Agriculture is undoubtedly one of the biggest and most important professions in the world. Optimization of agriculture and aiming gradually and extensively toward smart agriculture are the need of the hour. IOT (Internet of Things) technology has already been successful in easing people’s lives with its wide range of applications in almost all arenas. In this paper, our work takes the help of IOT devices, wireless sensor network (WSN) and AI techniques and combines them for faster and effective recommendation of suitable crops to farmers based on a list of factors such as temperature, annual precipitation, total available land size, past crop grown history and other resources. Additionally, detection of unwanted plants on crops, namely weed detection, is implemented with frame-capturing drone and deep learning methods. Naïve Bayes algorithm for crop recommendation based on several factors detected by WSN sensor nodes has been used, resulting in an accuracy of 89.29%, which has proved to be better than several other discussed algorithms in the paper, like regression or support vector machine. Deep learning using neural network successfully identifies weeds present in a specific area of crop growth extending an additional protective measure to farmers. The comprehensive application developed for farmers not only reduces the physical hardship and time spent on different agricultural activities, but also increases the overall land yield, reduces possibility of losses due to failure of crops in a particular soil and lessens the chances of damage caused to crops by weeds.

农业无疑是世界上最大和最重要的职业之一。时刻需要农业的优化，并逐步广泛地瞄准智能农业。物联网（IOT）技术已经成功地缓解了人们的生活，它在几乎所有领域中的广泛应用。在本文中，我们的工作借助物联网设备，无线传感器网络（WSN）和AI技术的帮助，并结合温度，年降水量，总可用量等因素，将它们结合起来，以便向农民更快有效地推荐合适的农作物土地面积，过去的农作物种植历史和其他资源。此外，通过捕获帧的无人机和深度学习方法可以实现对作物上有害植物的检测，即杂草检测。使用了基于WSN传感器节点检测到的多个因素的朴素贝叶斯农作物推荐算法，其准确度为89.29％，已证明优于本文中讨论的其他几种算法，例如回归或支持向量机。使用神经网络的深度学习成功地识别了作物生长特定区域中存在的杂草，为农民提供了额外的保护措施。为农民开发的综合应用程序不仅减少了身体上的困难和花在不同农业活动上的时间，而且还增加了土地的总体产量，减少了在特定土壤中因农作物歉收而造成损失的可能性，并减少了对农作物造成损害的机会杂草。得出的准确度为89.29％，已证明优于本文中讨论的其他几种算法，例如回归或支持向量机。使用神经网络的深度学习成功地识别了作物生长特定区域中存在的杂草，为农民提供了额外的保护措施。为农民开发的综合应用程序不仅减少了身体上的困难和花在不同农业活动上的时间，而且还增加了土地的总体产量，减少了在特定土壤中因农作物歉收而造成损失的可能性，并减少了对农作物造成损害的机会杂草。得出的准确度为89.29％，已证明优于本文中讨论的其他几种算法，例如回归或支持向量机。使用神经网络的深度学习成功地识别了作物生长特定区域中存在的杂草，为农民提供了额外的保护措施。为农民开发的综合应用程序不仅减少了身体上的困难和花在不同农业活动上的时间，而且还增加了土地的总体产量，减少了在特定土壤中因农作物歉收而造成损失的可能性，并减少了对农作物造成损害的机会杂草。使用神经网络的深度学习成功地识别了作物生长特定区域中存在的杂草，为农民提供了额外的保护措施。为农民开发的综合应用程序不仅减少了身体上的困难和花在不同农业活动上的时间，而且还增加了土地的总体产量，减少了在特定土壤中因农作物歉收而造成损失的可能性，并减少了对农作物造成损害的机会杂草。使用神经网络的深度学习成功地识别了作物生长特定区域中存在的杂草，为农民提供了额外的保护措施。为农民开发的综合应用程序不仅减少了身体上的困难和花在不同农业活动上的时间，而且还增加了土地的总体产量，减少了在特定土壤中因农作物歉收而造成损失的可能性，并减少了对农作物造成损害的机会杂草。