Système de gestion intelligente des nuisibles basé sur l'IoT pour l'agriculture de précision

Malgré les risques imminents de l'insécurité alimentaire qui pèsent sur le monde, notamment dans des pays en développement comme le Pakistan où des méthodes agricoles traditionnelles sont suivies, des opportunités créées par la technologie peuvent nous aider à éviter des menaces de crise alimentaire dans les années à venir. Actuellement, le secteur agricole mondial progresse rapidement vers des approches agricoles de précision (PA) axées sur la technologie pour améliorer la protection des cultures et augmenter la productivité. La littérature met en évidence les limitations des approches traditionnelles, telles que les risques d'erreurs humaines dans la reconnaissance et le comptage des nuisibles, et nécessitent une main-d'œuvre qualifiée. Dans ce contexte, cet article propose une plateforme de détection des nuisibles intelligente basée sur l'IoT pour la gestion intégrée des nuisibles et le suivi des conditions des champs cultivés qui sont d'une aide cruciale pour les agriculteurs dans de véritables environnements de terrain. Le système proposé comprend un prototype physique d'un piège à insectes intelligent équipé de l'informatique embarquée pour détecter et classer les nuisibles. À cette fin, un ensemble de données a été créé avec des images de mouches des fruits orientales capturées sous différentes conditions d'éclairage dans des vergers de goyaviers. La taille de l'ensemble de données est de plus de 1000 images catégorisées en deux groupes : (1) mouche des fruits et (2) pas mouche des fruits, et un classificateur de réseaux de neurones convolutifs (CNN) a été entraîné en fonction des caractéristiques suivantes : (1) caractéristiques de Haralick (2) histogramme des gradients orientés (3) moments de Hu et (4) histogramme des couleurs. Le système a atteint une valeur de rappel de 86,2 % pour les images de test réelles avec une précision moyenne (mAP) de 97,3 %. De plus, le modèle proposé a été comparé à de nombreux modèles basés sur l'apprentissage automatique (ML) et l'apprentissage profond (DL) pour vérifier l'efficacité du modèle proposé. Les résultats comparatifs ont indiqué que les meilleures performances ont été atteintes par le modèle proposé avec la plus haute précision, précision, rappel, F1-score, spécificité et FNR avec des valeurs respectives de 97,5 %, 92,82 %, 98,92 %, 95,00 %, 95,90 % et 5,88 %.