《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》

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。