An AI-Driven Smart Farming System for Crop Recommendation and Plant Disease Detection
S. J. Yashvanth · Prasanna Kumar M J · S. Preethi 等 8 人
提出融合机器学习、深度学习和物联网的智能农场系统，实现作物推荐与植物病害检测。
随机森林、支持向量机做作物推荐，CNN做叶片病害检测，结合IoT实时数据。
作物推荐准确率98%-99%，CNN病害检测准确率95%-97%，提升农场效率并减少农药滥用。
可探索多源实时数据融合与跨环境泛化能力，并开发轻量化边缘部署模型以适配田间场景。
该研究将机器学习、深度学习与物联网整合用于作物推荐和病害检测，方法有创新且准确率数据具体，对智慧农业领域有参考价值，但属学术论文，产业影响有限。
气候变异性、土壤退化、水资源短缺和植物病害共同给农业带来了新的挑战。传统方法往往依赖人工监测和直觉，导致决策欠佳和产量降低。然而，现有的基于机器学习（Machine Learning, ML）的作物推荐和病害检测系统面临诸多挑战，如缺乏实时数据集成导致适用范围有限、依赖有限数据集，以及在不同环境条件下准确率下降。为应对这些挑战，本研究提出了一种基于人工智能（Artificial Intelligence, AI）的智慧农场系统，该系统集成了机器学习、深度学习（Deep Learning, DL）和物联网（Internet of Things, IoT）技术。随机森林（Random Forest, RF）和支持向量机（Support Vector Machine, SVM）是基于土壤养分、温度、湿度和降雨量等环境参数进行作物推荐的广泛使用的机器学习算法。基于图像的植物病害检测通过基于卷积神经网络（Convolutional Neural Network, CNN）的模型进行，通过分析叶片图像实现早期诊断。实验结果表明，所提出的系统具有高性能。此外，作物推荐准确率在98%至99%之间，其中随机森林平均表现最佳，而所提出的基于卷积神经网络的模型实现了95%至97%的病害检测准确率。这种实时数据与智能决策支持的集成提升了农场效率，减少了农药过度使用，并最大化了作物产量。