Agricultural pests cause between 20 and 40 percent loss of global crop production every year as reported by the Food and Agriculture Organization (FAO). Therefore, smart agriculture presents the best option for farmers to apply artificial intelligence techniques integrated with modern information and communication technology to eliminate these harmful insect pests. Consequently, the productivity of their crops can be increased. Hence, this article introduces a new mobile application to automatically classify pests using a deep-learning solution for supporting specialists and farmers. The developed application utilizes faster region-based convolutional neural network (Faster R-CNN) to accomplish the recognition task of insect pests based on cloud computing. Furthermore, a database of recommended pesticides is linked with the detected crop pests to guide the farmers. This study has been successfully validated on five groups of pests; called Aphids, Cicadellidae, Flax Budworm, Flea Beetles, and Red Spider. The proposed Faster R-CNN showed highest accurate recognition results of 99.0% for all tested pest images. Moreover, our deep learning method outperforms other previous recognition methods, i.e., Single Shot Multi-Box Detector (SSD) MobileNet and traditional back propagation (BP) neural networks. The main prospect of this study is to realize our developed application for on-line recognition of agricultural pests in both the open field such as large farms and greenhouses for specific crops.

根据粮食及农业组织（FAO）的报告，农业虫害每年导致全球农作物减产20％至40％。因此，智能农业为农民提供了将人工智能技术与现代信息和通信技术相结合以消除这些有害虫害的最佳选择。因此，可以提高他们的农作物的生产率。因此，本文介绍了一种新的移动应用程序，该应用程序可以使用深度学习解决方案自动对有害生物进行分类，以支持专家和农民。开发的应用程序利用基于区域的更快的卷积神经网络（Faster R-CNN）来完成基于云计算的害虫识别任务。此外，推荐农药数据库与检测到的农作物害虫相关联，以指导农民。这项研究已经成功地验证了五类有害生物。被称为蚜虫，Ci科，亚麻芽虫，跳蚤甲虫和红蜘蛛。对于所有测试的害虫图像，建议的Faster R-CNN表现出最高的准确识别率99.0％。此外，我们的深度学习方法优于其他先前的识别方法，即单发多盒检测器（SSD）MobileNet和传统的反向传播（BP）神经网络。这项研究的主要前景是实现我们开发的应用程序，以便在大型农场和特定作物的温室等开放领域中在线识别农业害虫。亚麻芽虫，跳蚤甲虫和红蜘蛛。对于所有测试的害虫图像，建议的Faster R-CNN表现出最高的准确识别率99.0％。此外，我们的深度学习方法优于其他先前的识别方法，即单发多盒检测器（SSD）MobileNet和传统的反向传播（BP）神经网络。这项研究的主要前景是实现我们开发的应用程序，以便在大型农场和特定作物的温室等开放领域中在线识别农业害虫。亚麻芽虫，跳蚤甲虫和红蜘蛛。对于所有测试的害虫图像，建议的Faster R-CNN表现出最高的准确识别率99.0％。此外，我们的深度学习方法优于其他先前的识别方法，即单发多盒检测器（SSD）MobileNet和传统的反向传播（BP）神经网络。这项研究的主要前景是实现我们开发的应用程序，以便在大型农场和特定作物的温室等开放领域中在线识别农业害虫。单发多盒检测器（SSD）MobileNet和传统的反向传播（BP）神经网络。这项研究的主要前景是实现我们开发的应用程序，以便在大型农场和特定作物的温室等开放领域中在线识别农业害虫。单发多盒检测器（SSD）MobileNet和传统的反向传播（BP）神经网络。这项研究的主要前景是实现我们开发的应用程序，以便在大型农场和特定作物的温室等开放领域中在线识别农业害虫。