[論文レビュー] Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities

Tao Chen, Liang Lv+13 more|arXiv (Cornell University)|May 3, 2023

Smart Agriculture and AI被引用数 4

ひとこと要約

本サーベイは、人工知能（AI）が農業・食料システムに応用される状況を包括的にレビューし、データ収集、ディープラーニングや従来の機械学習などのAI技術、および農業、畜産、水産業における作物分類、収量予測、品質評価などのタスクへの応用をカバーしている。主な貢献は、AIの変革的潜在力、データの多様性やモデルの解釈可能性といった課題、および持続的で効率的な農業・食料システムの実現に向けたAIoTとファウンデーションモデルの機会を体系的に分析することにある。

ABSTRACT

With the world population rapidly increasing, transforming our agrifood systems to be more productive, efficient, safe, and sustainable is crucial to mitigate potential food shortages. Recently, artificial intelligence (AI) techniques such as deep learning (DL) have demonstrated their strong abilities in various areas, including language, vision, remote sensing (RS), and agrifood systems applications. However, the overall impact of AI on agrifood systems remains unclear. In this paper, we thoroughly review how AI techniques can transform agrifood systems and contribute to the modern agrifood industry. Firstly, we summarize the data acquisition methods in agrifood systems, including acquisition, storage, and processing techniques. Secondly, we present a progress review of AI methods in agrifood systems, specifically in agriculture, animal husbandry, and fishery, covering topics such as agrifood classification, growth monitoring, yield prediction, and quality assessment. Furthermore, we highlight potential challenges and promising research opportunities for transforming modern agrifood systems with AI. We hope this survey could offer an overall picture to newcomers in the field and serve as a starting point for their further research. The project website is https://github.com/Frenkie14/Agrifood-Survey.

研究の動機と目的

• 農業・食料システムにおける生産性、効率性、安全性、持続可能性の向上に貢献するAIの役割を体系的にレビューすること。
• 農業・食料システムで使用されるデータ収集手法（衛星、UAV、センサー駆動システムなど）を分析すること。
• 作物モニタリング、収量予測、病害検出などの農業・食料タスクにおける、従来の機械学習およびディープラーニングモデルの性能と限界を評価すること。
• データ品質、モデルの頑健性、解釈可能性といった主な課題を特定し、AIoTとファウンデーションモデルにおける新たな機会を強調すること。
• 研究者および実務家を支援するため、AIを用いた農業・食料システム分野の包括的概要を提示し、今後の研究方向性を特定すること。

提案手法

• 農業・食料システムにおけるデータソースを体系的に分類し、リモートセンシング（衛星、UAV）、GPS、地上センサーを含め、作物および家畜の状態をモニタリングする。
• サポートベクターマシン（SVMs）を含む従来の機械学習技術をレビューし、リモートセンシングデータを用いた粗粒度の農業分類への応用を検討する。
• 畳み込みニューラルネットワーク（CNNs）を用いた画像ベースの作物・家畜の病害検出、および時空間的気象・土壌データのモデリングに用いられる長短期記憶（LSTM）ネットワークを分析する。
• 空間的および時間的データを統合するマルチモーダルAIフレームワーク（例：CNN-LSTMハイブリッド）を検討し、収量予測および生育状態のモニタリングを向上させる。
• ディープラーニングのブラックボックス性に対処する解釈可能なAI技術を検討し、意思決定プロセスの透明性を高め、農業・食料意思決定における信頼を築く。
• エッジデバイス、クラウド/ミッドエッジコンピューティング、およびファウンデーションモデルを統合したAIoTクローズドループフレームワークを提案し、知識蒸留と自動データラベリングを活用したデバイス内推論を可能にする。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングや従来の機械学習といったAI技術を、農業、畜産、水産業における監視、分類、予測の向上に効果的に応用する方法は何か？
• RQ2 農業・食料システムにおける主なデータ収集および処理の課題は何か？また、衛星、UAV、センサーなどの異なるデータソースは、多様なAI応用をどのように支援するか？
• RQ3 現在のAIモデルが農業・食料システムにおいて直面する主な制限要因は何か？特に、分布シフトに対する頑健性と予測の解釈可能性の観点から。
• RQ4 AIとインターネット・オブ・シングス（AIoT）を統合することで、スケーラブルでリアルタイムかつトレーサブルな農業・食料システムを、フィードバックループを備えた形で構築できるか？
• RQ5 ファウンデーションモデルとトランスファーラーニングは、リソース制約のある農業・食料環境におけるエッジデバイスへのAIの効率的導入をどのように可能にするか？

主な発見

• 畳み込みニューラルネットワーク（CNNs）や長短期記憶（LSTM）ネットワークを含むディープラーニングモデルは、大規模データからの階層的特徴表現を活用することで、作物病害検出や収量予測の分野で従来の機械学習手法を著しく上回る性能を示す。
• リモートセンシングデータに応用されたAI技術により、正確な作物分類および生育状態のモニタリングが可能となり、UAVベースのイメージングは精密農業における高い空間分解能の利点を示している。
• 解釈可能なAI手法は、意思決定の論理を明らかにし、予測に影響を与える主要な入力要因を特定するため、農業・食料システムにおける信頼を築くために不可欠である。
• さまざまな環境条件（天候、場所など）にわたって一般化できる頑健なAIモデルは、実世界への展開および農業・食料応用分野における信頼性の向上にとって不可欠である。
• AIとIoTの統合により、エッジで収集されたデータに事前に訓練されたファウンデーションモデルを用いたクローズドループ進化フレームワークが実現され、知識蒸留と自動データラベリングを活用したデバイス内推論が可能となり、スケーラブルでリアルタイムの農業・食料モニタリングが可能になる。
• テキスト検出および認識モデルは、製品ラベルの自動読み取りを可能にし、供述チェーンの透明性と食品安全性を支援することで、食品のトレーサビリティを向上させる。