus, the RHGSO-based DRN categorizes the unhealthy plants into Bacterial Leaf Blight (BLB), Blast, and Brown spot. Thus, the implementation of the proposed RHGSO-based deep learning approach offered better accuracy, sensitivity, specificity, and F1-score of 0.9304, 0.9459, 0.8383, and 0.9142.

中文翻译：

---

使用支持优化的深度学习进行水稻叶病检测和分类

水稻病害的自动识别和分类在农业领域非常重要。深度学习（DL）是农业模式识别中的一个有效研究领域，可以有效解决病害识别问题。本文开发了一种混合优化算法来对植物病害进行分类。使用感兴趣区域 (ROI) 提取进行预处理，并通过组合水稻植物数据集和水稻病害数据集创建输入图像。分割是使用深度模糊聚类完成的。统计特征、熵、卷积神经网络 (CNN) 特征、局部最优导向模式 (LOOP) 和局部 Gabor XOR 模式 (LGXP) 等特征被考虑用于提取适当的特征以进行进一步处理。采用数据增强来扩大提取的特征量。然后，通过深度神经模糊网络（DNFN）进行第一级分类，该网络使用 Rider Henry 气体溶解度优化（RHGSO）进行训练，将植物分为健康和不健康植物。RHGSO 是 Rider 优化算法 (ROA) 和亨利气体溶解度优化 (HGSO) 的集成。之后，由 RHGSO 调整的深度残差网络 (DRN) 进行二级分类。因此，基于 RHGSO 的 DRN 将不健康植物分为细菌性叶枯病 (BLB)、稻瘟病和褐斑病。因此，所提出的基于 RHGSO 的深度学习方法的实施提供了更好的准确性、灵敏度、特异性，并且 F1 分数为 0.9304、0.9459、0.8383 和 0.9142。第一级分类由深度神经模糊网络 (DNFN) 进行，该网络使用 Rider Henry 气体溶解度优化 (RHGSO) 进行训练，将植物分为健康和不健康植物。RHGSO 是 Rider 优化算法 (ROA) 和亨利气体溶解度优化 (HGSO) 的集成。之后，由 RHGSO 调整的深度残差网络 (DRN) 进行二级分类。因此，基于 RHGSO 的 DRN 将不健康植物分为细菌性叶枯病 (BLB)、稻瘟病和褐斑病。因此，所提出的基于 RHGSO 的深度学习方法的实施提供了更好的准确性、灵敏度、特异性，并且 F1 分数为 0.9304、0.9459、0.8383 和 0.9142。第一级分类由深度神经模糊网络 (DNFN) 进行，该网络使用 Rider Henry 气体溶解度优化 (RHGSO) 进行训练，将植物分为健康和不健康植物。RHGSO 是 Rider 优化算法 (ROA) 和亨利气体溶解度优化 (HGSO) 的集成。之后，由 RHGSO 调整的深度残差网络 (DRN) 进行二级分类。因此，基于 RHGSO 的 DRN 将不健康植物分为细菌性叶枯病 (BLB)、稻瘟病和褐斑病。因此，所提出的基于 RHGSO 的深度学习方法的实施提供了更好的准确性、灵敏度、特异性，并且 F1 分数为 0.9304、0.9459、0.8383 和 0.9142。它使用 Rider Henry 气体溶解度优化 (RHGSO) 进行训练，将植物分为健康和不健康植物。RHGSO 是 Rider 优化算法 (ROA) 和亨利气体溶解度优化 (HGSO) 的集成。之后，由 RHGSO 调整的深度残差网络 (DRN) 进行二级分类。因此，基于 RHGSO 的 DRN 将不健康植物分为细菌性叶枯病 (BLB)、稻瘟病和褐斑病。因此，所提出的基于 RHGSO 的深度学习方法的实施提供了更好的准确性、灵敏度、特异性，并且 F1 分数为 0.9304、0.9459、0.8383 和 0.9142。它使用 Rider Henry 气体溶解度优化 (RHGSO) 进行训练，将植物分为健康和不健康植物。RHGSO 是 Rider 优化算法 (ROA) 和亨利气体溶解度优化 (HGSO) 的集成。之后，由 RHGSO 调整的深度残差网络 (DRN) 进行二级分类。因此，基于 RHGSO 的 DRN 将不健康植物分为细菌性叶枯病 (BLB)、稻瘟病和褐斑病。因此，所提出的基于 RHGSO 的深度学习方法的实施提供了更好的准确性、灵敏度、特异性，并且 F1 分数为 0.9304、0.9459、0.8383 和 0.9142。因此，基于 RHGSO 的 DRN 将不健康植物分为细菌性叶枯病 (BLB)、稻瘟病和褐斑病。因此，所提出的基于 RHGSO 的深度学习方法的实施提供了更好的准确性、灵敏度、特异性，并且 F1 分数为 0.9304、0.9459、0.8383 和 0.9142。因此，基于 RHGSO 的 DRN 将不健康植物分为细菌性叶枯病 (BLB)、稻瘟病和褐斑病。因此，所提出的基于 RHGSO 的深度学习方法的实施提供了更好的准确性、灵敏度、特异性，并且 F1 分数为 0.9304、0.9459、0.8383 和 0.9142。