[논문 리뷰] Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities

Tao Chen, Liang Lv외 13명|arXiv (Cornell University)|2023. 05. 03.

Smart Agriculture and AI인용 수 4

한 줄 요약

이 종합 검토는 인공지능(AI)이 농식품 시스템에 응용되는 방식을 포괄적으로 분석하며, 데이터 확보, 딥러닝 및 전통적 머신러닝과 같은 AI 기법, 그리고 작물 분류, 수확량 예측, 품질 평가 등의 작업을 위한 농업, 축산, 수산업 분야의 응용을 다룹니다. 주요 기여는 AI의 변혁적 잠재력, 데이터 이질성 및 모델 해석 가능성과 같은 과제, 그리고 지속 가능하고 효율적인 농식품 시스템을 위한 AIoT와 플랫폼 모델의 기회를 체계적으로 분석한 것입니다.

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.

연구 동기 및 목표

• 농식품 시스템의 생산성, 효율성, 안전성, 지속 가능성 향상에 기여하는 AI의 역할을 체계적으로 검토하는 것.
• 농식품 응용 분야에서 사용되는 원격 측정(위성, 드론), GPS, 지상 기반 센서 등의 데이터 확보 방법을 분석하는 것.
• 작물 모니터링, 수확량 예측, 병해 감지와 같은 농식품 작업에서 전통적 머신러닝 및 딥러닝 모델의 성능과 한계를 평가하는 것.
• 데이터 품질, 모델 강건성, 해석 가능성과 같은 주요 과제를 식별하고, AIoT 및 플랫폼 모델 분야의 새로운 기회를 부각하는 것.
• 연구자와 현장 전문가가 AI를 활용한 농식품 시스템 분야의 향후 연구 방향을 이해하고 안내받을 수 있도록 종합적 개요를 제공하는 것.

제안 방법

• 원격 측정(위성, 드론), GPS, 지상 기반 센서 등 농식품 시스템 내 데이터 소스를 체계적으로 분류하여 작물 및 가축 상태 모니터링에 활용하는 것.
• 지원벡터기계(SVMs)와 같은 전통적 머신러닝 기법을 활용해 원격 측정 데이터를 이용한 농업 분류 작업에 적용하는 것.
• 딥러닝 모델 분석: 작물 및 가축의 영상 기반 병해 감지에 사용되는 합성곱 신경망(CNNs), 기후 및 토양 데이터의 시공간 모델링에 사용되는 장기 단기 기억(LSTM) 네트워크.
• 공간적 및 시간적 데이터를 통합하는 다중모달 AI 프레임워크(예: CNN-LSTM 하이브리드)를 분석하여 수확량 예측 및 생장 모니터링 성능 향상에 기여하는 것.
• 딥러닝의 블랙박스 성향을 해결하기 위해 설명 가능한 AI 기법을 탐색하여 농식품 의사결정 과정에서의 모델 투명성과 사용자 신뢰를 확보하는 것.
• 지식 정제와 자동 데이터 레이블링을 통해 현장 장치에서의 추론을 가능하게 하는 AIoT 닫힘 루프 프레임워크를 제안하여 엣지 디바이스, 클라우드/안개 컴퓨팅, 플랫폼 모델을 통합하는 것.

실험 결과

연구 질문

• RQ1 딥러닝 및 전통적 머신러닝과 같은 AI 기법은 어떻게 작물, 가축, 수산업 분야의 모니터링, 분류, 예측 성능 향상에 효과적으로 적용될 수 있는가?
• RQ2 농식품 시스템에서의 주요 데이터 확보 및 처리 과제는 무엇이며, 위성, 드론, 센서 등의 다양한 데이터 소스가 다양한 AI 응용 분야를 어떻게 지원하는가?
• RQ3 현재 농식품 시스템에서의 AI 모델이 겪는 주요 한계는 무엇이며, 특히 분포 이탈에 대한 강건성과 예측의 해석 가능성 측면에서 어떤 과제를 안고 있는가?
• RQ4 AI와 인터넷의 사물(Internet of Things, IoT)을 통합하여 실시간, 추적 가능하고 확장 가능한 농식품 시스템을 구축하고, 닫힘 루프 피드백 메커니즘을 도입할 수 있는가?
• RQ5 플랫폼 모델과 전이 학습은 자원이 제한된 농식품 환경에서 엣지 디바이스에 효율적으로 AI를 구현하는 데 어떤 역할을 할 수 있는가?

주요 결과

• CNN 및 LSTM과 같은 딥러닝 모델은 대규모 데이터에서의 계층적 특징 표현을 활용해 작물 병해 감지 및 수확량 예측 등에서 전통적 머신러닝 기법보다 뛰어난 성능을 보인다.
• 원격 측정 데이터에 적용된 AI 기법은 정확한 작물 분류 및 생장 모니터링을 가능하게 하며, 드론 기반 영상은 정밀 농업에서 높은 공간 해상도의 이점을 제공한다.
• 농식품 시스템에서 신뢰를 구축하기 위해 설명 가능한 AI 방법이 필수적이다. 이는 의사결정 논리와 예측에 영향을 주는 주요 입력 요소를 파악하는 데 기여한다.
• 기후, 위치 등 다양한 환경 조건에서 일반화할 수 있는 강건한 AI 모델은 실세계 적용에서의 신뢰성 향상과 함께 농식품 응용 분야의 안정성 향상에 핵심적이다.
• AI와 IoT의 통합은 플랫폼 모델이 엣지에서 수집된 데이터로 미리 학습된 후 지식 정제를 통해 현장에서의 추론이 가능한 닫힘 루프 진화 프레임워크를 제공하며, 확장 가능하고 실시간 농식품 모니터링을 가능하게 한다.
• 텍스트 검출 및 인식 모델은 제품 라벨 자동 스캔을 가능하게 하여 공급망 투명성과 식품 안전성 향상에 기여한다.