A revisit of Internet of Things Technologies for Monitoring and Control Strategies in Smart Agriculture

2022
,
12
, 127
16 of 21
Figure 5.
Research contribution using IoT, WSN, and machine learning.
Imperfect network access, lack of a (or no) power supply, and high framework costs
compared to an ordinary farmer’s income were presented in a low-cost, energy-proficient,
protected, dependable, and heterogeneous three-layer approach for Internet of Things-
based smart agriculture. IoT devices make up the first layer, including IoT-based smart
agriculture monitoring like insect detection, theft detection, crop monitoring, smart ir-
rigation, smart poultry, food supply chain, and food preservation monitoring systems.
The low-power LoRaWAN network connects the IoT devices to the gateways. The next
layer is made up of local processing servers and gateways that are connected with the
gateways. The cloud layer, which uses the publicly available FIWARE framework to offer a
set of open-source API standards, is the third layer. This study aimed to create diagnostic
techniques for packet combination procedures at the fog node before they were sent over
the network facility to cloud servers. This aims to decrease short IoT packet processing
overheads and optimize energy usage at the backbone, as billions of IoT devices linked to
fog nodes are projected to generate massive volumes of short IoT packets [
52
].
A Cuckoo Search Algorithm has been created, allowing water allocated for farming
under all situations. Temperature, turbidity, pH, and moisture were collected utilizing the
Internet of Things (IoT) infrastructure outfitted with wireless communication devices and
sensors. ThingSpeak presented the sensor data in the cloud system in this IoT platform.
The ThingSpeak data was utilized in the suggested Cuckoo Search Algorithm, which
identified suitable yields for a given soil [
53
]. Incorrect or late identification can result in
overuse or underuse of chemicals, resulting in higher production costs and environmental
and health consequences. With varied lighting, angles, surfaces, noise, and high resolutions,
3651 real-time indication images of various apple infections were manually collected.
A subset of this dataset was labeled by experts, such as cedar apple rust, scab, and normal
leaves, and open-sourced for the Plant Pathology Challenge to Kaggle community. We also
used this data to train a standard CNN (convolutional neural network), which obtained
97% recognition on a held-out test set and a maximum AUC value of 0.986. The project’s
goal was to keep adding additional images to the pilot dataset from various perspectives,
lighting, and distances to create a bigger more complete labeled database by experts.
The dataset will contain pests and diseases, such as apple mites and aphids and apple
leaves comprising apple marssonina and alternaria leaf blotch, leaf spot, frogeye, rot, cedar,
and powdery mildew, fire blight, and scab-labeled images.
Additionally, it will be photographed and remarked on fruit infected with apple brown
rot, bitter rot, or scab [
54
]. An Internet of Things-based cost-effective monitoring system
was developed to address particular crop irrigation, soil erosion, and irregular irrigation.

---

Agronomy
2022
,
12
, 127
17 of 21
The suggested method entails building a distributed WSN (wireless sensor network), with
multiple sensor modules covering each part of the farm and transferring data to a central
server. ML techniques will aid irrigation pattern forecasts based on yields and climate
environments. According to a comparison of several algorithms, random forest regression
has a decent accuracy of 81.6%. However, due to harsh weather conditions, the system
is constrained in many ways: the forecast accuracy is dependent on the setup’s correct
installation, and the threat of wild animals can harm the hardware setup [
48
]. Because
human abilities and agricultural gear are severely restricted compared to robot knowledge,
robotic systems in agriculture can be highly beneficial in achieving both high quality
and quantity goods. To integrate IoT systems with agricultural machinery, a new way
of managing control signals from the control system to the actuators is required. These
methods should increase economic viability while also lowering environmental impact and
enhancing food sustainability. It handles various agricultural tasks, including moisture
sensing, irrigation, crop monitoring, and insect and animal defense [
55
]. Accordingly, a
state-of-the-art technologies-based accuracy comparison is presented in Figure
6
.