[论文解读] 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 4

一句话总结

本综述全面回顾了人工智能（AI）在农食系统中的应用，涵盖数据获取、深度学习与传统机器学习等AI技术，及其在农业、畜牧业和渔业中用于作物分类、产量预测和质量评估等任务的应用。其主要贡献在于对AI变革潜力的结构化分析，包括数据异质性与模型可解释性等挑战，以及AIoT和基础模型在实现可持续、高效农食系统方面的机遇。

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.

研究动机与目标

• 提供AI在提升农食系统生产力、效率、安全性和可持续性方面作用的系统性综述。
• 分析用于AI驱动农食应用的数据获取方法，包括卫星、无人机（UAV）和基于传感器的系统。
• 评估传统机器学习与深度学习模型在作物监测、产量预测和病害检测等农食任务中的性能与局限性。
• 识别关键挑战，如数据质量、模型鲁棒性与可解释性，并突出AIoT与基础模型中的新兴机遇。
• 通过提供全面概览并确定AI在农食系统中的未来研究方向，为研究人员和从业者提供指导。

提出的方法

• 系统性地对农食系统中的数据源进行分类，包括遥感（卫星、无人机）、GPS和地面传感器，用于监测作物与畜牧状况。
• 回顾传统机器学习技术（如支持向量机（SVMs））及其在利用遥感数据进行粗粒度农业分类中的应用。
• 分析深度学习模型，包括用于基于图像的作物与动物病害检测的卷积神经网络（CNNs），以及用于气候与土壤数据时空建模的长短期记忆（LSTM）网络。
• 研究多模态AI框架，通过结合空间与时间数据（如CNN-LSTM混合模型）提升产量预测与生长监测性能。
• 探讨可解释AI技术，以应对深度学习的“黑箱”特性，提升模型透明度并增强农食决策中的用户信任。
• 提出一种AIoT闭环框架，整合边缘设备、云/雾计算与基础模型，通过知识蒸馏与自动数据标注实现设备端推理。

实验结果

研究问题

• RQ1 如何有效应用深度学习与传统机器学习等AI技术，以提升农业、畜牧业与渔业中的监测、分类与预测能力？
• RQ2 农食系统中的主要数据获取与处理挑战是什么？不同数据源（如卫星、无人机、传感器）如何支持多样化的AI应用？
• RQ3 当前农食系统中AI模型的关键局限性是什么，特别是在应对分布偏移与预测可解释性方面？
• RQ4 如何将AI与物联网（AIoT）集成，以构建具备闭环反馈机制的可扩展、实时与可追溯的农食系统？
• RQ5 基础模型与迁移学习在资源受限的农食环境中，如何促进AI在边缘设备上的高效部署？

主要发现

• 如CNN与LSTM等深度学习模型通过利用大规模数据的分层特征表示，在作物病害检测与产量预测等任务中显著优于传统机器学习方法。
• 应用于遥感数据的AI技术可实现精准的作物分类与生长监测，其中基于无人机的成像在精准农业中展现出高空间分辨率优势。
• 可解释AI方法对建立农食系统中的信任至关重要，因其可揭示决策逻辑并帮助识别影响预测的关键输入因素。
• 能够在不同环境条件（如天气、地理位置）下保持鲁棒性的AI模型，对实际部署及提升农食应用的可靠性至关重要。
• AI与物联网的集成可形成闭环演化框架，其中在边缘设备采集数据上预训练的基础模型可通过知识蒸馏用于设备端推理，从而实现可扩展与实时的农食监测。
• 文本检测与识别模型通过支持产品标签的自动化读取，增强了食品可追溯性，有助于提升供应链透明度与食品安全。