Die Präzisionslandwirtschaft erfordert die kontinuierliche Überwachung von Schädlingspopulationen und Umweltbedingungen wie Temperatur und Luftfeuchtigkeit. Die Bactrocera oleae, auch bekannt als Olivenfliege, ist ein ernster Schädling in der Olivenindustrie. Die herkömmliche Überwachung basiert auf Fliegenfallen, die bestimmte Fruchtfliegenarten abfangen und identifizieren. Die manuelle Datenerfassung ist zeitaufwändig, daher wird die Entwicklung einer Überwachungsstation zur Automatisierung des Überprüfungsprozesses empfohlen. Übermäßiger Einsatz von Insektiziden und Sprays kann Umwelt- und Gesundheitsprobleme verursachen. Die Überwachung von Umgebungsparametern wie Temperatur und Luftfeuchtigkeit in Echtzeit ist entscheidend.
Die Landwirtschaft scheint ein vielversprechendes Anwendungsgebiet für drahtlose Überwachungsstationen zu sein, um die Produktion präziser und qualitativ hochwertiger zu gestalten. Die Anwendung von Precision Agriculture (PA) mit automatisierten Überwachungsstationen ermöglicht die genaue Echtzeit-Erfassung von Feldinformationen. Die Schädlingsbekämpfung bleibt ein Hauptforschungsziel der modernen Landwirtschaft und wird üblicherweise mit Insektiziden durchgeführt. Die Verwendung von Präzisionslandwirtschaft zur Schädlingsbekämpfung wurde eingeführt, um die Kontrolle und/oder Erkennung verschiedener Schädlinge zu verbessern.
Die Verwendung von Computer Vision und künstlicher Intelligenz (KI) ermöglicht die Analyse von Fotos und die Identifizierung von Olivenfliegen, wodurch die Überprüfung von Fliegenfallen automatisiert wird. Fortschritte bei der Bildidentifikation haben den Weg für den Einsatz von KI in diesem Bereich geebnet. Klassisches maschinelles Lernen (ML) wurde für die automatische Identifizierung und Klassifizierung von Olivenfrüchten erfolgreich angewendet. Die Kombination von Random Forest (RF) und Support Vector Machines (SVM) führte zu einer Verbesserung der Genauigkeit und Effizienz bei der Überwachung der Olivenfliegenpopulation.
Insgesamt zeigt diese Studie, dass ML-Methoden trotz begrenzter Datensätze und begrenzter Rechenkapazität effektiv zur Überwachung und Kontrolle von Olivenfliegen eingesetzt werden können. Die Kombination von RF und SVM als klassische ML-Techniken erwies sich als effektiver als CNN-Lösungen in diesem speziellen Anwendungsfall. Die Implementierung intelligenter Systeme kann die Effizienz der Feldüberwachung verbessern und Experten wertvolle Erkenntnisse bieten. Die Kombination von RF und SVM-Modellen erzielte vielversprechende Ergebnisse und ermöglicht eine genauere Bestimmung von Schädlingspopulationen für eine effektive Schädlingsbekämpfung.