社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

《农业中的人工智能:作物、水产养殖与畜牧业中深度学习技术综述》

专知 • 3 周前 • 51 次点击  

摘要—作物、水产养殖和畜牧业构成了全球粮食生产的支柱,对于满足日益增长的全球人口的食物需求至关重要。然而,这些领域正面临诸多挑战,包括气候变化、资源有限以及对可持续管理的迫切需求。应对这些问题亟需高效、精准且具可扩展性的技术解决方案,而人工智能(AI)的重要性正日益凸显。本文对农业领域中200多项研究工作进行了系统而全面的综述,涵盖传统的机器学习方法、先进的深度学习技术(如视觉Transformer)以及最新的视觉-语言基础模型(如CLIP),聚焦于作物病害识别、畜禽健康管理、水生物种监测等多样化任务。我们还探讨了农业AI应用中面临的关键挑战,如数据差异性,以及与实验相关的内容:数据集、性能评估指标和地理覆盖范围。最后,本文讨论了未来潜在的研究方向,强调多模态数据融合、高效的边缘设备部署,以及适应不同农业环境的可迁移AI模型的必要性。该领域的快速发展动态可在我们的项目主页中持续跟踪获取:https://github.com/umair1221/AI-in-Agriculture
关键词—人工智能、农业、作物、水产养殖、畜牧业


1 引言

农业(涵盖作物种植、水产养殖和家禽饲养等与粮食生产相关的活动)经历了多个变革性阶段,每一阶段都伴随着技术的重大进步和实践方式的深刻转变。最早期的农业1.0时代 [1] 主要依赖人力与畜力,无论是耕种、放牧还是捕鱼,其工具都极为原始,生产效率完全取决于人工劳动。农业2.0带来了关键转折点,其标志是合成化肥、农药和机械设备的广泛应用,这些技术显著降低了劳动力需求,提高了作物产量,并逐渐影响了早期工业化的畜牧业操作和小规模的水产养殖。

随着技术的持续进步,农业进入了农业3.0阶段,其特点是采用基于数字技术的“精准”方法,例如GPS和物联网(IoT)。虽然最初这些方法在作物生产中应用较多,但它们也逐渐渗透到畜牧业(如:农民可以追踪每头牲畜的每日产奶量或饲料摄入量以优化饲喂)和水产养殖中(如:监测水质、分析鱼类行为、估算生物量、残饵量或水体状况)。实时数据采集改善了种植计划管理、资源利用效率和跨领域的疾病预防策略。

当下,农业正迈入农业4.0阶段 [2],该阶段在数字农业的基础上,进一步融合了AI驱动的数据分析、机器人系统以及先进的环境感知技术。这种技术融合不仅提升了传统作物农业的效能,也优化了畜牧业(如自动喂食系统)与水产养殖(如水下无人机和先进的鱼类监测传感器)等多个环节。农业4.0的最终目标是实现更高效、可持续且具韧性的粮食生产生态系统。人工智能(AI)和深度学习的发展显著推动了农业4.0的进程。

农业4.0中AI应用的初期尝试主要基于传统方法,如支持向量机(SVM)、人工神经网络(ANN)和决策树。随后,卷积神经网络(CNN)等深度学习架构在图像分类、目标检测与图像分割等农业任务中取得了突破性进展 [3]–[5]。例如,CNN模型可用于田间虫害识别或“智慧渔业”场景中的鱼类种类识别 [6]。YOLO [7]、ResNet [8]、Mask-RCNN [9] 和 GoogleNet [10] 等CNN视觉识别模型可自动完成鱼类分类、计数与分割任务 [11],极大节省了时间与劳力成本。

随着全球人口持续增长,对作物、畜牧与水产的产量和品质提出更高要求,上述方法的应用价值愈发显著。但在农业中推广CNN方法也面临诸多挑战,如环境变化带来的干扰、大规模数据采集的需求、任务迁移困难以及AI系统与传统农业实践的融合问题 [5]。

除了CNN,深度学习还朝向“基础模型(foundation models)”的方向演进,这类模型往往基于大规模预训练架构(如Transformer)[12]–[15],并能以最小的额外训练适配多种下游任务。虽然CNN在图像任务中仍具优势,但基础模型在多模态农业数据处理方面展现出巨大潜力——农业系统不仅生成图像,还伴随传感器读数、文本记录(如农场日志)、气象数据等多种信息。新兴的基础模型力求整合这些异构数据源,拓展预测分析、异常检测与决策支持的能力,使得一个统一模型便可完成多任务处理,减少对特定应用模型的依赖。例如,某一模型不仅可识别不同的牛病,还能区分多种畜禽品种。

此外,AI也正在利用卫星与无人机(UAV)等遥感手段获取宏观农业数据。卫星遥感对于大规模农田、渔场、森林、水产养殖池与牧场的监测日益重要,能实现产量评估、生物量估计、森林覆盖度测量、牲畜计数与野生动物观察等多种任务。UAV在精准畜牧中也发挥着越来越大的作用,正如Yousefi等人所讨论的 [16]。配合YOLO [7]、Faster-RCNN [17] 和 Mask-RCNN [9] 等模型,无人机可实现高效精准的牲畜识别与跟踪,这对大型牧群或偏远地区尤为关键。总体来看,深度学习技术极大提升了遥感数据在农业场景中的分析能力 [18]。

本综述的范围:农业作为一个持续演化且与日常生活息息相关的领域,已有不少学者围绕农业中的机器学习技术开展综述,涵盖趋势、挑战与未来展望等内容。然而,现有综述通常聚焦于作物或渔业等单一领域,且大多停留在传统机器学习或早期深度学习技术的层面(见表1)。目前尚无文献从整体农业视角出发,同时覆盖作物、畜牧与渔业三大板块,并结合近期涌现的基础模型与视觉-语言模型加以综合讨论。

因此,本文对200余篇论文进行系统回顾,全面覆盖农业领域中从传统机器学习方法、深度学习方法(CNN、视觉Transformer等)到最新视觉-语言基础模型的发展趋势,并结合论文数量比例展示于图1中。我们系统性地分析了这些AI技术在分类、检测与分割等任务中的应用(参见图2与表2),并分别讨论各领域面临的挑战。在第2节中,我们探讨AI在精准农业、虫害治理、作物规划、养分管理与产量预测等方面的应用,涉及来自地面传感器、卫星图像和无人机的数据来源。在第3节中,我们总结AI在渔业领域的应用,包括物种识别、可持续捕捞实践、栖息地监测与种群动态建模,并评述AI在鱼类行为分析、种群趋势预测及低人工干预的养殖管理等方面的实践。在第4节中,我们审查AI在畜牧业中的健康监测、品种改良、疾病诊断、基因分析与行为建模等任务中的应用。

图3提供了本文的整体结构视图,帮助读者从宏观上把握全文内容。我们还展望未来的研究方向,特别是AI模型在可扩展性与可持续发展方面的潜力。最后,本文还附上公开的GitHub资源库,帮助研究者与学生便捷地获取最新的农业AI文献动态,了解当前与未来的发展趋势。


专知便捷查看,访问下面网址或点击最底端“阅读原文”

https://www.zhuanzhi.ai/vip/89beb181b66668bd2d2a1b74603e1884

图片

点击“阅读原文”,查看下载本文

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/185073
 
51 次点击