Künstliche Intelligenz und Bilderkennungstechnologien werden mit Umweltsensoren und dem Internet der Dinge (IoT) zur Schädlingserkennung kombiniert. Landwirtschaftliche Meteorologie- und Schädlingserkennungssysteme in Echtzeit für mobile Anwendungen werden auf der Grundlage von intelligenter Schädlingserkennung und IoT-Umweltdaten bewertet. Wir haben die derzeitige ausgereifte A IoT-Technologie mit Deep Learning kombiniert und auf die intelligente Landwirtschaft angewendet. Wir nutzten das Deep Learning YOLOv3 für die Bilderkennung, um den Standort von Tessaratoma papillosa zu ermitteln, und analysierten die Umweltinformationen von Wetterstationen mittels Long Short-Term Memory (LSTM), um das Auftreten von Schädlingen vorherzusagen. Die Versuchsergebnisse zeigten, dass die Genauigkeit der Schädlingserkennung 90 % erreichte. Durch die genaue Positionierung kann die Menge der eingesetzten Pestizide und die Schädigung des Bodens durch Pestizide wirksam reduziert werden. Die aktuelle Forschung liefert den Landwirten den Standort des Schädlings und das Ausmaß der Schädlinge, so dass sie Pestizide genau zu einem bestimmten Zeitpunkt und an einem bestimmten Ort einsetzen können und somit die Zahl der für die rechtzeitige Schädlingsbekämpfung erforderlichen landwirtschaftlichen Arbeitskräfte verringern können.

Prof. Dr. Mohamed Abdel-Raheem Ali Abdel-Raheem, Abteilung für Schädlinge und Pflanzenschutz, Landwirtschaftliches und Biologisches Forschungsinstitut, Nationales Forschungszentrum, Kairo, Ägypten, und Assoc. Prof. Nawal Abdulaziz Khalid AlFuhaid, Assoc. Prof., Fachbereich Biologie. Sattam bin Abdul-Aziz University College of Science and Humanities. Kharj.