Modèle Hybride Profond pour la Détection des Ravageurs : Système d'Agriculture Intelligente Basé sur IoT‐UAV

RÉSUMÉ La technologie moderne révolutionne les processus agricoles traditionnels en introduisant de nouvelles approches rationalisées. Malgré ces avancées, des défis tels que l'identification des maladies, la détection des insectes et la prévision météorologique persistent. Pour résoudre ces problèmes, ce travail propose un système d'agriculture intelligente basé sur IoT‐UAV centré sur la détection des ravageurs. La méthode implique plusieurs étapes : acquisition des données, prétraitement, augmentation des données, segmentation, extraction des caractéristiques et classification. Lors de l'acquisition des données, un « ensemble de données sur les ravageurs » est collecté. Le prétraitement comprend une normalisation par Z-score pour produire des images mieux normalisées. L'augmentation des données consiste à faire pivoter les images pour créer différentes orientations. L'étape de segmentation utilise un processus HDBSCAN mis à jour, qui améliore le calcul de distance entre les pixels en utilisant des distances euclidiennes et minkowskiennes hybridées. L'extraction des caractéristiques récupère diverses caractéristiques des images segmentées, y compris des caractéristiques MBP modifiées, des caractéristiques basées sur la couleur et des caractéristiques basées sur la forme. Après l'extraction des caractéristiques, la phase de classification est réalisée par une technique hybride avec des approches DL telles que les approches DBN améliorées et LSTM. Enfin, les résultats de classification sont moyennés pour prédire avec précision la détection des ravageurs. L'efficacité de l'approche est évaluée à travers diverses évaluations, visant à surmonter les limitations actuelles et à améliorer les systèmes d'agriculture intelligente. La méthode DHMPD proposée a été comparée avec des approches de pointe et des classificateurs traditionnels, atteignant une précision maximale de 0,936, surpassant les méthodes conventionnelles dans la détection précise des ravageurs. Ainsi, le travail proposé présente un immense potentiel pour faire progresser les capacités des systèmes d'agriculture intelligente, offrant des solutions pratiques qui peuvent bénéficier aux agriculteurs, aux chercheurs agricoles et aux industries impliquées dans la gestion des cultures et la production alimentaire.