ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
Image-based techniques are widely used in plant disease classification to support agricultural productivity and facilitate early detection. This study presents a comparative analysis between a baseline convolutional neural network (CNN) and a ResNet50-based transfer learning model for tomato leaf disease classification. A publicly available dataset containing five categories—tomato bacterial spot, tomato late blight, tomato septoria leaf spot, tomato yellow leaf curl virus, and healthy leaves—was used in the experiments. Model performance was evaluated using several standard classification metrics, with emphasis on overall accuracy. The baseline CNN achieved an accuracy of 97.0%, whereas the ResNet50 model reached 99.6%. The results demonstrate that the ResNet50 model produces more stable and reliable predictions, particularly when distinguishing between visually similar disease classes. These findings confirm that transfer learning can effectively improve classification performance in plant disease recognition tasks.
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 76/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Smart Agriculture and AI · Plant Disease Management Techniques · Scientific and Engineering Research Topics
บทบาทของนักวิจัยและสถาบันไทย
Sumana Budsabok · Wachiraporn Polpanumas · Piyanan Khongphai · Rajamangala University of Technology Isan · Rajamangala University of Technology Suvarnabhumi
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง